CN110288683A - 用于生成信息的方法和装置 - Google Patents

用于生成信息的方法和装置 Download PDF

Info

Publication number
CN110288683A
CN110288683A CN201910573596.7A CN201910573596A CN110288683A CN 110288683 A CN110288683 A CN 110288683A CN 201910573596 A CN201910573596 A CN 201910573596A CN 110288683 A CN110288683 A CN 110288683A
Authority
CN
China
Prior art keywords
information
user
audio
video
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910573596.7A
Other languages
English (en)
Other versions
CN110288683B (zh
Inventor
王励皓
何建斌
孔世康
蔡振盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910573596.7A priority Critical patent/CN110288683B/zh
Publication of CN110288683A publication Critical patent/CN110288683A/zh
Priority to KR1020190166708A priority patent/KR20210001856A/ko
Priority to US16/721,769 priority patent/US20200412773A1/en
Priority to JP2019230878A priority patent/JP6949931B2/ja
Application granted granted Critical
Publication of CN110288683B publication Critical patent/CN110288683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/15—Conference systems
    • H04N7/157—Conference systems defining a virtual conference space and using avatars or agents
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • H04L65/403—Arrangements for multi-party communication, e.g. for conferences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63—Querying
    • G06F16/635—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1813—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for computer conferences, e.g. chat rooms
    • H04L12/1822—Conducting the conference, e.g. admission, detection, selection or grouping of participants, correlating users to one or more conference sessions, prioritising transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1813—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for computer conferences, e.g. chat rooms
    • H04L12/1827—Network arrangements for conference optimisation or adaptation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/10—Multimedia information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/14—Session management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/14—Systems for two-way working
    • H04N7/15—Conference systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Transfer Between Computers (AREA)
  • User Interface Of Digital Computer (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本公开实施例公开了用于生成信息的方法和装置，涉及云计算领域。该方法的一具体实施方式包括：接收客户端通过即时通信的方式发送的用户的视频和音频；根据上述视频和音频，生成用户特征信息和文本答复信息；根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；基于上述控制参数和答复音频，通过动画引擎生成上述三维虚拟人像的视频；将上述三维虚拟人像的视频通过即时通信的方式传输给上述客户端，以供上述客户端呈现给上述用户。该实施方式提高了客户端的响应速度。

