CN109671435B - 用于唤醒智能设备的方法和装置 - Google Patents

Abstract

本公开实施例公开了用于唤醒智能设备的方法和装置。该用于唤醒智能设备的方法的一具体实施方式包括：获取用户的当前语音；将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。该实施方式提高了智能设备对用户交互意图的识别能力。

Description

用于唤醒智能设备的方法和装置

技术领域

本公开实施例涉及电子设备技术领域，具体涉及智能佩戴设备技术领域，尤其涉及用于唤醒智能设备的方法和装置。

背景技术

随着自然语言技术的快速发展，智能语音设备走进人们工作和生活中，比如智能音箱就成为了大众喜爱的设备。但一些用户在智能设备在语音交互便利性上也有些困扰。

例如智能音箱可以接受用户的一些常用指令和进行语音对话。其在非唤醒状态下，并不能识别到用户的直接意图指令。而是要先使用“唤醒”指令将其唤醒，然后再接受具体的意图指令或进行语音对话。

发明内容

本公开实施例提出了用于唤醒智能设备的方法和装置。

第一方面，本公开实施例提供了一种用于唤醒智能设备的方法，包括：获取用户的当前语音；将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

在一些实施例中，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图包括：将当前语音输入交互分析模型，确定当前语音的声门波是否指示交互意图。

在一些实施例中，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图包括：将当前语音输入交互分析模型，确定当前语音的声门波和以下至少一项语气特征是否指示交互意图：音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

在一些实施例中，交互样本基于以下步骤确定：获取历史语音记录；将历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；将历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

在一些实施例中，方法还包括：响应于用户指令，向用户返回应答并控制动作组件执行用户指令。

在一些实施例中，方法还包括：响应于在动作组件执行用户指令时接收到用户输入的阻止执行用户指令的校正指令，根据校正指令，停止执行用户指令，并校正当前语音的语气特征所关联的交互意图；将校正后的相关联的当前语音的语气特征和交互意图更新至交互样本的负样本中；和/或响应于用户在动作组件执行用户指令时未输入校正指令，将语音与交互意图相关联并更新至交互样本的正样本中；基于更新后的交互样本，优化交互分析模型。

在一些实施例中，基于当前语音，确定用户指令包括以下任意一项：将当前语音输入用于语义处理的机器学习模型，得到用户指令；将当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；将当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

第二方面，本公开实施例提供了一种用于唤醒智能设备的装置，包括：语音获取单元，被配置成获取用户的当前语音；意图确定单元，被配置成将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；指令确定单元，被配置成响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

在一些实施例中，意图确定单元进一步被配置成：将当前语音输入交互分析模型，确定当前语音的声门波是否指示交互意图。

在一些实施例中，意图确定单元进一步被配置成：将当前语音输入交互分析模型，确定当前语音的声门波和以下至少一项语气特征是否指示交互意图：音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

在一些实施例中，意图确定单元中的交互分析模型所采用的交互样本基于以下步骤确定：获取历史语音记录；将历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；将历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

在一些实施例中，装置还包括：指令应答单元，被配置成响应于用户指令，向用户返回应答并控制动作组件执行用户指令。

在一些实施例中，装置还包括：样本更新单元，被配置成响应于在动作组件执行用户指令时接收到用户输入的阻止执行用户指令的校正指令，根据校正指令，停止执行用户指令，并校正当前语音的语气特征所关联的交互意图；将校正后的相关联的当前语音的语气特征和交互意图更新至交互样本的负样本中；和/或响应于用户在动作组件执行用户指令时未输入校正指令，将语音与交互意图相关联并更新至交互样本的正样本中；模型优化单元，被配置成基于更新后的交互样本，优化交互分析模型。

在一些实施例中，指令确定单元被配置成以下任意一项：将当前语音输入用于语义处理的机器学习模型，得到用户指令；将当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；将当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

第三方面，本公开实施例提供了一种智能设备，包括：如上述实施例中任意一项所述的装置。

第四方面，本公开实施例提供了一种服务器，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述实施例中任一所述的方法。

