CN111883127A - 用于处理语音的方法和装置 - Google Patents

Abstract

本申请公开了用于处理语音的方法和装置，涉及图像识别、语音技术领域。具体实施方式包括：接收终端设备发送的用户语音和人脸图像，其中，上述人脸图像和上述用户语音针对相同用户，上述人脸图像和上述用户语音之间的采集时刻间隔小于目标时长；确定该人脸图像所指示的情绪信息，基于该情绪信息，对该用户语音生成回复语音；将该回复语音反馈给该终端设备，以使该终端设备播放该回复语音。本申请可以让电子设备基于用户的情绪与用户进行语音交互，让机器具有共情能力，从而提升语音交互效果。并且，利用服务器生成回复语音可以确保较高的回复效率。

Description

用于处理语音的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像识别、语音技术领域，尤其涉及用于处理语音的方法和装置。

背景技术

随着人工智能技术的发展，智能语音交互也逐渐得到普及，尤其是在手机等便携设备的使用中。电子设备可以针对各种语境与用户进行流畅的对话，比如，用户可以向电子设备询问词汇的含义，电子设备则可以以语音的形式播放出该词汇的含义。

在相关技术中，用户触发电子设备的智能语音交互通常需要说出唤醒词，或者对电子设备上的按键进行预设操作。

发明内容

提供了一种用于处理语音的方法、装置、电子设备以及存储介质。

根据第一方面，提供了一种用于处理语音的方法，包括：接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长；确定人脸图像所指示的情绪信息，基于情绪信息，对用户语音生成回复语音；将回复语音反馈给终端设备，以使终端设备播放回复语音。

根据第二方面，提供了一种用于处理语音的装置，包括：接收单元，被配置成接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长；确定单元，被配置成确定人脸图像所指示的情绪信息，基于情绪信息，对用户语音生成回复语音；反馈单元，被配置成将回复语音反馈给终端设备，以使终端设备播放回复语音。

根据第三方面，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用于处理语音的方法中任一实施例的方法。

根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如用于处理语音的方法中任一实施例的方法。

根据本申请的方案，可以让电子设备基于用户的情绪与用户进行语音交互，让机器具有共情能力，从而提升语音交互效果。并且，利用服务器生成回复语音可以确保较高的回复效率。

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是本申请一些实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理语音的方法的一个实施例的流程图；

图3是根据本申请的用于处理语音的方法的一个应用场景的示意图；

图4是根据本申请的用于处理语音的方法的又一个实施例的流程图；

图5是根据本申请的用于处理语音的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于处理语音的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

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用于处理语音的方法或用于处理语音的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，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备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，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、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。

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提供支持的后台服务器。后台服务器可以对接收到的用户语音和人脸图像等数据进行分析等处理，并将处理结果(例如回复语音)反馈给终端设备。这里的服务器可以是单个服务器，也可以是多个服务器组成的服务器组。比如，该服务器组可以包括用于处理图像的服务器和用于处理语音的服务器。这里的用于处理语音的服务器可以包括语音识别服务器、语义服务器、语音合成服务器等等。

需要说明的是，本申请实施例所提供的用于处理语音的方法可以由服务器105执行，相应地，用于处理语音的装置可以设置于服务器105中。

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。

继续参考图2，示出了根据本申请的用于处理语音的方法的一个实施例的流程200。该用于处理语音的方法，用于服务器，该方法包括以下步骤：

步骤201，接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长。

在本实施例中，用于处理语音的方法运行于其上的执行主体(例如图1所示的服务器)可以接收终端设备发送的用户语音和人脸图像。这里的人脸图像和用户语音可以是针对相同用户生成的。在实践中，人脸图像中可能存在上述相同用户以外的其他用户。用户语音中也可能存在上述相同用户以外的其他用户的语音。上述人脸图像的拍摄时刻与上述用户语音的拾音时刻之间的间隔可以作为采集时刻间隔。人脸图像和用户语音是在同一个场景下采集得到的，因此，该采集时刻间隔很短，也即不超过目标时长。

具体地，人脸图像和用户语音可以在各种场景下采集得到。举例来说，终端可以实时采集到用户的人脸图像，若终端确定(比如通过服务器确定)人脸图像中的用户正在说话，则可以采集上述用户语音。此外，终端还可以响应于采集到用户语音，则对发出用户语音的用户拍摄上述人脸图像。

