CN111080109B - 客服服务质量评价方法、装置及电子设备 - Google Patents

客服服务质量评价方法、装置及电子设备 Download PDF

Info

Publication number
CN111080109B
CN111080109B CN201911244364.3A CN201911244364A CN111080109B CN 111080109 B CN111080109 B CN 111080109B CN 201911244364 A CN201911244364 A CN 201911244364A CN 111080109 B CN111080109 B CN 111080109B
Authority
CN
China
Prior art keywords
customer service
customer
audio information
emotion
voice
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.)
Active
Application number
CN201911244364.3A
Other languages
English (en)
Other versions
CN111080109A (zh
Inventor
贺亚运
赖勇铨
李美玲
尚伟
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.)
China Citic Bank Corp Ltd
Original Assignee
China Citic Bank Corp 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 China Citic Bank Corp Ltd filed Critical China Citic Bank Corp Ltd
Priority to CN201911244364.3A priority Critical patent/CN111080109B/zh
Publication of CN111080109A publication Critical patent/CN111080109A/zh
Application granted granted Critical
Publication of CN111080109B publication Critical patent/CN111080109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请提供了一种客服服务质量评价方法、装置及电子设备，应用于语音处理技术领域，其中该方法包括：通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。

Description

客服服务质量评价方法、装置及电子设备
技术领域
本申请涉及语音处理技术领域，具体而言，本申请涉及一种客服服务质量评价方法、装置及电子设备。
背景技术
随着社会的现代化发展和互联网技术的不断创新，客服人员已经成为不可或缺的的社会角色。客服部门是企业和客户联系的窗口，其服务质量的好坏对企业的发展影响深远，有效的客服服务质量评价具有重要意义。
目前，对客服服务质量的评价是通过客户主观判断的方式实现的，即需要客户对客服的服务质量人工作出评价，通常会结合短信回复或者可视化窗口等技术反馈对客服人员的服务质量评价。然而，客户主观判断的方式，客户主观性比较强，一定程度上不能客观反映对客服人员的工作评价；此外，人工反馈服务评价较为繁琐，大多客户没有反馈服务评价的习惯。因此，现有的客服服务质量评价方法存在评价缺乏真实性，且不具有足够的覆盖范围的缺点。
发明内容
本申请提供了一种客服服务质量评价方法、装置及电子设备，用于实现了客服服务质量的自动、客观评价，以及提升客服服务质量评价的准确性，本申请采用的技术方案如下：
第一方面，提供了一种客服服务质量评价方法，该方法包括，
获取客户的音频信息与客服的音频信息；
将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
可选地，客户打分模块/客服打分模块基于客户情绪数组/客服情绪数组进行评分的方法，包括以下至少一项：
基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，基于情绪变化曲线确定客户语音评分/客服语音评分；
基于客户情绪数组/客服情绪数组统计客户/客服相应情绪的出现次数，并基于统计的客户/客服相应情绪的出现次数确定客户语音评分/客服语音评分。
可选地，对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分，包括：
当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分；
当客服的情绪变化曲线的波动超出预定的阈值范围时，设置客服的评分的权重值高于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
可选地，将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，包括：
通过滑窗法，基于预训练的深度学习模型对客户的音频信息/客服的音频信息逐段识别，得到客户情绪数组/客服情绪数组。
其中，情绪包括：
兴奋；惊喜；愉悦；满意；放松；镇定；厌倦；无聊；压抑；挫败；生气；紧张。
可选地，该方法还包括：
获取客户与客服的通话音频信息；
基于获取客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息。
可选地，基于获取的客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息，包括：
基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，三维特征包括时间维度特征、频率维度特征、通道维度特征；
