CN113674742A - 人机交互方法、装置、设备以及存储介质 - Google Patents

人机交互方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN113674742A
CN113674742A CN202110948729.1A CN202110948729A CN113674742A CN 113674742 A CN113674742 A CN 113674742A CN 202110948729 A CN202110948729 A CN 202110948729A CN 113674742 A CN113674742 A CN 113674742A
Authority
CN
China
Prior art keywords
text
voice
determining
instruction
cloud
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
CN202110948729.1A
Other languages
English (en)
Other versions
CN113674742B (zh
Inventor
吴震
革家象
王潇
苏显泽
刘兵
王佳伟
王丹
杨松
郝景灏
吴玉芳
瞿琴
张丙奇
付晓寅
吴思远
李超
高聪
贾磊
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 CN202110948729.1A priority Critical patent/CN113674742B/zh
Publication of CN113674742A publication Critical patent/CN113674742A/zh
Priority to US17/706,409 priority patent/US20230058437A1/en
Priority to JP2022071651A priority patent/JP2022101663A/ja
Application granted granted Critical
Publication of CN113674742B publication Critical patent/CN113674742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/34—Adaptation of a single recogniser for parallel processing, e.g. by use of multiple processors or cloud computing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本公开提供了人机交互方法、装置、设备以及存储介质，涉及深度学习、语音等人工智能领域。具体实现方案为：获取语音指令；对所述语音指令进行语音识别，确定对应的语音文本；响应于满足预设的信息发送条件，将所述语音文本发送至云端；接收从云端返回的针对所述语音指令的资源；根据所述资源，对所述语音指令进行响应。本实现方式可以提高语音交互的效率，从而提高用户的交互体验。

Description

人机交互方法、装置、设备以及存储介质
技术领域
本公开涉及计算机技术领域，具体涉及深度学习、语音等人工智能领域，尤其涉及人机交互方法、装置、设备以及存储介质。
背景技术
随着语音识别技术的迅猛发展，语音识别技术已逐渐走进人们的生活。智能语音交互时基于语音输入的新一代交互模式，通过说话就可以得到反馈结果，智能语音交互系统在家居、车载、机器人、手机方面的应用更加方便了人们的生活。在智能网联终端中集成智能语音交互系统，驾驶员可通过语音操作智能网联终端执行打开关闭导航、多媒体、车载设置、接听拨打电话等以前需通过手动触摸案件执行的动作，现通过语音均可实现。语音交互的效果的不断提高也可以给用户带来更好的人机交互体验。
发明内容
本公开提供了一种人机交互方法、装置、设备以及存储介质。
根据第一方面，提供了一种人机交互方法，包括：获取语音指令；对语音指令进行语音识别，确定对应的语音文本；响应于满足预设的信息发送条件，将语音文本发送至云端；接收从云端返回的针对语音指令的资源；根据资源，对语音指令进行响应。
根据第二方面，提供了一种人机交互装置，包括：语音获取单元，被配置成获取语音指令；语音识别单元，被配置成对语音指令进行语音识别，确定对应的语音文本；文本发送单元，被配置成响应于满足预设的信息发送条件，将语音文本发送至云端；资源接收单元，被配置成接收从云端返回的针对语音指令的资源；指令响应单元，被配置成根据资源，对语音指令进行响应。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与上述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，上述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。
根据第五方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本公开的技术可以提高语音交互的效率，从而提高用户的交互体验。
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，不构成对本公开的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的人机交互方法的一个实施例的流程图；
图3是根据本公开的人机交互方法的一个应用场景的示意图；
图4是根据本公开的人机交互方法的另一个实施例的流程图；
