CN112382291A - 语音交互的处理方法、装置、电子设备及存储介质 - Google Patents

语音交互的处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112382291A
CN112382291A CN202011322535.2A CN202011322535A CN112382291A CN 112382291 A CN112382291 A CN 112382291A CN 202011322535 A CN202011322535 A CN 202011322535A CN 112382291 A CN112382291 A CN 112382291A
Authority
CN
China
Prior art keywords
voice
sample
input
historical
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011322535.2A
Other languages
English (en)
Other versions
CN112382291B (zh
Inventor
刘兵
吴震
白锦峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011322535.2A priority Critical patent/CN112382291B/zh
Publication of CN112382291A publication Critical patent/CN112382291A/zh
Application granted granted Critical
Publication of CN112382291B publication Critical patent/CN112382291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/06Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063Training
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/06Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063Training
    • G10L2015/0631Creating reference templates; Clustering
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223Execution procedure of a spoken command
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/225Feedback of the input speech

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请公开了语音交互的处理方法、装置、电子设备及存储介质,涉及语音技术领域、深度学习技术领域等人工智能技术领域。具体实现方案为:获取当前时间点用户的输入语音以及用户的历史语音序列;根据输入语音和历史语音序列生成用户的语音特征信息;根据语音特征信息生成输入语音的分类判断结果;若分类判断结果为拒识,则忽略输入语音;若分类判断结果为接收,则对输入语音进行响应处理。从而能够结合当前时间点用户的输入语音以及用户的历史语音序列来确定对该输入语音进行拒识还是接收,提高了对语音进行响应的准确度,避免忽略部分语音。

Description

语音交互的处理方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域,具体涉及语音技术领域、深度学习技术领域等人工智能技术领域,尤其涉及语音交互的处理方法、装置、电子设备及存储介质。
背景技术
目前在智能语音交互硬件产品中,存在一次唤醒多次交互的场景。相关技术中,针对一次唤醒中的多次交互,利用query白名单只对存在高频指令词的语音进行响应,其他语音全部忽略;或直接将高频指令词作为唤醒词的方式实现。
上述方式中,只对存在高频指令词的语音进行响应,响应准确度差,会忽略部分语音,给用户的体验差。
发明内容
本公开提供了一种用于语音交互的处理方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种语音交互的处理方法,包括:获取当前时间点用户的输入语音以及所述用户的历史语音序列;根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息;根据所述语音特征信息生成所述输入语音的分类判断结果;若所述分类判断结果为拒识,则忽略所述输入语音;若所述分类判断结果为接收,则对所述输入语音进行响应处理。
根据本公开的另一方面,提供了一种语音交互的处理装置,包括:获取模块,用于获取当前时间点用户的输入语音以及所述用户的历史语音序列;第一生成模块,用于根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息;第二生成模块,用于根据所述语音特征信息生成所述输入语音的分类判断结果;处理模块,用于在所述分类判断结果为拒识时,忽略所述输入语音;所述处理模块,还用于在所述分类判断结果为接收时,对所述输入语音进行响应处理。