对三维特征在频率维度进行平均池化处理，得到池化处理后的特征；
将池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；
基于时间维度上的分割标签对客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息。
第二方面，提供了一种客服服务质量评价装置，该装置包括，
第一获取模块，用于获取客户的音频信息与客服的音频信息；
输入模块，用于将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
打分模块，用于将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
评价模块，用于对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
可选地，打分模块，具体用于基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，基于情绪变化曲线确定客户语音评分/客服语音评分；
和/或，具体用于基于客户情绪数组/客服情绪数组统计客户/客服相应情绪的出现次数，并基于统计的客户/客服相应情绪的出现次数确定客户语音评分/客服语音评分。
可选地，评分模块，具体用于当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分；
和/或，具体用于当客服的情绪变化曲线的波动超出预定的阈值范围时，设置客服的评分的权重值高于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
可选地，输入模块，具体用于通过滑窗法，基于预训练的深度学习模型对客户的音频信息/客服的音频信息逐段识别，得到客户情绪数组/客服情绪数组。
其中，情绪包括：兴奋；惊喜；愉悦；满意；放松；镇定；厌倦；无聊；压抑；挫败；生气；紧张。
可选地，该装置还包括：
第二获取模块，用于获取客户与客服的通话音频信息；
分离模块，用于基于获取客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息。
可选地，分离模块包括：
提取单元，用于基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，三维特征包括时间维度特征、频率维度特征、通道维度特征；
池化单元，用于对三维特征在频率维度进行平均池化处理，得到池化处理后的特征；
输入单元，用于将池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；
分离单元，用于基于时间维度上的分割标签对客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的客服服务质量评价方法。
第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的客服服务质量评价方法。
本申请提供了一种客服服务质量评价方法、装置及电子设备，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的一种客服服务质量评价方法的流程示意图；
图2为本申请实施例的一种客服服务质量评价装置的结构示意图；
图3为本申请实施例的另一种客服服务质量评价装置的结构示意图；
图4为本申请实施例的一种电子设备的结构示意图；
图5为二维情绪导图。
具体实施方式
下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请实施例提供了一种客服服务质量评价方法，如图1所示，该方法可以包括以下步骤：
步骤S101，获取客户的音频信息与客服的音频信息；
具体地，如果客户与客服的录音采用单通道进行录制，则可以通过相应的语音分离算法将客服与客户的录音进行语音分离，得到客户的音频信息与客服的音频信息；如果客户与客服的录音采用双通道进行录制，则可以直接获取客服的音频数据与客户的音频数据。
步骤S102，将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
具体地，将客服的音频信息与客户的音频信息分别输入至预训练的深度学习模型，从而得到客户情绪数组与客服情绪数组，其中，情绪数组中的任一情绪特征代表一定阈值时间的音频对应的情绪特征；其中，该预训练的深度学习模型可以是卷积神经网络模型，也可以能够实现本申请功能的其他模型，本申请此处不做限制，其中，该预训练的深度学习模型的训练样本可以是客服/客户的音频信息及标注的情绪标签。
步骤S103，将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
具体地，将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，从而得到客户语音评分与客服语音评分；其中，客户打分模块与客服打分模块可以相同，也可以不同。
步骤S104，对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
具体地，对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分，其中该综合评价可以是通过对评分进行加权计算的方式实现的。
本申请实施例提供了一种客服服务质量评价方法，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请实施例通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本申请实施例提供了一种可能的实现方式，客户打分模块/客服打分模块基于客户情绪数组/客服情绪数组进行评分的方法，包括以下至少一项：
步骤S1031(图中未示出)，基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，基于情绪变化曲线确定客户语音评分/客服语音评分；
