CN117292683A - 一种语音响应方法、装置、设备和存储介质 - Google Patents

Abstract

本公开实施例提供了一种语音响应方法、装置、设备和存储介质，该方法包括：获取当前语音信息；基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；基于当前响应语速，播放当前语音信息对应的响应语音信息。通过本公开实施例的技术方案，可以自动动态调节响应语速，提升对话体验。

Description

一种语音响应方法、装置、设备和存储介质

技术领域

本公开实施例涉及计算机技术，尤其涉及一种语音响应方法、装置、设备和存储介质。

背景技术

随着计算机技术的快速发展，可以利用智能机器人进行人机对话，提高用户体验。目前，在人机对话过程中，智能机器人通常是以固定的响应语速来播放响应语音，无法自动地调节响应语速，降低了对话体验。

发明内容

本公开提供一种语音响应方法、装置、设备和存储介质，以自动调节响应语速，提升对话体验。

第一方面，本公开实施例提供了一种语音响应方法，包括：

获取当前语音信息；

基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

第二方面，本公开实施例还提供了一种语音响应装置，包括：

当前语音信息获取模块，用于获取当前语音信息；

当前响应语速确定模块，用于基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

响应语音信息播放模块，用于基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的语音响应方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的语音响应方法。

本公开实施例，通过获取当前语音信息，并可以将当前语音信息输入至已训练的目标语速模型中进行语速匹配，确定与当前语音信息相匹配的当前响应语速，并基于当前响应语速，播放当前语音信息对应的响应语音信息，从而利用目标语速模型可以实时确定出与当前语音信息相匹配的当前响应语速，从而实现了响应语速的智能动态调节，提升了对话体验。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开实施例所提供的一种语音响应方法流程示意图；

图2是本公开实施例所涉及的一种目标语速模型的架构示例图；

图3是本公开实施例所提供的另一种语音响应方法流程示意图；

图4是本公开实施例所提供的一种语音响应装置的结构示意图；

图5是本公开实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自愿地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。在经用户同意后再获取用户的个人信息。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1为本公开实施例所提供的一种语音响应方法的流程示意图，本公开实施例适用于在人机交互中，对用户发出的语音进行响应的情况，该方法可以由语音响应装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可以集成于智能机器人等电子设备中。

如图1所示，语音响应方法具体包括以下步骤：

S110、获取当前语音信息。

其中，当前语音信息可以是指当前时刻智能机器人的交互对象所发出的一段语音信息，比如一句话。交互对象可以是但不限于用户。

具体地，智能机器人可以实时获取交互对象的当前语音信息，以便后续可以基于当前语音信息确定出当次响应交互对象的响应语速，从而在交互对话过程中，可以实时动态地调节每次响应交互对象的响应语速。例如，用户在与智能客服机器人进行对话交互的应用场景中，智能客服机器人可以利用语音采集装置实时采集用户发出的当前询问语音信息，并基于当前询问语音信息动态确定出当次响应用户的当前响应语速，从而在用户咨询过程中，可以实时动态地调节每次响应用户的响应语速，提升了用户体验。

S120、基于已训练的目标语速模型和当前语音信息，确定与当前语音信息相匹配的当前响应语速。

其中，目标语速模型可以是在一个语速识别维度上进行语速识别的网络模型，也可以是在至少两个语速识别维度上进行语速识别的网络模型，以便进一步提高语速匹配的准确性。目标语速模型可以是任意一种语速分类模型或者语速回归模型。例如，可以预先将响应语速划分为多个语速类别，比如划分为0.5x(对应慢语速)、1.0x(对应正常语速)和1.5x(对应快语速)三个语速类别，语速分类模型通过基于当前语音信息进行语速识别分类，确定出当前响应语速所属于的语速类别。又如，语速回归模块可以通过基于当前语音信息进行语速回归，确定出具体的语速值，作为当前响应语速，比如，当前响应语速可以是在0.2x-2.0x范围内的一个语速值。