第五方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中任一所述的方法。

本公开实施例提供的用于唤醒智能设备的方法和装置，首先获取用户的当前语音，之后将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；最后响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。这一过程中，可以通过识别用户的当前语音的语气特征来识别用户交互意图，进而通过用户语音确定用户指令，使得智能设备与用户的交互过程的衔接更为连贯，无需用户单独输入唤醒指令，提升了智能设备对用户交互意图的识别能力。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于唤醒智能设备的方法的一个实施例的示意性流程图；

图3是根据本公开的用于唤醒智能设备的方法的一个应用场景的示意图；

图4是根据本公开的用于唤醒智能设备的方法的又一个实施例的示意性流程图；

图5是根据本公开的用于唤醒智能设备的装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

如图1所示，系统架构100可以包括智能设备101、102、103，网络104和服务器105、106。网络104用以在智能设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用智能设备101、102、103通过网络104与服务器105、106交互，以接收或发送消息等。智能设备101、102、103上可以安装有各种通讯客户端应用，例如语音助手，音乐播放器，天气信息查询应用、阅读应用、视频采集类应用、视频播放类应用、即时通信工具、邮箱客户端、社交平台软件、搜索引擎类应用、购物类应用等。

智能设备101可以是硬件，也可以是软件。当智能设备101为硬件时，可以是具有显示屏并且支持语音交互的各种电子设备，包括但不限于智能音箱、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当智能设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105、106可以是提供各种服务的服务器，例如对智能设备101、102、103提供的交互分析模型、交互样本、机器学习模型、指令规则、指令词典和/或数据库进行支持和优化的后台服务器。后台服务器可以对智能设备提交的当前语音进行分析、存储或计算等处理，并将分析、存储或计算结果推送给智能设备。

需要说明的是，在实践中，本公开实施例所提供的用于唤醒智能设备的方法一般由服务器105、106执行，相应地，用于唤醒智能设备的装置一般设置于服务器105、106中。然而，当终端设备的性能可以满足该方法的执行条件或该设备的设置条件时，本公开实施例所提供的用于唤醒智能设备的方法也可以由终端设备101、102、103执行，用于唤醒智能设备的装置也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。

继续参考图2，示出了根据本公开的用于唤醒智能设备的方法的一个实施例的流程200。该用于唤醒智能设备的方法，包括以下步骤：

步骤201，获取用户的当前语音。

在本实施例中，上述用于唤醒智能设备的方法的执行主体(例如图1所示的服务器或终端)可以通过音频输入装置(例如麦克风)获取用户的当前语音。

步骤202，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图。

在本实施例中，交互分析模型是训练后具有交互分析能力的机器学习模型，用于根据当前语音的目标特征得到当前语音指示交互意图的概率。机器学习英文全称为Machine Learning，简称ML。机器学习模型可以通过样本学习具备鉴别能力。机器学习模型可以采用神经网络模型、支持向量机或者逻辑回归模型等。神经网络模型可以为卷积神经网络、反向传播神经网络、反馈神经网络、径向基神经网络或者自组织神经网络等。

交互分析模型的输入可以为当前语音的语气特征，输出可以为当前语音指示交互意图的概率。交互分析模型可以基于交互样本训练得到。交互样本是指标记有交互意图的用户语音和标记有非交互意图的用户语音。

当前语音的语气特征，是指当前语音的语气的特性的抽象结果。语气可以包括陈述、疑问、祈使、感叹几大类。其中，祈使类语气表示说话人的建议、请求、邀请、命令等。语气的特性可以为语气的感情色彩特性、分量特性、声音特性和气息特性。

在本实施例的一些可选实现方式中，交互样本可以基于以下步骤确定：获取历史语音记录；将历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；将历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

在本实现方式中，在确定交互样本时，可以采用人工来确定语音记录中是否输入用户指令，并将输入用户指令的语音记录关联交互意图，将未输入用户指令的语音记录关联非交互意图，从而得到交互样本。在这里，正样本是指与交互意图相关的样本。负样本是指与交互意图不相关的样本。

