CN112242143B - 一种语音交互方法、装置、终端设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种语音交互方法、装置、电子设备及存储介质，该方法包括：接收语音请求；对所述语音请求进行意图识别，得到目标意图和临时槽位；将与所述临时槽位同音的汉字进行显示，以供用户选择；将被选择的所述汉字确定为目标槽位；根据所述目标意图和所述目标槽位对所述语音请求进行响应。本公开实施例的技术方案，提高了语音交互的正确率和效率。

Description

一种语音交互方法、装置、终端设备及存储介质

技术领域

本公开实施例涉及语音处理技术，尤其涉及一种语音交互方法、装置、终端设备及存储介质。

背景技术

人机交互是指人与计算机之间使用特定自然语言进行交互，完成信息交换的过程。随着人工智能技术的快速发展，人机交互的应用越来越广泛，例如，商业、家居、教育、科技和服务等领域中均涉及人机交互的应用。且人们对方便快捷、高效准确的智能服务的需求越来越强烈。

自然语言作为人类表达自己思想最方便、最常用的方式，已经逐渐成为智能服务领域主流的人机交互方式。然而，目前的智能语音识别系统对用户发出的基于单字的语音请求的识别准确率还较低，尤其对于同音不同字的单字语音请求甚至基本无法进行正确交互。例如，用户语音说出：“瞰”字怎么组词？此时语音识别系统无法获知用户说的“瞰”是哪个“瞰/看”，故无法与用户进行正确的交互。

发明内容

本公开实施例提供一种语音交互方法、装置、终端设备及存储介质，以提高语音交互的正确率和效率。

第一方面，本公开实施例提供了一种语音交互方法，该方法包括：接收语音请求；对所述语音请求进行意图识别，得到目标意图和临时槽位；将与所述临时槽位同音的汉字进行显示，以供用户选择；将被选择的所述汉字确定为目标槽位；根据所述目标意图和所述目标槽位对所述语音请求进行响应。

第二方面，本公开实施例还提供了一种语音交互装置，该装置包括：接收模块，用于接收语音请求；识别模块，用于对所述语音请求进行意图识别，得到目标意图和临时槽位；显示模块，用于将与所述临时槽位同音的汉字进行显示，以供用户选择；确定模块，用于将被选择的所述汉字确定为目标槽位；响应模块，用于根据所述目标意图和所述目标槽位对所述语音请求进行响应。

第三方面，本公开实施例还提供了一种设备，所述设备包括：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本公开实施例任一所述的语音交互方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的语音交互方法。

本公开实施例的技术方案，通过接收语音请求；对所述语音请求进行意图识别，得到目标意图和临时槽位；将与所述临时槽位同音的汉字进行显示，以供用户选择；将被选择的所述汉字确定为目标槽位；根据所述目标意图和所述目标槽位对所述语音请求进行响应的技术手段，实现了提高语音交互正确率和效率的目的。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例一所提供的一种语音交互方法流程示意图；

图2为本公开实施例二所提供的一种语音交互方法流程示意图；

图3为本公开实施例三所提供的一种语音交互装置结构示意图；

图4为本公开实施例四所提供的一种电子设备结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

图1为本公开实施例一所提供的一种语音交互方法流程示意图，本实施例可适用于对包含同音字或者同音词的语音请求进行准确交互的场景，该方法可以由语音交互装置来执行，该装置可以通过软件和/或硬件的形式实现，并集成于终端，所述终端典型的例如可以是服务器。参见图1所示，所述语音交互方法包括如下步骤：

步骤110、接收语音请求。

当用户与电子设备进行语音交互时，用户对着电子设备的语音接收模块(例如麦克风)通过语音的形式说出自己的请求，例如“明天天气怎么样”、“‘笑’字怎么组词”等语音请求。

对于不具备语音接收功能的电子设备，可通过专门的语音接收设备获取用户发出的语音请求。具体的，一个语音接收设备可与多个不具备语音接收功能的电子设备通信连接，当语音接收设备接收到用户针对目标电子设备发出的语音请求时，语音接收设备将接收到的语音请求进一步转发至所述目标电子设备。