需要说明的是，目标语速模型可以是预先基于样本语音信息和样本语音信息对应的响应语速标签进行训练获得的语速模型。其中，样本语音信息可以是指从对话日志中提取出的交互对象所发出的语音信息。响应语速标签可以基于样本语音信息在各个语速识别维度下的特征信息进行综合分析并人工标注获得的，以保证响应语速标签与样本语音信息相匹配。随着目标语速模型的应用可以产生更多的新样本语音信息，并基于新样本语音信息和相应的响应语速标签可以继续对目标语速模型进行迭代更新训练，以便进一步提高目标语速模型的语速匹配的准确性。

具体地，可以将当前语音信息输入至预先训练好的目标语速模型中进行语速匹配，目标语速模型可以对输入的当前语音信息进行一个或多个语速识别维度上的特征提取，并基于每个语速识别维度上提取的语音特征信息进行语速识别，并对各个语速识别维度上的语速识别结果进行融合，获得与当前语音信息相匹配的当前响应语速，并将当前响应语速进行输出，从而基于目标语速模型的输出，可以获得与当次语音交互相匹配的当前响应语速。

示例性地，图2给出了一种目标语速模型的架构示例图，如图2所示，目标语速模型可以包括：至少两个语速识别子模型和语速融合子模型。其中，每个语速识别子模型识别语速时所依据的语音特征信息对应的语速识别维度是不同的。本公开实施例中的语速识别维度可以是指与语音相关的识别维度。例如，语速识别维度可以包括但不限于：语义维度、语速维度、语调维度、音量维度和感叹词维度中的至少两个维度。每个语速识别维度对应一个语速识别子模型，以便利用语速识别子模型在相应的语速识别维度上进行语速识别。例如，语义维度对应的语速识别子模型可以是通过将当前语音信息转换为文本信息，并基于文本信息进行语义识别，从语义识别结果中提取出语速信息。例如，当前语音信息为：“将语速调整到1.5倍速率”，从而语义维度对应的语速识别子模型识别出的语速结果为1.5x。语速维度对应的语速识别子模型可以是用于识别出交互对象发出当前语音信息的语速，可以理解的是，语速的数值越大，则表明语速越快。语调维度对应的语速识别子模型可以是用于识别出交互对象发出当前语音信息的语调，可以理解的是，语调的数值越大，则表明语调越高，并基于预先学习出的语调与响应语速之间的映射关系，确定输出的响应语速。音量维度对应的语速识别子模型可以是用于识别出目标用户发出当前语音信息的音量，可以理解的是，音量的数值越大，则表明音量越大，并基于预先学习出的音量与响应语速之间的映射关系，确定输出的响应语速。感叹词维度可以是指情绪语义维度(可以理解为语义维度下的一种具体维度)。感叹词维度对应的语速识别子模型可以是用于将当前语音信息转换为文本信息，并提取出文本信息中的用于表达感叹意图的词语(即感叹词)，并基于预先学习出的感叹词与响应语速之间的映射关系，确定输出的响应语速。例如，若存在啊、哦、噢等感叹词，则表示强调不耐烦，此时可以调快响应语速。

示例性地，针对图2给出的目标语速模型而言，S120可以包括：将当前语音信息输入至每个语速识别子模型中，以使每个语速识别子模型对当前语音信息提取相应的语速识别维度下的语音特征信息，并基于语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速；将各个初始响应语速输入至语速融合子模型中，以使语速融合子模型对各个初始响应语速进行融合处理，确定与当前语音信息相匹配的当前响应语速。具体地，通过对至少两个语速识别维度的初始响应语速进行融合处理，可以从至少两个识别维度上进行语速匹配，从而可以进一步提高响应语速确定的准确性。

