CN109885277A - 人机交互设备、方法、系统和装置 - Google Patents

Abstract

本申请实施例公开了人机交互设备、方法、系统和装置。其中的人机交互设备包括：语音接收装置，用于接收用户语音；语音播放装置，用于播放基于对用户语音进行解析的解析结果相对应的语音应答信息；显示装置，用于显示基于对用户语音进行解析的解析结果所对应的显示画面。本申请的人机交互方案，通过向用户反馈基于用户语音的解析结果生成的语音交互信息和显示画面，使得在语音应答的基础上，进一步呈现基于对语义解读得到的显示画面，使得听觉和视觉交互联动起来。

Description

人机交互设备、方法、系统和装置

技术领域

本申请实施例涉及计算机领域，具体涉及人机交互领域，尤其涉及人机交互设备、方法、系统和装置。

背景技术

人机交互，是指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算机之间的信息交换过程。

随着人工智能的爆炸性发展，围绕人工智能展开的趋势性应用和产品正不断受到关注。现有的人机交互类产品，通常可以实现与用户的语音交互。例如，接收并解析用户的语音，基于对语音的解析结果向用户反馈对应的语音信息。

发明内容

本申请实施例提出了人机交互设备、方法、系统和装置。

第一方面，本申请实施例提供了一种人机交互设备，包括：语音接收装置，用于接收用户语音；语音播放装置，用于播放基于对用户语音进行解析的解析结果相对应的语音应答信息；显示装置，用于显示基于对用户语音进行解析的解析结果所对应的显示画面。

在一些实施例中，装置进一步包括：通信单元，用于向服务器发送用户语音，并接收语音应答信息和显示画面。

在一些实施例中，语音应答信息基于用户类型确定。

在一些实施例中，用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在一些实施例中，显示画面包括以下至少一者：与解析结果所指示的用户情绪相匹配的表情；与语音应答信息相对应的图片和/或视频。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：从解析结果中，确定出用于表征情绪的情绪词；响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：将解析结果输入预先训练的情绪识别模型，得到用户语音的情绪类别；响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

第二方面，本申请实施例还提供了一种人机交互系统，包括至少一个如第一方面的人机交互设备。

在一些实施例中，系统还包括服务器，服务器用于：接收并解析人机交互设备发送的用户语音；确定出与解析用户语音得到的解析结果相对应的语音应答信息和述用户语音的情绪信息；向人机交互设备发送语音应答信息；以及响应于情绪信息所指示的用户情绪属于预先设置的情绪类别，向人机交互设备发送与情绪所属的情绪类别相匹配的表情。

在一些实施例中，服务器还用于：向与人机交互设备关联的关联终端发送统计信息，统计信息用于指示用户语音属于预先设置的情绪类别的次数和/或频率。

第三方面，本申请实施例还提供了一种人机交互方法，包括：接收用户语音；播放基于对用户语音进行解析的解析结果相对应的语音应答信息；以及显示基于对用户语音进行解析的解析结果相对应的显示画面。

在一些实施例中，方法还包括：向服务器发送用户语音，并接收语音应答信息和显示画面。

在一些实施例中，语音应答信息基于用户类型确定。

在一些实施例中，用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在一些实施例中，显示画面包括以下至少一者：与解析结果所指示的用户情绪相匹配的表情；与语音应答信息相对应的图片和/或视频。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：从解析结果中，确定出用于表征情绪的情绪词；响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：将解析结果输入预先训练的情绪识别模型，得到用户语音的情绪类别；响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

第四方面，本申请实施例还提供了一种人机交互装置，包括：接收单元，配置用于接收用户语音；播放单元，配置用于播放基于对用户语音进行解析的解析结果相对应的语音应答信息；以及显示单元，配置用于显示基于对用户语音进行解析的解析结果相对应的显示画面。

在一些实施例中，装置还包括：发送单元，配置用于向服务器发送用户语音，并接收语音应答信息和显示画面。

在一些实施例中，语音应答信息基于用户类型确定。

在一些实施例中，用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在一些实施例中，显示画面包括以下至少一者：与解析结果所指示的用户情绪相匹配的表情；与语音应答信息相对应的图片和/或视频。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：从解析结果中，确定出用于表征情绪的情绪词；响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