根据第三方面,提供了一种电子设备,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如上所述的语音交互的处理方法。
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,所述计算机指令用于使所述计算机执行如上所述的语音交互的处理方法。
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是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是对比预测编码CPC模型的示意图;
图4是根据本申请第三实施例的示意图;
图5是接收拒识分类模型的示意图;
图6是根据本申请第四实施例的示意图;
图7是用来实现本申请实施例的语音交互的处理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。
下面参考附图描述本申请实施例的语音交互的处理方法、装置、电子设备及存储介质。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为语音交互的处理装置,语音交互的处理装置具体可以为硬件设备,或者硬件设备中的软件等。
如图1所示,语音交互的处理方法的具体实现过程如下:
步骤101,获取当前时间点用户的输入语音以及用户的历史语音序列。
在本申请实施例中,当前时间点用户的输入语音,可以为一次唤醒多次交互过程中语音交互的处理装置采集到的用户语音。用户的历史语音序列中的历史语音,可以为一次唤醒多次交互过程中当前时间点之前采集到的用户的输入语音。其中,历史语音序列中可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的所有输入语音,也可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的部分输入语音。其中,历史语音序列中的多条历史语音可以按照时间顺序升序排序。
步骤102,根据输入语音和历史语音序列生成用户的语音特征信息。
在本申请实施例中,在第一种实施场景下,语音特征信息可以包括:历史语音序列对应的历史语音融合特征以及输入语音对应的输入语音特征。语音交互的处理装置可以结合历史语音融合特征以及输入语音特征生成输入语音的分类判断结果。
在第二种实施场景下,语音特征信息可以包括:输入语音融合特征,其中,输入语音融合特征为对历史语音序列对应的历史语音融合特征和输入语音对应的输入语音特征进行融合得到的特征。语音交互的处理装置可以结合输入语音融合特征生成输入语音的分类判断结果。
步骤103,根据语音特征信息生成输入语音的分类判断结果。
在本申请实施例中,输入语音的分类判断结果可以有两种,分别为拒识和接收。分类判断结果为拒识时,输入语音例如可以为噪音、用户与其他人的对话等。分类判断结果为接收时,输入语音例如可以为上一个语音的补充语音等。
步骤104,若分类判断结果为拒识,则忽略输入语音。
在本申请实施例中,忽略输入语音,指的是对输入语音不做响应处理,之后语音交互的处理装置可以继续获取用户的下一个输入语音进行处理,直至此次语音交互结束。
步骤105,若分类判断结果为接收,则对输入语音进行响应处理。
在本申请实施例中,对输入语音进行响应处理后,语音交互的处理装置可以继续获取用户的下一个输入语音进行处理,直至此次语音交互结束。
综上,通过获取当前时间点用户的输入语音以及用户的历史语音序列;根据输入语音和历史语音序列生成用户的语音特征信息;根据语音特征信息生成输入语音的分类判断结果;若分类判断结果为拒识,则忽略输入语音;若分类判断结果为接收,则对输入语音进行响应处理。从而能够结合当前时间点用户的输入语音以及用户的历史语音序列来确定对该输入语音进行拒识还是接收,提高了对语音进行响应的准确度,避免忽略部分语音。
图2是根据本申请第二实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为语音交互的处理装置,语音交互的处理装置具体可以为硬件设备,或者硬件设备中的软件等。
如图2所示,语音交互的处理方法的具体实现过程如下:
步骤201,获取当前时间点用户的输入语音以及用户的历史语音序列。
在本申请实施例中,当前时间点用户的输入语音,可以为一次唤醒多次交互过程中语音交互的处理装置采集到的用户语音。用户的历史语音序列中的历史语音,可以为一次唤醒多次交互过程中当前时间点之前采集到的用户的输入语音。其中,历史语音序列中可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的所有输入语音,也可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的部分输入语音。其中,历史语音序列中的多条历史语音可以按照时间顺序升序排序。
步骤202,根据输入语音和历史语音序列生成用户的语音特征信息。
在本申请实施例中,语音特征信息可以包括:历史语音序列对应的历史语音融合特征以及输入语音对应的输入语音特征。语音交互的处理装置可以结合历史语音融合特征以及输入语音特征生成输入语音的分类判断结果。
步骤203,根据历史语音融合特征生成当前时间点的预测语音特征。
步骤204,将当前时间点的预测语音特征和输入语音特征进行比对,生成分类判断结果。