步骤120、对所述语音请求进行意图识别，得到目标意图和临时槽位。

具体的，可由与用户进行交互的电子设备本身的处理器对所述语音请求进行意图识别，得到目标意图和临时槽位；或者，与用户进行交互的电子设备将接收到的语音请求进一步发送至后端服务器，由后端服务器对所述语音请求进行意图识别，得到目标意图和临时槽位。

其中，目标意图表示用户当前请求信息中的核心内容，槽位可以理解为识别用户意图所必不可少的辅助关键信息。例如：当用户与电子设备进行交互时，用户发出的语音是“地点X今天的天气如何？”，通过意图识别，可以得到用户的目标意图是询问天气，时间“今天”和地点“地点X”即为槽位，目标意图和目标槽位相结合才可以准确得到用户意图。

所述临时槽位指不太准确的槽位，所述目标槽位指较为准确的槽位。例如，用户语音输入“‘瞰’字怎么组词？”，则“看”为临时槽位，“瞰”为目标槽位。由于与所述“瞰”字同音的字有很多，所以电子设备基于用户的语音输入无法准确确定到底是哪个“看/瞰”。通常电子设备会按照同音字/词中各个字/词的常见程度、是否为生僻字/词或者使用频次确定，如上所述，当用户语音输入“‘瞰’字怎么组词？”时，电子设备识别出的临时槽位为“看”，这是因为“看”的常见程度大于“瞰”。显然上述同音字/词的确定机制是不准确的，故将不太准确的识别结果确定为临时槽位，通过一定的技术手段确定出的较为准确的槽位为目标槽位。

为了提高识别精度，本实施例增加了如下步骤130的技术手段，通过将与所述临时槽位同音的汉字进行显示，以供用户选择。通过二次交互的方式提高识别精度，进而提高交互的准确度和交互效率。例如，用户语音输入“‘孝’字怎么组词？”，电子设备对所述语音输入进行意图识别，得到目标意图“组词”和临时槽位“笑”，进一步，将与临时槽位“孝”同音的汉字(例如包括“笑、“校”、“啸”、哮”或者“效”)进行显示，以使用户从中选择其想表达的目标汉字。

进一步的，为了防止用户与电子设备之间的误交互，可通过设置唤醒词的方式实现，即用户每次输入语音请求时，都带着预设的唤醒词。例如用户语音输入“小智，‘孝’字怎么组词？”，当电子设备识别到预设唤醒词“小智”时，才对当前的语音请求进行意图识别，否则不对当前的语音请求进行响应。

步骤130、将与所述临时槽位同音的汉字进行显示，以供用户选择。

具体的，通过人机交互界面将与所述临时槽位同音的汉字进行显示，同时可为每个汉字编号，以帮助用户进行选择。例如当用户看到显示的同音字时，可语音表达“第二个‘校’”从而实现对目标汉字的选择。

可以理解的是，用户还可以通过人机交互界面进行手动选择。

进一步的，将与所述临时槽位同音的汉字进行显示之后，所述交互方法还包括：

通过语音播报的形式播放用于提示用户从所显示的汉字中选择目标汉字的话语。例如“你说的‘孝(xiao)’是哪个‘笑(xiao)’想查哪个”，以提醒用户从所显示的汉字中选择目标汉字。

步骤140、将被选择的所述汉字确定为目标槽位。

示例性的，将被选择的所述汉字确定为目标槽位，包括：接收基于所显示的汉字序号进行汉字选择的语音输入；对所述语音输入进行语义识别，以确定被选择的目标汉字；将所述目标汉字确定为所述目标槽位。替代地，将被选择的汉字确定为目标槽位可以包括：接收基于触摸屏进行汉字选择的选择指令；根据所述选择指令确定被选择的目标汉字；将所述目标汉字确定为所述目标槽位。