具体地，如图5的二维情绪导图所示，反映了情绪由负面情绪到正面情绪以及激烈程度由低到高的变化，可以基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，然后基于情绪变化曲线确定客户语音评分/客服语音评分。
示例性地，结合图5所示的二维情绪导图，客户的情绪数组为(镇定、满意、愉悦)，则客户的语音评分相对较高；如果客户的情绪数组为(愉悦、镇定、厌倦)，则客户的语音评分相对较低。
示例性地，如果客服的情绪数组为(镇定、生气、紧张)，则客服的语音评分相对较低。
步骤S1032(图中未示出)，基于客户情绪数组/客服情绪数组统计客户/客服相应情绪的出现次数，并基于统计的客户/客服相应情绪的出现次数确定客户语音评分/客服语音评分。
示例性地，如果客户的情绪数组为(紧张、镇定、愉悦、愉悦、愉悦)，则愉悦出现的次数最多，可作为该客户的代表情绪，则客户的语音评分相对较高；
示例性地，如果客服的情绪数组为(镇定、生气、生气、生气、生气)，则生气出现的次数最多，可作为客服服务的代表情绪，客服的语音评分相对较低。
对于本申请实施例，解决了如何根据客服/客户的情绪数组进行客服/客户的语音评分问题。
本申请实施例提供了一种可能的实现方式，具体地，步骤S104包括：
步骤S1041(图中未示出)，当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分；
和/或，步骤S1042(图中未示出)，当客服的情绪变化曲线的波动超出预定的阈值范围时，设置客服的评分的权重值高于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
其中，当客服的情绪变化波动较小，在预定的阈值范围内时，偏重以客户的语音评分确定客服服务质量评分；具体地，当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
示例性地，客服的情绪数组为(镇定、镇定、镇定)，情绪变化较小，设置客服的评分的权重值低于或等于客户评分的权重值。
其中，当客服的情绪变化波动较大，超出预定的阈值时，偏重以客服的语音评分确定客服服务质量评分，示例性地，客服的情绪数组为(镇定、厌倦、生气)，则设置客服的评分的权重值高于客户评分的权重值。
对于本申请实施例，区分客服情绪曲线的变化，设定客服/客户的评分权重值，解决了如何对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
本申请实施例提供了一种可能的实现方式，具体地，步骤S102包括：
步骤S1021(图中未示出)，通过滑窗法，基于预训练的深度学习模型对客户的音频信息/客服的音频信息逐段识别，得到客户情绪数组/客服情绪数组。
其中，情绪包括：兴奋；惊喜；愉悦；满意；放松；镇定；厌倦；无聊；压抑；挫败；生气；紧张。
具体地，通过滑窗法得到客户情绪数组或客服情绪数组，示例性地，滑动窗体大小为Win_t秒，滑动步长为Step_t秒，即每次截取Win_t秒的语音通过深度学习模型进行情绪识别，那么整段语音会提取出一个情绪数组。
对于本申请实施例，解决了情绪数组的取得问题。
本申请实施例提供了一种可能的实现方式，进一步地，该方法还包括：
步骤S105(图中未示出)，获取客户与客服的通话音频信息；
步骤S106(图中未示出)，基于获取客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息。
具体地，客服与客户的录音可以是采用单通道进行录制，通过相应的数据获取方法获取该客户与客服的通话音频信息。具体地，可以采用相应的语音分离算法将客户与客服的通话音频信息分离，从而得到客户的音频信息与客服的音频信息。
对于本申请实施例，解决了客户的音频信息与客服的音频信息的取得问题，为客服服务质量的评价提供了基础。
本申请实施例提供了一种可能的实现方式，具体地，步骤S106包括：
步骤S1061(图中未示出)，基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，三维特征包括时间维度特征、频率维度特征、通道维度特征；
具体地，通过预训练的卷积神经网络(如ResNet-18,、VGG-16等)提取声谱图的三维特征；其中，可以将二维声谱图(f，t)输入卷积神经网络得到三维的特征图(f，t，c)，其中，f为频率维度，t为时间维度，c为channel(通道)维度，通道维度与卷积层的卷积核数量有关。
步骤S1062(图中未示出)，对三维特征在频率维度进行平均池化处理，得到池化处理后的特征；
具体地，对三维特征在频率维度进行平均池化处理，得到池化处理后的特征，从而将三维的特征图转为二维特征图，同时保留了时间上的维度长度，而二维特征图的另一个维度尺寸，则由卷积网络输出特征图的卷积核数量决定，从而可以处理不同长度的通话语音。
示例性地，channel＝6，f＝28，t＝28，将三维特征图转为二维特征图的过程可以是：沿频率f方向做meanpooling，也就是沿频率方向取各个时间点上28个数值的平均值，从而得到一个一维的28位数的向量；然后，将6个channel处理得到的一维向量堆叠在一起，得到最终的二维特征(6行28列)。
步骤S1063(图中未示出)，将池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；
具体地，将池化处理后的特征输入预训练的循环神经网络，得到时间维度上的分割标签，采用循环神经网络可以对卷积神经网络提取的时间维度上的特征做序列分析，通过关联前后一段时间的输入来计算，可以有效地准确输处相应时间点上的说话者标签，进而可以通过这些标签达到说话者语音分离的目的；其中，该循环神经网络可以是LSTM网络(LongShortMemoryNetwork，长短时记忆网络)，也可以是能够实现本申请的其他循环神经网络，本申请此处不做限定。
步骤S1064(图中未示出)，基于时间维度上的分割标签对客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息。
