交互方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及交互方法、装置、设备和计算机可读介质。
背景技术
随着互联技术的不断发展,虚拟形象(例如卡通人物)可以通过模拟人的声音、动作等方式来代替人完成一些工作。举例来说,可以利用虚拟主播与用户进行交互,从而可以降低人工成本。但是,相关的虚拟形象存在以下技术问题:
第一,虚拟形象声音机械且不同的虚拟形象声音同质化严重。
第二,虚拟形象难以与用户进行有效互动。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了交互方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种交互方法,该方法包括:获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息;生成以及向终端发送物品标识对应的多个物品相关文本;响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音;基于虚拟形象信息和物品相关语音生成物品相关视频。
第二方面,本公开的一些实施例提供了一种交互装置,装置包括:获取单元,被配置成获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息;文本生成单元,被配置成生成以及向终端发送物品标识对应的多个物品相关文本;语音生成单元,被配置成响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音;视频生成单元,被配置成基于虚拟形象信息和物品相关语音生成物品相关视频。
第三方面,本公开的一些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第一方面中任一实现方式描述的方法。
第四方面,本公开的一些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,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例具有如下有益效果:虚拟形象的声音更加真实且可以实现音色定制。具体来说,发明人发现虚拟形象声音机械且同质化的原因在于:在语音生成过程中没有利用用户的音色信息。基于此,本公开的一些实施例的交互方法,通过在语音生成过程中引入音色信息,以使得最后生成视频与真人发音更加相似,从而使得虚拟形象的发音更加真实。与此同时,用户的音色信息各不相同,从而可以实现音色定制。另外,在此过程中,通过生成多个物品相关文本供用户进行选取,实现了更具针对性和个性化的文本生成,进而使得最后生成的视频也更具针对性和个性化。
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,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的交互方法的一个应用场景的示意图;
图2是根据本公开的交互方法的一些实施例的流程图;
图3是根据本公开的交互方法的另一些实施例的流程图;
图4是根据本公开的交互装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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。
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。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
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”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的交互方法的一个应用场景的示意图。
图1的可以是通过虚拟形象进行产品介绍的应用场景。首先,用户可以在终端107展示的多个虚拟形象中选取想要的虚拟形象。其中,虚拟形象可以是各种虚拟人物,例如卡通人物。此外,终端107还可以展示多个可以供选择的音色信息,例如男声、女声等。从而,用户可以选取想要的音色信息。另外,还可以输入物品名称、编号等物品标识。然后,终端107可以将这些信息发送至交互方法的执行主体,即计算设备101。
在此基础上,计算设备101可以获取用户通过终端107选取的虚拟形象信息、物品标识和虚拟形象对应的音色信息102。然后,可以生成物品标识对应的多个物品相关文本103,以及向终端107发送多个物品相关文本103。由此,终端107可以对多个物品相关文本103进行展示。用户可以根据需要在多个物品相关文本103中选取目标物品相关文本104。在此基础上,计算设备101可以基于音色信息和目标物品相关文本104,生成目标物品相关文本对应的物品相关语音105。然后,可以基于虚拟形象信息和物品相关语音生成物品相关视频105,以及将物品相关视频106发送至终端107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成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。
应该理解,图1中的计算设备、终端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计算设备、终端。
继续参考图2,示出了根据本公开的交互方法的一些实施例的流程200。该交互方法,包括以下步骤:
步骤201,获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息。