步骤150、根据所述目标意图和所述目标槽位对所述语音请求进行响应。

本公开实施例的技术方案，通过将与用户语音输入的同音字或者同音词进行显示，以供用户选择的二次交互方式，提高了对同音字或者同音词的识别精度，进而提高了人机交互的效果和效率。

图2为本公开实施例二所提供的一种语音交互方法流程示意图，在上述实施例的基础上，本实施例给出了步骤120、“对所述语音请求进行意图识别，得到目标意图和临时槽位”的一种实现方式。参见图2所示，所述方法包括：

步骤210、接收语音请求。

步骤220、对所述语音请求进行语音识别，得到所述语音请求对应的文本信息。

具体的，可通过ASR(Automatic Speech Recognition，自动语音识别)对所述语音请求进行语音识别，得到所述语音请求对应的文本信息。

步骤230、将所述文本信息输入至训练好的意图识别模型，得到目标意图和临时槽位。

其中，所述训练好的意图识别模型为基于大量的文本信息样本进行训练得到，所述大量的文本信息样本均被进行了意图和槽位的标注，所述意图识别模型具体可为神经网络模型。

进一步的，将所述文本信息输入至训练好的意图识别模型之前，所述交互方法还包括：

确定所述文本信息是否包括预设词库中的词汇，若所述文本信息包括所述预设词库中的词汇，则将所述文本信息过滤掉，并通过语音播报的形式播放用于提示用户无法对所述语音请求进行响应的话语。

其中，所述预设词库为敏感词库，当所述文本信息中包括敏感词时，则不对当前的语音请求进行响应，并通过语音播报的形式播放用于提示用户无法对当前语音请求进行响应的话语，以提高用户体验。或者当所述文本信息中包括敏感词时，转由人工对当前事件进行处理，此外，在人工进行干预之前，电子设备可以输出一些预先设置的模板应答话语，例如：“不能理解您的话，请见谅，稍后为您转人工应答”或者“不能理解您的话，请见谅，请您重新描述”等。通过输出模板应答话语，可以舒缓用户情绪，提高用户的人机交互体验。

进一步的，对所述语音请求进行意图识别，得到目标意图和临时槽位，还包括：获取所述文本信息的上下文信息；根据所述文本信息以及所述上下文信息对所述语音请求进行意图识别，得到目标意图和临时槽位；其中，所述上下文件信息包括人机交互过程中与所述语音请求相邻的语音请求所对应的目标意图和临时槽位。

考虑到用户与电子设备进行交互的过程中，可能存在多轮对话的情况，每一次交互的内容可能与上一次交互的内容存在关联性。因此，在获取用户的语音请求对应的文本信息的同时，获取相应的上下文信息，以辅助意图识别的进行。例如：用户在第一轮交互过程中语音输入“‘孝’怎么组词？”接着语音输入“‘瞰’呢”，则在第二轮的交互过程中，系统自动识别到用户的目标意图与第一轮交互时的目标意图相同，也为“组词”。

步骤240、将与所述临时槽位同音的汉字进行显示，以供用户选择。

步骤250、将被选择的所述汉字确定为目标槽位。

步骤260、根据所述目标意图和所述目标槽位对所述语音请求进行响应。

本公开实施例的技术方案，通过基于训练好的神经网络模型对所述语音请求进行意图识别，得到目标意图和临时槽位，提高了意图识别的精度；通过利用敏感词库对所述语音请求进行过滤，净化了网络环境以及有助于社会的良好发展；通过结合语音请求对应的文本信息的上下文信息，进一步提高了意图识别精度，迎合了用户的交互习惯，提高了用户体验。

图3为本公开实施例三提供的一种语音交互装置，该装置包括：接收模块310、识别模块320、显示模块330、确定模块340和响应模块350；

其中，接收模块310，用于接收语音请求；识别模块320，用于对所述语音请求进行意图识别，得到目标意图和临时槽位；显示模块330，用于将与所述临时槽位同音的汉字进行显示，以供用户选择；确定模块340，用于将被选择的所述汉字确定为目标槽位；响应模块350，用于根据所述目标意图和所述目标槽位对所述语音请求进行响应。