图5是根据本公开的人机交互装置的一个实施例的结构示意图；
图6是用来实现本公开实施例的人机交互方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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，本公开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公开。
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、语音生成类应用等。智能终端设备101、102、103上还可以安装有图像采集装置、麦克风阵列、扬声器等。
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、车载电脑、膝上型便携计算机和台式计算机等等。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上提供支持的后台服务器。后台服务器可以向智能终端设备101、102、103提供语音处理模型，得到处理结果，并将处理结果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，本公开实施例所提供的人机交互方法一般由智能终端设备101、102、103执行。相应地，人机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，示出了根据本公开的人机交互方法的一个实施例的流程200。本实施例的人机交互方法，包括以下步骤：
步骤201，获取语音指令。
本实施例中，人机交互方法的执行主体可以通过多种方式获取语音指令。例如，其可以通过通信连接的麦克风采集用户的声音，得到语音指令。或者，其可以通过社交平台获取用户的语音指令。
步骤202，对语音指令进行语音识别，确定对应的语音文本。
执行主体在获取到语音指令后，可以对语音指令进行语音识别，确定对应的语音文本。这里，执行主体可以利用预先训练的神经网络或者现有的语音识别算法进行语音识别。上述语音识别算法或者神经网络可以集成在一个模块中，执行主体可以通过调用上述模块使用上述语音识别算法或者神经网络。
步骤203，响应于满足预设的信息发送条件，将语音文本发送至云端。
执行主体还可以检测预设的信息发送条件是否满足，如果满足，则可以将语音文本发送至云端。这里，预设的信息发送条件可以是适合发送信息的条件，例如可以包括但不限于：网络环境良好、需要从网络中获取资源、语音文本的长度过长等等。同样的，执行主体还可以预先设置信息不发送条件，如果信息不发送条件满足，则执行主体不将语音文本发送至云端。如果信息不发送条件不满足，则执行主体可以将语音文本发送至云端。
步骤204，接收从云端返回的针对语音指令的资源。
本实施例中，云端在接收到上述语音文本后，可以根据相应的业务逻辑，获取到针对语音指令的资源。上述资源可以是文档、链接、文本等。执行主体可以在预设时长内持续向云端发送资源获取请求以获取上述资源。如果云端超过预设时长仍未向执行主体反馈资源，则执行主体可以向终端返回出错的消息。
步骤205，根据上述资源，对语音指令进行响应。
执行主体在接收到上述资源后，可以对语音指令进行响应。例如，上述资源包括文档，则执行主体可以控制终端显示上述文档。在响应时，执行主体可以首先播放预设的语音，例如“好的，马上为您查询”或者“请稍等”。
继续参见图3，其示出了根据本公开的人机交互方法的一个应用场景的示意图。在图3的应用场景中，用户驾驶车辆行驶过程中与车载终端进行语音交互。用户说出语音指令“播放XX的歌曲YY”。车载终端首先对语音指令进行语音识别，得到语音文本“播放XX的歌曲YY”。然后，车载终端确定本地缓存中不包括上述歌曲，则确定预设的信息发送条件满足，将上述语音文本发送至云端。云端接收到上述语音文本后，向车载终端返回歌曲的链接，车载终端通过上述链接获取歌曲进行播放。
本公开的上述实施例提供的人机交互方法，可以提高语音交互的效率，从而提高用户的交互体验，同时不需要将语音上传到云端，可以保护用户隐私。
继续参见图4，其示出了根据本公开的人机交互方法的另一个实施例的流程400。如图4所示，本实施例的方法可以包括以下步骤：
步骤401，获取语音指令。
在本实施例的一些可选的实现方式中，执行主体在获取到语音指令后，可以首先对语音指令进行回声消除(AEC，Acoustic Echo Cancellation)和音频起尾点检测(VAD，Voice Activity Detection)，以提高音频的质量。
步骤402，对语音指令进行语音识别，确定对应的语音文本。
本实施例中，执行主体在确定语音文本后，可以通过步骤4031和4032判断预设的信息发送条件是否满足。
步骤4031，对语音文本进行意图识别，确定用户意图；响应于确定用户意图指示控制客户端，确定不满足预设的信息发送条件。
本实施例中，执行主体可以利用现有的意图识别算法对语音文本进行意图识别，确定用户意图。如果用户意图指示控制客户端，例如“打开音乐”或者“打开照片”。那执行主体可以认定此指令不需要发送至云端，则认定不满足预设的信息发送条件。这样就不需要将不需要云端处理的内容发送至云端，减少网络带宽的占用，同时也避免了在无网络或网络不稳定时语音指令完全无法处理的情况。
在本实施例的一些可选的实现方式中，在确定语音指令对应的语音文本之前，执行主体还可以首先判断语音指令是否为人机交互指令。这里，人机交互指令表示人与智能终端设备之间的交互指令。如果语音指令是人机交互指令，则执行主体可以对语音进行语音指令，确定对应的文本。如果语音指令不是人机交互指令，则可以忽略语音指令。