需要说明的是，本实施例可以预先基于样本语音信息和样本语音信息在每个语速识别维度下的初始语速标签，对目标语速模型中的每个语速识别子模型进行训练，在各个语速识别子模型训练结束后，基于样本语音信息和样本语音信息对应的响应语速标签，再对目标语速模型中的语速融合子模型进行训练，从而可以进一步提高训练效率以及语速匹配的准确性。其中，初始语速标签可以是语速识别子模型输出的标准响应语速，其可以基于样本语音信息在每个语速识别维度的特征信息进行人工标注获得的。例如，对于语调维度而言，可以基于样本语音信息中的语调高低标注出相匹配的语速快慢，从而获得语调维度下的初始语速标签。响应语速标签可以是语速融合子模型输出的标准响应语速，其可以是基于样本语音信息在各个语速识别维度下的特征信息进行综合分析并人工标注获得的。

示例性地，对于语义维度对应的语速识别子模型而言，若交互对象使用快慢的方式表述出语速调节需求，比如当前语音信息为：“你慢点说”或者“你快点说”，从而需要基于历史响应语速进行语速匹配，进一步提高语速匹配的准确性。例如，若存在历史响应语速，则获取历史响应语速中响应时间最晚的目标历史响应语速；将当前语音信息和目标历史响应语速输入至语义维度对应的语速识别子模型中，以使语义维度对应的语速识别子模型对当前语音信息提取语义维度下的语义特征信息，并基于语义特征信息和目标历史响应语速进行语速识别，确定在语义维度下的初始响应语速。

具体地，通过将当前语音信息和历史响应语速中响应时间最晚的目标历史响应语速，也就是最近一次响应的历史响应语速也输入至该语速识别子模型中，可以使得该语速识别子模型在目标历史响应语速的基础上进行语速调节，从而可以更加准确地识别出在语义维度上的响应语速，进一步保证了语速匹配的准确性。

示例性地，对各个初始响应语速进行融合处理，确定与当前语音信息相匹配的当前响应语速，可以包括：基于每个语速识别维度对应的权重，对各个初始响应语速进行加权求和，并基于加权求和结果，确定与当前语音信息相匹配的当前响应语速。

具体地，语速融合子模型中的每个语速识别维度对应的权重是在训练目标语速模型的过程中进行学习获得的。在目标语速模型训练结束后，语速融合子模型可以将训练好的每个语速识别维度对应的权重与相应的初始响应语速进行相乘并相加，并可以将加权求和后的结果直接作为与当前语音信息相匹配的当前响应语速，或者，也可以将加权求和后的结果最接近的语速类别作为与当前语音信息相匹配的当前响应语速。通过将多个识别维度下的初始响应语速进行融合，可以从多个识别维度衡量出合适的响应语速，从而获得更加准确的当前响应语速，进一步提升用户体验。

S130、基于当前响应语速，播放当前语音信息对应的响应语音信息。

其中，响应语音信息可以是指智能机器人回复交互对象的语音信息。

具体地，智能机器人可以从预设语音库中查询出当前语音信息对应的响应语音信息，并以当前响应语速播放出当前语音信息对应的响应语音信息，从而可以智能洞察出用户需求，自动地实时调节响应语速，大大提升了交互体验。

本公开实施例的技术方案，通过获取当前语音信息，并可以将当前语音信息输入至已训练的目标语速模型中进行语速匹配，确定与当前语音信息相匹配的当前响应语速，并基于当前响应语速，播放当前语音信息对应的响应语音信息，从而利用目标语速模型可以实时确定出与当前语音信息相匹配的当前响应语速，从而实现了响应语速的智能动态调节，提升了交互体验。

在上述技术方案的基础上，目标语速模型还可以包括：语速更新子模型。语速更新子模型可以是基于语义维度对应的初始响应语速，对其他识别维度对应的初始响应语速进行语速更新的网络，以便进一步保证语速匹配的准确性。

示例性地，将各个初始响应语速输入至语速融合子模型中，对各个初始响应语速进行融合处理，确定与当前语音信息相匹配的当前响应语速，可以包括：将各个初始响应语速输入至语速更新子模型中，将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，并对目标识别维度对应的初始响应语速进行语速更新；将更新后的各个识别维度对应的各个初始响应语速输入至语速融合子模型中，对各个初始响应语速进行融合处理，确定与当前语音信息相匹配的当前响应语速。