在一些实施例中,交互方法的执行主体(例如图1所示的计算设备)可以首先获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息。其中,虚拟形象信息可以是虚拟形象(例如卡通人物、动物等)的图像、标识、名称等等相关信息。作为示例,用户可以在终端展示的多个虚拟形象信息、音色信息中选取想要的虚拟形象信息、音色信息。另外,还可以输入物品名称、编号等物品标识。然后,终端可以将这些信息发送至交互方法的执行主体。其中,音色信息可以是与虚拟形象的音色相关的信息,包括但不限于:声音的类别信息、声音效果信息等等。例如,可以选择男声、女声、环绕立体声等等。
步骤202,生成以及向终端发送物品标识对应的多个物品相关文本。
在一些实施例中,上述执行主体可以通过多种方法生成物品标识对应的多个物品相关文本。例如,可以将上述物品标识(例如物品名称)在预先设置的描述文本库中进行匹配。其中,描述文本库可以由各个物品标识对应的描述文本所组成的。然后,可以选择匹配度高于预设匹配度阈值的若干个物品描述文本作为多个物品相关文本。之后,可以将多个物品相关文本发送至终端。
步骤203,响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音。
在一些实施例中,终端可以对接收到的多个物品相关文本进行展示。从而用户可以在其中选取目标物品相关文本。响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,上述执行主体可以通过多种方式生成目标物品相关文本对应的物品相关语音。例如,可以通过一些语音合成(TTS)库或接口来生成物品相关语音。
在一些实施例的一些可选的实现方式中,可以额将目标物品相关文本输入语音模型以生成物品相关语音,其中,语音模型是基于音色信息通过以下步骤训练得到的:获取预训练语音模型和音色信息,音色信息包括用户通过终端提交的用户语料;将用户语料输入预先训练的音频去噪模型,得到去噪后的用户语料;基于去噪后的用户语料,对预训练语音模型进行再训练,得到语音模型。
在这些可选的实现方式中,作为本公开的一个发明点,通过使用用户语料对于预训练语音模型进行再训练,可以快速得到具有用户想要的音色的语音模型。其中,由于预训练语音模型已经在其他语料上经过训练。因此,可以减少所需要的用户语料的数量。从而可以使用少量的用户语料训练出具有想要的音色的语音模型,提高了训练效率,节约用户定制时间。在此过程中,发明人发现,由于在录制过程中受到各种环境因素的影响,用户语料往往存在质量不好,噪声较大的现象。进而直接影响语音模型的合成效果。基于此,通过将用户语料进行去噪,并利用去噪后的用户语料进行训练,提高了语音模型的合成效果。
步骤204,基于虚拟形象信息和物品相关语音生成物品相关视频。
在一些实施例中,作为示例,上述执行主体可以对虚拟形象信息对应的虚拟形象进行渲染。然后,对于渲染后的虚拟形象与物品相关语音进行合成,得到物品相关视频。在此基础上,可选的,可以根据需要,将物品相关视频发送至多个终端。
本公开的一些实施例公开的交互方法,虚拟形象的声音更加真实且可以实现音色定制。具体来说,发明人发现虚拟形象声音机械且同质化的原因在于:在语音生成过程中没有利用用户的音色信息。基于此,本公开的一些实施例的交互方法,通过在语音生成过程中引入音色信息,以使得最后生成视频与真人发音更加相似,从而使得虚拟形象的发音更加真实。与此同时,用户的音色信息各不相同,从而可以实现音色定制。另外,在此过程中,通过生成多个物品相关文本供用户进行选取,实现了更具针对性和个性化的文本生成,进而使得最后生成的视频也更具针对性和个性化。
进一步参考图3,其示出了交互方法的另一些实施例的流程300。该交互方法的流程300,包括以下步骤:
步骤301,获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息。
步骤302,生成以及向终端发送物品标识对应的多个物品相关文本。
步骤303,响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音。
步骤304,基于虚拟形象信息和物品相关语音生成物品相关视频。
在一些实施例中,步骤301-304的具体实现及其所带来的技术效果可以参考图2对应的那些实施例中的描述,在此不再赘述。
步骤305,获取针对物品相关视频的目标用户提问信息,其中,目标用户提问信息是从多个用户提问信息中选取的与物品关联度大于第一阈值的用户提问信息。
在一些实施例中,物品相关视频会根据请求发送至多个用户对应的终端。多个用户可以通过各自的终端发送针对物品相关视频的用户提问信息。用户提问信息可以是各种提问信息。例如可以是与物品的属性相关的提问信息(例如物品的尺寸、价格等等)。又如,可以是与物品不相关的提问信息(例如,天气提问信息)。在此基础上,各个终端可以将多个用户提问信息发送至上述执行主体。在接收到多个用户提问信息的基础上,可以从其中选取与物品关联度大于第一阈值的用户提问信息。作为示例,可以基于预设设定的正则表达式确定每个用户提问信息与物品的关联度。然后,选取与物品关联度大于第一阈值的用户提问信息。
步骤306,生成目标用户提问信息对应的交互视频。
在一些实施例中,上述执行主体可以通过与步骤203、204类似的方法生成对应的交互视频。
在一些实施例的一些可选的实现方式中,还可以通过以下步骤生成交互视频:
第一,生成用户提问信息对应的交互文本。
作为示例,可以将用户提问信息在预设对话文本集合中进行匹配,以确定是否存在对应的对话文本。响应于不存在对应的对话文本,将用户提问信息输入预先训练的对话生成模型,以生成交互文本。从而可以通过预设话术与对话生成结合的方式,实现交互文本的快速生成。
作为又一示例,还可以确定用户提问信息的类别。响应于确定的类别为第一预设类别,将用户提问信息在预设对话文本集合中进行匹配。响应于确定的类别为第二预设类别,将用户提问信息输入预先训练的对话生成模型,以生成交互文本。从而可以实现针对不同的文本类别,采用不同的生成方式,以针对性的解决某些类别的提问,适应不同的场景需求。
第二,基于交互文本和以下至少一项:用户输入的语速信息、重读文本,生成交互语音。从而使得交互语音更加逼真,并能够实现语速、重读的定制化。
作为示例,基于交互文本和以下至少一项:用户输入的语速信息、重读文本,生成交互语音,包括:将交互文本输入语音模型以生成候选交互语音;调整重读文本在候选交互语音中对应的语音片段的时间间隔和声调,得到交互语音。由此,可以实现一些文本的重读。
举例来说,可以将重读文本的语音片段的前后的时间间隔增大,并将重读文本的语音片段的声调调高。
作为示例,基于交互文本和以下至少一项:用户输入的语速信息、重读文本,生成交互语音,包括:将交互文本输入语音模型以生成候选交互语音;根据语速信息调整候选交互语音在单位时间内的帧数和采样点数目,以生成交互语音。
举例来说,可以通过增加帧数来降低语速。与此同时,可以增加采样点数据以确保音频的平滑。相应的,可以通过减少帧数来提高语速。同时,可以减少采样点以确保音频的平滑。
第三,基于虚拟形象信息和交互语音生成交互视频。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的交互方法的流程300,增加了针对用户提问信息生成对应的交互视频的步骤。从而可以解决背景技术中的第二个技术问题“虚拟形象难以与用户进行有效互动”。实现与用户的有效互动。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种交互装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的交互装置400包括:获取单元401、文本生成单元402、语音生成单元403和视频生成单元404。其中,获取单元401被配置成获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息。文本生成单元402,被配置成生成以及向终端发送物品标识对应的多个物品相关文本。语音生成单元403,被配置成响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音。视频生成单元404,被配置成基于虚拟形象信息和物品相关语音生成物品相关视频。
在一些实施例的可选实现方式中,交互装置400还包括提问信息获取单元和交互视频生成单元。其中,提问信息获取单元被配置成获取针对物品相关视频的目标用户提问信息,其中,目标用户提问信息是从多个用户提问信息中选取的与物品关联度大于第一阈值的用户提问信息。交互视频生成单元被配置成生成目标用户提问信息对应的交互视频。
在一些实施例的可选实现方式中,交互视频生成单元进一步被配置成:生成用户提问信息对应的交互文本;基于交互文本和以下至少一项:用户输入的语速信息、重读文本,生成交互语音;基于虚拟形象信息和交互语音生成交互视频。
在一些实施例的可选实现方式中,语音生成单元403进一步被配置成:将目标物品相关文本输入语音模型以生成物品相关语音,其中,语音模型是基于音色信息通过以下步骤训练得到的:获取预训练语音模型和音色信息,音色信息包括用户通过终端提交的用户语料;将用户语料输入预先训练的音频去噪模型,得到去噪后的用户语料;基于去噪后的用户语料,对预训练语音模型进行再训练,得到语音模型。
在一些实施例的可选实现方式中,交互视频生成单元进一步被配置成:将交互文本输入语音模型以生成候选交互语音;调整重读文本在候选交互语音中对应的语音片段的时间间隔和声调,得到交互语音。
在一些实施例的可选实现方式中,交互视频生成单元进一步被配置成:将交互文本输入语音模型以生成候选交互语音;根据语速信息调整候选交互语音在单位时间内的帧数和采样点数数目,以生成交互语音。
在一些实施例的可选实现方式中,交互视频生成单元进一步被配置成:将用户提问信息在预设对话文本集合中进行匹配,以确定是否存在对应的对话文本;响应于不存在对应的对话文本,将用户提问信息输入预先训练的对话生成模型,以生成交互文本。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)500的结构示意图。图5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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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5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,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
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:获取用户通过终端输入的虚拟形象信息、物品标识和虚拟形象对应的音色信息;生成以及向终端发送物品标识对应的多个物品相关文本;响应于接收到用户通过终端在多个物品相关文本中选取的目标物品相关文本,基于音色信息和目标物品相关文本,生成目标物品相关文本对应的物品相关语音;基于虚拟形象信息和物品相关语音生成物品相关视频。
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一些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。
描述于本公开的一些实施例中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:获取单元、文本生成单元、语音生成单元和视频生成单元。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,文本生成单元还可以被描述为“生成以及向终端发送所述物品标识对应的多个物品相关文本的单元”。
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。
以上描述仅为本公开的一些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。