该终端设备可以安装有摄像头或者与摄像头通信连接，从而能够利用摄像头采集人脸图像以获取到该人脸图像。

步骤202，确定人脸图像所指示的情绪信息，基于情绪信息，对用户语音生成回复语音。

在本实施例中，上述执行主体可以基于人脸图像生成用户语音的回复语音。在实践中，服务器可以确定出人脸图像所指示的情绪信息。具体地，服务器可以利用预设模型(比如深度神经网络)，来确定人脸图像所对应的情绪信息。该预设模型可以用于表征人脸图像与情绪信息之间的对应关系。此外，上述执行主体也可以首先利用预设第一模型确定人脸图像的关键点，再利用预设第二模型确定上述关键点对应的情绪信息。

上述执行主体(比如上述服务器组中的语义服务器和语音合成服务器)可以采用各种方式生成情绪信息对应的回复语音。比如，上述执行主体可以在用户语音对应的回复文本中，加入预设字句。举例来说，在情绪信息为低落信息的情况下，低落信息对应的预设字句为“加油”。

步骤203，将回复语音反馈给终端设备，以使终端设备播放回复语音。

在本实施例中，上述执行主体可以将回复语音反馈给终端设备，这样，终端设备则可以向用户播放该回复语音，以实现与用户之间的智能语音交互。

本申请的上述实施例提供的方法可以让电子设备基于用户的情绪与用户进行语音交互，让机器具有共情能力，从而提升语音交互效果。并且，利用服务器生成回复语音可以确保较高的回复效率。

在本实施例的一些可选的实现方式中，步骤202中的基于情绪信息，对用户语音生成回复语音，可以包括：响应于用户语音为交通路线查询语音，获取用户语音对应的至少一个候选交通路线；在至少一个候选交通路线中，选择与情绪信息匹配的交通路线；生成所选择的交通路线对应的回复语音。

在这些可选的实现方式中，上述执行主体可以在用户语音为交通路线查询语音的情况下，确定与用户语音对应的至少一个候选交通路线，并基于情绪信息确定一个交通路线，生成该这个交通路线所对应的语音作为回复语音。对用户语音所获取的至少一个候选交通路线比如可以是到达目的地的不同路线。

在实践中，上述执行主体可以采用各种方式基于情绪信息确定交通路线，也即确定与情绪信息匹配的交通路线。比如，交通路线可以包括多种类型：最快路线、最短路线、最常用路线等等，上述执行主体可以利用预设的情绪信息与交通路线类型的对应关系表，确定匹配的交通路线。例如，在情绪信息为正常信息的情况下，上述执行主体可以确定最常用路线为匹配的路线。

这些实现方式可以对用户推荐与情绪信息相匹配的交通路线，从而可以让推荐的交通路线更加符合用户的意愿。

在这些实现方式的一些可选的应用场景中，这些实现方式中的在至少一个候选交通路线中，选择与情绪信息匹配的交通路线，可以包括：响应于情绪信息包括指定信息，在至少一个候选交通路线中，选择预估到达时长最短的交通路线，其中，指定信息为焦急信息。

在这些可选的应用场景中，上述执行主体可以在用户的情绪为指定情绪的情况下，在各个候选交通路线中，选择预估到达时长最短的候选交通路线作为与情绪信息匹配的交通路线。预估到达时长最短的交通路线也即预估最快到达的交通路线。指定信息用于指示上述指定情绪，在实践中，指定信息可以是焦急信息或愤怒信息等。

这些应用场景可以智能地在用户有指定情绪比如焦急的情况下，为用户选择最快的路线，节约用户的到达时间。

在本实施例的一些可选的实现方式中，步骤202中的基于情绪信息，对用户语音生成回复语音，可以包括：响应于用户语音为天气查询语音，若情绪信息包括负向信息且天气查询语音的查询结果为负向结果，则生成与负向结果对应的行程推荐语句，其中，行程推荐语句包括以下的至少一项：针对负向结果对应的负向时段的替代出行方案语句、负向时段对应的时段回避语句、负向时段以外的其它时段对应的时段推荐语句；生成行程推荐语句对应的回复语音。

