CN109147764A - 语音交互方法、装置、设备及计算机可读介质 - Google Patents

Abstract

本发明提出一种语音交互方法、装置、设备和计算机可读介质。所述语音交互方法，包括：连续监听用户输入的语音信息；对监听到的语音信息进行识别，得到识别结果；将所述识别结果与指令库中的动作指令依次进行匹配；当匹配到指令库中的动作指令时，执行所述的动作指令。本发明实施例可以任意定义不同的动作指令作为语音智能设备的唤醒词，当用户需要通过语音对语音智能设备进行操作时，仅需要直接输入对应的语音命令即可，不需要再输入一个与语音命令没关系的唤醒词。另外，动作指令可以自行设定，任意调整，可以更加适应用户的操作习惯。

Description

语音交互方法、装置、设备及计算机可读介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种语音交互方法及装置、设备和计算机可读介质。

背景技术

随着语音识别的能力的增强，越来越多的场景也应用到了语音识别。而对于语音识别的输入，需要先开启语音输入的功能。常规的开启方式为，在语音设备上设置开启按钮，通过点击该按钮，启动语音识别功能。由于通过点击按钮的方式启动语音识别功能的方式，需要用户额外进行手动操作，这给用户带来不好的体验。

对此，现有技术提供了采用使用固定唤醒词进行启动语音识别的方式。例如，以固定名称“小度小度”等。然而，现有的唤醒方式人需要说唤醒词，不够自然。

发明内容

本发明实施例提供一种语音交互方法、装置、设备及计算机可读介质，以解决或缓解现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种语音交互方法，包括：

连续监听用户输入的语音信息；

对监听到的语音信息进行识别，得到识别结果；

将所述识别结果与指令库中的动作指令依次进行匹配；

当匹配到指令库中的动作指令时，执行所述的动作指令。

结合第一方面，本发明实施例在第一方面的第一种实施方式中，还包括：

接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令；

在指令库中添加设定的动作指令。

结合第一方面，本发明实施例在第一方面的第二种实施方式中，所述对监听到的语音信息进行识别，得到识别结果，包括：

当监听到语音信号的起点时，开始对监听到的语音信号进行识别；

当监听到语音信号的尾点时，输出识别结果。

结合第一方面，本发明实施例在第一方面的第三种实施方式中，所述将所述识别结果与指令库中的动作指令依次进行匹配，包括：

将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。

结合第一方面，本发明实施例在第一方面的第四种实施方式中，所述当匹配到指令库中的动作指令时，执行所述的动作指令，包括：

获取识别结果中动作指令对应的操作对象；

根据动作指令对所述操作对象进行相应的操作。

第二方面，本发明实施例还提供了一种语音交互装置，包括：

监听模块，用于连续监听用户输入的语音信息；

识别模块，用于对监听到的语音信息进行识别，得到识别结果；

匹配模块，用于将所述识别结果与指令库中的动作指令依次进行匹配；

执行模块，用于当匹配到指令库中的动作指令时，执行所述的动作指令。

结合第二方面，本发明实施例在第二方面的第一种实施方式中，还包括：

请求接收模块，用于接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令；

添加模块，用于在指令库中添加设定的动作指令。

结合第二方面，本发明实施例在第二方面的第二种实施方式中，所述识别模块包括：

识别子模块，用于当监听到语音信号的起点时，开始对监听到的语音信号进行识别；

输出子模块，用于当监听到语音信号的尾点时，输出识别结果。

结合第二方面，本发明实施例在第二方面的第三种实施方式中，所述匹配模块具体用于将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。

结合第二方面，本发明实施例在第二方面的第四种实施方式中，所述执行模块包括：

获取子模块，用于获取识别结果中动作指令对应的操作对象；

执行子模块，用于根据动作指令对所述操作对象进行相应的操作。

第三方面，在一个可能的设计中，语音交互装置的结构中包括处理器和存储器，所述存储器用于存储支持语音交互装置执行上述第一方面中语音交互方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述语音交互装置还可以包括通信接口，用于语音交互装置与其他设备或通信网络通信。

第四方面，本发明实施例提供了一种计算机可读介质，用于存储语音交互装置所用的计算机软件指令，其包括用于执行上述第一方面的语音交互方法所涉及的程序。

本发明实施例可以任意定义不同的动作指令作为语音智能设备的唤醒词，当用户需要通过语音对语音智能设备进行操作时，仅需要直接输入对应的语音命令即可，不需要再输入一个与语音命令没关系的唤醒词。另外，动作指令可以自行设定，任意调整，可以更加适应用户的操作习惯。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1为本发明一实施例的语音交互方法的流程图；

图2为本发明一实施例的指令添加的步骤流程图；

图3为本发明一实施例的步骤S200的具体步骤流程图；

图4为本发明一实施例的步骤S400的具体步骤流程图；

图5为本发明另一实施例的语音交互装置的连接框图；

图6为本发明另一实施例的语音交互装置的连接框图；

图7为本发明另一实施例的识别模块的内部框图；

图8为本发明另一实施例的执行模块的内部框图；

图9为本发明另一实施例的语音交互设备框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。本发明实施例主要提供了一种通语音交互的方法及装置，下面分别通过以下实施例进行技术方案的展开描述。

本发明提供了一种语音交互方法和装置，以下详细介绍本发明实施例的语音交互方法和装置的具体处理流程和原理。

本实施例的语音交互方法可以应用在需要语音控制的智能设备上，比如可以包括：手机、平板电脑、智能音箱、智能空调等。如图1所示，其为本发明实施例的语音交互方法的流程图。本发明实施例的语音交互方法可以包括以下步骤：

S100：连续监听用户输入的语音信息。其中，所述语音信息包括用户说话声音、背景声音等。

其中，在一种实施方式中，在监听用户的语音信息之前，还可以预先在指令库中定义对应的动作指令，如图2所示，具体可以包括：

S110：接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令；

S120：在指令库中添加设定的动作指令。

比如，以手机为例，则可以在手机中建立一个语音的指令库。用户可以在该指令库中添加自定义的动作指令。例如，打开、关闭、下载、我要听、百度搜索等。在一种实施方式中，所定义的动作指令的字符数大于2个效果比较佳，可以减少误唤醒。

S200：对监听到的语音信息进行识别，得到识别结果。

如图3所示，在一种实施方式中，所述步骤S200中在识别用户的语音信息时可以包括：

S210：当监听到语音信号的起点时，开始对监听到的语音信号进行识别。

首先连续监听外界的语音信号，可以通过VAD(Voice Activity Detection，语音活动检测)监测语音信号的起点。通过采用VAD监测器可以在噪声环境中检测语音的存在与否，可以提高识别率。当监听到有效语音信号的起点时，则开始对语音信号进行识别。在一种实施方式中，可以通过语音解码器对监听的语音进行识别。

S220：当监听到语音信号的尾点时，输出识别结果。

当通过VAD监测到语音信号的尾点时，则表明用户输入的语音指令已经结束，此时可以通过语音解码器输出识别的结果。

S300：将所述识别结果与指令库中的动作指令依次进行匹配。

在一种实施方式中，所述步骤S300中将识别结果与动作指令进行匹配时，具体将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。例如，将识别到的语音信号为：我要听音乐。然后将该语音信号与所述指令库中的动作指令逐个进行匹配。假设指令库中设置有动作指令“我要听”，则匹配成功。

S400：当匹配到指令库中的动作指令时，执行所述的动作指令。

如图4所示，在一种实施方式中，所述步骤S400中在执行所述的动作指令时可以包括：

S410：获取识别结果中动作指令对应的操作对象。

首先需要识别用户输入的语音信号中的操作对象，比如当识别到用户的语音信号为：“我要听音乐”，则此时可以先将匹配到的动作指令去除，即将“我要听”删去，则剩下的“音乐”为操作对象。

S420：根据动作指令对所述操作对象进行相应的操作。

当获取对应的操作对象后，根据动作指令要求相应地进行操作。比如，当获取到的操作对象为“音乐”，而动作指令为“我要听”，则控制手机中的音乐应用开启并播放音乐。

本发明实施例可以任意定义不同的动作指令作为语音智能设备的唤醒词，当用户需要通过语音对语音智能设备进行操作时，仅需要直接输入对应的语音命令即可，不需要再输入一个与语音命令没关系的唤醒词。另外，动作指令可以自行设定，任意调整，可以更加适应用户的操作习惯。