在本申请实施例中,语音交互的处理装置可以将当前时间点的预测语音特征和输入语音特征进行比对,获取当前时间点的预测语音特征和输入语音特征之间的相似度,在相似度大于等于预设相似度阈值时,确定分类判断结果为接收;在相似度小于预设相似度阈值时,确定分类判断结果为拒识。
在本申请实施例中,语音交互的处理装置执行步骤202的过程具体可以为,将输入语音和历史语音序列输入接收拒识分类模型的特征提取模块,获取用户的语音特征信息;语音交互的处理装置执行步骤203-204的过程具体可以为,将语音特征信息输入接收拒识分类模型的分类判断模块,获取分类判断结果。
对应的,为了进一步提高对语音的响应准确度,降低模型训练时的标注成本,在步骤202之前,所述的方法还可以包括以下步骤:获取经过预训练的对比预测编码(Contrastive Predictive Coding,CPC)模型;结合CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块;结合CPC模型中的预测层以及损失函数构建接收拒识分类模型的分类判断模块;获取训练数据,采用训练数据对接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
在本申请实施例中,CPC模型的示意图例如可以如图3所示。在图3中,CPC模型包括:语音编码层(Genc)+语音融合层(Gar)+预测层(predictions)。其中,语音编码层,用于对语音进行编码,得到语音特征;语音融合层,用于对多个语音特征进行融合处理;预测层,用于结合融合处理后的语音特征,预测未来某个时刻的语音特征。其中,需要说明的是,在图3中,一个Genc就可以表示语音编码层,图中的多个Genc是为了说明编码过程。一个Gar就可以表示语音融合层,图中的多个Gar是为了说明融合过程。
在本申请实施例中,语音交互的处理装置获取经过预训练的CPC模型的过程例如可以为,获取预训练数据,其中,预训练数据包括:正例数据和负例数据,其中,正例数据包括:一次唤醒一次交互过程中用户的任意一条第二样本输入语音,以及第二样本输入语音之前的多条历史语音组成的第二样本历史语音序列;采用预训练数据对初始的CPC模型进行训练,得到经过预训练的CPC模型。其中,一次唤醒一次交互过程中用户的输入语音一般为需要响应的语音,因此,可以直接结合一次唤醒一次交互过程中用户的输入语音来生成正例数据,负例数据可以采用噪音数据,或者随机生成的其他语音来生成。从而降低了预训练数据的获取成本。
在本申请实施例中,语音交互的处理装置采用预训练数据对初始的CPC模型进行训练的过程例如可以为,针对一次唤醒一次交互过程中用户的任意一条第二样本输入语音,将第二样本输入语音对应的第二样本历史语音序列输入CPC模型的语音编码层和特征融合层,获取第二样本历史语音融合特征;将第二样本输入语音输入CPC模型的语音编码层,获取第二样本输入语音特征;将第二样本历史语音融合特征输入CPC模型的预测层,获取样本预测语音特征;结合样本预测语音特征、第二样本输入语音特征以及损失函数,对CPC模型的系数进行调整,实现对CPC模型的训练。
在本申请实施例中,以图3为例进行说明。在图3中,第二样本输入语音例如可以为Xt+1,第二样本历史语音序列例如可以为{Xt-2,Xt-1,Xt},其中Ct为第二样本历史语音融合特征,结合Ct可以预测得到Z~t+1,即样本预测语音特征,结合Z~t+1、Zt+1以及损失函数,对CPC模型的系数进行调整。其中,Zt+1表示第二样本输入语音对应的第二样本输入语音特征。
在本申请实施例中,为了提高构建的接收拒识分类模型在一次唤醒多次交互场景下对输入语音分类的准确度,进而提高响应准确度,对接收拒识分类模型进行训练所采用的训练数据可以包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果。对应的,语音交互的处理装置可以采用第一样本输入语音、第一样本历史语音序列以及分类标注结果对接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
步骤205,若分类判断结果为拒识,则忽略输入语音。
步骤206,若分类判断结果为接收,则对输入语音进行响应处理。
综上,通过获取当前时间点用户的输入语音以及用户的历史语音序列;根据输入语音和历史语音序列生成用户的语音特征信息;语音特征信息包括:历史语音序列对应的历史语音融合特征以及输入语音对应的输入语音特征;根据历史语音融合特征生成当前时间点的预测语音特征;将当前时间点的预测语音特征和输入语音特征进行比对,生成分类判断结果;若分类判断结果为拒识,则忽略输入语音;若分类判断结果为接收,则对输入语音进行响应处理。从而能够结合用户的历史语音序列来预测当前时间点的预测语音特征,将当前时间点的预测语音特征和输入语音特征比对来确定分类判断结果,提高了对语音进行响应的准确度,避免忽略部分语音。
图4是根据本申请第三实施例的示意图。其中,需要说明的是,本申请实施例的执行主体为语音交互的处理装置,语音交互的处理装置具体可以为硬件设备,或者硬件设备中的软件等。
如图4所示,语音交互的处理方法的具体实现过程如下:
步骤401,获取当前时间点用户的输入语音以及用户的历史语音序列。
在本申请实施例中,当前时间点用户的输入语音,可以为一次唤醒多次交互过程中语音交互的处理装置采集到的用户语音。用户的历史语音序列中的历史语音,可以为一次唤醒多次交互过程中当前时间点之前采集到的用户的输入语音。其中,历史语音序列中可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的所有输入语音,也可以包括一次唤醒多次交互过程中当前时间点之前采集到的用户的部分输入语音。其中,历史语音序列中的多条历史语音可以按照时间顺序升序排序。
步骤402,根据输入语音和历史语音序列生成用户的语音特征信息。
在本申请实施例中,语音特征信息可以包括:输入语音融合特征,其中,输入语音融合特征为对历史语音序列对应的历史语音融合特征和输入语音对应的输入语音特征进行融合得到的特征。语音交互的处理装置可以结合输入语音融合特征生成输入语音的分类判断结果。
步骤403,根据输入语音融合特征生成分类判断结果。
在本申请实施例中,语音交互的处理装置执行步骤402的过程具体可以为,将输入语音和历史语音序列输入接收拒识分类模型的特征提取模块,获取用户的语音特征信息;语音交互的处理装置执行步骤403的过程具体可以为,将语音特征信息输入接收拒识分类模型的分类判断模块,获取分类判断结果。
对应的,为了进一步提高对语音的响应准确度,降低模型训练时的标注成本,在步骤402之前,所述的方法还可以包括以下步骤:获取经过预训练的对比预测编码CPC模型;结合CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块;结合多层感知机以及激励函数层构建接收拒识分类模型的分类判断模块;获取训练数据,采用训练数据对接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
在本申请实施例中,接收拒识分类模型的示意图例如可以如图5所示。在图5中,接收拒识分类模型包括:语音编码层(Genc)+语音融合层(Gar)+多层感知机(MultilayerPerceptron,MLP)+激励函数层(sigmoid)。其中,语音编码层,用于对语音进行编码,得到语音特征;语音融合层,用于对多个语音特征进行融合处理;多层感知机MLP+激励函数层,用于结合输入语音融合特征,确定输入语音的分类判断结果。其中,需要说明的是,在图5中,一个Genc就可以表示语音编码层,图中的多个Genc是为了说明编码过程。一个Gar就可以表示语音融合层,图中的多个Gar是为了说明融合过程。
在本申请实施例中,为了提高构建的接收拒识分类模型在一次唤醒多次交互场景下对输入语音分类的准确度,进而提高响应准确度,对接收拒识分类模型进行训练所采用的训练数据可以包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果。对应的,语音交互的处理装置可以采用第一样本输入语音、第一样本历史语音序列以及分类标注结果对接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
在本申请实施例中,以图5为例进行说明。在图5中,第一样本输入语音例如可以为Xcur,第一样本历史语音序列例如可以为{Xt-2,Xt-1,Xt},其中,Ccur为第一样本输入语音融合特征,为对第一样本输入语音对应的第一样本输入语音特征以及第一样本历史语音序列对应的第一样本历史语音融合特征进行融合得到的特征。
步骤404,若分类判断结果为拒识,则忽略输入语音。
步骤405,若分类判断结果为接收,则对输入语音进行响应处理。
综上,通过获取当前时间点用户的输入语音以及用户的历史语音序列;根据输入语音和历史语音序列生成用户的语音特征信息;语音特征信息可以包括:输入语音融合特征,其中,输入语音融合特征为对历史语音序列对应的历史语音融合特征和输入语音对应的输入语音特征进行融合得到的特征;根据输入语音融合特征生成分类判断结果;若分类判断结果为拒识,则忽略输入语音;若分类判断结果为接收,则对输入语音进行响应处理。从而能够结合用户的历史语音序列以及输入语音来生成输入语音融合特征,进而确定输入语音的分类判断结果,提高了对语音进行响应的准确度,避免忽略部分语音。
为了实现上述实施例,本申请实施例还提出一种语音交互的处理装置。
图6是根据本申请第四实施例的示意图。如图6所示,该语音交互的处理装置600包括:获取模块610,第一生成模块620、第二生成模块630和处理模块640。
其中,获取模块610,用于获取当前时间点用户的输入语音以及所述用户的历史语音序列;
第一生成模块620,用于根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息;
第二生成模块630,用于根据所述语音特征信息生成所述输入语音的分类判断结果;
处理模块640,用于在所述分类判断结果为拒识时,忽略所述输入语音;
所述处理模块640,还用于在所述分类判断结果为接收时,对所述输入语音进行响应处理。
作为本申请实施例的一种可能实现方式,所述语音特征信息包括:所述历史语音序列对应的历史语音融合特征以及所述输入语音对应的输入语音特征,其中,所述第二生成模块630具体用于,根据所述历史语音融合特征生成当前时间点的预测语音特征;将当前时间点的预测语音特征和所述输入语音特征进行比对,生成所述分类判断结果。
作为本申请实施例的一种可能实现方式,所述的装置还包括:第一构建模块和第一训练模块;所述获取模块610,还用于获取经过预训练的对比预测编码CPC模型;所述第一构建模块,用于结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;所述第一构建模块,还用于结合所述CPC模型中的预测层以及损失函数构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;所述获取模块610,还用于获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;所述第一训练模块,用于采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