在一个具体的示例中，智能设备开始应用时，会进入用户初始化语气特征的过程。首先，上述执行主体会搜集、分析并储存用户指令的语气特征，这些语气特征包括声门波以及音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿中的至少一项。之后，上述执行设备基于上述用户指令的语气特征训练交互分析模型，并改进用户指令的语气特征分析。之后，上述执行主体会对用户指令的语气特征进行判断，将多次搜集的语气特征进行数值化记录，设定语气特征值的浮动范围。最后，上述执行主体会根据用户交互中的用户指令，进行用户指令的语气特征的数据更新。

通过确定交互样本的正样本和负样本，可以丰富训练集的内容和数量，进而提高所训练的交互分析模型的识别交互意图的准确性。

在本实施例的一些可选实现方式中，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图包括：将当前语音输入交互分析模型，确定当前语音的声门波是否指示交互意图。

在本实现方式中，可以根据当前语音的声门波来确定是否指示交互意图。声门波基于声带的周期性开合而产生，蕴含一定的情感信息，对压力分类有一定的作用。通过当前语音的声门波来确定是否指示交互意图，可以在提高确定结果的准确性的基础上，提高确定是否指示交互意图的效率。

在本实施例的一些可选实现方式中，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图包括：将当前语音输入交互分析模型，确定当前语音的声门波和以下至少一项语气特征是否指示交互意图：音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

在本实现方式中，可以根据当前语音的声门波以及音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿中的至少一项来确定是否指示交互意图，可以进一步提升确定结果的准确性。其中，预定时间内的平均幅度可以区分请浊音。

步骤203，响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

在本实施例中，上述用于唤醒智能设备的方法的执行主体(例如图1所示的服务器或终端)可以响应于当前语音的语气特征指示交互意图，识别当前语音，并根据识别结果确定当前语音所指示的用户指令。

在本实施例的一些可选实现方式中，基于当前语音，确定用户指令包括以下任意一项：将当前语音输入用于语义处理的机器学习模型，得到用户指令；将当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；将当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

在本实现方式中，将当前语音输入用于语义处理的机器学习模型之后，可以首先识别当前语音的语义，再根据语义确定用户指令。

备选地或附加地，可以识别当前语音，匹配当前语音的识别结果的语义与预设的指令规则集合中的各个指令所对应的语义，若匹配结果指示相匹配，则将预设的指令规则集合中匹配结果所对应的指令确定为用户指令。其中，预设的指令规则集合包括指令规则，指令规则包括预设的指令以及与预设的指令对应的语义。

备选地或附加地，可以识别当前语音，匹配当前语音的识别结果的语义与预定的指令词典中各个指令所对应的词条的语义，若匹配结果指示相匹配，则将预定的指令词典中匹配结果所对应的指令确定为用户指令。其中，预定的指令词典包括词条，词条包括预定的指令以及与预定的指令相对应的语义。

在当前语音的语气特征指示交互意图之后，采用机器学习模型、指令规则或指令词典来确定当前语音所对应的用户指令，可以提升识别用户指令的准确性。

以下结合图3，描述本公开的用于唤醒智能设备的方法的示例性应用场景。

如图3所示，图3示出了根据本公开的用于唤醒智能设备的方法的一个应用场景的示意性流程图。

如图3所示，用于唤醒智能设备的方法300运行于执行主体310中，可以包括：

首先，获取用户的当前语音301；

之后，将当前语音301输入交互分析模型302，确定当前语音的语气特征303是否指示交互意图304，其中，交互分析模型302基于交互样本训练得到；

最后，响应于当前语音的语气特征303指示交互意图304，基于当前语音301，确定用户指令305。

应当理解，上述图3中所示出的用于唤醒智能设备的方法的应用场景，仅为对于用于唤醒智能设备的方法的示例性描述，并不代表对该方法的限定。例如，上述图3中示出的各个步骤，可以进一步采用更为细节的实现方法。

本公开上述实施例提供的用于唤醒智能设备的方法，首先获取用户的当前语音；之后，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；最后，响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。在这一过程中，通过识别用户的当前语音的语气特征来识别用户交互意图，进而通过用户语音确定用户指令，使得智能设备与用户的交互过程的衔接更为连贯，无需用户单独输入唤醒指令，提升了智能设备对用户交互意图的识别能力。

请参考图4，其示出了根据本公开的用于唤醒智能设备的方法的又一个实施例的流程图。

如图4所示，本实施例的用于唤醒智能设备的方法的流程400，可以包括以下步骤：

步骤401，获取用户的当前语音。

在本实施例中，上述用于唤醒智能设备的方法的执行主体(例如图1所示的服务器或终端)可以通过音频输入装置(例如麦克风)获取用户的当前语音。

步骤402，将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图。

在本实施例中，在本实施例中，交互分析模型是训练后具有交互分析能力的机器学习模型，用于根据当前语音的目标特征得到当前语音指示交互意图的概率。机器学习英文全称为Machine Learning，简称ML。机器学习模型可以通过样本学习具备鉴别能力。机器学习模型可以采用神经网络模型、支持向量机或者逻辑回归模型等。神经网络模型可以为卷积神经网络、反向传播神经网络、反馈神经网络、径向基神经网络或者自组织神经网络等。

交互分析模型的输入可以为当前语音的语气特征，输出可以为当前语音指示交互意图的概率。交互分析模型可以基于交互样本训练得到。交互样本是指标记有交互意图的用户语音和标记有非交互意图的用户语音。

当前语音的语气特征，是指当前语音的语气的特性的抽象结果。语气可以包括陈述、疑问、祈使、感叹几大类。其中，祈使类语气表示说话人的建议、请求、邀请、命令等。语气的特性可以为语气的感情色彩特性、分量特性、声音特性和气息特性。

步骤403，响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

在本实施例中，上述用于唤醒智能设备的方法的执行主体(例如图1所示的服务器或终端)可以响应于当前语音的语气特征指示交互意图，识别当前语音，并根据识别结果确定当前语音所指示的用户指令。

应当理解，上述步骤401至步骤403与图2所示的实施例中的步骤201至步骤203相对应。因此，步骤201至步骤203中的操作和特征同样适用于步骤401至步骤403，在此不再赘述。

在步骤404中，响应于用户指令，向用户返回应答并控制动作组件执行用户指令。

在本实施例中，可以根据用户指令，向用户返回应答，并向智能设备的动作组件发送控制指令，从而基于控制指令控制动作组件，执行用户指令。例如，若用户指令为播放XX歌曲，那么上述执行主体向用户返回应答(可以为应答集合中随机选择的应答，例如“好的”、“没问题”或“听你的”等)，并向智能设备的音频播放类应用发送播放控制指令，控制智能设备的音频播放类应用经由音频输出组件(喇叭或耳机等)播放XX歌曲。若用户指令为打开XY灯光，那么上述执行主体向用户返回应答，并向智能设备的灯光类应用发送灯光呈现指令，控制智能设备的灯光类应用调用发光组件呈现灯光。

在步骤405中，响应于在动作组件执行用户指令时接收到用户输入的阻止执行所述用户指令的校正指令，根据校正指令，停止执行用户指令，并校正上述的当前语音的语气特征所关联的交互意图，将校正后的相关联的上述当前语音的语气特征和交互意图更新至交互样本的负样本中。

在本实施例中，上述执行主体在动作组件执行用户指令时接收到校正指令，表明上述执行主体对于上述的当前语音的交互意图的分析出现错误，需要对其进行校正。因此，上述执行主体根据该校正指令，停止执行用户指令，并将校正后的相关联的语气特征和交互意图更新至交互样本的负样本中。

在步骤406中，响应于用户在动作组件执行用户指令时未输入校正指令，将语音与交互意图相关联并更新至交互样本的正样本中。

在本实施例中，上述执行主体在动作组件执行用户指令时未接收到校正指令，表明上述执行主体对于上述的当前语音的交互意图的分析正确，无需对其进行校正，可以将语音与交互意图相关联并更新至交互样本的正样本中。

在步骤407中，基于更新后的交互样本，优化交互分析模型。

在本实施例中，在上述执行主体运行用于唤醒智能设备的方法一段时间之后，可以根据更新后的交互样本，优化上述交互分析模型，以便进一步提高交互分析模型确定交互意图的准确度。

应当理解，上述图4中所示出的用于唤醒智能设备的方法的应用场景，仅为对于用于唤醒智能设备的方法的示例性描述，并不代表对该方法的限定。例如，上述图4中所示出的步骤401至步骤403，也可以进一步采用步骤201至203中的可选的实现方式来实现。本公开对此不作限定。

本公开上述实施例的用于唤醒智能设备的方法，与图2中所示的实施例不同的是：基于用户在智能设备的动作组件执行用户指令时是否接收到用户输入的校正指令，更新交互样本，并根据更新后的交互样本，优化交互分析模型。在这一过程中，由于搜集了新的具有显著区分特征的交互样本，可以提高交互分析模型在确定交互意图时的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于唤醒智能设备的装置的一个实施例，该装置实施例与图2-图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于唤醒智能设备的装置500可以包括：语音获取单元510，被配置成获取用户的当前语音；意图确定单元520，被配置成将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；指令确定单元530，被配置成响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

在本实施例的一些可选实现方式中，意图确定单元520进一步被配置成：将当前语音输入交互分析模型，确定当前语音的声门波是否指示交互意图。

在本实施例的一些可选实现方式中，意图确定单元520进一步被配置成：将当前语音输入交互分析模型，确定当前语音的声门波和以下至少一项语气特征是否指示交互意图：音调、音高、鼻音、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

在本实施例的一些可选实现方式中，意图确定单元520中的交互分析模型所采用的交互样本基于以下步骤确定：获取历史语音记录；将历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；将历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

在本实施例的一些可选实现方式中，装置还包括：指令应答单元540，被配置成响应于用户指令，向用户返回应答并控制动作组件执行用户指令。

在本实施例的一些可选实现方式中，装置还包括：样本更新单元550，被配置成响应于在动作组件执行用户指令时接收到用户输入的阻止执行用户指令的校正指令，根据校正指令，停止执行用户指令，并校正当前语音的语气特征所关联的交互意图；将校正后的相关联的当前语音的语气特征和交互意图更新至交互样本的负样本中；和/或响应于用户在动作组件执行用户指令时未输入校正指令，将语音与交互意图相关联并更新至交互样本的正样本中；模型优化单元560，被配置成基于更新后的交互样本，优化交互分析模型。

在本实施例的一些可选实现方式中，指令确定单元被配置成以下任意一项：将当前语音输入用于语义处理的机器学习模型，得到用户指令；将当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；将当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

应当理解，装置500中记载的诸单元可以与参考图2-图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

本公开实施例还提供了一种智能设备，包括：如上述实施例中任意一项所述的装置。

本公开实施例还提供了一种服务器，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述实施例中任一所述的方法。

本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中任一所述的方法。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或智能设备)600的结构示意图。本公开的实施例中的智能设备可以包括但不限于诸如智能音箱、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6示出的终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的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例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、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。在本公开的实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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系统、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。

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：获取用户肢体动作视频；基于用户肢体动作视频中的肢体关键点，建立用户关键点模型；获取目标人物视频；采用用户关键点模型，将目标人物视频中目标人物的动作映射为用户的目标动作。

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实施例的操作的计算机程序代码，所述程序设计语言包括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系统、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系统来实现，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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括语音获取单元、意图确定单元和指令确定单元。其中，这些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，语音获取单元还可以被描述为“获取用户的当前语音的单元”。

作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取用户的当前语音；将当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，交互分析模型基于交互样本训练得到；响应于当前语音的语气特征指示交互意图，基于当前语音，确定用户指令。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (15)