在本实施例的一些可选的实现方式中，执行主体还可以通过图4中未示出的以下步骤来判断语音指令是否属于人机交互指令：对文本信息进行语义解析以及意图识别，确定用户意图；确定文本信息属于句子的概率；确定文本信息对应的文本长度；确定声学信息对应的音节声学置信度以及整句声学置信度；根据用户意图、概率、文本长度、音节声学置信度以及整句声学置信度中的至少一项，确定语音指令是否属于人机交互指令。
本实现方式中，执行主体可以首先利用各种现有的算法对语音指令进行解析。例如，可以首先利用意图识别算法对文本信息进行语义解析以及意图识别，确定用户意图。或者，利用预先训练的语言模型，确定目标语音指令对应的文本属于句子的概率。这里，执行主体可以将上述文本作为语言模型的输出，语言模型的输出可以是一个数值，用于表示上述文本属于句子的概率。如“北京天气怎么样”的语言模型得分要高于“备营盒子的我人”，同样句长下，前者的语言模型得分要更高，得分更高的文本属于人机交互指令的可能性越高。
执行主体还可以确定文本信息中文本的长度。一般来说，当多人同时说话时，识别的文本长度会较长，而且也是语义上无意义的文本，此时大概率也是非人机交互指令。
音节声学置信度，指从声学的角度，输出识别结果的每个字正确的概率。如针对识别结果“暂停”，如果是用户对真正设备说“暂停”，此时音节置信度会给出“暂：0.99，停：0.98”之类的分数，每个字的分数都很高。如果是噪音识别成了“暂停”，此时音节置信度会给出“暂：0.32，停：0.23”之类的分数，每个字的分数都比较低。当大部分音节的分数都很高时，则目标音频指令大概率是人机交互指令；反之为非人机交互指令。执行主体可以通过预先训练的音节循环网络确定音节声学置信度。上述音节循环网络用于表征语音与音节声学置信度的对应关系。
整句声学置信度，是从声学角度，判定当前识别结果正确的概率。分数越高，人机概率越高，反之亦然。
执行主体还可以获取历史语音指令属于人机交互指令的情况。
执行主体可以将上述各信息映射到[0,1]之间的一个数值。在映射时，可以将上述各信息进行编码，然后根据编码进行映射。然后，执行主体可以将得到的各个数值统一输入到预先训练的网络的输入层，经过隐层的计算，最终通过softmax计算得到最终的输出分数(0～1之间)，分数越高，是人机交互指令的概率就越高。上述网络可以是DNN(Deep NeuralNetworks，深度神经网络)，也可以是LSTM(Long Short-Term Memory，长短期记忆网络)、Transformer模型(论文《Attention is All You Need》提出的一种模型)等结构。执行主体可以将上述分数与预设阈值进行比较，如果大于上述预设阈值，则认为目标语音指令属于人机交互指令。反之则不属于。
在本实施例的一些可选的实现方式中，在对语音指令进行语音识别时，可能存在未能准确识别用户的语音的情况。在这种情况下，执行主体可以通过以下步骤确定语音文本：根据声学信息对应的声学置信度以及预设的置信度阈值，确定语音指令中的确定文本以及不确定文本；根据确定文本以及不确定文本，生成并输出提示信息；接收针对提示信息的回复语音；识别回复语音中的澄清文本；根据确定文本以及不确定文本，确定对应的语音文本。
本实现方式中，执行主体可以将声学信息对应的声学置信度与预设的置信度阈值进行比较，如果声学置信度大于或等于上述置信度阈值，则可以确认可以准确识别音节。如果声学置信度小于上述置信度阈值，则可以确认不能准确识别音节。执行主体可以将准确识别的音节对应的文字组成确定文本。可以将未准确识别的音节对应的文字组成不确定文本未。执行主体可以根据确定文本以及不确定文本未，生成提示信息，并将上述提示信息输出。举例来说，执行主体得到的确定文本为“我想听”和“歌曲”，不确定文本为表示歌手名字的“XXX”。则执行主体可以确定提示信息为“您想听谁的歌曲”。执行主体在输出上述提示信息后，可以接收用户针对提示信息的回复语音。在接收到上述回复语音后，可以识别回复语音中的澄清文本。例如，回复语音为“张三”，那么为“张三”。执行主体可以根据上述确定文本以及澄清文本，确定语音文本。具体的，执行主体可以将上述澄清文本替代不确定文本的位置，与确定文本结合，得到语音文本。
步骤4032，确定与云端的网络连接状态；响应于确定网络连接状态异常，确定不满足预设的信息发送条件。
本实施例中，执行主体还可以在确定出语音文本后，检测与云端的网络连接状态。如果网络连接状态不佳或者网络连接状态异常，则可以认定不满足预设的信息发送条件。这里，网络连接状态不佳可以指网络带宽小于预设阈值，网络连接状态异常可以指连接不到网络，或者网络时断时续。
步骤404，响应于不满足预设的信息发送条件，根据历史回复文本生成针对语音指令的回复文本。
本实施例中，如果不满足预设的信息发送条件，则执行主体不需要将语音文本发送至云端，也就接收不到来自云端的资源。此时，执行主体可以根据历史回复文本生成针对语音指令的回复文本。这里，历史回复文本可以是针对历史语音指令从云端处接收到的回复文本。执行主体可以根据当前语音指令与历史语音指令之间的相似度，从历史回复文本中选取一个作为当前语音指令的回复文本。
步骤405，响应于满足预设的信息发送条件，将语音文本发送至云端。
在本实施例的一些可选的实现方式中，执行主体还可以在语音指令的语音识别过程中，在预设的信息发送条件满足的情况下，将识别出的文本发送至云端。
通过本实现方式，执行主体可以边识别边发送，这样云端可以快速地接收到识别出的文本，从而提高信息查询的效率。
在本实施例的一些可选的实现方式中，执行主体可以在识别过程中，判断识别出的文本是否满足预设条件。这里预设条件可以是识别出的文本中包括的词语的数量大于预设阈值，或者识别出的文本命中历史语音文本的数量大于预设阈值等等。这里，命中历史语音文本可以指识别出的文本属于历史语音文本的一部分。例如历史语音文本为“北京天气怎么样”，识别出的文本为“北京天气”，则确认识别出的文本命中历史语音文本。如果识别出的文本满足预设条件，则执行主体认为此时可以提高信息查询或检索的效率，从而可以将识别出的文本发送至云端。可以理解的是，如果执行主体每识别出一个词就向云端发送，不仅增加了云端与执行主体的交互次数，并且在识别出的文本信息过少时导致云端检索或查询到的结果的准确率低，造成资源浪费的情况。
步骤406，接收从云端返回的针对语音指令的资源。
本实施例中，将语音文本发送至云端，可以是云端利用实时更新的网络环境进行资源的获取或进行话术的生成，从而能够保证业务逻辑的灵活调整更新。
步骤4071，对回复文本进行语音合成，输出合成的语音。
本实施例中，如果云端返回的资源中包括回复文本，或者执行主体自身生成了回复文本，可以进一步对回复文本进行语音合成，输出合成的语音。在进行语音合成时，可以利用现有的语音合成算法来实现。然后，将合成的语音输出，以进行播放。
步骤4072，显示与查询结果对应的页面。
本实施例中，如果云端返回的资源中包括查询结果，则执行主体可以显示与查询结果对应的页面。上述查询结果可以是天气查询结果，也可以是路况查询结果等等。上述页面可以是与查询结果对应的卡片，例如可以是显示天气的卡片。或者，执行主体还可以根据上述查询结果确定对应的页面的动态效果。例如，天气的查询结果是“大雾”，则可以卡片可以显示雾蒙蒙的效果。
在本实施例的一些可选的实现方式中，如果执行主体在语音指令的识别过程中，接收到云端发送的中间资源，可以实现上述中间资源。这样，可以使用户快速地看到中间资源，提高人机交互效率，提升用户体验。
本公开的上述实施例提供的人机交互方法，在客户端本地对语音指令进行解析，并且只在预设的信息发送条件满足时向云端发送文本，客户端与云端之间的上下行通信内容，从需要占用较大带宽的音频流，变更为占用带宽更小的文本内容，减少了对通信资源的占用。并且由于上下行通信内容更小，上下行通信耗时减少，用户可以更快的收到系统回复，用户体验更好。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种人机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，本实施例的人机交互装置500包括：语音获取单元501、语音识别单元502、文本发送单元503、资源接收单元504和指令响应单元505。
语音获取单元501，被配置成获取语音指令。
语音识别单元502，被配置成对语音指令进行语音识别，确定对应的语音文本。
文本发送单元503，被配置成响应于满足预设的信息发送条件，将语音文本发送至云端。
资源接收单元504，被配置成接收从云端返回的针对语音指令的资源。
指令响应单元505，被配置成根据资源，对语音指令进行响应。
在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的条件判断单元，被配置成：对所述语音文本进行意图识别，确定用户意图；响应于确定所述用户意图指示控制客户端，确定不满足预设的信息发送条件。
在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的条件判断单元，被配置成：确定与云端的网络连接状态；响应于确定所述网络连接状态异常，确定不满足预设的信息发送条件。
在本实施例的一些可选的实现方式中，资源包括回复文本；以及指令响应单元505可以进一步被配置成：对所述回复文本进行语音合成，输出合成的语音。
在本实施例的一些可选的实现方式中，资源包括查询结果。指令响应单元505可以进一步被配置成：显示与所述查询结果对应的页面。
在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的文本生成单元，被配置成：响应于不满足预设的信息发送条件，根据历史回复文本生成针对所述语音指令的回复文本。
在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的指令确定单元，被配置成：确定语音指令是否为人机交互指令。则语音识别单元502可以进一步被配置成：响应于确定语音指令为人机交互指令，对语音指令进行语音识别，确定对应的语音文本。
在本实施例的一些可选的实现方式中，指令确定单元进一步被配置成：对文本信息进行语义解析以及意图识别，确定用户意图；确定文本信息属于句子的概率；确定文本信息对应的文本长度；确定声学信息对应的音节声学置信度以及整句声学置信度；根据用户意图、概率、文本长度、音节声学置信度以及整句声学置信度中的至少一项，确定语音指令是否属于人机交互指令。
在本实施例的一些可选的实现方式中，语音识别单元502可以进一步被配置成：根据声学信息对应的声学置信度以及预设的置信度阈值，确定语音指令中的确定文本以及不确定文本；根据确定文本以及不确定文本，生成并输出提示信息；接收针对提示信息的回复语音；识别回复语音中的澄清文本；根据确定文本以及澄清文本，确定对应的语音文本。
在本实施例的一些可选的实现方式中，文本发送单元503可以进一步被配置成：在语音指令的语音识别过程中，将识别出的文本发送至云端。
在本实施例的一些可选的实现方式中，文本发送单元503可以进一步被配置成：在语音指令的语音识别过程中，判断识别出的文本是否满足预设条件；响应于确定识别出的文本是否满足预设条件，将识别出的文本发送至云端。
在本实施例的一些可选的实现方式中，指令响应单元505可以进一步被配置成：响应于在语音指令的识别过程中，接收到云端发送的中间资源，显示中间资源。
应当理解，人机交互装置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，上文针对人机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。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了根据本公开实施例的执行人机交互方法的电子设备600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/或者要求的本公开的实现。