作为本申请实施例的一种可能实现方式,所述语音特征信息包括:输入语音融合特征,其中,所述输入语音融合特征为对所述历史语音序列对应的历史语音融合特征和所述输入语音对应的输入语音特征进行融合得到的特征,其中,所述第二生成模块630具体用于,根据所述输入语音融合特征生成所述分类判断结果。
作为本申请实施例的一种可能实现方式,所述的装置还包括:第二构建模块和第二训练模块;所述获取模块610,还用于获取经过预训练的对比预测编码CPC模型;所述第二构建模块,用于结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;所述第二构建模块,还用于结合多层感知机以及激励函数层构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;所述获取模块610,还用于获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;所述第二训练模块,用于采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
作为本申请实施例的一种可能实现方式,所述获取模块610具体用于,获取预训练数据,其中,所述预训练数据包括:正例数据和负例数据,其中,所述正例数据包括:一次唤醒一次交互过程中用户的任意一条第二样本输入语音,以及所述第二样本输入语音之前的多条历史语音组成的第二样本历史语音序列;采用所述预训练数据对初始的CPC模型进行训练,得到经过预训练的CPC模型。
作为本申请实施例的一种可能实现方式,所述获取模块610具体用于,针对一次唤醒一次交互过程中用户的任意一条第二样本输入语音,将所述第二样本输入语音对应的第二样本历史语音序列输入所述CPC模型的语音编码层和特征融合层,获取第二样本历史语音融合特征;将所述第二样本输入语音输入所述CPC模型的语音编码层,获取第二样本输入语音特征;将所述第二样本历史语音融合特征输入所述CPC模型的预测层,获取样本预测语音特征;结合所述样本预测语音特征、所述第二样本输入语音特征以及损失函数,对所述CPC模型的系数进行调整,实现对所述CPC模型的训练。
综上,通过获取当前时间点用户的输入语音以及用户的历史语音序列;根据输入语音和历史语音序列生成用户的语音特征信息;根据语音特征信息生成输入语音的分类判断结果;若分类判断结果为拒识,则忽略输入语音;若分类判断结果为接收,则对输入语音进行响应处理。从而能够结合当前时间点用户的输入语音以及用户的历史语音序列来确定对该输入语音进行拒识还是接收,提高了对语音进行响应的准确度,避免忽略部分语音。
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7所示,是根据本申请实施例的语音交互的处理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7所示,该电子设备包括:一个或多个处理器701、存储器702,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7中以一个处理器701为例。
存储器702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语音交互的处理方法。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语音交互的处理方法。
存储器702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语音交互的处理方法对应的程序指令/模块(例如,附图6所示的获取模块601、第一生成模块602、第二生成模块603和处理模块604)。处理器701通过运行存储在存储器702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语音交互的处理方法。
存储器702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语音交互的处理的电子设备的使用所创建的数据等。此外,存储器702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702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至语音交互的处理的电子设备。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。
语音交互的处理方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与语音交互的处理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704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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (16)