在这些可选的实现方式中，用户语音可以是查询天气的语音。如果此时用户的情绪信息为负向信息，并且查询结果为负向结果，则上述执行主体可以基于该负向结果，生成回复语音。具体地，天气查询结果中的负向结果可以指不宜出行天气，比如，雨、雪、大风、高温(温度高于第一预设阈值)、低温(温度低于第二预设阈值)等等。负向时段指天气为上述不宜出行天气的时段。负向信息指示负向情绪，比如可以是忧愁信息、焦虑信息等等。

上述执行主体可以推荐替代出行方案，比如推荐雨天可以活动的室内场所。此外，如果用户问“今天天气怎么样”且情绪信息为忧愁信息，上述执行主体若确定下雨时间(也即负向时段)为下午，则生成回复语音“建议上午出行，下午会下雨呦”。

这些实现方式可以针对用户的情绪，为用户提供更多可参考的行程策略，有助于缓解用户的负向情绪。

在这些实现方式的一些可选的应用场景中，步骤202中的基于情绪信息，对用户语音生成回复语音，还可以包括：响应于用户语音为天气查询语音，若情绪信息包括负向信息且天气查询语音的查询结果为负向结果，生成指示目标语速和目标语调的表达方式信息，其中，目标语速小于预设语速阈值，目标语调低于预设语调阈值；以及这些实现方式中的生成行程推荐语句对应的回复语音，包括：生成行程推荐语句和表达方式信息对应的回复语音。

在这些可选的应用场景中，上述执行主体可以生成语速慢且语调平缓的语音，从而可以有助于缓解用户的负向情绪。

在本实施例的一些可选的实现方式中，步骤202中的基于情绪信息，对用户语音生成回复语音，可以包括：响应于用户语音包括情绪描述信息，若情绪描述信息为正向信息且情绪信息为负向信息，则获取预设安慰信息；生成安慰信息对应的回复语音。

在这些可选的实现方式中，如果用户语音对应的语句中存在描述情绪的信息，且该信息为正向信息，而人脸图像指示的情绪信息为负向信息，上述执行主体可以获取预设的安慰信息，并生成安慰信息对应的语音作为回复语音。正向信息用于指示积极的情绪，比如高兴、开心等等的情绪。安慰信息可以是文本。

举例来说，用户的表情木讷，对应的情绪信息指示用户的情绪不佳，用户说出“今天很高兴”，上述执行主体可以确定安慰信息比如“主人别怕，有我在”。

这些实现方式可以智能地确定出用户心口不一的情况，对用户进行安慰，更有助于消除用户的负向情绪。

继续参见图3，图3是根据本实施例的用于处理语音的方法的应用场景的一个示意图。在图3的应用场景中，执行主体301接收终端设备发送的用户语音302和人脸图像303，其中，人脸图像303和用户语音302均针对张三，人脸图像303和用户语音302之间的采集时刻间隔小于目标时长。执行主体301确定人脸图像303指示的情绪信息304，基于情绪信息304，对用户语音生成回复语音305。执行主体301将回复语音305反馈给终端设备，以使终端设备播放回复语音。

进一步参考图4，其示出了用于处理语音的方法的又一个实施例的流程400。该流程400，包括以下步骤：

步骤401，接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长。

在本实施例中，用于处理语音的方法运行于其上的执行主体(例如图1所示的服务器)可以接收终端设备发送的用户语音和人脸图像。这里的人脸图像和用户语音都是针对同一个用户生成的。该终端设备可以安装有摄像头或者与摄像头通信连接，从而能够利用摄像头采集人脸图像以获取到该人脸图像。

步骤402，基于情绪信息，生成与回复语音关联的表达方式信息。

在本实施例中，上述执行主体可以基于情绪信息，生成与回复语音关联的表达方式信息。具体地，表达方式信息可以包括以下的至少一者：语调信息、语速信息、字间隔时长信息。

步骤403，对用户语音生成表达方式信息对应的回复语音。

在本实施例中，上述执行主体可以生成以该表达方式信息指示的表达方式进行表达的语音，作为回复语音。

步骤404，将回复语音反馈给终端设备，以使终端设备播放回复语音。

在本实施例中，上述执行主体可以将回复语音反馈给终端设备，这样，终端设备则可以向用户播放该回复语音，以实现与用户之间的智能语音交互。

本实施例可以考虑到用户的情绪，采用与用户的情绪更匹配的、更恰当的表达方式与用户进行语音交互。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理语音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，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于处理语音的装置500用于服务器，该装置包括：接收单元501、确定单元502和反馈单元503。其中，接收单元501，被配置成接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长；确定单元502，被配置成确定人脸图像所指示的情绪信息，基于情绪信息，对用户语音生成回复语音；反馈单元503，被配置成将回复语音反馈给终端设备，以使终端设备播放回复语音。