其中，其他识别维度可以是指除了语义维度之外剩余的语速识别维度。例如，其他识别维度可以包括语速维度、语调维度、音量维度和感叹词维度。目标识别维度对应的语速类别与语义维度对应的语速类别是不同的。比如，语义维度对应的初始响应语速为大于1.0的快语速，目标识别维度对应的初始响应语速为小于1.0的慢语速。

具体地，若目标用户特别快速的说“你慢点说”，则语速维度和语义维度对应的语速类别不同。或者，若目标用户大声的音量说“你慢点说”，则音量维度和语义维度对应的语速类别不同。或者，若目标用户特别高的音调说“你慢点说”，则音调维度和语义维度对应的语速类别不同。针对每个目标识别维度而言，需要对目标识别维度对应的初始响应语速进行语速调整，比如，可以将目标识别维度对应的初始响应语速更新为预设语速，比如0，以便避免因目标识别维度而降低语速匹配的准确性，从而使得语义维度的优先级最高，更能准确地洞察出用户实际需求，进一步提高了语速匹配的准确性。

需要说明的是，语速更新子模型仅对与语义维度的语速类别不相同的目标识别维度进行语速更新，并将更新后的目标识别维度对应的初始响应语速输入至语速融合子模型中。语速更新子模型无需对除了目标识别维度之外的剩余识别维度进行语速更新，可以直接将原有的初始响应语速输入至语速融合子模型中进行语速融合。若当前语音信息中不包含关于语速调节的语义信息，则语义维度对应的语速识别子模型输出的初始响应语速为空信息或者语速为0的信息，此时可以无需对其他识别维度对应的初始响应语速进行更新，直接将所有识别维度对应的初始响应语速输入至语速融合子模型中进行语速融合即可。

示例性地，将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，可以包括：确定语义维度对应的初始响应语速所属于的第一语速类别，以及确定每个其他识别维度对应的初始响应语速所属于的第二语速类别；将第一语速类别与每个第二语速类别进行比较，并将不同于第一语速类别的第二语速类别所对应的其他识别维度确定为目标识别维度。

其中，语速类别可以包括快语速类别、慢语速类别和正常语速类别。第一语速类别可以是指语义维度对应的初始响应语速所属于的语速类别。第二语速类别可以是指每个其他识别维度对应的初始响应语速所属于的语速类别。

具体地，基于语义维度对应的初始响应语速和每个语速类别对应的语速范围，可以确定出语义维度对应的第一语速类别。基于每个其他识别维度对应的初始响应语速和每个语速类别对应的语速范围，可以确定出每个其他识别维度对应的第二语速类别。将第一语速类别与每个第二语速类别进行比较，将不同于第一语速类别的第二语速类别所对应的其他识别维度确定为目标识别维度。例如，第一语速类别为快语速类别，则将具有慢语速类别的其他识别维度确定为目标识别维度。若第一语速类别为正常语速类别，则可以将所有其他识别维度作为目标识别维度，以便对所有其他识别维度进行语速更新，或者也可以将所有其他识别维度均不作为目标识别维度，以便对所有其他识别维度不进行语速更新，其可以基于具体业务需求进行设置。

图3为本公开实施例所提供的另一种语音响应方法的流程示意图，本公开实施例在上述公开实施例的基础上，增加了步骤“获取目标用户对应的预设参数信息”，并在此基础上，对当前响应语速的确定过程了进行详细描述。其中与上述各公开实施例相同或相应的术语的解释在此不再赘述。

如图3所示，语音响应方法具体包括以下步骤：

S310、获取当前语音信息。

S320、获取预设参数信息。

其中，预设参数信息可以是预先设置的，除了语音识别维度之外的其他识别维度对应的参数信息。例如，预设参数信息可以包括：当前语音信息的发出时间、上下文语音信息和语音发出者对应的用户群属性信息中的至少一项。