1.一种语音交互的处理方法,包括:
获取当前时间点用户的输入语音以及所述用户的历史语音序列;
根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息;
根据所述语音特征信息生成所述输入语音的分类判断结果;
若所述分类判断结果为拒识,则忽略所述输入语音;
若所述分类判断结果为接收,则对所述输入语音进行响应处理。
2.根据权利要求1所述的方法,其中,所述语音特征信息包括:所述历史语音序列对应的历史语音融合特征以及所述输入语音对应的输入语音特征,其中,所述根据所述语音特征信息生成所述输入语音的分类判断结果,包括:
根据所述历史语音融合特征生成当前时间点的预测语音特征;
将当前时间点的预测语音特征和所述输入语音特征进行比对,生成所述分类判断结果。
3.根据权利要求2所述的方法,其中,在根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息之前,还包括:
获取经过预训练的对比预测编码CPC模型;
结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;
结合所述CPC模型中的预测层以及损失函数构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;
获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;
采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
4.根据权利要求1所述的方法,其中,所述语音特征信息包括:输入语音融合特征,其中,所述输入语音融合特征为对所述历史语音序列对应的历史语音融合特征和所述输入语音对应的输入语音特征进行融合得到的特征,其中,所述根据所述语音特征信息生成所述输入语音的分类判断结果,包括:
根据所述输入语音融合特征生成所述分类判断结果。
5.根据权利要求4所述的方法,其中,在根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息之前,还包括:
获取经过预训练的对比预测编码CPC模型;
结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;
结合多层感知机以及激励函数层构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;
获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;
采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
6.根据权利要求3或5所述的方法,其中,所述获取经过预训练的对比预测编码CPC模型,包括:
获取预训练数据,其中,所述预训练数据包括:正例数据和负例数据,其中,所述正例数据包括:一次唤醒一次交互过程中用户的任意一条第二样本输入语音,以及所述第二样本输入语音之前的多条历史语音组成的第二样本历史语音序列;
采用所述预训练数据对初始的CPC模型进行训练,得到经过预训练的CPC模型。
7.根据权利要求6所述的方法,其中,所述采用所述预训练数据对初始的CPC模型进行训练,得到经过预训练的CPC模型,包括:
针对一次唤醒一次交互过程中用户的任意一条第二样本输入语音,将所述第二样本输入语音对应的第二样本历史语音序列输入所述CPC模型的语音编码层和特征融合层,获取第二样本历史语音融合特征;
将所述第二样本输入语音输入所述CPC模型的语音编码层,获取第二样本输入语音特征;
将所述第二样本历史语音融合特征输入所述CPC模型的预测层,获取样本预测语音特征;
结合所述样本预测语音特征、所述第二样本输入语音特征以及损失函数,对所述CPC模型的系数进行调整,实现对所述CPC模型的训练。
8.一种语音交互的处理装置,包括:
获取模块,用于获取当前时间点用户的输入语音以及所述用户的历史语音序列;
第一生成模块,用于根据所述输入语音和所述历史语音序列生成所述用户的语音特征信息;
第二生成模块,用于根据所述语音特征信息生成所述输入语音的分类判断结果;
处理模块,用于在所述分类判断结果为拒识时,忽略所述输入语音;
所述处理模块,还用于在所述分类判断结果为接收时,对所述输入语音进行响应处理。
9.根据权利要求8所述的装置,其中,所述语音特征信息包括:所述历史语音序列对应的历史语音融合特征以及所述输入语音对应的输入语音特征,其中,所述第二生成模块具体用于,
根据所述历史语音融合特征生成当前时间点的预测语音特征;
将当前时间点的预测语音特征和所述输入语音特征进行比对,生成所述分类判断结果。
10.根据权利要求9所述的装置,还包括:第一构建模块和第一训练模块;
所述获取模块,还用于获取经过预训练的对比预测编码CPC模型;
所述第一构建模块,用于结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;
所述第一构建模块,还用于结合所述CPC模型中的预测层以及损失函数构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;
所述获取模块,还用于获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;
所述第一训练模块,用于采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