具体地，基于时间维度上的分割标签对客户与客服的通话音频进行语音分离，可以基于分割标签与相应的音频段之间的映射关系，将客户与客服的通话音频进行语音分离。
对于本申请实施例，通过提取客户与客服的通话音频对应的声谱图的三维特征，充分利用了说话者的信息，能够提升语音切分的准确性；此外，通过预训练的循环神经网络自动输出客户与客服的通话音频的分割标签，对转换点的判断更加精准，进而提升语音切分的准确性，再者，不需要另外的聚类算法进行聚类处理，从而能够实现语音分离的端到端处理。
图2为本申请实施例提供的一种客服服务质量评价装置，该装置20包括：第一获取模块201、输入模块202、打分模块203以及评价模块204，其中，
第一获取模块201，用于获取客户的音频信息与客服的音频信息；
输入模块202，用于将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
打分模块203，用于将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
评价模块204，用于对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
本申请实施例提供了一种客服服务质量评价装置，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请实施例通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本实施例的客服服务质量评价装置可执行本申请上述实施例中提供的一种客服服务质量评价方法，其实现原理相类似，此处不再赘述。
如图3所示，本申请实施例提供了另一种客服服务质量评价装置，该装置30包括：第一获取模块301、输入模块302、打分模块303以及评价模块304，其中，
第一获取模块301，用于获取客户的音频信息与客服的音频信息；
其中，图3中的第一获取模块301与图2中的第一获取模块201的功能相同或者相似。
输入模块302，用于将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
其中，图3中的输入模块302与图2中的输入模块202的功能相同或者相似。
打分模块303，用于将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
其中，图3中的打分模块303与图2中的打分模块203的功能相同或者相似。
评价模块304，用于对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
其中，图3中的评价模块304与图2中的评价模块204的功能相同或者相似。
本申请实施例提供了一种可能的实现方式，具体地，打分模块303，具体用于基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，基于情绪变化曲线确定客户语音评分/客服语音评分；
和/或，具体用于基于客户情绪数组/客服情绪数组统计客户/客服相应情绪的出现次数，并基于统计的客户/客服相应情绪的出现次数确定客户语音评分/客服语音评分。
对于本申请实施例，解决了如何根据客服/客户的情绪数组进行客服/客户的语音评分问题。
本申请实施例提供了一种可能的实现方式，具体地，评分模块304，具体用于当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分；
和/或，具体用于当客服的情绪变化曲线的波动超出预定的阈值范围时，设置客服的评分的权重值高于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
对于本申请实施例，区分客服情绪曲线的变化，设定客服/客户的评分权重值，解决了如何对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
本申请实施例提供了一种可能的实现方式，输入模块302，具体用于通过滑窗法，基于预训练的深度学习模型对客户的音频信息/客服的音频信息逐段识别，得到客户情绪数组/客服情绪数组。其中，情绪包括：兴奋；惊喜；愉悦；满意；放松；镇定；厌倦；无聊；压抑；挫败；生气；紧张。
对于本申请实施例，解决了情绪数组的取得问题。
本申请实施例提供了一种可能的实现方式，进一步地，该装置30还包括：
第二获取模块305，用于获取客户与客服的通话音频信息；
分离模块306，用于基于获取客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息。
对于本申请实施例，解决了客户的音频信息与客服的音频信息的取得问题，为客服服务质量的评价提供了基础。
本申请实施例提供了一种可能的实现方式，具体地，分离模块306包括：
提取单元3061，用于基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，三维特征包括时间维度特征、频率维度特征、通道维度特征；
池化单元3062，用于对三维特征在频率维度进行平均池化处理，得到池化处理后的特征；
输入单元3063，用于将池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；
分离单元3064，用于基于时间维度上的分割标签对客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息。
对于本申请实施例，通过提取客户与客服的通话音频对应的声谱图的三维特征，充分利用了说话者的信息，能够提升语音切分的准确性；此外，通过预训练的循环神经网络自动输出客户与客服的通话音频的分割标签，对转换点的判断更加精准，进而提升语音切分的准确性，再者，不需要另外的聚类算法进行聚类处理，从而能够实现语音分离的端到端处理。
本申请实施例提供了一种客服服务质量评价装置，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请实施例通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本申请实施例提供了一种客服服务质量评价装置，适用于上述实施例所示的方法，在此不再赘述。