在一些实施例中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：将解析结果输入预先训练的情绪识别模型，得到用户语音的情绪类别；响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

第五方面，本申请实施例提供了一种电子设备，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第三方面描述的方法。

第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第三方面描述的方法。

本申请实施例提供的人机交互的方案，通过向用户反馈基于用户语音的解析结果生成的语音交互信息和显示画面，使得在语音应答的基础上，进一步呈现基于对语义解读得到的显示画面，使得听觉和视觉交互联动起来。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一个实施例的人机交互系统或人机交互方法可以应用于其中的示例性系统架构图；

图2是根据本申请的人机交互设备的一个实施例的结构图；

图3是根据本申请的人机交互设备的一个应用场景的示意图；

图4是根据本申请的人机交互系统的一个实施例的结构图；

图5是根据本申请的人机交互方法的一个实施例的流程图；

图6是适于用来实现本申请实施例的人机交互方法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申请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，本申请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申请。

图1示出了可以应用本申请的人机交互方法或人机交互控制系统的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括人机交互设备101、102、103，网络104和服务器105。网络104用以在人机交互设备101、102、103和服务器105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可以使用人机交互设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。人机交互设备101、102、103上可以安装有各种客户端应用，例如语音识别类应用、图像处理类应用、翻译类应用等。

人机交互设备101、102、103可以是具有屏幕的各种电子设备，包括但不限于智能手机、如智能手表等的可穿戴电子设备、和专门提供各类人机交互服务的交互机器人等等。

服务器105可以是提供各种服务的服务器，例如对人机交互设备101、102、103发送的语音进行处理的后台服务器。后台服务器可以对由人机交互设备发送的用户语音进行解析，并将处理结果(例如，基于对用户语音进行解析得到的解析结果，得到的语音应答信息)反馈给人机交互设备101、102、103。

需要说明的是，本申请实施例所提供的人机交互方法可以由人机交互设备101、102、103执行，也可以一部分由服务器105执行而另一部分由人机交互设备101、102、103执行。相应地，人机交互设备可以设置于人机交互设备101、102、103中，也可以一部分设置在服务器105中而另一部分设置在人机交互设备101、102、103中。

应该理解，若本申请实施例的人机交互方法仅由仅由人机交互设备101、102、103执行或者，本申请实施例的人机交互系统仅包括人机交互设备，图1所示的架构可以仅包含人机交互设备。此外，图1中的人机交互设备、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人机交互设备、网络和服务器。例如服务器可以为集群式的服务器，包括部署了不同进程的多台服务器。

继续参考图2，其示出了根据本申请的人机交互设备的一个实施例的结构200。

如图2所示，本实施例的人机交互设备可包括语音接收装置201、语音播放装置202和显示装置203。

其中，语音接收装置201可用于接收用户语音。在这里，本实施例的人机交互设备中的语音接收装置201可以是任何能够实现语音接收功能的装置或模块，例如，包括但不限于麦克风和/或麦克风阵列等。可以理解的是，语音接收装置201可以直接集成于人机交互设备中，或者，也可以通过任何有线或无线的方式与人机交互设备通信连接。

语音播放装置202可用于播放基于对所述用户语音进行解析的解析结果所对应的语音应答信息。例如，输入的用户语音为“今天真是太热了”，那么与之相对应的语音应答信息例如可以是：是啊，今天很热，要注意防晒哦。

此外，显示装置203可用于显示基于对所述用户语音进行解析的解析结果相对应的显示画面。仍以输入的用户语音为“今天真是太热了”为例，显示装置203例如可以呈现一艳阳高照的图片。可以理解，在这里，显示装置203所呈现的图片可以是与用户语音所包含的语义“太热了”相适配的图片。在一些应用场景中，语义和与之相适配的图片可以是预先关联地存储的。

在本实施例的一些可选的实现方式中，人机交互设备的语音接收装置201在接收到用户语音之后，可将所接收的用户语音发送至设置在人机交互设备本地的语音解析单元进行解析，从而得到用户语音的解析结果。