Description

用于生成信息的方法和装置
技术领域
本公开实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。
背景技术
现阶段，智能服务已经被应用到了各个领域。例如，在智能客服、电话机器人等应用场景下，用户与所使用的终端之间可以通过文字对话框或简单语音进行交互。这种交互方式传统且生硬，人性化程度和用户体验较差。而虚拟人像技术通过渲染三维虚拟人像，可以为智能服务提供更为便捷的使用体验，从而提升了用户与三维虚拟人像现场交互的拟人度。现有的虚拟人像技术虽然已经具有很高的拟人效果，但大多仍然停留在脚本化的应用场景，只能做到按照指示的内容对已经设计好的动作进行响应。而对于用户的情绪、意图等解读能力较弱，因此，交互过程中为用户提供的回复有时不能满足用户的实际需求。
发明内容
本公开实施例提出了用于生成信息的方法和装置。
第一方面，本公开实施例提供了一种用于生成信息的方法，该方法包括：接收客户端通过即时通信的方式发送的用户的视频和音频；根据上述视频和音频，生成用户特征信息和文本答复信息；根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；基于上述控制参数和答复音频，通过动画引擎生成上述三维虚拟人像的视频；将上述三维虚拟人像的视频通过即时通信的方式传输给上述客户端，以供上述客户端呈现给上述用户。
在一些实施例中，上述根据上述视频和音频，生成用户特征信息和文本答复信息，包括：对上述视频进行识别得到用户特征信息，以及对上述音频进行识别得到文本信息；获取相关信息，其中，上述相关信息包括历史用户特征信息和历史文本信息；基于上述用户特征信息、上述文本信息和上述相关信息，生成文本答复信息。
在一些实施例中，上述方法还包括：将上述用户特征信息和上述文本信息关联存储到针对当前会话设置的会话信息集合。
在一些实施例中，上述获取相关信息，包括：从上述会话信息集合获取相关信息。
在一些实施例中，上述用户特征信息包括用户表情；以及上述根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频，包括：根据上述文本答复信息生成答复音频；根据上述用户表情和上述答复音频，生成针对三维虚拟人像的控制参数。
第二方面，本公开实施例提供了一种用于生成信息的装置，装置包括：接收单元，被配置成接收客户端通过即时通信的方式发送的用户的视频和音频；第一生成单元，被配置成根据上述视频和音频，生成用户特征信息和文本答复信息；第二生成单元，被配置成根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；第三生成单元，被配置成基于上述控制参数和答复音频，通过动画引擎生成上述三维虚拟人像的视频；传输单元，被配置成将上述三维虚拟人像的视频通过即时通信的方式传输给上述客户端，以供上述客户端呈现给上述用户。
在一些实施例中，上述第一生成单元包括：识别单元，被配置成对上述视频进行识别得到用户特征信息，以及对上述音频进行识别得到文本信息；获取单元，被配置成获取相关信息，其中，上述相关信息包括历史用户特征信息和历史文本信息；信息生成单元，被配置成基于上述用户特征信息、上述文本信息和上述相关信息，生成文本答复信息。
在一些实施例中，上述装置还包括：存储单元，被配置成将上述用户特征信息和上述文本信息关联存储到针对当前会话设置的会话信息集合。
在一些实施例中，上述获取单元进一步被配置成：从上述会话信息集合获取相关信息。
在一些实施例中，上述用户特征信息包括用户表情；以及上述第二生成单元进一步被配置成：根据上述文本答复信息生成答复音频；根据上述用户表情和上述答复音频，生成针对三维虚拟人像的控制参数。
第三方面，本公开实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，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，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于生成信息的方法和装置，首先，接收客户端通过即时通信的方式发送的用户的视频和音频。其次，根据视频和音频生成用户特征信息和文本答复信息。之后，根据用户特征信息和文本答复信息生成针对三维虚拟人像的控制参数和答复音频。然后，基于控制参数和答复音频，通过动画引擎生成所述三维虚拟人像的视频。最后，将三维虚拟人像的视频通过即时通信的方式传输给客户端，以供客户端呈现给用户。从而将三维虚拟人像的视频的生成和渲染工作置于后端服务器，减少了对客户端的占用，提高了客户端的响应速度。同时，通过即时通信的方式实现客户端和后端服务器的交互，提升了客户端和后端服务器的交互的实时性，进一步提高了客户端的响应速度。
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是本公开的一个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生成信息的方法的一个实施例的流程图；
