CN111312243A - 设备交互方法和装置 - Google Patents

Abstract

本申请实施例公开了设备交互方法和装置。上述方法的一具体实施方式包括：响应于设备被唤醒，确定唤醒设备的目标用户；获取目标用户的语音序列；对语音序列进行分析；根据分析结果，对目标用户进行响应。该实施方式可以使智能设备与目标用户进行交互，从而屏蔽无关语音，提高交互效率。

Description

设备交互方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及设备交互方法和装置。

背景技术

随着科技的发展，智能机器人逐渐走入人们的生活中，并且给人们的生活带来了很多便利。现有的智能机器人，需要使用者说出唤醒词唤醒设备。由于智能机器人无法判断收到的语音是使用者对话的声音，还是无关的杂音。因此，在交互过程中需要使用者多次使用唤醒词来唤醒智能机器人，以进行连续的人机对话。这样降低了交互效率，用户体验差。

发明内容

本申请实施例提出了设备交互方法和装置。

第一方面，本申请实施例提供了一种设备交互方法，包括：响应于设备被唤醒，确定唤醒上述设备的目标用户；获取上述目标用户的语音序列；对上述语音序列进行分析；根据分析结果，对上述目标用户进行响应。

在一些实施例中，上述设备通过以下至少一种方式被唤醒：监听到唤醒语音指令；通过上述设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

在一些实施例中，上述响应于设备被唤醒，唤醒上述设备的目标用户，包括：响应于上述设备被唤醒语音指令唤醒，确定上述唤醒语音指令的发声方向；确定上述发声方向处的至少一个用户为目标用户。

在一些实施例中，上述确定上述发声方向处的至少一个用户为目标用户，包括：根据上述发声方向，调整上述图像采集装置的方向，以使上述图像采集装置采集上述发声方向的图像；对上述图像采集装置采集的图像进行人脸识别；将上述图像中包括的正面人脸图像对应的至少一个用户为目标用户。

在一些实施例中，上述设备的交互模式包括单人交互模式和多人交互模式；以及上述将上述图像中包括的正面人脸图像对应的至少一个用户为目标用户，包括：响应于上述设备的交互模式为单人交互模式，将上述正面人脸图像中距离上述设备最近的人脸图像对应的用户作为目标用户；响应于上述设备的交互模式为多人交互模式，将上述正面人脸图像对应的多个用户作为目标用户。

在一些实施例中，上述方法还包括：在响应上述目标用户之后，响应于上述图像采集装置实时采集的图像中包括上述目标用户的正面人脸图像，确定在预设时长内是否获取到上述目标用户的语音序列；响应于确定在预设时长内未获取到上述目标用户的语音序列，监听除上述目标用户之外的其它用户的唤醒语音指令。

第二方面，本申请实施例提供了一种设备交互装置，包括：确定单元，被配置成响应于设备被唤醒，确定唤醒上述设备的目标用户；获取单元，被配置成获取上述目标用户的语音序列；分析单元，被配置成对上述语音序列进行分析；响应单元，被配置成根据分析结果，对上述目标用户进行响应。

在一些实施例中，上述装置还包括唤醒单元，上述唤醒单元被配置成通过以下至少一种方式唤醒设备：监听到唤醒语音指令；通过上述设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

在一些实施例中，上述确定单元进一步被配置成：响应于上述设备被唤醒语音指令唤醒，确定上述唤醒语音指令的发声方向；确定上述发声方向处的至少一个用户为目标用户。

在一些实施例中，上述确定单元进一步被配置成：根据上述发声方向，调整上述图像采集装置的方向，以使上述图像采集装置采集上述发声方向的图像；对上述图像采集装置采集的图像进行人脸识别；将上述图像中包括的正面人脸图像对应的至少一个用户为目标用户。

在一些实施例中，上述设备的交互模式包括单人交互模式和多人交互模式；以及上述确定单元进一步被配置成：响应于上述设备的交互模式为单人交互模式，将上述正面人脸图像中距离上述设备最近的人脸图像对应的用户作为目标用户；响应于上述设备的交互模式为多人交互模式，将上述正面人脸图像对应的多个用户作为目标用户。

在一些实施例中，上述装置还包括：判断单元，被配置成在响应上述目标用户之后，响应于上述图像采集装置实时采集的图像中包括上述目标用户的正面人脸图像，确定在预设时长内是否获取到上述目标用户的语音序列；监听单元，被配置成响应于确定在预设时长内未获取到上述目标用户的语音序列，监听除上述目标用户之外的其它用户的唤醒语音指令。

第三方面，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，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，使得上述一个或多个处理器实现如第一方面任一实施例所描述的方法。

第四方面，本申请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第一方面任一实施例所描述的方法。

本申请的上述实施例提供的设备交互方法和装置，在设备被唤醒后，可以确定唤醒设备的目标用户。然后，获取目标用户的语音序列。并对语音序列进行分析。最后，根据分析结果，对目标用户进行响应。本实施例的方法，可以使智能设备与目标用户进行交互，从而屏蔽无关语音，提高交互效率。

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是根据本申请的设备交互方法的一个实施例的流程图；

图3是根据本申请的设备交互方法的一个应用场景的示意图；

图4是根据本申请的设备交互方法的另一个实施例的流程图；

图5是根据本申请的设备交互装置的一个实施例的结构示意图；

图6是适于用来实现本申请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设备交互方法或设备交互装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括智能终端设备101、102、103，网络104和服务器105。网络104用以在智能终端设备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。

用户可以使用智能终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。智能终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音识别类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

智能终端设备101、102、103可以是硬件，也可以是软件。当智能终端设备101、102、103为硬件时，可以是具有语音识别功能的各种电子设备，包括但不限于智能手机、智能音箱、智能机器人等等。当智能终端设备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，例如对智能终端设备101、102、103获取到的语音进行处理的后台服务器。后台服务器可以对语音等数据进行分析等处理，并将处理结果(例如响应数据)反馈给智能终端设备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。

需要说明的是，本申请实施例所提供的设备交互方法一般由智能终端设备101、102、103执行。相应地，设备交互装置一般设置于智能终端设备101、102、103中。

应该理解，图1中的智能终端设备、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智能终端设备、网络和服务器。

继续参考图2，示出了根据本申请的设备交互方法的一个实施例的流程200。本实施例的设备交互方法，包括以下步骤：

步骤201，响应于设备被唤醒，确定唤醒设备的目标用户。

在本实施例中，设备交互方法的执行主体(例如图1所示的智能终端设备101、102、103)在被唤醒后，可以确定唤醒上述设备的目标用户。执行主体可以连接有图像采集装置，图像采集装置可以采集设备所处环境的图像。具体的，执行主体可以根据图像采集装置采集的图像，确定设备正前方的用户，并将该用户作为目标用户。

在本实施例的一些可选的实现方式中，上述设备可以通过以下至少一种方式被唤醒：监测到唤醒语音指令；通过设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

本实现方式中，设备可以通过语音唤醒，即当设备监听到唤醒语音指令后，可以被唤醒。上述唤醒语音指令可以是关键词，上述关键词可以是用户自定义设置的，也可以是设备默认的。设备还可以通过人脸唤醒，即通过设备连接的图像采集装置采集人脸图像。如果人脸图像为正面的人脸图像，则唤醒设备。

在本实施例的一些可选的实现方式中，上述步骤201具体可以通过图2中未示出的以下步骤来实现：响应于设备被唤醒语音指令唤醒，确定唤醒语音指令的发声方向；确定发声方向处的至少一个用户为目标用户。

本实现方式中，如果设备被唤醒语音指令唤醒，则执行主体可以确定唤醒语音指令的发声方向。执行主体可以通过其上安装的麦克风阵列中各麦克风采集的语音信号的强度，来确定唤醒语音指令的发声方向，执行主体可以将发声方向处的至少一个用户作为目标用户。具体的，执行主体可以采集发声方向处的图像，将图像中的至少一个用户作为目标用户。

在本实施例的一些可选的实现方式中，上述步骤201具体可以通过图2中未示出的以下步骤来实现：根据发声方向，调整图像采集装置的方向，以使图像采集装置采集发声方向的图像；对图像采集装置采集的图像进行人脸识别；将图像中包括的正面人脸图像对应的至少一个用户为目标用户。

本实现方式中，执行主体在确定发声方向后，可以调整图像采集装置的方向，以使图像采集装置采集发声方向的图像。具体的，执行主体可以将图像采集装置的方向调整至正对发声方向，以最大限度的采集发声方向周围的图像。然后，执行主体可以对图像采集装置采集的图像进行人脸识别。然后，执行主体可以将图像中包括的正面人脸图像对应的至少一个用户为目标用户。此处，执行主体可以对各人脸图像进行特征点提取，然后根据提取的各特征点来判断上述人脸图像是否为正面人脸图像。

在本实施例的一些可选的实现方式中，设备的交互模式可以包括单人交互模式和多人交互模式。如果设备当前为单人交互模式，则执行主体可以将在多个正面人脸图像中选取一个正面人脸图像，然后将该正面人脸图像对应的用户作为目标用户。如果设备当前为多人交互模式，则执行主体可以将各正面人脸图像对应的各用户均作为目标用户。可以理解的是，用户可以根据设备的应用场景来设置用户的交互模式。例如，当设备应用在银行大厅时，可以将其设置为单人交互模式，以解答用户的问题。当设备应用在家庭中时，可以将其设置为多人交互模式，以满足家庭中各用户的互动。用户可以通过向设备发送模式更改指令来修改设备的交互模式。

步骤202，获取目标用户的语音序列。

执行主体在确定目标用户后，可以获取目标用户的语音序列。执行主体可以安装有麦克风阵列，用于采集目标用户的语音序列。上述语音序列可以是目标用户与执行主体交互的语音，例如“我要画画”。

步骤203，对语音序列进行分析。

执行主体在获取到目标用户的语音序列后，可以对语音序列进行分析。上述分析例如可以包括：语音识别，语义识别。语音识别和语音识别为现有的成熟技术，此处不再赘述。

步骤204，根据分析结果，对目标用户进行响应。

执行主体在得到语音序列的分析结果后，可以结合预设的响应策略，对目标用户进行响应。上述响应策略可以为：显示与分析结果中的关键词对应的表情、动画等，投影与分析结果中的关键词对应的图像等。

继续参见图3，图3是根据本实施例的设备交互方法的一个应用场景的示意图。在图3的应用场景中，用户位于智能机器人前方，智能机器人上安装的摄像头采集到用户的正面人脸图像后被唤醒，并获取到用户的语音序列“我要背单词”。智能机器人则向桌面投影单词，以供用户背诵。

本申请的上述实施例提供的设备交互方法，在设备被唤醒后，可以确定唤醒设备的目标用户。然后，获取目标用户的语音序列。并对语音序列进行分析。最后，根据分析结果，对目标用户进行响应。本实施例的方法，可以使智能设备与目标用户进行交互，从而屏蔽无关语音，提高交互效率。

继续参见图4，其示出了根据本申请的设备交互方法的另一个实施例的流程400。如图4所示，本实施例的设备交互方法，可以包括以下步骤：

步骤401，响应于设备被唤醒，确定唤醒设备的目标用户。

步骤402，获取目标用户的语音序列。

步骤403，对语音序列进行分析。

步骤404，根据分析结果，对目标用户进行响应。

步骤405，在响应目标用户之后，响应于图像采集装置实时采集的图像中包括目标用户的正面人脸图像，确定在预设时长内是否获取到目标用户的语音序列。

本实施例中，在响应目标用户后，执行主体可以继续利用图像采集装置采集周围的图像。如果所采集的图像中一直包括目标用户的正面人脸图像，则在预设时长内监听目标用户是否发声，即确定在预设时长内是否获取到目标用户的语音序列。如果获取到目标用户的语音序列，则说明目标用户需要与设备进行连续对话。此时，不需要用户每次对话前唤醒设备，提高了交互效率。

步骤406，响应于在预设时长内未获取到目标用户的语音序列，监听除目标用户之外的其它用户的唤醒语音指令。

如果执行主体在预设时长内未获取到目标用户的语音序列，说明目标用户可能不会与设备进行连续对话。这种情况下，执行主体可以监听除目标用户之外的其它用户的唤醒语音指令。这样，其它用户也可以与设备进行交互。可以理解的是，在单人交互模式下，其他用户只能通过语音唤醒的方式来唤醒设备，以使设备重新认定目标用户。在多人交互模式下，其他用户可以通过语音唤醒或人脸唤醒的方式来唤醒设备。

本申请的上述实施例提供的设备交互方法，可以保证用户与设备的连续交互，并且不需要在连续交互过程中多次唤醒设备，提高了交互效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种设备交互装置的一个实施例，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，本实施例的设备交互装置500包括：确定单元501、获取单元502、分析单元503以及响应单元504。

确定单元501，被配置成响应于设备被唤醒，确定唤醒设备的目标用户。

获取单元502，被配置成获取目标用户的语音序列。

分析单元503，被配置成对语音序列进行分析。

响应单元504，被配置成根据分析结果，对目标用户进行响应。

在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的唤醒单元。上述唤醒单元被配置成通过以下至少一种方式唤醒设备：监听到唤醒语音指令；通过设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

在本实施例的一些可选的实现方式中，确定单元501可以进一步被配置成：响应于设备被唤醒语音指令唤醒，确定唤醒语音指令的发声方向；确定发声方向处的至少一个用户为目标用户。

在本实施例的一些可选的实现方式中，确定单元501可以进一步被配置成：根据发声方向，调整图像采集装置的方向，以使图像采集装置采集发声方向的图像；对图像采集装置采集的图像进行人脸识别；将图像中包括的正面人脸图像对应的至少一个用户为目标用户。

在本实施例的一些可选的实现方式中，设备的交互模式包括单人交互模式和多人交互模式。确定单元501可以进一步被配置成：响应于设备的交互模式为单人交互模式，将正面人脸图像中距离设备最近的人脸图像对应的用户作为目标用户；响应于设备的交互模式为多人交互模式，将正面人脸图像对应的多个用户作为目标用户。

在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的判断单元和监听单元。

判断单元，被配置成在响应目标用户之后，响应于图像采集装置实时采集的图像中包括目标用户的正面人脸图像，确定在预设时长内是否获取到目标用户的语音序列。

监听单元，被配置成响应于确定在预设时长内未获取到目标用户的语音序列，监听除目标用户之外的其它用户的唤醒语音指令。

应当理解，设备交互装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对设备交互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。

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。

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：响应于设备被唤醒，确定唤醒设备的目标用户；获取目标用户的语音序列；对语音序列进行分析；根据分析结果，对目标用户进行响应。

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：一种处理器包括确定单元、获取单元、分析单元和响应单元。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，获取单元还可以被描述为“获取目标用户的语音序列的单元”。

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 (14)

1.一种设备交互方法，包括：

响应于设备被唤醒，确定唤醒所述设备的目标用户；

获取所述目标用户的语音序列；

对所述语音序列进行分析；

根据分析结果，对所述目标用户进行响应。

2.根据权利要求1所述的方法，其中，所述设备通过以下至少一种方式被唤醒：

监听到唤醒语音指令；

通过所述设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

3.根据权利要求2所述的方法，其中，所述响应于设备被唤醒，唤醒所述设备的目标用户，包括：

响应于所述设备被唤醒语音指令唤醒，确定所述唤醒语音指令的发声方向；

确定所述发声方向处的至少一个用户为目标用户。

4.根据权利要求3所述的方法，其中，所述确定所述发声方向处的至少一个用户为目标用户，包括：

根据所述发声方向，调整所述图像采集装置的方向，以使所述图像采集装置采集所述发声方向的图像；

对所述图像采集装置采集的图像进行人脸识别；

将所述图像中包括的正面人脸图像对应的至少一个用户为目标用户。

5.根据权利要求4所述的方法，其中，所述设备的交互模式包括单人交互模式和多人交互模式；以及

所述将所述图像中包括的正面人脸图像对应的至少一个用户为目标用户，包括：

响应于所述设备的交互模式为单人交互模式，将所述正面人脸图像中距离所述设备最近的人脸图像对应的用户作为目标用户；

响应于所述设备的交互模式为多人交互模式，将所述正面人脸图像对应的多个用户作为目标用户。

6.根据权利要求1所述的方法，其中，所述方法还包括：

在响应所述目标用户之后，响应于所述图像采集装置实时采集的图像中包括所述目标用户的正面人脸图像，确定在预设时长内是否获取到所述目标用户的语音序列；

响应于确定在预设时长内未获取到所述目标用户的语音序列，监听除所述目标用户之外的其它用户的唤醒语音指令。

7.一种设备交互装置，包括：

确定单元，被配置成响应于设备被唤醒，确定唤醒所述设备的目标用户；

获取单元，被配置成获取所述目标用户的语音序列；

分析单元，被配置成对所述语音序列进行分析；

响应单元，被配置成根据分析结果，对所述目标用户进行响应。

8.根据权利要求7所述的装置，其中，所述装置还包括唤醒单元，所述唤醒单元被配置成通过以下至少一种方式唤醒设备：

监听到唤醒语音指令；

通过所述设备所连接的图像采集装置采集的图像中包括正面的人脸图像。

9.根据权利要求8所述的装置，其中，所述确定单元进一步被配置成：

响应于所述设备被唤醒语音指令唤醒，确定所述唤醒语音指令的发声方向；

确定所述发声方向处的至少一个用户为目标用户。

10.根据权利要求9所述的装置，其中，所述确定单元进一步被配置成：

根据所述发声方向，调整所述图像采集装置的方向，以使所述图像采集装置采集所述发声方向的图像；

对所述图像采集装置采集的图像进行人脸识别；

将所述图像中包括的正面人脸图像对应的至少一个用户为目标用户。

11.根据权利要求10所述的装置，其中，所述设备的交互模式包括单人交互模式和多人交互模式；以及

所述确定单元进一步被配置成：

响应于所述设备的交互模式为单人交互模式，将所述正面人脸图像中距离所述设备最近的人脸图像对应的用户作为目标用户；

响应于所述设备的交互模式为多人交互模式，将所述正面人脸图像对应的多个用户作为目标用户。

12.根据权利要求7所述的装置，其中，所述装置还包括：

判断单元，被配置成在响应所述目标用户之后，响应于所述图像采集装置实时采集的图像中包括所述目标用户的正面人脸图像，确定在预设时长内是否获取到所述目标用户的语音序列；

监听单元，被配置成响应于确定在预设时长内未获取到所述目标用户的语音序列，监听除所述目标用户之外的其它用户的唤醒语音指令。

13.一种电子设备，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1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，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