本申请实施例提供了一种电子设备，如图4所示，图4所示的电子设备40包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。进一步地，电子设备40还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备40的结构并不构成对本申请实施例的限定。其中，处理器401应用于本申请实施例中，用于实现图2或图3所示的第一获取模块、输入模块、打分处理模块以及评价模块的功能，以及图3所示的第二获取模块、分离模块的功能。收发器404包括接收机和发射机。
处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4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。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图2或图3所示实施例提供的客服服务质量评价装置的功能。
本申请实施例提供了一种电子设备，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请实施例通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术通过客户主观评价的方式实现客服服务质量评价相比，本申请实施例通过获取客户的音频信息与客服的音频信息，然后将客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，继而将客户情绪数组输入至客户打分模块以及将客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分，最后对客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。即通过识别客户和客服的情绪特征，然后基于客户和客服的情绪特征，分别得到客户和客服的语音评分，继而对客户和客服的语音评分进行综合评价得到客服服务质量评分，从而实现了客服服务质量的自动、客观评价，此外，基于对客户和客服的语音评分的综合评价得到客服服务质量评分，从多维度的角度进行客服服务质量的评价，提升了客服服务质量评价的准确性。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种客服服务质量评价方法，其特征在于，包括：
获取客户的音频信息与客服的音频信息；
将所述客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
将所述客户情绪数组输入至客户打分模块以及将所述客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
对所述客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分；
所述获取客户的音频信息与客服的音频信息还包括：获取客户与客服的通话音频信息；基于获取的客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息；
所述基于获取的客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息，包括：基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，所述三维特征包括时间维度特征、频率维度特征、通道维度特征；对所述三维特征在频率维度进行平均池化处理，得到池化处理后的特征；将所述池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；基于所述时间维度上的分割标签对所述客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息。
2.根据权利要求1所述的方法，其特征在于，客户打分模块/客服打分模块基于客户情绪数组/客服情绪数组进行评分的方法，包括以下至少一项：
基于客户情绪数组/客服情绪数组确定客户/客服的情绪变化曲线，基于所述情绪变化曲线确定客户语音评分/客服语音评分；
基于客户情绪数组/客服情绪数组统计客户/客服相应情绪的出现次数，并基于统计的所述客户/客服相应情绪的出现次数确定客户语音评分/客服语音评分。
3.根据权利要求2所述的方法，其特征在于，所述对所述客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分，包括：
当客服的情绪变化曲线的波动在预定的阈值范围内时，设置客服的评分的权重值低于或等于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对所述客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分；
和/或，当客服的情绪变化曲线的波动超出预定的阈值范围时，设置客服的评分的权重值高于客户评分的权重值，并基于客户的评分的权重值与客服的评分的权重值对所述客户语音评分与客服语音评分进行加权计算，得到客服服务质量评分。
4.根据权利要求1所述的方法，其特征在于，所述将所述客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组，包括：
通过滑窗法，基于预训练的深度学习模型对所述客户的音频信息/客服的音频信息逐段识别，得到客户情绪数组/客服情绪数组。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述情绪包括：
兴奋；惊喜；愉悦；满意；放松；镇定；厌倦；无聊；压抑；挫败；生气；紧张。
6.一种客服服务质量评价装置，其特征在于，包括：
