CN112037794A

CN112037794A - 语音交互方法、装置、设备以及存储介质

Info

Publication number: CN112037794A
Application number: CN202010897825.3A
Authority: CN
Inventors: 金鹿; 黄荣升; 张刚; 薛军涛; 朱凯华
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd; Shanghai Xiaodu Technology Co Ltd
Priority date: 2020-08-31
Filing date: 2020-08-31
Publication date: 2020-12-04

Abstract

本申请公开了语音交互方法、装置、设备以及存储介质，涉及智能家居、人工智能领域。具体实现方案为：实时监测用户的语音；对语音进行识别，确定语音是否包括预设词语；响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息；响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别；根据意图识别结果，控制设备响应用户。本实现方式简化了用户与设备的交互步骤，优化了用户体验。

Description

语音交互方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及智能家居、人工智能领域，尤其涉及语音交互方法、装置、设备以及存储介质。

背景技术

随着人工智能技术的不断发展，基于语音唤醒的终端设备控制系统也在不断发展，其中，语音唤醒作为控制终端设备的入口，逐渐成为人工智能技术领域的研究热点。

目前，用户可以通过对终端设备说出唤醒词来唤醒设备。并且现有的语音交互方法，都需要用户唤醒设备后，发出指令实现与语音交互。

发明内容

提供了一种语音交互方法、装置、设备以及存储介质。

根据第一方面，提供了一种语音交互方法，包括：实时监测用户的语音；对语音进行识别，确定语音是否包括预设词语；响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息；响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别；根据意图识别结果，控制设备响应用户。

根据第二方面，提供了一种语音交互装置，包括：实时监测单元，被配置成实时监测用户的语音；语音识别单元，被配置成对语音进行识别，确定语音是否包括预设词语；判断单元，被配置成响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息；意图识别单元，被配置成响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别；设备控制单元，被配置成根据意图识别结果，控制设备响应用户。

根据第三方面，提供了一种语音交互电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据本申请的技术解决了现有的语音交互方法需要用户说出唤醒词的问题，简化了用户与设备的交互步骤，优化了用户体验。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

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是根据本申请的语音交互方法的一个实施例的流程图；

图3是根据本申请的语音交互方法的一个应用场景的示意图；

图4是根据本申请的语音交互方法的另一个实施例的流程图；

图5是根据本申请的语音交互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语音交互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语音交互方法或语音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语音交互方法一般由智能终端设备101、102、103执行。相应地，语音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语音交互方法的一个实施例的流程200。本实施例的语音交互方法，包括以下步骤：

步骤201，实时监测用户的语音。

本实施例中，语音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)可以实时监测用户的语音。具体的，执行主体上可以安装有麦克风阵列，用于实时采集用户的语音，并对语音进行分析。

步骤202，对语音进行识别，确定语音是否包括预设词语。

执行主体在采集到用户的语音后，可以对语音进行识别，确定语音是否包括预设词语。具体的，执行主体可以对语音进行语音识别，得到语音对应的文字。然后，确定文字中是否包括预设词语。这里，预设词语可以为智能终端设备的唤醒词，也可以是唤醒词的一部分(例如可以是唤醒词的前两个字)。举例来说，预设词语可以为唤醒词“小A小A”，也可以为“小A”。

步骤203，响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息。

本实施例中，如果执行主体确定语音中包括预设词语，则可以进一步判断语音是否包括预设词语的上文信息。这里，上文信息可以理解为在预设词语之前出现的词语。例如，预设词语为“小A”，语音对应的文字为“我喜欢小A”，则预设词语的上文信息为“我喜欢”。

步骤204，响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别。

本实施例中，如果执行主体确定语音不包括预设词语的上文信息，则可以直接对预设词语的下文信息进行意图识别。这里，下文信息可以理解为在预设词语之后出现的词语。例如，预设词语为“小A”，语音对应的文字为“小A帮我开灯”，则预设词语的下文信息为“帮我开灯”。执行主体可以利用现有的算法对下文信息进行意图识别。例如，执行主体可以将下文信息输入预设的意图识别模型，将意图识别模型的输出作为识别得到的意图。