1.一种用于唤醒智能设备的方法，包括：

获取用户的当前语音；

将所述当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，所述交互分析模型基于交互样本训练得到，所述当前语音的语气特征包括声门波、音高和鼻音；

响应于所述当前语音的语气特征指示交互意图，基于所述当前语音，确定用户指令。

2.根据权利要求1所述的方法，其中，所述将所述当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图包括：

将所述当前语音输入交互分析模型，确定当前语音的声门波、音高和鼻音以及以下至少一项语气特征是否指示交互意图：音调、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

3.根据权利要求1所述的方法，其中，所述交互样本基于以下步骤确定：

获取历史语音记录；

将所述历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；

将所述历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

4.根据权利要求1所述的方法，其中，所述方法还包括：

响应于所述用户指令，向用户返回应答并控制动作组件执行所述用户指令。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于在所述动作组件执行所述用户指令时接收到用户输入的阻止执行所述用户指令的校正指令，根据所述校正指令，停止执行所述用户指令，并校正所述当前语音的语气特征所关联的交互意图；将校正后的相关联的所述当前语音的语气特征和交互意图更新至所述交互样本的负样本中；和/或响应于用户在所述动作组件执行所述用户指令时未输入所述校正指令，将所述语音与所述交互意图相关联并更新至所述交互样本的正样本中；

基于更新后的交互样本，优化所述交互分析模型。

6.根据权利要求1所述的方法，其中，所述基于所述当前语音，确定用户指令包括以下任意一项：

将所述当前语音输入用于语义处理的机器学习模型，得到用户指令；

将所述当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；

将所述当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

7.一种用于唤醒智能设备的装置，包括：

语音获取单元，被配置成获取用户的当前语音；

意图确定单元，被配置成将所述当前语音输入交互分析模型，确定当前语音的语气特征是否指示交互意图，其中，所述交互分析模型基于交互样本训练得到，所述当前语音的语气特征包括声门波、音高和鼻音；

指令确定单元，被配置成响应于所述当前语音的语气特征指示交互意图，基于所述当前语音，确定用户指令。

8.根据权利要求7所述的装置，其中，所述意图确定单元进一步被配置成：将所述当前语音输入交互分析模型，确定当前语音的声门波、音高和鼻音以及以下至少一项语气特征是否指示交互意图：音调、清/浊音、声强、频率、预定时间内的平均幅度、语速和停顿。

9.根据权利要求7所述的装置，其中，所述意图确定单元中的所述交互分析模型所采用的所述交互样本基于以下步骤确定：

获取历史语音记录；将所述历史语音记录中输入用户指令的历史语音记录关联交互意图，得到交互样本中的正样本；将所述历史语音记录中未输入用户指令的历史语音记录关联非交互意图，得到交互样本中的负样本。

10.根据权利要求7所述的装置，其中，所述装置还包括：

指令应答单元，被配置成响应于所述用户指令，向用户返回应答并控制动作组件执行所述用户指令。

11.根据权利要求10所述的装置，其中，所述装置还包括：

样本更新单元，被配置成响应于在所述动作组件执行所述用户指令时接收到用户输入的阻止执行所述用户指令的校正指令，根据所述校正指令，停止执行所述用户指令，并校正所述当前语音的语气特征所关联的交互意图；将校正后的相关联的所述当前语音的语气特征和交互意图更新至所述交互样本的负样本中；和/或响应于用户在所述动作组件执行所述用户指令时未输入所述校正指令，将所述语音与所述交互意图相关联并更新至所述交互样本的正样本中；

模型优化单元，被配置成基于更新后的交互样本，优化所述交互分析模型。

12.根据权利要求7所述的装置，其中，所述指令确定单元被配置成以下任意一项：

将所述当前语音输入用于语义处理的机器学习模型，得到用户指令；

将所述当前语音的识别结果所命中的预设的指令规则集合中的指令确定为用户指令；

将所述当前语音的识别结果所命中的预定的指令词典中的指令确定为用户指令。

13.一种智能设备，包括：如权利要求8-12中任意一项所述的装置。

14.一种服务器，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1-6中任一所述的方法。

15.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images