在这里，解析结果可以包括对用户语音进行语音识别得到的语义信息。在进行语音识别时，例如，可以首先利用声学模型得到用户语音所包含的音节序列，再利用语言模型对音节序列进行进一步的处理，从而得到语音识别结果，例如，与用户语音所对应的文本。

本实施例提供的人机交互设备，通过向用户反馈基于用户语音的解析结果生成的语音交互信息和显示画面，使得在语音应答的基础上，进一步呈现基于对语义解读得到的显示画面，使得听觉和视觉交互联动起来。

继续参见图3，图3是根据本实施例的人机交互设备的应用场景的一个示意图300。

在图3所示的应用场景中，人机交互设备例如可以是具有陪伴功能的聊天机器人301，聊天机器人301可以模拟真人的交互习惯，从而与用户302进行聊天。

例如，用户302说：今天天气真热啊！聊天机器人可以回复：是啊，今天的天气还真是很热呢！同时，在聊天机器人的显示屏幕S上，可以呈现一艳阳高照的图片。

这样一来，聊天机器人301在与用户进行语音交互之余，还可以根据交互时用户输入语音的语义，在设置在其上的屏幕S上呈现相应的画面，在语音交互的基础上，将听觉交互和视觉交互联动起来，使得聊天机器人对用户产生更大的吸引力，同时也使得聊天机器人和用户交互的趣味性更强。

在本实施例的一些可选的实现方式中，人机交互设备可以进一步包括通信单元(图中未示出)。通信单元可用于向服务器发送所述用户语音，并接收所述语音应答信息和显示画面。

在这些可选的实现方式中，人机交互设备可以将所接收的用户语音向服务器转发，使得服务器通过对用户语音的解析，来向人机交互设备反馈与解析结果相对应的语音应答信息以及与解析结果相对应的显示画面。

这样一来，一方面，人机交互设备可以有效地利用服务器强大的运算处理能力迅速地得到用户语音的解析结果。另一方面，由于服务器上可以设置容量可观的数据库，使得解析结果和相应的语音应答信息、显示画面等之间的对应关系可以更加丰富和细化，相应地，最终得到的语音应答信息和显示画面与用户语音所包含的意图之间的契合度也可以得以提升。

在一些可选的实现方式中，语音应答信息可以基于用户类型确定。在生成语音应答信息时考虑用户类型，可以使得生成的语音应答信息更贴合各类型用户的交互习惯和喜好等，有利于提升所生成的语音应答信息的针对性和准确度。

在这里，用户类型可以根据预先设置的分类规则来确定。例如，用户类型可以根据性别划分为男性和女性，或者，用户类型还可以根据年龄划分为儿童、少年、成年人、老年人等。可以理解的是，同一个用户可以具有根据不同分类规则划分得到的多个类别。例如，某一个用户可以既属于“男性”这一根据性别进行划分的类别，也属于“儿童”这一根据年龄进行划分的类别。

此外，在这些可选的实现方式的一些应用场景中，用户类型例如可以是使用人机交互设备的用户预先设置的。例如，可以向人机交互设备或者通过与人机交互设备关联的关联终端输入其身份信息，使得人机交互设备和/或与人机交互设备通信连接的服务器基于其输入的身份信息来确定该用户的用户类型。

或者，在这些可选的实现方式的另一些应用场景中，用户类型例如还可以基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在这些应用场景中，人机交互设备或者与人机交互设备通信连接的服务器可以通过对用户语音进行解析，来确定用户的类别(例如，用户的年龄、性别等)。

或者，在这些应用场景中，还可以根据预先设置的使用人机交互设备的用户的年龄，来确定用户的类别。例如，若预先设置使用该类型的人机交互设备的用户为儿童，则可认为使用该类型的人机交互设备的用户均为儿童，相应地，在确定语音应答信息时，可以充分考虑儿童的喜好、交互习惯等。