图3是根据本公开的用于生成信息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生成信息的方法的又一个实施例的流程图；
图5是根据本公开的用于生成信息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服务器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。
图1示出了可以应用本公开实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如聊天机器人应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏、视频采集设备(例如摄像头)、音频采集设备(例如，麦克风)等等的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103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(例如用来提供分布式服务)，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可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的三维虚拟人像提供支持的后台服务器。后台服务器可以对接收到视频和音频等数据进行分析等处理，并将处理结果(例如三维虚拟人像的视频)反馈给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，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终端设备、网络和服务器。
需要说明的是，本公开实施例所提供的用于生成信息的方法一般由服务器105执行，相应地，用于生成信息的装置一般设置于服务器105中。
继续参考图2，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：
步骤201，接收客户端通过即时通信的方式发送的用户的视频和音频。
在本实施例中，用于生成信息的方法的执行主体(例如，图1所示的服务器105)可以通过有线连接方式或者无线连接方式从客户端接收用户的视频和音频。这里，用户的视频和音频可以是客户端通过即时通信的方式发送的。作为示例，即时通信可以通过实时通信(Real-time communication，RTC)、网页即时通信(Web Real-Time Communication，WebRTC)等实现。
通常，用户可以利用终端(例如，图1所示的终端设备101、102、103)上安装的客户端进行信息交互。客户端可以实时采集用户的视频、音频等信息，并将采集的视频和音频等信息通过即时通信的方式实时传输给执行主体。这里，执行主体可以是为客户端提供支持的后端服务器。这样，后端服务器可以实时对用户的视频和音频等信息进行处理。
步骤202，根据视频和音频，生成用户特征信息和文本答复信息。
在本实施例中，执行主体可以根据步骤201中得到的视频和音频，生成用户特征信息和文本答复信息。具体的，执行主体首先可以对上述视频中的视频帧进行各种处理，例如，性别识别、年龄识别、表情识别、姿势识别、手势识别、着装识别等等，从而得到用户特征信息。之后，执行主体可以对上述音频进行各种处理。作为示例，执行主体可以首先对上述音频进行语音识别，得到音频对应的文本信息。之后，执行主体可以根据用户特征信息和音频对应的文本信息生成文本答复信息。举例来说，执行主体内可以运行有聊天机器人(ChatBot)，这样，执行主体可以将用户特征信息和音频对应的文本信息传输至该聊天机器人，由该聊天机器人反馈文本答复信息。
这里，聊天机器人是经由对话或文字进行交谈的计算机程序。能够模拟人类对话。聊天机器人可以用于实用的目的，例如，客户服务、资讯获取等等。当有信息输入时，聊天机器人可以根据所接收的信息和预先设置的答复逻辑生成文本答复信息。此外，聊天机器人还可以根据预先设置的逻辑，在满足预设条件时向预设的设备发送包括所接收的信息的请求。这样，使用该设备的用户(例如，专业服务人员)可以根据请求中的信息生成文本答复信息，并将生成的文本答复信息反馈给聊天机器人。
步骤203，根据用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频。
在本实施例中，执行主体可以根据用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频。具体的，执行主体可以通过TTS(Text To Speech，从文本到语音)将文本答复信息转化为答复音频。作为示例，在将文本答复信息转化为答复音频的过程中，执行主体可以根据用户特征信息设定所转化的答复音频的某些特性，例如，音调、语速、音色(例如，男声、女声、童声等)等等。这里，执行主体内可以预先存储有用户特征信息和答复音频的特性之间的对应关系，例如，针对年龄较小的用户时，可以将答复音频的语速设置的慢一些。之后，执行主体可以根据用户特征信息和答复音频生成三维虚拟人像的控制参数。这里，三维虚拟人像可以是通过动画引擎开发得到的，动画引擎可以包括但不限于UE4(Unreal Engine 4，虚幻4引擎)、Maya、Unity3D等等。三维虚拟人像的驱动可以由一些预先定义的参数控制。作为示例，执行主体中可以预先设置用户特征信息与三维虚拟人像面部表情的对应规则，以及音频与三维虚拟人像的口型变化、肢体运动等的对应规则等等。这样，执行主体可以基于用户特征信息和答复音频确定三维虚拟人像驱动的参数。