如图5所示，在另一种实施例中还提供了一种语音交互装置，包括：

监听模块100，用于连续监听用户输入的语音信息。

识别模块200，用于对监听到的语音信息进行识别，得到识别结果。

匹配模块300，用于将所述识别结果与指令库中的动作指令依次进行匹配。

所述匹配模块300具体用于将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。

执行模块400，用于当匹配到指令库中的动作指令时，执行所述的动作指令。

如图6所示，在另一种实施例中，所述语音交互装置中还可以包括：

请求接收模块500，用于接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令。

添加模块600，用于在指令库中添加设定的动作指令。

如图7所示，所述识别模块200包括：

识别子模块210，用于当监听到语音信号的起点时，开始对监听到的语音信号进行识别；

输出子模块220，用于当监听到语音信号的尾点时，输出识别结果。

如图8所示，所述执行模块400包括：

获取子模块410，用于获取识别结果中动作指令对应的操作对象。

执行子模块420，用于根据动作指令对所述操作对象进行相应的操作。

本实施例的语音交互装置与上述实施例的语音交互方法的原理类似，故不再赘述。

在另一个实施例中，本发明还提供一种语音交互设备，如图9所示，该设备包括：存储器710和处理器720，存储器710内存储有可在处理器720上运行的计算机程序。所述处理器720执行所述计算机程序时实现上述实施例中的语音交互方法。所述存储器710和处理器720的数量可以为一个或多个。

该设备还包括：

通信接口730，用于与外界设备进行通信，进行数据交互传输。

存储器710可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器710、处理器720和通信接口730独立实现，则存储器710、处理器720和通信接口730可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器710、处理器720及通信接口730集成在一块芯片上，则存储器710、处理器720及通信接口730可以通过内部接口完成相互间的通信。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

本发明实施例所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的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

在本发明实施例中，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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于指令执行系统、输入法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：无线、电线、光缆、射频(RadioFrequency，RF)等等，或者上述的任意合适的组合。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种语音交互方法，其特征在于，包括：

连续监听用户输入的语音信息；

对监听到的语音信息进行识别，得到识别结果；

将所述识别结果与指令库中的动作指令依次进行匹配；

当匹配到指令库中的动作指令时，执行所述的动作指令。

2.根据权利要求1所述的方法，其特征在于，还包括：

接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令；

在指令库中添加设定的动作指令。

3.根据权利要求1所述的方法，其特征在于，所述对监听到的语音信息进行识别，得到识别结果，包括：

当监听到语音信号的起点时，开始对监听到的语音信号进行识别；

当监听到语音信号的尾点时，输出识别结果。

4.根据权利要求1所述的方法，其特征在于，所述将所述识别结果与指令库中的动作指令依次进行匹配，包括：

将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。

5.根据权利要求1所述的方法，其特征在于，所述当匹配到指令库中的动作指令时，执行所述的动作指令，包括：

获取识别结果中动作指令对应的操作对象；

根据动作指令对所述操作对象进行相应的操作。

6.一种语音交互装置，其特征在于，包括：

监听模块，用于连续监听用户输入的语音信息；

识别模块，用于对监听到的语音信息进行识别，得到识别结果；

匹配模块，用于将所述识别结果与指令库中的动作指令依次进行匹配；

执行模块，用于当匹配到指令库中的动作指令时，执行所述的动作指令。

7.根据权利要求6所述的装置，其特征在于，还包括：

请求接收模块，用于接收指令添加请求，所述指令添加请求中包括所述用户需要添加的动作指令；

添加模块，用于在指令库中添加设定的动作指令。

8.根据权利要求6所述的装置，其特征在于，所述识别模块包括：

识别子模块，用于当监听到语音信号的起点时，开始对监听到的语音信号进行识别；

输出子模块，用于当监听到语音信号的尾点时，输出识别结果。

9.根据权利要求6所述的装置，其特征在于，所述匹配模块具体用于将识别结果与指令库中的动作指令依次进行比对，当所述识别结果中包含至少一个动作指令时，则匹配成功。

10.根据权利要求6所述的装置，其特征在于，所述执行模块包括：

获取子模块，用于获取识别结果中动作指令对应的操作对象；

执行子模块，用于根据动作指令对所述操作对象进行相应的操作。

11.一种语音交互设备，其特征在于，所述设备包括：

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时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的语音交互方法。

12.一种计算机可读介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的语音交互方法。