第一获取模块，用于获取客户的音频信息与客服的音频信息；所述获取客户的音频信息与客服的音频信息还包括：获取客户与客服的通话音频信息；基于获取的客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息；所述基于获取的客户与客服的通话音频信息，通过语音分离算法得到客户的音频信息与客服的音频信息，包括：基于预训练的卷积神经网络提取客户与客服的通话音频信息对应的声谱图的三维特征，所述三维特征包括时间维度特征、频率维度特征、通道维度特征；对所述三维特征在频率维度进行平均池化处理，得到池化处理后的特征；将所述池化处理后的特征输入至预训练的循环神经网络，得到时间维度上的分割标签；基于所述时间维度上的分割标签对所述客户与客服的通话音频信息进行语音分离，得到客户的音频信息与客服的音频信息；
输入模块，用于将所述客户的音频信息与客服的音频信息分别输入至预训练的深度学习模型，得到客户情绪数组与客服情绪数组；
打分模块，用于将所述客户情绪数组输入至客户打分模块以及将所述客服情绪数组输入至客服打分模块，得到客户语音评分与客服语音评分；
评价模块，用于对所述客户语音评分与客服语音评分进行综合评价，得到客服服务质量评分。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至5任一项所述的客服服务质量评价方法。
8.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至5中任一项所述的客服服务质量评价方法。
CN201911244364.3A 2019-12-06 2019-12-06 客服服务质量评价方法、装置及电子设备 Active CN111080109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911244364.3A CN111080109B (zh) 2019-12-06 2019-12-06 客服服务质量评价方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911244364.3A CN111080109B (zh) 2019-12-06 2019-12-06 客服服务质量评价方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111080109A CN111080109A (zh) 2020-04-28
CN111080109B true CN111080109B (zh) 2023-05-05

Family

ID=70313330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911244364.3A Active CN111080109B (zh) 2019-12-06 2019-12-06 客服服务质量评价方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111080109B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132477A (zh) * 2020-09-28 2020-12-25 中国银行股份有限公司 一种业务绩效确定方法和装置
CN113780610A (zh) * 2020-12-02 2021-12-10 北京沃东天骏信息技术有限公司 一种客服画像构建方法和装置
CN112580367B (zh) * 2020-12-23 2023-10-27 潍柴动力股份有限公司 一种话务质检方法及装置
CN113434630B (zh) * 2021-06-25 2023-07-25 平安科技（深圳）有限公司 客服服务评估方法、装置、终端设备及介质
CN113822484A (zh) * 2021-09-27 2021-12-21 中国银行股份有限公司 服务质量评价方法及装置、存储介质及电子设备
CN114051076A (zh) * 2021-11-02 2022-02-15 重庆川南环保科技有限公司 一种客服智能质检方法、装置及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2696345A1 (en) * 2009-12-04 2011-06-04 3Pd Inc. Automated survey system
CN103811009A (zh) * 2014-03-13 2014-05-21 华东理工大学 一种基于语音分析的智能电话客服系统
CN107154257A (zh) * 2017-04-18 2017-09-12 苏州工业职业技术学院 基于客户语音情感的客服服务质量评价方法及系统
CN107452405A (zh) * 2017-08-16 2017-12-08 北京易真学思教育科技有限公司 一种根据语音内容进行数据评价的方法及装置
CN107818798A (zh) * 2017-10-20 2018-03-20 百度在线网络技术（北京）有限公司 客服服务质量评价方法、装置、设备及存储介质
CN109726655A (zh) * 2018-12-19 2019-05-07 平安普惠企业管理有限公司 基于情绪识别的客服服务评价方法、装置、介质及设备
CN109785862A (zh) * 2019-01-21 2019-05-21 深圳壹账通智能科技有限公司 客服服务质量评价方法、装置、电子设备及存储介质
CN109801105A (zh) * 2019-01-17 2019-05-24 深圳壹账通智能科技有限公司 基于人工智能的服务评分方法、装置、设备及存储介质
CN110135669A (zh) * 2018-02-08 2019-08-16 上海合寰信息科技有限公司 一种服务质检管理方法及系统
CN110147930A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 基于大数据分析的数据统计方法、装置及存储介质
CN113746988A (zh) * 2021-07-21 2021-12-03 山东环维通讯科技有限公司 一种基于用户情绪映射参数动态自适应的智能督导外呼平台