在一些可选的实现方式中，在人机交互设备的显示装置呈现的显示画面例如可以是与解析结果所指示的用户情绪相匹配的表情。

在这些可选的实现方式的一些应用场景中，可以直接利用基于机器学习的方法预先训练的识别模型识别用户语音中的情绪信息。

或者，在这些可选的实现方式的另一些应用场景中，还可以对语音识别得到的文本进行情绪识别，从而得到用户语音的情绪信息。例如，可以首先从解析结果中，确定出用于表征情绪的情绪词，接着，响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

或者，在这些可选的实现方式的另一些应用场景中，还可以既对用户语音进行情绪识别，又对经语音识别得到的文本进行情绪识别，并将二者所得到的情绪识别结果进行融合，以得到用户语音的情绪信息。

在这些可选的实现方式的一些应用场景中，人机交互设备或与人机交互设备通信连接的服务器上可以预先设置有语音识别结果和语音应答信息、表情的对应关系。例如，对于某一些语音识别结果，若认为这些语音识别结果可以指示用户的某一类情绪，则可以将这些语音识别结果、分别与这些语音识别结果相对应的语音应答信息和能够表征这一类情绪的表情进行关联。

例如，若用户语音识别结果为“做一个可爱的表情”，相应的语音应答信息例如可以是“哪里可爱了”，相应地，指示该语音识别结果的情绪的表情例如可以是一个可爱的表情。或者，若用户语音识别结果为“你好可爱呀”，相应的语音应答信息例如可以是“谢谢主人的夸奖”，相应地，指示该语音识别结果的情绪的表情例如可以是一个可爱的表情。

类似地，若用户语音识别结果为“今天心情很好”，相应的语音应答信息例如可以是“和你在一起好开心呢”，相应地，指示该语音识别结果的情绪的表情例如可以是一个微笑的表情。或者，若用户语音识别结果为“今天心情舒畅”，相应的语音应答信息例如可以是“我也觉得快乐”，相应地，指示该语音识别结果的情绪的表情例如可以是一个微笑的表情。

类似地，若用户语音识别结果为“我受伤了好疼”，相应的语音应答信息例如可以是“宝贝我会心疼的”，相应地，指示该语音识别结果的情绪的表情例如可以是一个哭泣的表情。或者，若用户语音识别结果为“流泪”，相应的语音应答信息例如可以是“如此优秀的你不要担心，一切都会好起来的”，相应地，指示该语音识别结果的情绪的表情例如可以是一个哭泣的表情。

类似地，若用户语音识别结果为“我生气了”，相应的语音应答信息例如可以是“不生气，不生气，我们一起来想办法，生气也解决不了问题啦”，相应地，指示该语音识别结果的情绪的表情例如可以是一个发怒的表情。或者，若用户语音识别结果为“气疯了”，相应的语音应答信息例如可以是“你告诉我，我安慰你啊”，相应地，指示该语音识别结果的情绪的表情例如可以是一个发怒的表情。

类似地，若用户语音识别结果为“今天很委屈”，相应的语音应答信息例如可以是“如此优秀的你，不要担心，一切都会好起来的”，相应地，指示该语音识别结果的情绪的表情例如可以是一个委屈的表情。或者，若用户语音识别结果为“跟你一起玩真没意思”，相应的语音应答信息例如可以是“对不起，我会努力学习的”，相应地，指示该语音识别结果的情绪的表情例如可以是一个委屈的表情。

类似地，若用户语音识别结果为“我很伤心”，相应的语音应答信息例如可以是“我会一直陪着你的，不要伤心了好不好”，相应地，指示该语音识别结果的情绪的表情例如可以是一个难过的表情。或者，若用户语音识别结果为“心里空荡荡的”，相应的语音应答信息例如可以是“给你一个大大拥抱，希望你能拥有好心情”，相应地，指示该语音识别结果的情绪的表情例如可以是一个难过的表情。

类似地，若用户语音识别结果为“笑死了”，相应的语音应答信息例如可以是“小朋友，是不是我讲的笑话太好听了”，相应地，指示该语音识别结果的情绪的表情例如可以是一个大笑的表情。或者，若用户语音识别结果为“笑到肚子痛”，相应的语音应答信息例如可以是“那你就笑吧”，相应地，指示该语音识别结果的情绪的表情例如可以是一个大笑的表情。