11.根据权利要求8所述的装置,其中,所述语音特征信息包括:输入语音融合特征,其中,所述输入语音融合特征为对所述历史语音序列对应的历史语音融合特征和所述输入语音对应的输入语音特征进行融合得到的特征,其中,所述第二生成模块具体用于,
根据所述输入语音融合特征生成所述分类判断结果。
12.根据权利要求11所述的装置,还包括:第二构建模块和第二训练模块;
所述获取模块,还用于获取经过预训练的对比预测编码CPC模型;
所述第二构建模块,用于结合所述CPC模型中的语音编码层和特征融合层构建接收拒识分类模型的特征提取模块,用于基于所述输入语音和所述历史语音序列生成所述语音特征信息;
所述第二构建模块,还用于结合多层感知机以及激励函数层构建所述接收拒识分类模型的分类判断模块,用于基于所述语音特征信息生成所述分类判断结果;
所述获取模块,还用于获取训练数据,其中,所述训练数据包括:一次唤醒多次交互过程中的第一样本输入语音、第一样本历史语音序列以及分类标注结果;
所述第二训练模块,用于采用所述第一样本输入语音、所述第一样本历史语音序列以及所述分类标注结果对所述接收拒识分类模型进行训练,得到训练好的接收拒识分类模型。
13.根据权利要求10或12所述的装置,其中,所述获取模块具体用于,
获取预训练数据,其中,所述预训练数据包括:正例数据和负例数据,其中,所述正例数据包括:一次唤醒一次交互过程中用户的任意一条第二样本输入语音,以及所述第二样本输入语音之前的多条历史语音组成的第二样本历史语音序列;
采用所述预训练数据对初始的CPC模型进行训练,得到经过预训练的CPC模型。
14.根据权利要求13所述的装置,其中,所述获取模块具体用于,
针对一次唤醒一次交互过程中用户的任意一条第二样本输入语音,将所述第二样本输入语音对应的第二样本历史语音序列输入所述CPC模型的语音编码层和特征融合层,获取第二样本历史语音融合特征;
将所述第二样本输入语音输入所述CPC模型的语音编码层,获取第二样本输入语音特征;
将所述第二样本历史语音融合特征输入所述CPC模型的预测层,获取样本预测语音特征;
结合所述样本预测语音特征、所述第二样本输入语音特征以及损失函数,对所述CPC模型的系数进行调整,实现对所述CPC模型的训练。
15.一种电子设备,其特征在于,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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202011322535.2A 2020-11-23 2020-11-23 语音交互的处理方法、装置、电子设备及存储介质 Active CN112382291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322535.2A CN112382291B (zh) 2020-11-23 2020-11-23 语音交互的处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322535.2A CN112382291B (zh) 2020-11-23 2020-11-23 语音交互的处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112382291A true CN112382291A (zh) 2021-02-19
CN112382291B CN112382291B (zh) 2021-10-22

Family

ID=74587461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322535.2A Active CN112382291B (zh) 2020-11-23 2020-11-23 语音交互的处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112382291B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838461A (zh) * 2021-08-20 2021-12-24 北京百度网讯科技有限公司 智能语音交互方法、装置、设备和计算机存储介质
WO2022135496A1 (zh) * 2020-12-23 2022-06-30 广州橙行智动汽车科技有限公司 一种语音交互的数据处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6662154B2 (en) * 2001-12-12 2003-12-09 Motorola, Inc. Method and system for information signal coding using combinatorial and huffman codes
EP2933071A1 (en) * 2014-04-17 2015-10-21 Aldebaran Robotics Methods and systems for managing dialogs of a robot
CN108320738A (zh) * 2017-12-18 2018-07-24 上海科大讯飞信息科技有限公司 语音数据处理方法及装置、存储介质、电子设备
CN108509619A (zh) * 2018-04-04 2018-09-07 科大讯飞股份有限公司 一种语音交互方法及设备