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2696345A1 (en) * 2009-12-04 2011-06-04 3Pd Inc. Automated survey system
CN103811009A (zh) * 2014-03-13 2014-05-21 华东理工大学 一种基于语音分析的智能电话客服系统
CN107154257A (zh) * 2017-04-18 2017-09-12 苏州工业职业技术学院 基于客户语音情感的客服服务质量评价方法及系统
CN107452405A (zh) * 2017-08-16 2017-12-08 北京易真学思教育科技有限公司 一种根据语音内容进行数据评价的方法及装置
CN107818798A (zh) * 2017-10-20 2018-03-20 百度在线网络技术（北京）有限公司 客服服务质量评价方法、装置、设备及存储介质
CN110135669A (zh) * 2018-02-08 2019-08-16 上海合寰信息科技有限公司 一种服务质检管理方法及系统
CN109726655A (zh) * 2018-12-19 2019-05-07 平安普惠企业管理有限公司 基于情绪识别的客服服务评价方法、装置、介质及设备
CN109801105A (zh) * 2019-01-17 2019-05-24 深圳壹账通智能科技有限公司 基于人工智能的服务评分方法、装置、设备及存储介质
CN109785862A (zh) * 2019-01-21 2019-05-21 深圳壹账通智能科技有限公司 客服服务质量评价方法、装置、电子设备及存储介质
CN110147930A (zh) * 2019-04-16 2019-08-20 平安科技（深圳）有限公司 基于大数据分析的数据统计方法、装置及存储介质
CN113746988A (zh) * 2021-07-21 2021-12-03 山东环维通讯科技有限公司 一种基于用户情绪映射参数动态自适应的智能督导外呼平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾鸣 ; 周文瑜 ; 韩英豪 ; 贾俊国 ; .供电服务质量综合评价体系及其软件系统设计.电网技术.(第S2期),第33-29页. *
黄翊 ; .基于智能语音分析的客服智慧运营管理系统解决方案.科技传播.(第03期),第22-28页. *

Also Published As

Publication number Publication date
CN111080109A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111080109B (zh) 客服服务质量评价方法、装置及电子设备
Sakashita et al. Acoustic scene classification by ensemble of spectrograms based on adaptive temporal divisions
CN108198574B (zh) 变声检测方法及装置
CN108986830B (zh) 一种音频语料筛选方法及装置
CN107545897A (zh) 对话行为推定方法、对话行为推定装置以及程序
CN111916111B (zh) 带情感的智能语音外呼方法及装置、服务器、存储介质
CN107767881B (zh) 一种语音信息的满意度的获取方法和装置
CN108648769A (zh) 语音活性检测方法、装置及设备
CN105989550A (zh) 一种在线服务评价信息确定方法及设备
CN111400540B (zh) 一种基于挤压和激励残差网络的歌声检测方法
CN108877812B (zh) 一种声纹识别方法、装置及存储介质
Martinsson Bird species identification using convolutional neural networks
CN106710588B (zh) 语音数据句类识别方法和装置及系统
Jallet et al. Acoustic scene classification using convolutional recurrent neural networks
JP5626221B2 (ja) 音響画像区間分類装置および方法
WO2019237354A1 (en) Method and apparatus for computerized matching based on emotional profile
CN113823323A (zh) 一种基于卷积神经网络的音频处理方法、装置及相关设备
Liu et al. Learning salient features for speech emotion recognition using CNN
KR20200140235A (ko) 대상 화자의 음성 모델을 구축하기 위한 방법 및 디바이스
CN111932056A (zh) 客服质量评分方法、装置、计算机设备和存储介质
US11238289B1 (en) Automatic lie detection method and apparatus for interactive scenarios, device and medium
Ramashini et al. A Novel Approach of Audio Based Feature Optimisation for Bird Classification.
CN116230017A (zh) 语音评估方法、装置、计算机设备和存储介质
CN114842382A (zh) 一种生成视频的语义向量的方法、装置、设备及介质
Diez Gaspon et al. Deep learning for natural sound classification

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
GR01 Patent grant