在上述技术方案的基础上，所述装置还包括：

播放模块，用于在将与所述临时槽位同音的汉字进行显示之后，通过语音播报的形式播放用于提示用户从所显示的汉字中选择目标汉字的话语。

在上述技术方案的基础上，识别模块320包括：

文本信息识别单元，用于对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；

意图识别单元，用于将所述文本信息输入至训练好的意图识别模型，得到目标意图和临时槽位。

在上述技术方案的基础上，所述装置还包括：

过滤模块，用于在将所述文本信息输入至训练好的意图识别模型之前，确定所述文本信息是否包括预设词库中的词汇，若所述文本信息包括所述预设词库中的词汇，则将所述文本信息过滤掉，并通过语音播报的形式播放用于提示用户无法对所述语音请求进行响应的话语。

在上述技术方案的基础上，识别模块320还包括：

上下文信息获取单元，用于获取所述文本信息的上下文信息；

对应的，所述意图识别单元用于根据所述文本信息以及所述上下文信息对所述语音请求进行意图识别，得到目标意图和临时槽位；

其中，所述上下文件信息包括人机交互过程中与所述语音请求相邻的语音请求所对应的目标意图和临时槽位。

在上述技术方案的基础上，确定模块340包括：

接收单元，用于接收基于所显示的汉字序号进行汉字选择的语音输入；

识别单元，用于对所述语音输入进行语义识别，以确定被选择的目标汉字；

确定单元，用于将所述目标汉字确定为所述目标槽位。

在上述技术方案的基础上，所述接收单元还用于接收基于触摸屏进行汉字选择的选择指令；

所述确定单元还用于根据所述选择指令确定被选择的目标汉字，并将所述目标汉字确定为所述目标槽位。

本公开实施例的技术方案，通过将与用户语音输入的同音字或者同音词进行显示，以供用户选择的二次交互方式，提高了对同音字或者同音词的识别精度，进而提高了人机交互的效果和效率。

本公开实施例所提供的语音交互装置可执行本公开任意实施例所提供的语音交互方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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。

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，其包括承载在非暂态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409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施例提供的终端与上述实施例提供的语音交互方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的语音交互方法。

需要说明的是，本公开上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。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

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：接收语音请求；对所述语音请求进行意图识别，得到目标意图和临时槽位；将与所述临时槽位同音的汉字进行显示，以供用户选择；将被选择的所述汉字确定为目标槽位；根据所述目标意图和所述目标槽位对所述语音请求进行响应。

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操作的计算机程序代码，上述程序设计语言包括但不限于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。其中，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，可编辑内容显示单元还可以被描述为“编辑单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种语音交互方法，该方法包括：接收语音请求；对所述语音请求进行意图识别，得到目标意图和临时槽位；将与所述临时槽位同音的汉字进行显示，以供用户选择；将被选择的所述汉字确定为目标槽位；根据所述目标意图和所述目标槽位对所述语音请求进行响应。

根据本公开的一个或多个实施例，将与所述临时槽位同音的汉字进行显示之后，语音交互方法还包括：通过语音播报的形式播放用于提示用户从所显示的汉字中选择目标汉字的话语。

根据本公开的一个或多个实施例，对所述语音请求进行意图识别，得到目标意图和临时槽位，包括：对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；将所述文本信息输入至训练好的意图识别模型，得到目标意图和临时槽位。

根据本公开的一个或多个实施例，将所述文本信息输入至训练好的意图识别模型之前，语音交互方法还包括：确定所述文本信息是否包括预设词库中的词汇，若所述文本信息包括所述预设词库中的词汇，则将所述文本信息过滤掉，并通过语音播报的形式播放用于提示用户无法对所述语音请求进行响应的话语。

根据本公开的一个或多个实施例，对所述语音请求进行意图识别，得到目标意图和临时槽位，包括：对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；获取所述文本信息的上下文信息；根据所述文本信息以及所述上下文信息对所述语音请求进行意图识别，得到目标意图和临时槽位；其中，所述上下文件信息包括人机交互过程中与所述语音请求相邻的语音请求所对应的目标意图和临时槽位。