在本实施例中，用于处理语音的装置500的接收单元501、确定单元502和反馈单元503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和步骤203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，确定单元，进一步被配置成按照如下方式执行基于情绪信息，对用户语音生成回复语音：基于情绪信息，生成与回复语音关联的表达方式信息；对用户语音生成表达方式信息对应的回复语音。

在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于情绪信息，对用户语音生成回复语音：响应于用户语音为交通路线查询语音，获取用户语音对应的至少一个候选交通路线；在至少一个候选交通路线中，选择与情绪信息匹配的交通路线；生成所选择的交通路线对应的回复语音。

在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行在至少一个候选交通路线中，选择与情绪信息匹配的交通路线：响应于情绪信息包括指定信息，在至少一个候选交通路线中，选择预估到达时长最短的交通路线，其中，指定信息为焦急信息。

在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于情绪信息，对用户语音生成回复语音：响应于用户语音为天气查询语音，若情绪信息包括负向信息且天气查询语音的查询结果为负向结果，则生成与负向结果对应的行程推荐语句，其中，行程推荐语句包括以下的至少一项：针对负向结果对应的负向时段的替代出行方案语句、负向时段对应的时段回避语句、负向时段以外的其它时段对应的时段推荐语句；生成行程推荐语句对应的回复语音。

在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于情绪信息，对用户语音生成回复语音：响应于用户语音为天气查询语音，若情绪信息包括负向信息且天气查询语音的查询结果为负向结果，生成指示目标语速和目标语调的表达方式信息，其中，目标语速小于预设语速阈值，目标语调低于预设语调阈值；以及确定单元，进一步被配置成按照如下方式执行生成行程推荐语句对应的回复语音：生成行程推荐语句和表达方式信息对应的回复语音。

在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于情绪信息，对用户语音生成回复语音：响应于用户语音包括情绪描述信息，若情绪描述信息为正向信息且情绪信息为负向信息，则获取预设安慰信息；生成安慰信息对应的回复语音。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的用于处理语音的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于处理语音的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于处理语音的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于处理语音的方法对应的程序指令/模块(例如，附图5所示的接收单元501、确定单元502和反馈单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于处理语音的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于处理语音的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于处理语音的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于处理语音的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于处理语音的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

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、确定单元和反馈单元。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“接收终端设备发送的用户语音和人脸图像的单元”。

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：接收终端设备发送的用户语音和人脸图像，其中，人脸图像和用户语音针对相同用户，人脸图像和用户语音之间的采集时刻间隔小于目标时长；确定人脸图像所指示的情绪信息，基于情绪信息，对用户语音生成回复语音；将回复语音反馈给终端设备，以使终端设备播放回复语音。

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 (16)

1.一种用于处理语音的方法，用于服务器，所述方法包括：

接收终端设备发送的用户语音和人脸图像，其中，所述人脸图像和所述用户语音针对相同用户，所述人脸图像和所述用户语音之间的采集时刻间隔小于或等于目标时长；

确定所述人脸图像所指示的情绪信息，基于所述情绪信息，对所述用户语音生成回复语音；

将所述回复语音反馈给所述终端设备，以使所述终端设备播放所述回复语音。

2.根据权利要求1所述的方法，其中，所述基于所述情绪信息，对所述用户语音生成回复语音，包括：

基于所述情绪信息，生成与所述回复语音关联的表达方式信息；

对所述用户语音生成所述表达方式信息对应的回复语音。

3.根据权利要求1所述的方法，其中，所述基于所述情绪信息，对所述用户语音生成回复语音，包括：

响应于所述用户语音为交通路线查询语音，获取所述用户语音对应的至少一个候选交通路线；

在所述至少一个候选交通路线中，选择与所述情绪信息匹配的交通路线；

生成所选择的交通路线对应的回复语音。

4.根据权利要求3所述的方法，其中，所述在所述至少一个候选交通路线中，选择与所述情绪信息匹配的交通路线，包括：

响应于所述情绪信息包括指定信息，在所述至少一个候选交通路线中，选择预估到达时长最短的交通路线，其中，所述指定信息为焦急信息。

5.根据权利要求1所述的方法，其中，所述基于所述情绪信息，对所述用户语音生成回复语音，包括：

响应于所述用户语音为天气查询语音，若所述情绪信息包括负向信息且所述天气查询语音的查询结果为负向结果，则生成与所述负向结果对应的行程推荐语句，其中，所述行程推荐语句包括以下的至少一项：针对所述负向结果对应的负向时段的替代出行方案语句、所述负向时段对应的时段回避语句、所述负向时段以外的其它时段对应的时段推荐语句；