步骤205，根据意图识别结果，控制设备响应用户。

本实施例中，执行主体可以根据意图识别结果，对设备进行控制，以响应用户。例如，意图识别结果为关灯，则执行主体可以生成关闭指令，实现关灯，实现对用户的响应。

继续参见图3，其示出了根据本申请的语音交互方法的一个应用场景的示意图。在图3的应用场景中，用户对智能音箱说“小A关灯”。智能音箱接收到上述语音后，识别出语音中包括预设词语“小A”，并确认语音中不包括“小A”的上文信息。然后对下文信息“关灯”进行意图识别，得到意图为“关灯”。然后，智能音箱向灯发送关闭指令，以关闭电灯。

本申请的上述实施例提供的语音交互方法，简化了用户与设备的交互步骤，优化了用户体验。

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

步骤401，实时监测用户的语音。

步骤402，对语音进行识别，确定语音是否包括预设词语。

步骤403，响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息。

步骤404，响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别。

步骤401～404的原理与步骤201～204的原理类似，此处不再赘述。

步骤405，响应于确定语音包括预设词语的上文信息，确定预设词语与上文信息之间的第一时间间隔。

本实施例中，如果语音中包括预设词语的上文信息，则执行主体可以确定预设词语与上文信息之间的第一时间间隔。具体的，执行主体可以计算预设词语的第一个字与上文信息的最后一个字之间的时间间隔，记为第一时间间隔。

步骤406，响应于确定第一时间间隔大于或等于第一预设时长，对预设词语的下文信息进行意图识别。

如果执行主体确定第一时间间隔大于或等于第一预设时长，则认为上文信息与预设词语之间的时间间隔过长，认定用户是想要通过预设词语与设备进行交互，即用户有与设备交互的意图。则执行主体可以对预设词语的下文信息进行意图识别。

步骤407，响应于确定第一时间间隔小于第一预设时长，控制设备静默。

如果执行主体确定第一时间间隔小于第一预设时长，则认为用户只是在说话的过程中提到了预设词语，并没有与设备交互的意图，则执行主体可以控制设备保持静默，不要打扰用户说话。

步骤408，确定预设词语与下文信息之间的第二时间间隔。

执行主体还可以计算预设词语与下文信息之间的第二时间间隔。具体的，执行主体可以计算预设词语的最后一个字与下文信息的第一个字之间的时间间隔，作为第二时间间隔。

步骤409，响应于确定第二时间间隔大于或等于第二预设时长，控制设备即时输出预设响应信息。

如果执行主体确定第二时间间隔大于或等于第二预设时长，则认为用户通过预设词语首先唤醒设备，则执行主体可以控制设备即时输出预设响应信息。例如，即时输出语音“我在”。

步骤410，响应于确定第二时间间隔小于第二预设时长，控制设备静默。

如果执行主体确定第二时间间隔小于第二预设时长，则认为用户是通过“预设关键词+指令”的形式与设备交互，此时可以控制设备静默，待用户的语音完毕后，对下文信息进行意图识别。

步骤411，根据意图识别结果，控制设备响应用户。

本实施例中，执行主体可以在得到意图识别结果后，可以控制设备输出对应的指令，以响应用户。例如，意图识别结果为“播放音乐”，则可以输出音乐信息。如果意图识别结果为“关闭电灯”，则可以输出电灯关闭指令，以关闭电灯。

本申请的上述实施例提供的语音交互方法，可以根据预设词语与上文信息、下文信息之间的时间间隔，对设备进行控制，使得用户与设备的交互更智能化，优化用户与设备的交互体验。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种语音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，本实施例的语音交互装置500包括：实时监测单元501、语音识别单元502、判断单元503、意图识别单元504和设备控制单元505。

实时监测单元501，被配置成实时监测用户的语音。

语音识别单元502，被配置成对语音进行识别，确定语音是否包括预设词语。

判断单元503，被配置成响应于确定语音包括预设词语，确定语音是否包括预设词语的上文信息。

意图识别单元504，被配置成响应于确定语音不包括预设词语的上文信息，对预设词语的下文信息进行意图识别。

设备控制单元505，被配置成根据意图识别结果，控制设备响应用户。

在本实施例的一些可选的实现方式中，意图识别单元504可以进一步被配置成：响应于确定语音包括预设词语的上文信息，确定预设词语与上文信息之间的第一时间间隔；响应于确定第一时间间隔大于或等于第一预设时长，对预设词语的下文信息进行意图识别。

在本实施例的一些可选的实现方式中，设备控制单元505可以进一步被配置成：响应于确定第一时间间隔小于第一预设时长，控制设备静默。

在本实施例的一些可选的实现方式中，设备控制单元505可以进一步被配置成：确定预设词语与下文信息之间的第二时间间隔；响应于确定第二时间间隔大于或等于第二预设时长，控制设备即时输出预设响应信息。

在本实施例的一些可选的实现方式中，设备控制单元505可以进一步被配置成：响应于确定第二时间间隔小于第二预设时长，控制设备静默。

应当理解，语音交互装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对语音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。

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执行语音交互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，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的执行语音交互方法。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执行语音交互方法。

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执行语音交互方法对应的程序指令/模块(例如，附图5所示的实时监测单元501、语音识别单元502、判断单元503、意图识别单元504和设备控制单元505)。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执行语音交互方法。

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执行语音交互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执行语音交互电子设备。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。

执行语音交互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，以及产生与执行语音交互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。

根据本申请实施例的技术方案，简化了用户与设备的交互步骤，优化了用户体验。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims

1.一种语音交互方法，包括：

实时监测用户的语音；

对所述语音进行识别，确定所述语音是否包括预设词语；

响应于确定所述语音包括所述预设词语，确定所述语音是否包括所述预设词语的上文信息；

响应于确定所述语音不包括所述预设词语的上文信息，对所述预设词语的下文信息进行意图识别；

根据意图识别结果，控制设备响应用户。

2.根据权利要求1所述的方法，其中，所述对所述预设词语的下文信息进行意图识别，包括：

响应于确定所述语音包括所述预设词语的上文信息，确定所述预设词语与所述上文信息之间的第一时间间隔；

响应于确定所述第一时间间隔大于或等于第一预设时长，对所述预设词语的下文信息进行意图识别。

3.根据权利要求2所述的方法，其中，所述方法还包括：

响应于确定所述第一时间间隔小于所述第一预设时长，控制所述设备静默。

4.根据权利要求1所述的方法，其中，所述方法还包括：

确定所述预设词语与所述下文信息之间的第二时间间隔；

响应于确定所述第二时间间隔大于或等于第二预设时长，控制所述设备即时输出预设响应信息。

5.根据权利要求4所述的方法，其中，所述方法还包括：

响应于确定所述第二时间间隔小于所述第二预设时长，控制所述设备静默。

6.一种语音交互装置，包括：

实时监测单元，被配置成实时监测用户的语音；

语音识别单元，被配置成对所述语音进行识别，确定所述语音是否包括预设词语；

判断单元，被配置成响应于确定所述语音包括所述预设词语，确定所述语音是否包括所述预设词语的上文信息；

意图识别单元，被配置成响应于确定所述语音不包括所述预设词语的上文信息，对所述预设词语的下文信息进行意图识别；

设备控制单元，被配置成根据意图识别结果，控制设备响应用户。

7.根据权利要求6所述的装置，其中，所述意图识别单元进一步被配置成：

8.根据权利要求7所述的装置，其中，所述设备控制单元进一步被配置成：

9.根据权利要求6所述的装置，其中，所述设备控制单元进一步被配置成：

确定所述预设词语与所述下文信息之间的第二时间间隔；

10.根据权利要求9所述的装置，其中，所述设备控制单元进一步被配置成：

11.一种语音交互电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。