如图6所示，电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储器608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理，例如人机交互方法。例如，在一些实施例中，人机交互方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由处理器601执行时，可以执行上文描述的人机交互方法的一个或多个步骤。备选地，在其他实施例中，处理器601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人机交互方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器601执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读存储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。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储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)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
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。服务器也可以是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，本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开的保护范围之内。

Claims (27)

1.一种人机交互方法，包括：
获取语音指令；
对所述语音指令进行语音识别，确定对应的语音文本；
响应于满足预设的信息发送条件，将所述语音文本发送至云端；
接收从云端返回的针对所述语音指令的资源；
根据所述资源，对所述语音指令进行响应。
2.根据权利要求1所述的方法，其中，所述方法还包括：
对所述语音文本进行意图识别，确定用户意图；
响应于确定所述用户意图指示控制客户端，确定不满足预设的信息发送条件。
3.根据权利要求1所述的方法，其中，所述方法还包括：
确定与云端的网络连接状态；
响应于确定所述网络连接状态异常，确定不满足预设的信息发送条件。
4.根据权利要求1所述的方法，其中，所述资源包括回复文本；以及
所述根据所述资源，对所述语音指令进行响应，包括：
对所述回复文本进行语音合成，输出合成的语音。
5.根据权利要求1所述的方法，其中，所述资源包括查询结果；以及
所述根据所述资源，对所述语音指令进行响应，包括：
显示与所述查询结果对应的页面。
6.根据权利要求4所述的方法，其中，所述方法还包括：
响应于不满足预设的信息发送条件，根据历史回复文本生成针对所述语音指令的回复文本。
7.根据权利要求1所述的方法，其中，所述对所述语音指令进行语音识别，确定对应的语音文本，包括：
确定所述语音指令是否为人机交互指令；
响应于确定所述语音指令为人机交互指令，对所述语音指令进行语音识别，确定对应的语音文本。
8.根据权利要求7所述的方法，其中，所述确定所述语音指令是否为人机交互指令，包括：
对所述文本信息进行语义解析以及意图识别，确定用户意图；
确定所述文本信息属于句子的概率；
确定所述文本信息对应的文本长度；
确定所述声学信息对应的音节声学置信度以及整句声学置信度；
根据所述用户意图、所述概率、所述文本长度、所述音节声学置信度以及所述整句声学置信度中的至少一项，确定所述语音指令是否属于人机交互指令。
9.根据权利要求8所述的方法，其中，所述对所述语音指令进行语音识别，确定对应的语音文本，包括：
根据所述声学信息对应的声学置信度以及预设的置信度阈值，确定所述语音指令中的确定文本以及不确定文本；
根据所述确定文本以及所述不确定文本，生成并输出提示信息；
接收针对所述提示信息的回复语音；
识别所述回复语音中的澄清文本；
根据所述确定文本以及所述澄清文本，确定对应的语音文本。
10.根据权利要求1所述的方法，其中，所述响应于满足预设的信息发送条件，将所述语音文本发送至云端，包括：
在所述语音指令的语音识别过程中，将识别出的文本发送至云端。
11.根据权利要求10所述的方法，其中，所述在所述语音指令的语音识别过程中，将识别出的文本发送至云端，包括：
在所述语音指令的语音识别过程中，判断识别出的文本是否满足预设条件；
响应于确定所述识别出的文本是否满足预设条件，将识别出的文本发送至云端。
12.根据权利要求10或11所述的方法，其中，所述方法还包括：
响应于在所述语音指令的识别过程中，接收到云端发送的中间资源，显示所述中间资源。
13.一种人机交互装置，包括：
语音获取单元，被配置成获取语音指令；
语音识别单元，被配置成对所述语音指令进行语音识别，确定对应的语音文本；
文本发送单元，被配置成响应于满足预设的信息发送条件，将所述语音文本发送至云端；
资源接收单元，被配置成接收从云端返回的针对所述语音指令的资源；
指令响应单元，被配置成根据所述资源，对所述语音指令进行响应。
14.根据权利要求13所述的装置，其中，所述装置还包括条件判断单元，被配置成：
对所述语音文本进行意图识别，确定用户意图；
响应于确定所述用户意图指示控制客户端，确定不满足预设的信息发送条件。