可以理解的是，用于指示同一种情绪的表情可以是相同的，也可以是不同的。例如，若多次对用户语音的识别结果均指示用户情绪与“可爱”的表情相匹配，那么，每次在人机交互设备的显示装置呈现的表征“可爱”的表情可以是同一个，或者，每次在人机交互设备的显示装置呈现的表征“可爱”的表情可以是不同的表征“可爱”的表情。

在另一些可选的实现方式中，在人机交互设备的显示装置呈现的显示画面例如可以是与语音应答信息相对应的图片和/或视频。

在这些可选的实现方式中，在基于对用户语音进行解析得到的解析结果确定了语音应答信息的情况下，人机交互设备或服务器还可以根据语音应答信息的语义，确定出相应的图片和/或视频以供人机交互设备的显示装置呈现。

例如，在这些可选的实现方式的一些应用场景中，用户语音的语音识别结果为“我很不开心”，相应的语音应答信息例如可以是“我给你播一个搞笑视频好不好”，相应地，显示装置可以播放搞笑视频。

本实施例以及如上提供的各种可选的实现方式，均可以在实现与用户语音交互的基础上，进一步通过显示图片、视频、表情中的至少一者来提供与用户的视觉交互，从而向用户提供更全面的交互感受。

此外，本申请实施例还进一步提供了一种人机交互系统。本申请实施例提供的人机交互系统可以包括至少一个如上所述的人机交互设备。这些人机交互设备可以分别与用户进行交互，从而播放基于对用户语音进行解析的解析结果相对应的语音应答信息并显示基于对用户语音进行解析的解析结果所对应的显示画面(例如，包括但不限于与解析结果所指示的用户情绪相匹配的表情、与语音应答信息相对应的图片和/或视频等)。

在一些可选的实现方式中，本实施例的人机交互系统还可以具有如图4所示的结构。

具体地，在这些可选的实现方式中，人机交互系统除了包括至少一个人机交互设备401之外，还包括服务器402。服务器402可以与人机交互系统中的各人机交互设备401通过有线或无线的方式通信连接。

具体地，服务器402可用于执行如下的步骤：

首先，服务器402可以接收并解析人机交互设备发送的用户语音。服务器402可以接收与之通信连接的任意一人机交互设备401向其发送的用户语音，并对所接收到的用户语音进行解析，从而得到用户语音的解析结果。

接着，服务器402可以确定出与解析用户语音得到的解析结果相对应的语音应答信息和述用户语音的情绪信息。

在这里，解析结果例如可以包括用户语音的语音识别结果(例如，与用户语音相对应的文本)。此外，解析结果还可以进一步包括用于表征用户语音的情绪类型的情绪信息。服务器402例如可以首先对用户语音进行语音识别得到文本，再对得到的文本进行语法和句法分析，从而确定文本的语义，最后根据所确定的语义，来得到对应的语音应答信息和用户语音的情绪信息。

接着，服务器402可以向人机交互设备发送语音应答信息。这样一来，人机交互设备在接收到服务器402发送的语音应答信息之后，可以利用其上设置的播放单元(例如，扬声器)来播放语音应答信息所对应的语音。

接着，若解析结果得到的情绪信息所指示的用户情绪属于预先设置的情绪类别，服务器402还可以向人机交互设备发送与情绪所属的情绪类别相匹配的表情。

这样一来，人机交互系统可以在与用户进行语音交互之余，根据用户语音所体现的情绪信息来向用户反馈相应的表情，实现与用户视觉上的交互。

在这些可选的实现方式的一些应用场景中，服务器还可以进一步地向与人机交互设备关联的关联终端发送统计信息，统计信息用于指示用户语音属于预先设置的情绪类别的次数和/或频率。

在这里，关联终端可以用户预先设置的与人机交互设备相关联的终端设备。例如，人机交互设备和与之关联的关联终端可以具有相同的服务器可识别的身份标识。

在这些应用场景中，每当人机交互设备接收到用户语音时，服务器便可以判断当前接收到的用户语音是否属于预先设置的情绪类别(例如，高兴、沮丧、愤怒等)，若当前接收到的用户语音属于预先设置的某种情绪类别，服务器可以记录该情绪的相关信息(例如，出现该情绪的时刻)。这样一来，服务器便可以得到一段时期内，使用某个人机交互设备的用户的统计信息。通过将统计信息向该人机交互设备的关联终端发送，可以使得使用关联终端的使用者知悉这一段时期内，使用人机交互设备的用户的情绪状态。