需要说明的是，用户群属性信息可以是指用户设置为公开的信息，或者是用户同意采集后所采集到的信息，其获取过程符合相关法律、法规的规定，且不违背公序良俗。

其中，当前语音信息的发出时间可以对应时间维度，以便从语音发出的时间维度上来识别响应语速。例如，若当前语音信息的发出时间处于工作时间段，比如周一到周五，则确定出较快的响应语速；若当前语音信息的发出时间处于休息时间段，比如周六或者周日，则确定出较慢的响应语速。上下文语音信息可以是指当前语音信息的上一语音信息和/或下一语音信息，其可以对应上下文维度，以便从当前语音的上下文维度上来匹配响应语速。语音发出者可以是指当前语音信息的发出者，即交互对象，比如用户。用户群可以是指交互对象所属于的用户群体。用户群属性信息可以是指用户群体的群体画像信息。用户群属性信息可以包括一个或多个群体画像参数信息。每个群体画像参数信息可以对应不同的语速识别维度。例如，群体画像参数信息可以为群体年龄段信息，以便从用户群的年龄维度上来匹配响应语速。例如，若语音发出者对应的用户群年龄段为儿童年龄范围或者老年年龄范围，则确定出较慢的响应语速；若语音发出者对应的用户群年龄段为为中年年龄范围，则确定出正常或者偏快的响应语速。

具体地，除了获取当前语音信息之外，还可以获取预设参数信息，比如当前语音信息的发出时间、上下文语音信息和用户属性信息中的至少一项，从而可以进一步增加语速识别维度，进一步提高语速匹配的准确性。

S330、基于已训练的目标语速模型、当前语音信息和预设参数信息，确定与当前语音信息相匹配的当前响应语速。

其中，目标语速模型可以是多个语速识别维度上进行语速识别的网络模型。本公开实施例中的语速识别维度除了包括与语音相关的语速识别维度，比如语义维度、语速维度、语调维度、音量维度和感叹词维度之外，还可以包含预设参数信息对应的其他语速识别维度。

具体地，可以将当前语音信息和预设参数信息输入至预先训练好的目标语速模型中进行语速匹配，目标语速模型可以对输入的当前语音信息和预设参数信息进行每个语速识别维度上的特征提取，并基于每个语速识别维度上提取的特征信息进行语速识别，并对各个语速识别维度上的语速识别结果进行融合，获得与当前语音信息和预设参数信息相匹配的当前响应语速并进行输出，从而基于目标语速模型的输出，可以获得与当次语音交互更加匹配的当前响应语速，进一步提高了匹配效果。

示例性地，目标语速模型可以包括：至少两个语速识别子模型和语速融合子模型。其中，每个语速识别子模型识别语速时所依据的语音特征信息对应的语速识别维度是不同的。示例性地，本公开实施例中的语速识别维度可以包括：语义维度、语速维度、语调维度、音量维度和感叹词维度这些与语音信息相关的语速识别维度，以及时间维度、上下文维度和用户群属性维度这些与预设参数信息相关的语速识别维度。

其中，语速识别子模型和语速融合子模型的具体实现过程可以参见上述公开实施例中的相关描述，此处不再赘述。

示例性地，目标语速模型还可以包括：语速更新子模型。语速更新子模型可以是基于语义维度对应的初始响应语速，对其他识别维度对应的初始响应语速进行语速更新的网络，以便进一步保证语速匹配的准确性。本公开实施例中的其他识别维度可以包括：语速维度、语调维度、音量维度和感叹词维度这些与语音信息相关的语速识别维度，以及时间维度、上下文维度和用户群属性维度这些与预设参数信息相关的语速识别维度。其中，语速更新子模型的具体实现过程可以参见上述公开实施例中的相关描述，此处不再赘述。

S340、基于当前响应语速，播放当前语音信息对应的响应语音信息。

具体地，智能机器人可以从预设语音库中查询出当前语音信息对应的响应语音信息，并以当前响应语速播放出当前语音信息对应的响应语音信息，从而可以更加智能地洞察出用户需求，自动地实时调节响应语速，大大提升了交互体验。