生成所述行程推荐语句对应的回复语音。

6.根据权利要求5所述的方法，其中，所述基于所述情绪信息，对所述用户语音生成回复语音，还包括：

响应于所述用户语音为天气查询语音，若所述情绪信息包括负向信息且所述天气查询语音的查询结果为负向结果，生成指示目标语速和目标语调的表达方式信息，其中，所述目标语速小于预设语速阈值，所述目标语调低于预设语调阈值；以及

所述生成所述行程推荐语句对应的回复语音，包括：

生成所述行程推荐语句和所述表达方式信息对应的回复语音。

7.根据权利要求1所述的方法，其中，所述基于所述情绪信息，对所述用户语音生成回复语音，包括：

响应于所述用户语音包括情绪描述信息，若所述情绪描述信息为正向信息且所述情绪信息为负向信息，则获取预设安慰信息；

生成所述安慰信息对应的回复语音。

8.一种用于处理语音的装置，用于服务器，所述装置包括：

接收单元，被配置成接收终端设备发送的用户语音和人脸图像，其中，所述人脸图像和所述用户语音针对相同用户，所述人脸图像和所述用户语音之间的采集时刻间隔小于目标时长；

确定单元，被配置成确定所述人脸图像所指示的情绪信息，基于所述情绪信息，对所述用户语音生成回复语音；

反馈单元，被配置成将所述回复语音反馈给所述终端设备，以使所述终端设备播放所述回复语音。

9.根据权利要求8所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述基于所述情绪信息，对所述用户语音生成回复语音：

基于所述情绪信息，生成与所述回复语音关联的表达方式信息；

对所述用户语音生成所述表达方式信息对应的回复语音。

10.根据权利要求8所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述基于所述情绪信息，对所述用户语音生成回复语音：

响应于所述用户语音为交通路线查询语音，获取所述用户语音对应的至少一个候选交通路线；

在所述至少一个候选交通路线中，选择与所述情绪信息匹配的交通路线；

生成所选择的交通路线对应的回复语音。

11.根据权利要求10所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述在所述至少一个候选交通路线中，选择与所述情绪信息匹配的交通路线：

响应于所述情绪信息包括指定信息，在所述至少一个候选交通路线中，选择预估到达时长最短的交通路线，其中，所述指定信息为焦急信息。

12.根据权利要求8所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述基于所述情绪信息，对所述用户语音生成回复语音：

响应于所述用户语音为天气查询语音，若所述情绪信息包括负向信息且所述天气查询语音的查询结果为负向结果，则生成与所述负向结果对应的行程推荐语句，其中，所述行程推荐语句包括以下的至少一项：针对所述负向结果对应的负向时段的替代出行方案语句、所述负向时段对应的时段回避语句、所述负向时段以外的其它时段对应的时段推荐语句；

生成所述行程推荐语句对应的回复语音。

13.根据权利要求12所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述基于所述情绪信息，对所述用户语音生成回复语音：

响应于所述用户语音为天气查询语音，若所述情绪信息包括负向信息且所述天气查询语音的查询结果为负向结果，生成指示目标语速和目标语调的表达方式信息，其中，所述目标语速小于预设语速阈值，所述目标语调低于预设语调阈值；以及

所述确定单元，进一步被配置成按照如下方式执行所述生成所述行程推荐语句对应的回复语音：

生成所述行程推荐语句和所述表达方式信息对应的回复语音。

14.根据权利要求8所述的装置，其中，所述确定单元，进一步被配置成按照如下方式执行所述基于所述情绪信息，对所述用户语音生成回复语音：

响应于所述用户语音包括情绪描述信息，若所述情绪描述信息为正向信息且所述情绪信息为负向信息，则获取预设安慰信息；

生成所述安慰信息对应的回复语音。

15.一种电子设备，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1-7中任一所述的方法。

16.一种计算机可读存储介质，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1-7中任一所述的方法。

Images