进一步参见图5所示，本申请还公开了一种人机交互方法，包括：

步骤501，接收用户语音。

步骤502，播放基于对用户语音进行解析的解析结果相对应的语音应答信息。

步骤503，显示基于对用户语音进行解析的解析结果相对应的显示画面。

本实施例的人机交互方法的各个步骤的具体实现方式可以类似于在如上的人机交互设备中所描述的方式实现，在此不再赘述。

在一些可选的实现方式中，本实施例的人机交互方法还可以进一步包括：向服务器发送用户语音，并接收语音应答信息和显示画面。

在一些可选的实现方式中，语音应答信息可以基于用户类型确定。

在这些可选的实现方式的一些应用场景中，用户类型例如可以基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在一些可选的实现方式中显示画面包括以下至少一者：与解析结果所指示的用户情绪相匹配的表情；与语音应答信息相对应的图片和/或视频。

在这些可选的实现方式的一些应用场景中，显示画面中，与解析结果所指示的用户情绪相匹配的表情例如可以通过如下方式得到：从解析结果中，确定出用于表征情绪的情绪词；响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

或者，在这些可选的实现方式的另一些应用场景中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：将解析结果输入预先训练的情绪识别模型，得到用户语音的情绪类别；响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

作为对上述各图所示方法的实现，本申请提供了一种人机交互装置的一个实施例，该装置实施例与图5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。

本实施例的人机交互装置包括接收单元、播放单元和显示单元。

其中，接收单元可配置用于接收用户语音。

播放单元可配置用于播放基于对用户语音进行解析的解析结果相对应的语音应答信息。

显示单元可配置用于显示基于对用户语音进行解析的解析结果相对应的显示画面。

在一些可选的实现方式中，人机交互装置还可以包括发送单元。

在这些可选的实现方式中，发送单元可配置用于向服务器发送用户语音，并接收语音应答信息和显示画面。

在一些可选的实现方式中，语音应答信息可以基于用户类型确定。

在这些可选的实现方式的一些应用场景中，用户类型例如可以基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

在一些可选的实现方式中显示画面包括以下至少一者：与解析结果所指示的用户情绪相匹配的表情；与语音应答信息相对应的图片和/或视频。

在这些可选的实现方式的一些应用场景中，显示画面中，与解析结果所指示的用户情绪相匹配的表情例如可以通过如下方式得到：从解析结果中，确定出用于表征情绪的情绪词；响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

或者，在这些可选的实现方式的另一些应用场景中，显示画面中，与解析结果所指示的用户情绪相匹配的表情通过如下方式得到：将解析结果输入预先训练的情绪识别模型，得到用户语音的情绪类别；响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

下面参考图6，其示出了适于用来实现本申请实施例的人机交互方法的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括一个或多个处理器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部分606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，还存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603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。

以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。

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部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被处理器601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，计算机可读的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：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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申请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，图示了按照本申请各种实施例的系统、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。

描述于本申请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：一种处理器包括接收单元、播放单元和显示单元。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，接收单元还可以被描述为“接收用户语音的单元”。

作为另一方面，本申请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：接收用户语音；播放基于对用户语音进行解析的解析结果相对应的语音应答信息；以及显示基于对用户语音进行解析的解析结果相对应的显示画面。

以上描述仅为本申请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，本申请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。例如上述特征与本申请中公开的(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 (26)