本公开实施例的技术方案，通过获取预设参数信息，并将当前语音信息和预设参数信息输入至预先训练好的目标语速模型中进行语速匹配，从而可以进一步增多语速识别维度，获得与当次语音交互更加匹配的当前响应语速，进一步提高了语速匹配的准确性。

图4为本公开实施例所提供的一种语音响应装置的结构示意图，如图4所示，该装置具体包括：当前语音信息获取模块410、当前响应语速确定模块420和响应语音信息播放模块430。

其中，当前语音信息获取模块410，用于获取当前语音信息；当前响应语速确定模块420，用于基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；响应语音信息播放模块430，用于基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

本公开实施例所提供的技术方案，通过获取当前语音信息，并可以将当前语音信息输入至已训练的目标语速模型中进行语速匹配，确定与当前语音信息相匹配的当前响应语速，并基于当前响应语速，播放当前语音信息对应的响应语音信息，从而利用目标语速模型可以实时确定出与当前语音信息相匹配的当前响应语速，从而实现了响应语速的智能动态调节，提升了交互体验。

在上述技术方案的基础上，所述目标语速模型包括：至少两个语速识别子模型和语速融合子模型，其中，每个所述语速识别子模型识别语速时所依据的语音特征信息对应的语速识别维度是不同的；

当前响应语速确定模块420，包括：

初始响应语速确定单元，用于将所述当前语音信息输入至每个所述语速识别子模型中，以使每个所述语速识别子模型对所述当前语音信息提取相应的语速识别维度下的语音特征信息，并基于所述语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速；

当前响应语速确定单元，用于将各个所述初始响应语速输入至所述语速融合子模型中，以使所述语速融合子模型对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

在上述各技术方案的基础上，当前响应语速确定单元，具体用于：基于每个语速识别维度对应的权重，对各个所述初始响应语速进行加权求和，并基于加权求和结果，确与所述当前语音信息相匹配的当前响应语速。

在上述各技术方案的基础上，所述语速识别维度包括以下至少两个维度：语义维度、语速维度、语调维度、音量维度和感叹词维度。

在上述各技术方案的基础上，初始响应语速确定单元，具体用于：

若存在历史响应语速，则获取所述历史响应语速中响应时间最晚的目标历史响应语速；将所述当前语音信息和所述目标历史响应语速输入至语义维度对应的语速识别子模型中，以使语义维度对应的语速识别子模型对所述当前语音信息提取语义维度下的语义特征信息，并基于所述语义特征信息和所述目标历史响应语速进行语速识别，确定在语义维度下的初始响应语速。

在上述各技术方案的基础上，所述目标语速模型还包括：语速更新子模型；

当前响应语速确定单元，包括：

语速更新子单元，用于将各个所述初始响应语速输入至语速更新子模型中，将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，并对所述目标识别维度对应的初始响应语速进行语速更新；其中，所述其他识别维度是指除了所述语义维度之外剩余的语速识别维度；所述目标识别维度对应的语速类别与语义维度对应的语速类别是不同的；

当前响应语速确定子单元，用于将更新后的各个识别维度对应的各个初始响应语速输入至所述语速融合子模型中，对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

在上述各技术方案的基础上，语速更新子单元，具体用于：

确定语义维度对应的初始响应语速所属于的第一语速类别，以及确定每个其他识别维度对应的初始响应语速所属于的第二语速类别；将所述第一语速类别与每个所述第二语速类别进行比较，并将不同于所述第一语速类别的第二语速类别所对应的其他识别维度确定为目标识别维度。

在上述各技术方案的基础上，该装置还包括：

预设参数信息获取模块，用于获取预设参数信息；

当前响应语速确定模块420，具体用于：基于已训练的目标语速模型、所述当前语音信息和所述预设参数信息，确定与所述当前语音信息相匹配的当前响应语速。

在上述各技术方案的基础上，所述预设参数信息包括：当前语音信息的发出时间、上下文语音信息和语音发出者对应的用户群属性信息中的至少一项。

本公开实施例所提供的语音响应装置可执行本公开任意实施例所提供的语音响应方法，具备执行语音响应方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

图5为本公开实施例所提供的一种电子设备的结构示意图。下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)500的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开实施例提供的电子设备与上述实施例提供的语音响应方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的语音响应方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前语音信息；基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，【示例一】提供了一种语音响应方法，包括：

获取当前语音信息；

基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

根据本公开的一个或多个实施例，【示例二】提供了一种语音响应方法，还包括：

可选的，所述目标语速模型包括：至少两个语速识别子模型和语速融合子模型，其中，每个所述语速识别子模型识别语速时所依据的语音特征信息对应的语速识别维度是不同的；

所述基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速，包括：

将所述当前语音信息输入至每个所述语速识别子模型中，以使每个所述语速识别子模型对所述当前语音信息提取相应的语速识别维度下的语音特征信息，并基于所述语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速；

将各个所述初始响应语速输入至所述语速融合子模型中，以使所述语速融合子模型对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

根据本公开的一个或多个实施例，【示例三】提供了一种语音响应方法，还包括：

可选的，所述对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速，包括：

基于每个语速识别维度对应的权重，对各个所述初始响应语速进行加权求和，并基于加权求和结果，确与所述当前语音信息相匹配的当前响应语速。

根据本公开的一个或多个实施例，【示例四】提供了一种语音响应方法，还包括：

可选的，所述语速识别维度包括以下至少两个维度：语义维度、语速维度、语调维度、音量维度和感叹词维度。

根据本公开的一个或多个实施例，【示例五】提供了一种语音响应方法，还包括：

可选的，所述将所述当前语音信息输入至每个所述语速识别子模型中，以使语义维度对应的语速识别子模型对所述当前语音信息提取相应的语速识别维度下的语音特征信息，并基于所述语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速，包括：

若存在历史响应语速，则获取所述历史响应语速中响应时间最晚的目标历史响应语速；

将所述当前语音信息和所述目标历史响应语速输入至语义维度对应的语速识别子模型中，对所述当前语音信息提取语义维度下的语义特征信息，并基于所述语义特征信息和所述目标历史响应语速进行语速识别，确定在语义维度下的初始响应语速。

根据本公开的一个或多个实施例，【示例六】提供了一种语音响应方法，还包括：

可选的，所述目标语速模型还包括：语速更新子模型；

所述将各个所述初始响应语速输入至所述语速融合子模型中，对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速，包括：

将各个所述初始响应语速输入至语速更新子模型中，将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出与目标识别维度，并对所述目标识别维度对应的初始响应语速进行语速更新；其中，所述其他识别维度是指除了所述语义维度之外剩余的语速识别维度；所述目标识别维度对应的语速类别与语义维度对应的语速类别是不同的；

将更新后的各个识别维度对应的各个初始响应语速输入至所述语速融合子模型中，对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

根据本公开的一个或多个实施例，【示例七】提供了一种语音响应方法，还包括：

可选的，所述将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，包括：

确定语义维度对应的初始响应语速所属于的第一语速类别，以及确定每个其他识别维度对应的初始响应语速所属于的第二语速类别；

将所述第一语速类别与每个所述第二语速类别进行比较，并将不同于所述第一语速类别的第二语速类别所对应的其他识别维度确定为目标识别维度。

根据本公开的一个或多个实施例，【示例八】提供了一种语音响应方法，还包括：

可选的，还包括：

获取预设参数信息；

所述基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速，包括：

基于已训练的目标语速模型、所述当前语音信息和所述预设参数信息，确定与所述当前语音信息相匹配的当前响应语速。

根据本公开的一个或多个实施例，【示例九】提供了一种语音响应方法，还包括：

可选的，所述预设参数信息包括：当前语音信息的发出时间、上下文语音信息和语音发出者对应的用户群属性信息中的至少一项。

根据本公开的一个或多个实施例，【示例十】提供了一种语音响应装置，包括：

当前语音信息获取模块，用于获取当前语音信息；

当前响应语速确定模块，用于基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

响应语音信息播放模块，用于基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种语音响应方法，其特征在于，包括：

获取当前语音信息；

基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

2.根据权利要求1所述的语音响应方法，其特征在于，所述目标语速模型包括：至少两个语速识别子模型和语速融合子模型，其中，每个所述语速识别子模型识别语速时所依据的语音特征信息对应的语速识别维度是不同的；

所述基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速，包括：

将所述当前语音信息输入至每个所述语速识别子模型中，以使每个所述语速识别子模型对所述当前语音信息提取相应的语速识别维度下的语音特征信息，并基于所述语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速；

将各个所述初始响应语速输入至所述语速融合子模型中，以使所述语速融合子模型对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

3.根据权利要求2所述的语音响应方法，其特征在于，所述对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速，包括：

基于每个语速识别维度对应的权重，对各个所述初始响应语速进行加权求和，并基于加权求和结果，确与所述当前语音信息相匹配的当前响应语速。

4.根据权利要求2所述的语音响应方法，其特征在于，所述语速识别维度包括以下至少两个维度：语义维度、语速维度、语调维度、音量维度和感叹词维度。

5.根据权利要求4所述的语音响应方法，其特征在于，所述将所述当前语音信息输入至每个所述语速识别子模型中，对所述当前语音信息提取相应的语速识别维度下的语音特征信息，并基于所述语音特征信息进行语速识别，确定在相应的语速识别维度下的初始响应语速，包括：

若存在历史响应语速，则获取所述历史响应语速中响应时间最晚的目标历史响应语速；

将所述当前语音信息和所述目标历史响应语速输入至语义维度对应的语速识别子模型中，以使语义维度对应的语速识别子模型对所述当前语音信息提取语义维度下的语义特征信息，并基于所述语义特征信息和所述目标历史响应语速进行语速识别，确定在语义维度下的初始响应语速。

6.根据权利要求2所述的语音响应方法，其特征在于，所述目标语速模型还包括：语速更新子模型；

所述将各个所述初始响应语速输入至所述语速融合子模型中，对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速，包括：

将各个所述初始响应语速输入至语速更新子模型中，将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，并对所述目标识别维度对应的初始响应语速进行语速更新；其中，所述其他识别维度是指除了所述语义维度之外剩余的语速识别维度；所述目标识别维度对应的语速类别与语义维度对应的语速类别是不同的；

将更新后的各个识别维度对应的各个初始响应语速输入至所述语速融合子模型中，对各个所述初始响应语速进行融合处理，确定与所述当前语音信息相匹配的当前响应语速。

7.根据权利要求6所述的语音响应方法，其特征在于，所述将语义维度对应的初始响应语速与其他识别维度对应的初始响应语速进行比较，从其他识别维度中确定出目标识别维度，包括：

确定语义维度对应的初始响应语速所属于的第一语速类别，以及确定每个其他识别维度对应的初始响应语速所属于的第二语速类别；

将所述第一语速类别与每个所述第二语速类别进行比较，并将不同于所述第一语速类别的第二语速类别所对应的其他识别维度确定为目标识别维度。

8.根据权利要求1-7任一项所述的语音响应方法，其特征在于，还包括：

获取预设参数信息；

所述基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速，包括：

基于已训练的目标语速模型、所述当前语音信息和所述预设参数信息，确定与所述当前语音信息相匹配的当前响应语速。

9.根据权利要求8所述的语音响应方法，其特征在于，所述预设参数信息包括：当前语音信息的发出时间、上下文语音信息和语音发出者对应的用户群属性信息中的至少一项。

10.一种语音响应装置，其特征在于，包括：

当前语音信息获取模块，用于获取当前语音信息；

当前响应语速确定模块，用于基于已训练的目标语速模型和所述当前语音信息，确定与所述当前语音信息相匹配的当前响应语速；

响应语音信息播放模块，用于基于所述当前响应语速，播放所述当前语音信息对应的响应语音信息。

11.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的语音响应方法。

12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的语音响应方法。