在本实施例的一些可选的实现方式中，上述用户特征信息可以包括用户表情。以及上述步骤203可以具体如下进行：
首先，根据文本答复信息生成答复音频。
在本实现方式中，执行主体可以通过TTS将文本答复信息转化为答复音频。作为示例，在通过TTS将文本答复信息转化为答复音频的过程中，执行主体可以根据用户特征信息设定所转化的答复音频的某些特性，例如，音调、语速、音色(例如，男声、女声、童声等)等等。
然后，根据用户表情和答复音频，生成针对三维虚拟人像的控制参数。
在本实现方式中，执行主体可以通过表情识别对用户的表情进行识别，例如，可以识别出高兴、生气、吃惊、恐惧、厌恶和悲伤等多种表情。执行主体可以根据用户表情和答复音频，生成针对三维虚拟人像的控制参数。作为示例，执行主体中可以预先设置用户表情与三维虚拟人像面部表情的对应规则，以及音频与三维虚拟人像的口型变化、肢体运动等的对应规则等等。这样，基于用户特征信息和答复音频确定三维虚拟人像驱动的参数。
步骤204，基于控制参数和答复音频，通过渲染引擎生成三维虚拟人像的视频。
在本实施例中，执行主体可以将步骤203生成的控制参数和答复音频发送给动画引擎。动画引擎可以实时根据接收的控制参数和答复音频渲染出三维虚拟人像的视频(动画)，并将渲染出的实时视频反馈给执行主体。这里，动画引擎渲染出的三维虚拟人像的视频为包含音频的视频。
步骤205，将三维虚拟人像的视频通过即时通信的方式传输给客户端，以供客户端呈现给用户。
在本实施例中，执行主体可以将步骤204生成的三维虚拟人像的视频通过即时通信的方式传输给客户端，以供客户端呈现给用户。
继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先接收客户端302通过即时通信的方式发送的用户的视频和音频。其次，服务器301根据视频和音频，生成用户特征信息和文本答复信息。之后，服务器301根据生成的用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频。然后，服务器301基于控制参数和答复音频，通过动画引擎生成三维虚拟人像的视频。最后，服务器301可以将三维虚拟人像的视频通过即时通信的方式传输给客户端302，以供客户端302呈现给用户。
本公开的上述实施例提供的方法通过后端服务器对客户端采集的用户的视频和音频进行分析处理，得到用户特征信息和文本答复信息，进而生成三维虚拟人像的视频，并将三维虚拟人像的视频发送给客户端，从而将这个三维虚拟人像的视频的生成和渲染工作置于后端服务器，减少了对客户端的占用，提高了客户端的响应速度。同时，通过即时通信的方式实现客户端和后端服务器的交互，提升了客户端和后端服务器的交互的实时性，进一步提高了客户端的响应速度。
进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：
步骤401，接收客户端通过即时通信的方式发送的用户的视频和音频。
在本实施例中，步骤401与图2所示实施例的步骤201类似，此处不再赘述。
步骤402，对视频进行识别得到用户特征信息，以及对音频进行识别得到文本信息。
在本实施例中，执行主体可以对步骤401中接收到的视频的视频帧进行各种处理，例如，性别识别、年龄识别、表情识别、姿势识别、手势识别、着装识别等等，从而得到用户特征信息。执行主体还可以对步骤401中接收到音频进行语音识别，从而得到音频对应的文本信息。
步骤403，获取相关信息。
在本实施例中，执行主体可以获取相关信息。这里相关信息可以包括历史用户特征信息和历史文本信息。这里，历史用户特征信息和历史文本信息可以是基于客户端发送的用户的历史视频和历史音频生成的。这里，用户的历史视频和历史音频可以与步骤401接收的用户的视频和音频之间存在上下文关系。例如，属于同一会话(Session)的上下文。这里，用户所使用的客户端与服务器(即执行主体)开始交互后会创建一个会话。
在本实施例的一些可选的实现方式中，上述用于生成信息的方法还可以包括：将用户特征信息和文本信息关联存储到针对当前会话设置的会话信息集合。
在本实现方式中，执行主体可以将步骤402中得到用户特征信息和文本信息关联存储到针对当前会话设置的会话信息集合中。实践中，当客户端向执行主体发送一次信息(可以包括视频、音频等等)时，执行主体会判断该信息中是否包括会话标识符(sessionID)。如果不包括，则执行主体会针对该信息生成一个会话标识符，并将该会话过程产生的各种信息与该会话标识符关联存储到对话信息集合。如果包括，且所包括的会话标识符不过期，则可以直接使用该会话标识符所对应的对话信息集合，例如，存储信息、获取信息等等。
在一些可选的实现方式中，上述步骤403可以具体如下进行：从会话信息集合获取相关信息。
在本实现方式中，执行主体可以从上述会话信息集合中获取相关信息。例如，执行主体可以获取上述会话信息集合中最新存入的预设条信息作为相关信息。
步骤404，基于用户特征信息、文本信息和相关信息，生成文本答复信息。
在本实施例中，执行主体可以基于用户特征信息、文本信息和相关信息，生成文本答复信息。这里，执行主体可以将用户特征信息、文本信息和相关信息传输至所运行的聊天机器人。这样，聊天机器人可以综合分析用户特征信息、文本信息和相关信息，从而生成更加准确的文本答复信息。
步骤405，根据用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频。
在本实施例中，步骤405与图2所示实施例的步骤203类似，此处不再赘述。
步骤406，基于控制参数和答复音频，通过动画引擎生成所述三维虚拟人像的视频。
在本实施例中，步骤406与图2所示实施例的步骤204类似，此处不再赘述。
步骤407，将三维虚拟人像的视频通过即时通信的方式传输给客户端，以供客户端呈现给用户。
在本实施例中，步骤407与图2所示实施例的步骤205类似，此处不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了获取相关信息，并基于用户特征信息、文本信息和相关信息生成文本答复信息的步骤。由此，实施例描述的方案可以综合分析用户特征信息、文本信息和相关信息，从而使生成的文本答复信息更加准确，从而使三维虚拟人像针对用户的答复更加准确，提升用户体验。
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生成信息的装置的一个实施例，该装置实施例与图2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，本实施例的用于生成信息的装置500包括：接收单元501、第一生成单元502、第二生成单元503、第三生成单元504和传输单元505。其中，接收单元501被配置成接收客户端通过即时通信的方式发送的用户的视频和音频；第一生成单元502被配置成根据上述视频和音频，生成用户特征信息和文本答复信息；第二生成单元503被配置成根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；第三生成单元504被配置成基于上述控制参数和答复音频，通过动画引擎生成上述三维虚拟人像的视频；传输单元505被配置成将上述三维虚拟人像的视频通过即时通信的方式传输给上述客户端，以供上述客户端呈现给上述用户。
在本实施例中，用于生成信息的装置500的接收单元501、第一生成单元502、第二生成单元503、第三生成单元504和传输单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述第一生成单元502包括：识别单元，被配置成对上述视频进行识别得到用户特征信息，以及对上述音频进行识别得到文本信息；获取单元，被配置成获取相关信息，其中，上述相关信息包括历史用户特征信息和历史文本信息；信息生成单元，被配置成基于上述用户特征信息、上述文本信息和上述相关信息，生成文本答复信息。
在本实施例的一些可选的实现方式中，上述装置500还包括：存储单元(图中未示出)，被配置成将上述用户特征信息和上述文本信息关联存储到针对当前会话设置的会话信息集合。
在本实施例的一些可选的实现方式中，上述获取单元进一步被配置成：从上述会话信息集合获取相关信息。
在本实施例的一些可选的实现方式中，上述用户特征信息包括用户表情；以及上述第二生成单元503进一步被配置成：根据上述文本答复信息生成答复音频；根据上述用户表情和上述答复音频，生成针对三维虚拟人像的控制参数。
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)600的结构示意图。图6示出的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；包括例如磁带、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：接收客户端通过即时通信的方式发送的用户的视频和音频；根据上述视频和音频，生成用户特征信息和文本答复信息；根据上述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；基于上述控制参数和答复音频，通过动画引擎生成上述三维虚拟人像的视频；将上述三维虚拟人像的视频通过即时通信的方式传输给上述客户端，以供上述客户端呈现给上述用户。
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。
描述于本公开的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、第一生成单元、第二生成单元、第三生成单元和传输单元。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“收客户端通过即时通信的方式发送的用户的视频和音频的单元”。
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 (12)

1.一种用于生成信息的方法，包括：
接收客户端通过即时通信的方式发送的用户的视频和音频；
根据所述视频和音频，生成用户特征信息和文本答复信息；
根据所述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；
基于所述控制参数和答复音频，通过动画引擎生成所述三维虚拟人像的视频；
将所述三维虚拟人像的视频通过即时通信的方式传输给所述客户端，以供所述客户端呈现给所述用户。
2.根据权利要求1所述的方法，其中，所述根据所述视频和音频，生成用户特征信息和文本答复信息，包括：
对所述视频进行识别得到用户特征信息，以及对所述音频进行识别得到文本信息；
获取相关信息，其中，所述相关信息包括历史用户特征信息和历史文本信息；
基于所述用户特征信息、所述文本信息和所述相关信息，生成文本答复信息。
3.根据权利要求2所述的方法，其中，所述方法还包括：
将所述用户特征信息和所述文本信息关联存储到针对当前会话设置的会话信息集合。
4.根据权利要求3所述的方法，其中，所述获取相关信息，包括：
从所述会话信息集合获取相关信息。
5.根据权利要求1所述的方法，其中，所述用户特征信息包括用户表情；以及
所述根据所述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频，包括：
根据所述文本答复信息生成答复音频；
根据所述用户表情和所述答复音频，生成针对三维虚拟人像的控制参数。
6.一种用于生成信息的装置，包括：
接收单元，被配置成接收客户端通过即时通信的方式发送的用户的视频和音频；
第一生成单元，被配置成根据所述视频和音频，生成用户特征信息和文本答复信息；
第二生成单元，被配置成根据所述用户特征信息和文本答复信息，生成针对三维虚拟人像的控制参数和答复音频；
第三生成单元，被配置成基于所述控制参数和答复音频，通过动画引擎生成所述三维虚拟人像的视频；
传输单元，被配置成将所述三维虚拟人像的视频通过即时通信的方式传输给所述客户端，以供所述客户端呈现给所述用户。
7.根据权利要求6所述的装置，其中，所述第一生成单元包括：
识别单元，被配置成对所述视频进行识别得到用户特征信息，以及对所述音频进行识别得到文本信息；
获取单元，被配置成获取相关信息，其中，所述相关信息包括历史用户特征信息和历史文本信息；
信息生成单元，被配置成基于所述用户特征信息、所述文本信息和所述相关信息，生成文本答复信息。
8.根据权利要求7所述的装置，其中，所述装置还包括：
存储单元，被配置成将所述用户特征信息和所述文本信息关联存储到针对当前会话设置的会话信息集合。
9.根据权利要求3所述的装置，其中，所述获取单元进一步被配置成：
从所述会话信息集合获取相关信息。
10.根据权利要求6所述的装置，其中，所述用户特征信息包括用户表情；以及
所述第二生成单元进一步被配置成：
根据所述文本答复信息生成答复音频；
根据所述用户表情和所述答复音频，生成针对三维虚拟人像的控制参数。
11.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
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1-5中任一所述的方法。
12.一种计算机可读介质，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1-5中任一所述的方法。
CN201910573596.7A 2019-06-28 2019-06-28 用于生成信息的方法和装置 Active CN110288683B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910573596.7A CN110288683B (zh) 2019-06-28 2019-06-28 用于生成信息的方法和装置
KR1020190166708A KR20210001856A (ko) 2019-06-28 2019-12-13 정보 생성 방법 및 장치
US16/721,769 US20200412773A1 (en) 2019-06-28 2019-12-19 Method and apparatus for generating information
JP2019230878A JP6949931B2 (ja) 2019-06-28 2019-12-20 情報を生成するための方法および装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910573596.7A CN110288683B (zh) 2019-06-28 2019-06-28 用于生成信息的方法和装置

Publications (2)

Publication Number Publication Date
CN110288683A true CN110288683A (zh) 2019-09-27
CN110288683B CN110288683B (zh) 2024-05-28

Family

ID=68020013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910573596.7A Active CN110288683B (zh) 2019-06-28 2019-06-28 用于生成信息的方法和装置

Country Status (4)

Country Link
US (1) US20200412773A1 (zh)
JP (1) JP6949931B2 (zh)
KR (1) KR20210001856A (zh)
CN (1) CN110288683B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268599A (zh) * 2021-12-21 2022-04-01 北京青云科技股份有限公司 即时通信连接的建立与即时通信方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187727B (zh) * 2022-06-29 2023-06-13 北京百度网讯科技有限公司 一种虚拟面部图像的生成方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140317502A1 (en) * 2013-04-18 2014-10-23 Next It Corporation Virtual assistant focused user interfaces
CN104461525A (zh) * 2014-11-27 2015-03-25 韩慧健 一种可自定义的智能咨询平台生成系统
CN104681023A (zh) * 2015-02-15 2015-06-03 联想(北京)有限公司 一种信息处理方法及电子设备
US20180150749A1 (en) * 2016-11-29 2018-05-31 Microsoft Technology Licensing, Llc Using various artificial intelligence entities as advertising mediums
CN108573053A (zh) * 2018-04-24 2018-09-25 百度在线网络技术（北京）有限公司 信息推送方法、装置和系统
US20180342095A1 (en) * 2017-03-16 2018-11-29 Motional LLC System and method for generating virtual characters
US20190095775A1 (en) * 2017-09-25 2019-03-28 Ventana 3D, Llc Artificial intelligence (ai) character system capable of natural verbal and visual interactions with a human

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140317502A1 (en) * 2013-04-18 2014-10-23 Next It Corporation Virtual assistant focused user interfaces
CN104461525A (zh) * 2014-11-27 2015-03-25 韩慧健 一种可自定义的智能咨询平台生成系统
CN104681023A (zh) * 2015-02-15 2015-06-03 联想(北京)有限公司 一种信息处理方法及电子设备
US20160240195A1 (en) * 2015-02-15 2016-08-18 Lenovo (Beijing) Co., Ltd. Information processing method and electronic device
US20180150749A1 (en) * 2016-11-29 2018-05-31 Microsoft Technology Licensing, Llc Using various artificial intelligence entities as advertising mediums
US20180342095A1 (en) * 2017-03-16 2018-11-29 Motional LLC System and method for generating virtual characters
US20190095775A1 (en) * 2017-09-25 2019-03-28 Ventana 3D, Llc Artificial intelligence (ai) character system capable of natural verbal and visual interactions with a human
CN108573053A (zh) * 2018-04-24 2018-09-25 百度在线网络技术（北京）有限公司 信息推送方法、装置和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268599A (zh) * 2021-12-21 2022-04-01 北京青云科技股份有限公司 即时通信连接的建立与即时通信方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110288683B (zh) 2024-05-28
US20200412773A1 (en) 2020-12-31
JP6949931B2 (ja) 2021-10-13
KR20210001856A (ko) 2021-01-06
JP2021009670A (ja) 2021-01-28

Similar Documents

Publication Publication Date Title
CN110298906A (zh) 用于生成信息的方法和装置
CN109599113A (zh) 用于处理信息的方法和装置
EP3998550A1 (en) Scene interaction method and apparatus, electronic device, and computer storage medium
CN108769745A (zh) 视频播放方法和装置
CN110162670A (zh) 用于生成表情包的方法和装置
CN109190114A (zh) 用于生成回复信息的方法和装置
CN110288682A (zh) 用于控制三维虚拟人像口型变化的方法和装置
CN109993150A (zh) 用于识别年龄的方法和装置
CN112364144B (zh) 交互方法、装置、设备和计算机可读介质
CN109918530A (zh) 用于推送图像的方法和装置
CN110009059A (zh) 用于生成模型的方法和装置
CN109885277A (zh) 人机交互设备、方法、系统和装置
CN110534085A (zh) 用于生成信息的方法和装置
CN109743245A (zh) 创建群组的方法和设备
CN109767773A (zh) 基于语音交互终端的信息输出方法和装置
CN110310299A (zh) 用于训练光流网络、以及处理图像的方法和装置
CN110288683A (zh) 用于生成信息的方法和装置
CN109873756A (zh) 用于发送信息的方法和装置
CN109949806A (zh) 信息交互方法和装置
CN108494975A (zh) 来电响应方法和设备
CN110472558A (zh) 图像处理方法和装置
CN113850898A (zh) 场景渲染方法及装置、存储介质及电子设备
CN110232920A (zh) 语音处理方法和装置
CN109829431A (zh) 用于生成信息的方法和装置
CN110223694A (zh) 语音处理方法、系统和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant