CN102802114B - 利用语音进行座席筛选的方法及系统 - Google Patents

Abstract

本发明实施例提供了一种利用语音进行座席筛选的方法及系统，所述的方法包括：接收用户传送的语音信息；从所述的语音信息中提取对应的短时能量、基音、谱参数；根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席。通过对用户语音进行分析，提取语义信息、身份信息、情绪特征、语言信息、年龄、性别特征，并根据此信息选择座席，无须使用IVR菜单进行用户手动选择座席，提升了用户对业务的使用体验，减少了等待时间，同时也减少了系统资源的浪费。

Description

利用语音进行座席筛选的方法及系统

技术领域

本发明关于移动通信技术领域，特别是关于语音信号处理技术，具体的讲是一种利用语音进行座席筛选的方法及系统。

背景技术

语音综合信息门户为用户提供餐饮、娱乐、交通、旅游、便民等各类信息查询，诸如餐馆预订、鲜花代订等各类代订类服务，以及机票预订和酒店预订等商旅服务。目前语音综合信息门户一般采用全人工语音接入的服务方式，或提供IVR（Interactive Voice Response，交互式语音应答）分层菜单形式供用户选择不同的呼叫座席进行服务。

根据话务员所负责的方向和业务的不同，一般分为查号座席、查位置座席、订餐座席、订机票座席等。语音门户系统根据用户的按键选择，将用户接入到不同的座席，提供不同的服务。有些语音门户，为了满足用户多样性的需求，还提供英语、法语等多种外语，以及维语、藏语、粤语等少数民族语言和方言的座席服务，用户同样需要通过按键来选择接入何种语言的人工座席。

现有技术里在通过提供多种IVR菜单供用户选择的方式中，为了接入到需要的座席，用户往往需要多次进行按键选择，其造成用户等待时间较长的问题。同时，在用户选择等待过程中，对用户不进行计费，对系统资源也造成了浪费。如果不提供IVR菜单的选择，则需要大量的座席话务员来响应用户不同的需求，需要增加人力成本。此外，现有技术中一般只提供语言和服务种类的选择，没有考虑到用户的年龄、性别、当前的情绪等多种细分需求，降低了用户体验。

发明内容

本发明实施例提供了一种利用语音进行座席筛选的方法及系统，通过对用户语音进行分析，提取语义信息、身份信息、情绪特征、语言信息、年龄、性别特征，并根据此信息选择座席，无须使用IVR菜单进行用户手动选择座席，提升了用户对业务的使用体验，减少了等待时间，同时也减少了系统资源的浪费。

本发明的目的之一是，提供一种利用语音进行座席筛选的方法，所述的方法包括：接收用户传送的语音信息；从所述的语音信息中提取对应的短时能量、基音、谱参数；根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席。

本发明的目的之一是，提供一种利用语音进行座席筛选的系统，所述的系统包括：呼叫中心，用于接收用户传送的语音信息；语音分析装置，用于从所述的语音信息中提取对应的短时能量、基音、谱参数；筛选装置，用于根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席。

本发明的有益效果在于，通过对用户语音进行分析，提取用户语义信息、身份信息、情绪特征、语言信息、年龄、性别特征，并根据此信息选择语音综合信息门户的座席，无须使用IVR菜单进行用户手动选择座席，提升了用户对业务的使用体验，减少了等待时间，同时也减少了信息门户系统资源的浪费。此外，本提案根据语音中的多种信息为用户提供丰富多样的座席，达到了对用户细分的目的，可以为用户提供更加个性化和周到的座席服务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式一的流程图；

图2为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式二的流程图；

图3为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式三的流程图；

图4为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式四的流程图；

图5为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式一的结构框图；

图6为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式二的结构框图；

图7为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式三的结构框图；

图8为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式四的结构框图；

图9为高斯混合模型与观察特征矢量匹配示意图；

图10为本发明实施例提供的一种利用语音进行座席筛选的系统的组网结构图；

图11为本发明实施例提供的一种利用语音进行座席筛选的方法的业务流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

对于不同的座席，需要事先定义其属性，根据维度的不同可以将座席属性定义如下：座席{性别，年龄，情绪，身份，语言，内容}。该种定义方式仅为举例，当然也可以有其他定义方式，此处不再赘述。

座席的各个属性是指其服务对象的属性，如年龄项可以分为30岁以上和30岁以下，指该座席的服务对象是30岁以上人群还是30岁以下；内容项可以是订票、订酒店等，指该座席专门进行订票或订酒店的服务。根据上述的座席纬度可以定义座席1{男，30岁以上，高兴，使用过业务，英语，订机票}，考虑到性别有两类（男女），年龄两类（30以下，30以上），情绪四类（悲伤，生气、平静、高兴），身份两类（使用过业务，未使用过业务），语言四类（中，英，蒙，藏），内容四类（查询、订机票、订酒店、投诉），共有2*2*4*2*4*4=512种座席类型，在实际使用中可以将部分座席合并，或同一座席担负多种座席属性。座席1可以表示为座席1{0，1，3，0，1，1}。

图1为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式一的流程图，由图1可知，所述的方法包括：

S101：接收用户传送的语音信息。用户通过手机、网络等方式呼入语音综合信息门户，用户传送的语音信息中包括了当前用户需要查询的内容等信息。

S102：从所述的语音信息中提取对应的短时能量、基音、谱参数。

S103：根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席。

图2为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式二的流程图，由图2可知，在实施方式二中，步骤S101、S102与步骤S201、S202相同，该方法还包括：

S203：根据所述的短时能量、基音、谱参数识别出所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息。

其中，语义信息指用户所要表达的内容，根据语义中的关键字，可以判断用户想要查询哪方面的问题。

身份信息指用户是谁，若用户此前使用过语音门户服务，可根据以前的录音数据判断是哪个用户，以得到用户以前的使用偏好。

情绪信息指用户当时所处的情绪状态，如平静、愤怒、恐惧、高兴和悲伤等，根据情绪状态判断是否需要送到特殊座席，如用户在愤怒的情况下是否需要送到特殊心情服务座席等。

语言信息指用户所使用的语言种类，识别出是英语、法语等多种外语，还是维语、藏语、粤语等少数民族语言或方言，以便送到不同的语言座席进行服务。

年龄指用户的年龄段，对不同年龄段的用户可以细分到不同的座席或者推荐不同的服务。

性别指男女性别，对不同性别的用户可以细分到不同的座席或者推荐不同的服务。

S204：根据所述的语义信息、情绪信息、语言信息、年龄信息以及性别信息从预先设定的座席集中筛选出与所述的语音信息最接近的座席。

若当前语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息形成一矢量，矢量的各维分别是性别，年龄，情绪，身份，语言，内容，若矢量是{0，1，3，0，1，1}，则从预先设定的座席集中筛选出座席1{0，1，3，0，1，1}与该矢量的距离最为接近，选择座席1进行服务。

在实际操作过程中，存在部分座席合并，或同一座席担负多种座席属性的情况，往往语音信息形成的矢量不会和座席完全匹配。该种情况下，可通过座席匹配选择算法实现筛选：设语音信息对应的矢量为X={x1,x2,x3,x4,x5},座席i为Yi={yi1,yi2,yi3,yi4,yi5}，权重K={k1,k2,k3,k4,k5}，此处引入权重主要是考虑到每类矢量对座席的重要性的不同，最后座席的选择为：

$i=\underset{i}{\arg \min }\left\{k_1\right|x_1-{\mathrm{yi}}_1|+k_2|x_2-{\mathrm{yi}}_2|+k_3|x_3-{\mathrm{yi}}_3|+k_4|x_4-{\mathrm{yi}}_4|+k_5|x_5-{\mathrm{yi}}_5\left|\right\}$

即选择和识别结果根据权重累加后最为接近的座席。

图3为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式三的流程图，由图3可知，在实施方式三中，步骤S101、S102与步骤S301、S302相同，该方法还包括：

S303：采用高斯混合模型的方式将预先设定的座席集进行训练。在实施方式三中，筛选座席前需要针对不同的座席特征训练出相应的座席模型，然后将语音特征和座席模型进行匹配。

座席模型此处采用高斯混合模型，因为从统计理论的角度考虑，无限多个高斯分布的组合可以拟合一个任意形式的分布，因此当GMM的混合度M足够高时，从理论上说就可以足够精细的逼近特征矢量的空间分布。一个GMM通常可以由下列参数描述：

(1)M，模型中的高斯密度函数的数目。

(2)描述每个高斯密度函数的参数：均值矢量μ_i，协方差矩阵∑_i。

(3)每个高斯密度函数的权重，w_i。

如此，可以记一个GMM的模型参数为λ＝{M,{w_i},{μ_i},{∑_i}}。通常GMM的混合度是事先选定的，因此模型参数中需要估计的为：λ_M＝{{w_i},{μ_i},{∑_i}}。模型的训练采用最大似然准则。GMM的基本结构以及观察特征矢量与模型匹配的基本示意图如图9所示。

模型训练时，需要对语音数据根据座席的纬度进行分类。对某个座席模型，根据性别，年龄，情绪，身份，语言，内容五个不同的纬度，可以定义该座席的座席特征，如对座席1模型而言，其特征是座席1{男，30岁以上，高兴，使用过业务，英语，订机票}，对事先收集到的语音数据，为了训练座席1的模型，需要对数据进行标记，挑选出“30岁以上男性使用英语以高兴的语气预订机票”的数据，而且该男性原来是使用过本业务的。对该类原始语言数据进行音频处理后，对高斯混合模型进行训练，同时在训练时考虑到各业务权重的不同。这样就能够用GMM来模拟座席1模型的特征在空间上的分布。其他模型采用类似方法依次训练得到。

S304：根据所述的短时能量、基音、谱参数与训练后的座席集中的各个座席进行匹配，得到各个座席对应的对数评分。

座席模型的匹配是指用户语音特征和各座席模型进行匹配，得到最佳的座席为用户进行服务。对于属于的语音序列o_t(t=1，…,T)，和某一个座席GMM模型λ_i进行匹配的结果是一个对数评分：

$S_i=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left\{\log \right[P\left(O_t\right|{\mathrm{\λ}}_i)\left]\right\}$

该语音序列和所有的GMM模型匹配后，得到各个座席模型的对数评分。

S305：将所述的各个对数评分进行识别，筛选出与所述的语音信息对应的座席。

将各评分进行识别评分比较，若某座席模型和语音序列在空间上的距离最小，该模型即为所要选择的座席模型。

图4为本发明实施例提供的一种利用语音进行座席筛选的方法实施方式四的流程图，由图4可知，在实施方式四中，步骤S101、S102、S103与步骤S401、S402、S403相同，该方法还包括：

S404：所述的语音信息对应的座席受理所述用户的需求。

S405：所述的座席在预设的中央信息库中查询所述用户的需求信息；

S406：若查询成功，则将所述的查询结果传送至所述的用户。

图10为本发明实施例提供的一种利用语音进行座席筛选的组网结构图，由图10可知，在该实施例中，主要包括：语音分析装置、呼叫中心、座席、信息库、MSC、HLR。

其中，呼叫中心是综合信息服务门户业务在各省的语音接入点，用户拨打接入号码后接入到省呼叫中心。

座席，用于完成综合信息服务门户的语音人工接入和呼出，为用户提供信息查询服务。

信息库是综合信息服务门户业务的数据中心，主要是信息数据库。

MSC负责将呼叫路由到呼叫中心。另外，MSC还需要通过接口，将用户的语音传递给语音分析模块，以得到用户所选择的座席。

HLR归属位置寄存器，用存储于移动用户有关信息的数据库。每个移动用户都应在其归属位置寄存器中注册登记有关的移动业务能力。

图11为图10的组网结构的业务流程图，主要包括：

1、用户呼入到省呼叫中心；

2、呼叫中心提示用户说出查询内容，并将查询内容送至语音分析模块进行语音分析。

3、语音分析模块将分析结果传给呼叫中心，选择相应的服务座席。

4、座席受理用户需求。

5、座席通过中央信息库查询用户需求信息。

6、如果查询不成功，座席判断用户是否需要继续查询，如用户需要继续查询，转入信息查询过程，否则受理结束.

7、如果查询成功，座席将查询结果告知用户。

图5为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式一的结构框图，由图5可知，所述的系统包括：

呼叫中心100，用于接收用户传送的语音信息。用户通过手机、网络等方式呼入语音综合信息门户，用户传送的语音信息中包括了当前用户需要查询的内容等信息。

语音分析装置200，用于从所述的语音信息中提取对应的短时能量、基音、谱参数；

筛选装置300，用于根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席。

图6为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式二的结构框图，由图6可知，在实施方式二中，筛选装置300包括：

识别模块301，用于根据所述的短时能量、基音、谱参数识别出所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息。

其中，语义信息指用户所要表达的内容，根据语义中的关键字，可以判断用户想要查询哪方面的问题。

身份信息指用户是谁，若用户此前使用过语音门户服务，可根据以前的录音数据判断是哪个用户，以得到用户以前的使用偏好。

情绪信息指用户当时所处的情绪状态，如平静、愤怒、恐惧、高兴和悲伤等，根据情绪状态判断是否需要送到特殊座席，如用户在愤怒的情况下是否需要送到特殊心情服务座席等。

语言信息指用户所使用的语言种类，识别出是英语、法语等多种外语，还是维语、藏语、粤语等少数民族语言或方言，以便送到不同的语言座席进行服务。

年龄指用户的年龄段，对不同年龄段的用户可以细分到不同的座席或者推荐不同的服务。

性别指男女性别，对不同性别的用户可以细分到不同的座席或者推荐不同的服务。

第一筛选模块302，用于根据所述的语义信息、情绪信息、语言信息、年龄信息以及性别信息从预先设定的座席集中筛选出与所述的语音信息最接近的座席。

若当前语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息形成一矢量，矢量的各维分别是性别，年龄，情绪，身份，语言，内容，若矢量是{0，1，3，0，1，1}，则从预先设定的座席集中筛选出座席1{0，1，3，0，1，1}与该矢量的距离最为接近，选择座席1进行服务。

在实际操作过程中，存在部分座席合并，或同一座席担负多种座席属性的情况，往往语音信息形成的矢量不会和座席完全匹配。该种情况下，可通过座席匹配选择算法实现筛选：设语音信息对应的矢量为X={x1,x2,x3,x4,x5},座席i为Yi={yi1,yi2,yi3,yi4,yi5}，权重K={k1,k2,k3,k4,k5}，此处引入权重主要是考虑到每类矢量对座席的重要性的不同，最后座席的选择为：

$i=\underset{i}{\arg \min }\left\{k_1\right|x_1-{\mathrm{yi}}_1|+k_2|x_2-{\mathrm{yi}}_2|+k_3|x_3-{\mathrm{yi}}_3|+k_4|x_4-{\mathrm{yi}}_4|+k_5|x_5-{\mathrm{yi}}_5\left|\right\}$

即选择和识别结果根据权重累加后最为接近的座席。

图7为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式三的结构框图，由图7可知，在实施方式三中，筛选装置300包括：

训练模块303，用于采用高斯混合模型的方式将预先设定的座席集进行训练。在实施方式三中，筛选座席前需要针对不同的座席特征训练出相应的座席模型，然后将语音特征和座席模型进行匹配。

座席模型此处采用高斯混合模型，因为从统计理论的角度考虑，无限多个高斯分布的组合可以拟合一个任意形式的分布，因此当GMM的混合度M足够高时，从理论上说就可以足够精细的逼近特征矢量的空间分布。一个GMM通常可以由下列参数描述：

(1)M，模型中的高斯密度函数的数目。

(2)描述每个高斯密度函数的参数：均值矢量μ_i，协方差矩阵∑_i。

(3)每个高斯密度函数的权重，w_i。

如此，可以记一个GMM的模型参数为λ＝{M,{w_i},{μ_i},{∑_i}}。通常GMM的混合度是事先选定的，因此模型参数中需要估计的为：λ_M＝{{w_i},{μ_i},{∑_i}}。模型的训练采用最大似然准则。GMM的基本结构以及观察特征矢量与模型匹配的基本示意图如图9所示。

模型训练时，需要对语音数据根据座席的纬度进行分类。对某个座席模型，根据性别，年龄，情绪，身份，语言，内容五个不同的纬度，可以定义该座席的座席特征，如对座席1模型而言，其特征是座席1{男，30岁以上，高兴，使用过业务，英语，订机票}，对事先收集到的语音数据，为了训练座席1的模型，需要对数据进行标记，挑选出“30岁以上男性使用英语以高兴的语气预订机票”的数据，而且该男性原来是使用过本业务的。对该类原始语言数据进行音频处理后，对高斯混合模型进行训练，同时在训练时考虑到各业务权重的不同。这样就能够用GMM来模拟座席1模型的特征在空间上的分布。其他模型采用类似方法依次训练得到。

匹配模块304，用于根据所述的短时能量、基音、谱参数与训练后的座席集中的各个座席进行匹配，得到各个座席对应的对数评分。座席模型的匹配是指用户语音特征和各座席模型进行匹配，得到最佳的座席为用户进行服务。对于属于的语音序列o_t(t=1，...,T)，和某一个座席GMM模型λ_i进行匹配的结果是一个对数评分：

$S_i=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left\{\log \right[P\left(O_t\right|{\mathrm{\λ}}_i)\left]\right\}$

该语音序列和所有的GMM模型匹配后，得到各个座席模型的对数评分。

第二筛选模块305，用于将所述的各个对数评分进行识别，筛选出与所述的语音信息对应的座席。

将各评分进行识别评分比较，若某座席模型和语音序列在空间上的距离最小，该模型即为所要选择的座席模型。

图8为本发明实施例提供的一种利用语音进行座席筛选的系统实施方式四的结构框图，由图8可知，在实施方式四种，该系统还包括：

座席400，用于受理用户的需求，为用户提供信息查询服务。

中央信息库500，用于存储信息数据。

图10为本发明实施例提供的一种利用语音进行座席筛选的组网结构图，由图10可知，在该实施例中，主要包括：语音分析装置、呼叫中心、座席、信息库、MSC、HLR。

其中，呼叫中心是综合信息服务门户业务在各省的语音接入点，用户拨打接入号码后接入到省呼叫中心。

座席，用于完成综合信息服务门户的语音人工接入和呼出，为用户提供信息查询服务。

信息库是综合信息服务门户业务的数据中心，主要是信息数据库。

MSC负责将呼叫路由到呼叫中心。另外，MSC还需要通过接口，将用户的语音传递给语音分析模块，以得到用户所选择的座席。

HLR归属位置寄存器，用存储于移动用户有关信息的数据库。每个移动用户都应在其归属位置寄存器中注册登记有关的移动业务能力。

图11为图10的组网结构的业务流程图，主要包括：

1、用户呼入到省呼叫中心；

2、呼叫中心提示用户说出查询内容，并将查询内容送至语音分析模块进行语音分析。

3、语音分析模块将分析结果传给呼叫中心，选择相应的服务座席。

4、座席受理用户需求。

5、座席通过中央信息库查询用户需求信息。

6、如果查询不成功，座席判断用户是否需要继续查询，如用户需要继续查询，转入信息查询过程，否则受理结束.

7、如果查询成功，座席将查询结果告知用户。

综上所述，本发明提供的一种利用语音进行座席筛选的方法及装置，通过对用户语音进行分析，提取用户语义信息、身份信息、情绪特征、语言信息、年龄、性别特征，并根据此信息选择座席，无须使用IVR菜单进行用户手动选择座席，提升了用户对业务的使用体验，减少了等待时间，同时也减少了系统资源的浪费。另外，本发明根据语音中的多种信息为用户提供丰富多样的座席，达到了对用户细分的目的，可以为用户提供更加个性化和周到的座席服务。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种利用语音进行座席筛选的方法，其特征是，所述的方法包括：

接收用户传送的语音信息；

从所述的语音信息中提取对应的短时能量、基音、谱参数；

根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席，该步骤包括：采用高斯混合模型的方式将预先设定的座席集进行训练，对所述的语音信息根据所述座席的属性进行分类，所述座席的属性包括性别、年龄、情绪、身份、语言以及内容；根据所述的短时能量、基音、谱参数将分类后的语音信息与训练后的座席集中的各个座席进行匹配，得到各个座席对应的对数评分，所述的语音信息对应的序列为o_t(t＝1,…,T)，训练后的座席集中的一个座席的高斯混合模型为λ_i＝{M,{ω_i},{μ_i},{Σ_i}}，M为高斯混合模型中的高斯密度函数的数目，μ_i为均值矢量，Σ_i为协方差矩阵w_i为高斯密度函数的权重，则所述的语音信息与训练后的座席集中的一个座席的高斯混合模型的对数评分为：将所述的各个对数评分进行识别，筛选出与所述的语音信息对应的座席；

或者该步骤包括：根据所述的短时能量、基音、谱参数识别出所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息，所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息形成一矢量，具体为X＝{x₁,x₂,x₃,x₄,x₅}；根据所述的语义信息、情绪信息、语言信息、年龄信息以及性别信息从预先设定的座席集中筛选出与所述的语音信息最接近的座席，设预先设定的座席i对应的矢量为Yi＝{yi₁,yi₂,yi₃,yi₄,yi₅}，权重K＝{k₁,k₂,k₃,k₄,k₅}，则与所述的语音信息最接近的座席为：

$i=\underset{i}{\arg \min }\left\{k_1\right|x_i-{\mathrm{yi}}_1|+k_2|x_2-{\mathrm{yi}}_2|+k_3|x_3-{\mathrm{yi}}_3|+k_4|x_4-{\mathrm{yi}}_4\left|{+k}_5\right|x_5-{\mathrm{yi}}_5\left|\right\}.$

2.根据权利要求1所述的方法，其特征是，所述的方法还包括：

所述的语音信息对应的座席受理所述用户的需求。

3.根据权利要求2所述的方法，其特征是，所述的语音信息对应的座席受理所述用户的需求具体包括：

所述的座席在预设的中央信息库中查询所述用户的需求信息；

若查询成功，则将所述的查询结果传送至所述的用户。

4.一种利用语音进行座席筛选的系统，其特征是，所述的系统包括：

呼叫中心，用于接收用户传送的语音信息；

语音分析装置，用于从所述的语音信息中提取对应的短时能量、基音、谱参数；

筛选装置，用于根据所述的短时能量、基音、谱参数从预先设定的座席集中筛选出与所述的语音信息对应的座席，所述的筛选装置包括：训练模块，用于采用高斯混合模型的方式将预先设定的座席集进行训练，对所述的语音信息根据所述座席的属性进行分类，所述座席的属性包括性别、年龄、情绪、身份、语言以及内容；匹配模块，用于根据所述的短时能量、基音、谱参数将分类后的语音信息与训练后的座席集中的各个座席进行匹配，得到各个座席对应的对数评分，所述的语音信息对应的序列为o_t(t＝1,…,T)，训练后的座席集中的一个座席的高斯混合模型为λ_i＝{M,{ω_i},{μ_i},{Σ_i}}，M为高斯混合模型中的高斯密度函数的数目，μ_i为均值矢量，Σ_i为协方差矩阵w_i为高斯密度函数的权重，则所述的语音信息与训练后的座席集中的一个座席的高斯混合模型的对数评分为：第二筛选模块，用于将所述的各个对数评分进行识别，筛选出与所述的语音信息对应的座席；

或者所述的筛选装置包括识别模块，用于根据所述的短时能量、基音、谱参数识别出所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息，所述的语音信息对应的语义信息、情绪信息、语言信息、年龄信息以及性别信息形成一矢量，具体为X＝{x₁,x₂,x₃,x₄,x₅}；第一筛选模块，用于根据所述的语义信息、情绪信息、语言信息、年龄信息以及性别信息从预先设定的座席集中筛选出与所述的语音信息最接近的座席，设预先设定的座席i对应的矢量为Yi＝{yi₁,yi₂,yi₃,yi₄,yi₅}，权重K＝{k₁,k₂,k₃,k₄,k₅}，则与所述的语音信息最接近的座席为：

$i=\underset{i}{\arg \min }\left\{k_1\right|x_i-{\mathrm{yi}}_1|+k_2|x_2-{\mathrm{yi}}_2|+k_3|x_3-{\mathrm{yi}}_3|+k_4|x_4-{\mathrm{yi}}_4\left|{+k}_5\right|x_5-{\mathrm{yi}}_5\left|\right\}.$

5.根据权利要求4所述的系统，其特征是，所述的系统还包括：

座席，用于受理用户的需求，为用户提供信息查询服务。

6.根据权利要求5所述的系统，其特征是，所述的系统还包括：

中央信息库，用于存储信息数据。