根据本公开的一个或多个实施例，所述将被选择的所述汉字确定为目标槽位，包括：接收基于所显示的汉字序号进行汉字选择的语音输入；对所述语音输入进行语义识别，以确定被选择的目标汉字；将所述目标汉字确定为所述目标槽位。

根据本公开的一个或多个实施例，所述将被选择的所述汉字确定为目标槽位，包括：接收基于触摸屏进行汉字选择的选择指令；根据所述选择指令确定被选择的目标汉字；将所述目标汉字确定为所述目标槽位。

根据本公开的一个或多个实施例，提供了一种语音交互装置，该装置包括：接收模块，用于接收语音请求；识别模块，用于对所述语音请求进行意图识别，得到目标意图和临时槽位；显示模块，用于将与所述临时槽位同音的汉字进行显示，以供用户选择；确定模块，用于将被选择的所述汉字确定为目标槽位；响应模块，用于根据所述目标意图和所述目标槽位对所述语音请求进行响应。

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，本公开中所涉及的公开范围，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公开构思的情况下，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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (9)

1.一种语音交互方法，其特征在于，包括：

接收语音请求；

对所述语音请求进行意图识别，得到目标意图和临时槽位；

将与所述临时槽位同音的汉字进行显示，以供用户选择；

将被选择的所述汉字确定为目标槽位；

根据所述目标意图和所述目标槽位对所述语音请求进行响应；

对所述语音请求进行意图识别，得到目标意图和临时槽位，包括：

对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；

将所述文本信息输入至训练好的意图识别模型，得到目标意图和临时槽位。

2.根据权利要求1所述的方法，其特征在于，将与所述临时槽位同音的汉字进行显示之后，还包括：

通过语音播报的形式播放用于提示用户从所显示的汉字中选择目标汉字的话语。

3.根据权利要求1所述的方法，其特征在于，将所述文本信息输入至训练好的意图识别模型之前，还包括：

确定所述文本信息是否包括预设词库中的词汇；

若所述文本信息包括所述预设词库中的词汇，则将所述文本信息过滤掉，并通过语音播报的形式播放用于提示用户无法对所述语音请求进行响应的话语。

4.根据权利要求1所述的方法，其特征在于，对所述语音请求进行意图识别，得到目标意图和临时槽位，包括：

对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；

获取所述文本信息的上下文信息；

根据所述文本信息以及所述上下文信息对所述语音请求进行意图识别，得到目标意图和临时槽位；

其中，所述上下文件信息包括人机交互过程中与所述语音请求相邻的语音请求所对应的目标意图和临时槽位。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述将被选择的所述汉字确定为目标槽位，包括：

接收基于所显示的汉字序号进行汉字选择的语音输入；

对所述语音输入进行语义识别，以确定被选择的目标汉字；

将所述目标汉字确定为所述目标槽位。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述将被选择的所述汉字确定为目标槽位，包括：

接收基于触摸屏进行汉字选择的选择指令；

根据所述选择指令确定被选择的目标汉字；

将所述目标汉字确定为所述目标槽位。

7.一种语音交互装置，其特征在于，包括：

接收模块，用于接收语音请求；

识别模块，用于对所述语音请求进行意图识别，得到目标意图和临时槽位；

显示模块，用于将与所述临时槽位同音的汉字进行显示，以供用户选择；

确定模块，用于将被选择的所述汉字确定为目标槽位；

响应模块，用于根据所述目标意图和所述目标槽位对所述语音请求进行响应；

所述识别模块包括：

文本信息识别单元，用于对所述语音请求进行语音识别，得到所述语音请求对应的文本信息；

意图识别单元，用于将所述文本信息输入至训练好的意图识别模型，得到目标意图和临时槽位。

8.一种电子设备，其特征在于，所述设备包括：

一个或多个处理装置；

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装置执行，使得所述一个或多个处理装置实现如权利要求1-6中任一所述的语音交互方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-6中任一所述的语音交互方法。

Images