1.一种人机交互设备，包括：

语音接收装置，用于接收用户语音；

语音播放装置，用于播放基于对所述用户语音进行解析的解析结果相对应的语音应答信息；

显示装置，用于显示基于对所述用户语音进行解析的解析结果所对应的显示画面。

2.根据权利要求1所述的人机交互设备，所述装置进一步包括：

通信单元，用于向服务器发送所述用户语音，并接收所述语音应答信息和显示画面。

3.根据权利要求1或2所述的人机交互设备，其中，所述语音应答信息基于用户类型确定。

4.根据权利要求3所述的人机交互设备，其中，所述用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

5.根据权利要求1所述的人机交互设备，其中，所述显示画面包括以下至少一者：

与所述解析结果所指示的用户情绪相匹配的表情；

与所述语音应答信息相对应的图片和/或视频。

6.根据权利要求5所述的人机交互设备，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

从所述解析结果中，确定出用于表征情绪的情绪词；

响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

7.根据权利要求5所述的人机交互设备，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

将所述解析结果输入预先训练的情绪识别模型，得到所述用户语音的情绪类别；

响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

8.一种人机交互系统，包括至少一个如权利要求1-7之一所述的人机交互设备。

9.根据权利要求8所述的人机交互系统，其中，所述系统还包括服务器，所述服务器用于：

接收并解析所述人机交互设备发送的用户语音；

确定出与解析所述用户语音得到的解析结果相对应的语音应答信息和述用户语音的情绪信息；

向所述人机交互设备发送所述语音应答信息；以及

响应于所述情绪信息所指示的用户情绪属于预先设置的情绪类别，向所述人机交互设备发送与所述情绪所属的情绪类别相匹配的表情。

10.根据权利要求9所述的人机交互系统，其中，所述服务器还用于：

向与所述人机交互设备关联的关联终端发送统计信息，所述统计信息用于指示所述用户语音属于预先设置的情绪类别的次数和/或频率。

11.一种人机交互方法，包括：

接收用户语音；

播放基于对所述用户语音进行解析的解析结果相对应的语音应答信息；以及

显示基于对所述用户语音进行解析的解析结果相对应的显示画面。

12.根据权利要求11所述的人机交互方法，其中，所述方法还包括：

向服务器发送所述用户语音，并接收所述语音应答信息和显示画面。

13.根据权利要求11或12所述的人机交互方法，其中，所述语音应答信息基于用户类型确定。

14.根据权利要求13所述的人机交互方法，其中，所述用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

15.根据权利要求11所述的人机交互方法，其中，显示画面包括以下至少一者：

与所述解析结果所指示的用户情绪相匹配的表情；

与所述语音应答信息相对应的图片和/或视频。

16.根据权利要求15所述的人机交互方法，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

从所述解析结果中，确定出用于表征情绪的情绪词；

响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

17.根据权利要求15所述的人机交互方法，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

将所述解析结果输入预先训练的情绪识别模型，得到所述用户语音的情绪类别；

响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

18.一种人机交互装置，包括：

接收单元，配置用于接收用户语音；

播放单元，配置用于播放基于对所述用户语音进行解析的解析结果相对应的语音应答信息；以及

显示单元，配置用于显示基于对所述用户语音进行解析的解析结果相对应的显示画面。

19.根据权利要求18所述的人机交互装置，其中，所述装置还包括：

发送单元，配置用于向服务器发送所述用户语音，并接收所述语音应答信息和显示画面。

20.根据权利要求18或19所述的人机交互装置，其中，所述语音应答信息基于用户类型确定。

21.根据权利要求20所述的人机交互装置，其中，所述用户类型基于接收到的用户语音或预先设置的使用人机交互设备的用户的年龄确定。

22.根据权利要求18所述的人机交互装置，其中，显示画面包括以下至少一者：

与所述解析结果所指示的用户情绪相匹配的表情；

与所述语音应答信息相对应的图片和/或视频。

23.根据权利要求22所述的人机交互装置，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

从所述解析结果中，确定出用于表征情绪的情绪词；

响应于所确定的情绪词属于预设的情绪类别，生成与该情绪类别对应的表情。

24.根据权利要求22所述的人机交互设备，其中，所述显示画面中，与所述解析结果所指示的用户情绪相匹配的表情通过如下方式得到：

将所述解析结果输入预先训练的情绪识别模型，得到所述用户语音的情绪类别；

响应于所得到的情绪类别属于预设类别，生成与该情绪类别对应的表情。

25.一种电子设备，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11-17中任一所述的方法。

26.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求11-17中任一所述的方法。