15.根据权利要求13所述的装置，其中，所述装置还包括条件判断单元，被配置成：
确定与云端的网络连接状态；
响应于确定所述网络连接状态异常，确定不满足预设的信息发送条件。
16.根据权利要求13所述的装置，其中，所述资源包括回复文本；以及
所述指令响应单元进一步被配置成：
对所述回复文本进行语音合成，输出合成的语音。
17.根据权利要求13所述的装置，其中，所述资源包括查询结果；以及
所述指令响应单元进一步被配置成：
显示与所述查询结果对应的页面。
18.根据权利要求16所述的装置，其中，所述装置还包括文本生成单元，被配置成：
响应于不满足预设的信息发送条件，根据历史回复文本生成针对所述语音指令的回复文本。
19.根据权利要求13所述的装置，其中，所述装置还包括指令确定单元，被配置成：确定所述语音指令是否为人机交互指令；
所述语音识别单元进一步被配置成：
响应于确定所述语音指令为人机交互指令，对所述语音指令进行语音识别，确定对应的语音文本。
20.根据权利要求19所述的装置，其中，所述指令确定单元进一步被配置成：
对所述文本信息进行语义解析以及意图识别，确定用户意图；
确定所述文本信息属于句子的概率；
确定所述文本信息对应的文本长度；
确定所述声学信息对应的音节声学置信度以及整句声学置信度；
根据所述用户意图、所述概率、所述文本长度、所述音节声学置信度以及所述整句声学置信度中的至少一项，确定所述语音指令是否属于人机交互指令。
21.根据权利要求20所述的装置，其中，所述语音识别单元进一步被配置成：
根据所述声学信息对应的声学置信度以及预设的置信度阈值，确定所述语音指令中的确定文本以及不确定文本；
根据所述确定文本以及所述不确定文本，生成并输出提示信息；
接收针对所述提示信息的回复语音；
识别所述回复语音中的澄清文本；
根据所述确定文本以及所述澄清文本，确定对应的语音文本。
22.根据权利要求20所述的装置，其中，所述文本发送单元进一步被配置成：
在所述语音指令的语音识别过程中，将识别出的文本发送至云端。
23.根据权利要求20所述的装置，其中，所述文本发送单元进一步被配置成：
在所述语音指令的语音识别过程中，判断识别出的文本是否满足预设条件；
响应于确定所述识别出的文本是否满足预设条件，将识别出的文本发送至云端。
24.根据权利要求22或23所述的装置，其中，所述指令响应单元进一步被配置成：
响应于在所述语音指令的识别过程中，接收到云端发送的中间资源，显示所述中间资源。
25.一种电子设备，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权利要求1-12中任一项所述的方法。
26.一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1-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
CN202110948729.1A 2021-08-18 2021-08-18 人机交互方法、装置、设备以及存储介质 Active CN113674742B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110948729.1A CN113674742B (zh) 2021-08-18 2021-08-18 人机交互方法、装置、设备以及存储介质
US17/706,409 US20230058437A1 (en) 2021-08-18 2022-03-28 Method for human-computer interaction, apparatus for human-computer interaction, device, and storage medium
JP2022071651A JP2022101663A (ja) 2021-08-18 2022-04-25 ヒューマンコンピュータインタラクション方法、装置、電子機器、記憶媒体およびコンピュータプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110948729.1A CN113674742B (zh) 2021-08-18 2021-08-18 人机交互方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113674742A true CN113674742A (zh) 2021-11-19
CN113674742B CN113674742B (zh) 2022-09-27

Family

ID=78543580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110948729.1A Active CN113674742B (zh) 2021-08-18 2021-08-18 人机交互方法、装置、设备以及存储介质

Country Status (3)

Country Link
US (1) US20230058437A1 (zh)
JP (1) JP2022101663A (zh)
CN (1) CN113674742B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399992A (zh) * 2021-12-03 2022-04-26 北京百度网讯科技有限公司 语音指令响应方法、装置及存储介质
EP4210046A1 (en) * 2022-01-06 2023-07-12 Guangzhou Xiaopeng Motors Technology Co., Ltd. Voice interaction method, apparatus, vehicle, and storage medium

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116564311B (zh) * 2023-07-11 2023-09-29 北京探境科技有限公司 设备控制方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986801A (zh) * 2017-06-02 2018-12-11 腾讯科技（深圳）有限公司 一种人机交互方法、装置及人机交互终端
US20190164549A1 (en) * 2017-11-30 2019-05-30 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for controlling page
CN110444206A (zh) * 2019-07-31 2019-11-12 北京百度网讯科技有限公司 语音交互方法及装置、计算机设备与可读介质
CN110718223A (zh) * 2019-10-28 2020-01-21 百度在线网络技术（北京）有限公司 用于语音交互控制的方法、装置、设备和介质
CN110866090A (zh) * 2019-11-14 2020-03-06 百度在线网络技术（北京）有限公司 用于语音交互的方法、装置、电子设备和计算机存储介质
CN112133307A (zh) * 2020-08-31 2020-12-25 百度在线网络技术（北京）有限公司 人机交互方法、装置、电子设备及存储介质
CN112700778A (zh) * 2019-10-22 2021-04-23 三星电子株式会社 语音识别方法和语音识别设备

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4554285B2 (ja) * 2004-06-18 2010-09-29 トヨタ自動車株式会社 音声認識システム、音声認識方法、及び音声認識プログラム
JP2008009153A (ja) * 2006-06-29 2008-01-17 Xanavi Informatics Corp 音声対話システム
US7970608B2 (en) * 2006-08-18 2011-06-28 Nuance Communications, Inc. Providing contextual information for spoken information
JP4412504B2 (ja) * 2007-04-17 2010-02-10 本田技研工業株式会社 音声認識装置、音声認識方法、及び音声認識用プログラム
US8522283B2 (en) * 2010-05-20 2013-08-27 Google Inc. Television remote control data transfer
JP2012256001A (ja) * 2011-06-10 2012-12-27 Alpine Electronics Inc 移動体における音声認識装置および方法
CN102629936B (zh) * 2012-03-12 2016-03-30 华为终端有限公司 一种移动终端处理文本的方法、相关设备及系统
JP6120708B2 (ja) * 2013-07-09 2017-04-26 株式会社Ｎｔｔドコモ 端末装置およびプログラム
EP2887348B1 (en) * 2013-12-18 2022-05-04 Harman International Industries, Incorporated Voice recognition query response system
US9443520B2 (en) * 2014-10-02 2016-09-13 International Business Machines Corporation Management of voice commands for devices in a cloud computing environment
CN106909603A (zh) * 2016-08-31 2017-06-30 阿里巴巴集团控股有限公司 搜索信息处理方法及装置
CN108010531B (zh) * 2017-12-14 2021-07-27 南京美桥信息科技有限公司 一种可视智能问询方法及系统
US11037556B2 (en) * 2018-07-17 2021-06-15 Ford Global Technologies, Llc Speech recognition for vehicle voice commands
US20200111487A1 (en) * 2018-10-04 2020-04-09 Ca, Inc. Voice capable api gateway
TWI684874B (zh) * 2018-10-18 2020-02-11 瑞軒科技股份有限公司 智慧型音箱及其操作方法
CN109992248B (zh) * 2019-02-25 2022-07-29 阿波罗智联(北京)科技有限公司 语音应用的实现方法、装置、设备及计算机可读存储介质
JP2020160285A (ja) * 2019-03-27 2020-10-01 本田技研工業株式会社 エージェント装置、情報提供方法、及びプログラム
CN110706707B (zh) * 2019-11-13 2020-09-18 百度在线网络技术（北京）有限公司 用于语音交互的方法、装置、设备和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986801A (zh) * 2017-06-02 2018-12-11 腾讯科技（深圳）有限公司 一种人机交互方法、装置及人机交互终端
US20190164549A1 (en) * 2017-11-30 2019-05-30 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for controlling page
CN110444206A (zh) * 2019-07-31 2019-11-12 北京百度网讯科技有限公司 语音交互方法及装置、计算机设备与可读介质
CN112700778A (zh) * 2019-10-22 2021-04-23 三星电子株式会社 语音识别方法和语音识别设备
CN110718223A (zh) * 2019-10-28 2020-01-21 百度在线网络技术（北京）有限公司 用于语音交互控制的方法、装置、设备和介质
CN110866090A (zh) * 2019-11-14 2020-03-06 百度在线网络技术（北京）有限公司 用于语音交互的方法、装置、电子设备和计算机存储介质
CN112133307A (zh) * 2020-08-31 2020-12-25 百度在线网络技术（北京）有限公司 人机交互方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399992A (zh) * 2021-12-03 2022-04-26 北京百度网讯科技有限公司 语音指令响应方法、装置及存储介质
CN114399992B (zh) * 2021-12-03 2022-12-06 北京百度网讯科技有限公司 语音指令响应方法、装置及存储介质
EP4210046A1 (en) * 2022-01-06 2023-07-12 Guangzhou Xiaopeng Motors Technology Co., Ltd. Voice interaction method, apparatus, vehicle, and storage medium

Also Published As

Publication number Publication date
JP2022101663A (ja) 2022-07-06
US20230058437A1 (en) 2023-02-23
CN113674742B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN108573702B (zh) 具有域歧义消除的启用语音功能的系统
CN113674742B (zh) 人机交互方法、装置、设备以及存储介质
EP3125234B1 (en) Individualized hotword detection models
US20160260434A1 (en) Selective speech recognition for chat and digital personal assistant systems
US20190043503A1 (en) Automatic speech recognition with filler model processing
KR20210103002A (ko) 감정 정보 기반의 음성 합성 방법 및 장치
US20230074406A1 (en) Using large language model(s) in generating automated assistant response(s
JP7256237B2 (ja) 局所的なテキスト応答マップを利用する、ユーザの口頭発話への応答のレンダリング
CN113674746B (zh) 人机交互方法、装置、设备以及存储介质
US11830482B2 (en) Method and apparatus for speech interaction, and computer storage medium
CN112292724A (zh) 用于调用自动助理的动态和/或场境特定热词
JP2022534888A (ja) ２パスエンドツーエンド音声認識
EP3857544B1 (en) Speaker awareness using speaker dependent speech model(s)
WO2023038654A1 (en) Using large language model(s) in generating automated assistant response(s)
CN112767916A (zh) 智能语音设备的语音交互方法、装置、设备、介质及产品
CN113611316A (zh) 人机交互方法、装置、设备以及存储介质
US11817093B2 (en) Method and system for processing user spoken utterance
CN113658586A (zh) 语音识别模型的训练方法、语音交互方法及装置
JP2023162265A (ja) テキストエコー消去
CN114299955B (zh) 语音交互的方法、装置、电子设备及存储介质
CN114860910A (zh) 智能对话方法及系统
CN114429766A (zh) 调整播放音量的方法、装置、设备以及存储介质
CN114299941A (zh) 语音交互的方法、装置、电子设备及存储介质
CN114399992A (zh) 语音指令响应方法、装置及存储介质
US11756533B2 (en) Hot-word free pre-emption of automated assistant response presentation

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