CN111489803A (zh) * 2020-03-31 2020-08-04 重庆金域医学检验所有限公司 基于自回归模型的报告单编码模型生成方法、系统和设备
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6662154B2 (en) * 2001-12-12 2003-12-09 Motorola, Inc. Method and system for information signal coding using combinatorial and huffman codes
EP2933071A1 (en) * 2014-04-17 2015-10-21 Aldebaran Robotics Methods and systems for managing dialogs of a robot
CN108320738A (zh) * 2017-12-18 2018-07-24 上海科大讯飞信息科技有限公司 语音数据处理方法及装置、存储介质、电子设备
CN108509619A (zh) * 2018-04-04 2018-09-07 科大讯飞股份有限公司 一种语音交互方法及设备
CN111489803A (zh) * 2020-03-31 2020-08-04 重庆金域医学检验所有限公司 基于自回归模型的报告单编码模型生成方法、系统和设备
CN111695417A (zh) * 2020-04-30 2020-09-22 中国人民解放军空军工程大学 一种信号调制样式识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AARON VAN DEN OORD等: ""Representation Learning with Contrastive Predictive Coding"", 《ARXIV:1807.03748V2 [CS.LG]》 *
XIAO-LEI ZHANG等: ""Deep Belief Networks Based Voice Activity Detection"", 《IEEE TRANSACTIONS ON AUDIO, SPEECH, AND LANGUAGE PROCESSING》 *
李彦铭: ""浅谈基于智能语音交互技术的多渠道客户服务应用"", 《科技致富向导》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022135496A1 (zh) * 2020-12-23 2022-06-30 广州橙行智动汽车科技有限公司 一种语音交互的数据处理方法和装置
CN113838461A (zh) * 2021-08-20 2021-12-24 北京百度网讯科技有限公司 智能语音交互方法、装置、设备和计算机存储介质

Also Published As

Publication number Publication date
CN112382291B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN111428008B (zh) 用于训练模型的方法、装置、设备以及存储介质
CN112560912B (zh) 分类模型的训练方法、装置、电子设备和存储介质
CN111221984A (zh) 多模态内容处理方法、装置、设备及存储介质
CN112036509A (zh) 用于训练图像识别模型的方法和装置
CN112001180A (zh) 多模态预训练模型获取方法、装置、电子设备及存储介质
CN111177355B (zh) 基于搜索数据的人机对话交互方法、装置和电子设备
CN111680517B (zh) 用于训练模型的方法、装置、设备以及存储介质
CN110705460A (zh) 图像类别识别方法及装置
CN111522967A (zh) 知识图谱构建方法、装置、设备以及存储介质
CN111860769A (zh) 预训练图神经网络的方法以及装置
CN112382291B (zh) 语音交互的处理方法、装置、电子设备及存储介质
CN111144108A (zh) 情感倾向性分析模型的建模方法、装置和电子设备
CN111767359A (zh) 兴趣点分类方法、装置、设备以及存储介质
CN111339759A (zh) 领域要素识别模型训练方法、装置及电子设备
CN111966212A (zh) 基于多模态的交互方法、装置、存储介质及智能屏设备
CN111443801A (zh) 人机交互方法、装置、设备及存储介质
CN110543558A (zh) 问题匹配方法、装置、设备和介质
CN112232089B (zh) 语义表示模型的预训练方法、设备和存储介质
CN112559715B (zh) 态度的识别方法、装置、设备及存储介质
CN112016524B (zh) 模型训练方法、人脸识别方法、装置、设备和介质
CN111325000B (zh) 语言生成方法、装置及电子设备
CN110889392B (zh) 人脸图像处理的方法及装置
CN112382292A (zh) 基于语音的控制方法和装置
CN112016523A (zh) 跨模态人脸识别的方法、装置、设备和存储介质
CN111767990A (zh) 神经网络的处理方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant