CN113674746A - 人机交互方法、装置、设备以及存储介质 - Google Patents

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：获取来自用户的目标语音指令以及用户的嘴部图像序列；对目标语音指令进行分析，确定对应的文本信息以及声学信息；对嘴部图像序列进行分析，确定嘴唇状态序列；基于文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令；响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。本实现方式能够准确地判断用户的语音指令是否属于人机交互指令，能够提升智能设备指令执行的准确度，提升用户的交互体验。

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

传统的远场语音交互中，用户需要频繁唤醒设备才可以交互。一次唤醒持续交互技术，可以让用户只唤醒一次，后续一段时间内直接对设备发起语音请求。在持续聆听的过程中，会收到大量的语音指令，既包括用户对设备发起的指令(后续称人机交互指令)，也包括一些不是对设备发起的指令(如噪音、家中电视声音、家人之间聊天等，后续称非人机交互指令)。如何准确地判断用户发起的语音指令是否属于人机交互指令对于提升用户的使用体验非常重要。

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：获取来自用户的目标语音指令以及用户的嘴部图像序列；对目标语音指令进行分析，确定对应的文本信息以及声学信息；对嘴部图像序列进行分析，确定嘴唇状态序列；基于文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令；响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。

根据第二方面，提供了一种人机交互装置，包括：数据获取单元，被配置成获取来自用户的目标语音指令以及用户的嘴部图像序列；指令分析单元，被配置成对目标语音指令进行分析，确定对应的文本信息以及声学信息；图像分析单元，被配置成对嘴部图像序列进行分析，确定嘴唇状态序列；指令判断单元，被配置成基于文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令；指令响应单元，被配置成响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。

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。

根据本公开的技术能够准确地判断用户的语音指令是否属于人机交互指令，能够提升智能设备指令执行的准确度，提升用户的交互体验。

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，获取来自用户的目标语音指令以及用户的嘴部图像序列。

本实施例中，人机交互方法的执行主体可以获取来自用户的目标语音指令以及用户的嘴部图像序列。具体的，执行主体可以通过通信连接的麦克风采集来自用户的目标语音指令，同时执行主体可以通过通信连接的摄像机采集用户的嘴部图像序列。具体的，执行主体可以控制摄像机采集其视场内的用户的嘴部图像，或者执行主体可以根据目标用户语音指令的发声方向调整摄像机的视场，以采集说出目标语音指令的用户的嘴部图像序列。嘴部图像序列中可以包括多帧嘴部图像，通过对各帧嘴部图像进行分析处理，可以确定用户的嘴部状态。

步骤202，对目标语音指令进行分析，确定对应的文本信息以及声学信息。

执行主体在获取到目标语音指令后，可以对目标语音指令进行多种分析，例如进行语音识别或声学处理，确定对应的文本信息以及声学信息。上述文本信息可以包括多种语言的文字或字符。上述声学信息还可以音节序列、音频、音素等。执行主体可以通过现有的多种语音处理算法得到上述文本信息和声学信息。

步骤203，对嘴部图像序列进行分析，确定嘴唇状态序列。

执行主体还可以对嘴部图像序列进行分析，确定嘴唇状态序列。具体的，执行主体可以利用各种图像处理算法对嘴部图像序列进行分析。这里，嘴唇状态可以包括嘴唇的开合状态、开合程度等。每一帧嘴部图像对应一个嘴唇状态。

步骤204，基于文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令。

本实施例中，执行主体可以将文本信息、声学信息以及嘴唇状态序列输入预先训练的模型中，得到目标语音指令是否属于人机交互指令的判断结果。上述模型可以是二分类模型。

步骤205，响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。

本实施例中，如果执行主体确认目标语音指令属于人机交互指令，则可以输出目标语音指令的响应信息。上述响应信息可以是音频信息，也可以是执行结果。例如，目标语音指令为“打开天窗”，则响应可以是打开车辆的天窗。

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，用户通过智能电视观看电视节目，智能电视接收到目标语音指令。通过对目标语音指令进行分析，得到文本信息和声学信息。智能电视通过其上安装的摄像头采集用户的嘴部图像序列。在对嘴部图像序列进行分析后，确定用户的嘴唇状态未发生改变。则智能电视根据上述文本信息和声学信息，识别出对应的指令为“声音大一点”。通过用户的嘴唇状态序列认定用户未发出上述指令。则智能电视认定上述“声音大一点”的语音指令不是人机交互指令，则忽略上述语音指令。

本公开的上述实施例提供的人机交互方法，能够准确地判断用户的语音指令是否属于人机交互指令，能够提升智能设备指令执行的准确度，提升用户的交互体验。

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，获取来自用户的目标语音指令以及用户的嘴部图像序列。

步骤402，对目标语音指令进行分析，确定对应的文本信息以及声学信息。

步骤403，对嘴部图像序列进行分析，确定嘴唇状态序列。

步骤404，获取目标语音指令生成时刻之前预设时间段内生成的历史语音指令。

本实施例中，执行主体还可以获取在目标语音指令生成时刻之前预设时间段内生成的历史语音指令。上述预设时间段可以是60秒。如果执行主体在目标语音指令生成之前60秒获取到历史语音指令。则可以进一步获取历史语音指令的判断结果。

步骤405，根据历史语音指令的判断结果、文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令。

如果历史语音指令均为人机交互指令，则执行主体可以更倾向于认定目标语音指令为人机交互指令。执行主体可以将上述判断结果、文本信息、声学信息以及嘴唇状态序列，输入到预先建立的二分类模型中，得到目标语音指令的判断结果。

在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤实现目标语音指令的判断：将文本信息、声学信息以及预先训练的判断模型，确定目标语音指令的判断结果；响应于确定判断结果指示目标语音指令属于人机交互指令，基于嘴唇状态序列，对判断结果进行核验。

本实现方式中，执行主体可以首先将文本信息、声学信息以及预先训练的判断模型，确定目标语音指令的判断结果。在一些具体的应用中，执行主体还可以将历史语音指令的判断结果与文本信息、声学信息一起，输入到预先训练的判断模型中，得到目标语音指令的判断结果。如果上述判断模型得到的结果指示目标语音指令属于人机交互指令，则执行主体可以基于嘴唇状态序列，对判断结果进行核验。具体的，如果嘴唇状态序列指示用户的嘴唇状态发生变化，则可以认为判断结果正确。如果嘴唇状态序列指示用户的嘴唇状态未发生变化，则可以认为判断结果错误。

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以下步骤对判断结果进行核验：响应于确定嘴唇状态序列表征嘴唇状态发生变化，确定判断结果正确。

本实现方式中，如果执行主体认定用户的嘴唇状态发生变化，则认为用户说出了目标语音指令，则执行主体可以认为模型的判断结果正确。

在本实施例的一些可选的实现方式中，声学信息可以包括音节特征。执行主体可以通过以下步骤对判断结果进行核验：确定音节特征对应的参考嘴唇状态序列；根据嘴唇状态序列与参考嘴唇状态序列，对判断结果进行核验。

本实现方式中，执行主体可以首先根据目标语音指令中的音节特征，确定对应的参考嘴唇状态序列。可以理解的是，参考嘴唇状态序列是用户说出目标语音指令的嘴唇状态变化的序列。执行主体可以将嘴唇状态序列与参考嘴唇状态序列进行对比。如果二者一致，则确定模型的判断结果正确。如果二者不一致，说明用户的嘴唇状态序列对应的语音并不是目标语音序列对应的音节，则说明模型的判断结果错误。

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目标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；嘴唇状态序列对应的嘴唇状态变化结果；根据用户意图、概率、文本长度、音节声学置信度、整句声学置信度以及嘴唇状态变化结果中的至少一项，确定目标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目标语音指令进行解析。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。

步骤406，响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。

步骤407，响应于确定目标语音指令不属于人机交互指令，忽略目标语音指令。

本实施例中，如果执行主体认定目标语音指令不属于人机交互指令，则可以忽略目标语音指令，即不对目标语音指令进行响应。

本公开的上述实施例提供的人机交互方法，可以结合历史语音指令的判断结果进行目标语音指令的判断，从而进一步提高目标语音指令判断的准确性。

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：数据获取单元501、指令分析单元502、图像分析单元503、指令判断单元504和指令响应单元505。

数据获取单元501，被配置成获取来自用户的目标语音指令以及用户的嘴部图像序列。

指令分析单元502，被配置成对目标语音指令进行分析，确定对应的文本信息以及声学信息。

图像分析单元503，被配置成对嘴部图像序列进行分析，确定嘴唇状态序列。

指令判断单元504，被配置成基于文本信息、声学信息以及嘴唇状态序列，确定目标语音指令是否属于人机交互指令。

指令响应单元505，被配置成响应于确定目标语音指令属于人机交互指令，对目标语音指令进行响应。

在本实施例的一些可选的实现方式中，指令判断单元504可以进一步被配置成：获取目标语音指令生成时刻之前预设时间段内生成的历史语音指令；根据历史语音指令的判断结果、文本信息、声学信息以及嘴唇状态序列，确定目标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，指令判断单元504可以进一步被配置成：将文本信息、声学信息以及预先训练的判断模型，确定目标语音指令的判断结果；响应于确定判断结果指示目标语音指令属于人机交互指令，基于嘴唇状态序列，对判断结果进行核验。

在本实施例的一些可选的实现方式中，指令判断单元504可以进一步被配置成：响应于确定嘴唇状态序列表征嘴唇状态发生变化，确定判断结果正确。

在本实施例的一些可选的实现方式中，声学信息包括音节特征；以及指令判断单元504可以进一步被配置成：确定音节特征对应的参考嘴唇状态序列；根据嘴唇状态序列与参考嘴唇状态序列，对判断结果进行核验。

在本实施例的一些可选的实现方式中，指令判断单元504可以进一步被配置成：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；嘴唇状态序列对应的嘴唇状态变化结果；根据用户意图、概率、文本长度、音节声学置信度、整句声学置信度以及嘴唇状态变化结果中的至少一项，确定目标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，装置500还可以进一步包括图5中未示出的指令忽略单元，被配置成：响应于确定目标语音指令不属于人机交互指令，忽略目标语音指令。

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RAM 603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RAM 603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 (17)

1.一种人机交互方法，包括：

获取来自用户的目标语音指令以及用户的嘴部图像序列；

对所述目标语音指令进行分析，确定对应的文本信息以及声学信息；

对所述嘴部图像序列进行分析，确定嘴唇状态序列；

基于所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令；

响应于确定所述目标语音指令属于人机交互指令，对所述目标语音指令进行响应。

2.根据权利要求1所述的方法，其中，所述基于所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令，包括：

获取所述目标语音指令生成时刻之前预设时间段内生成的历史语音指令；

根据所述历史语音指令的判断结果、所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令。

3.根据权利要求1所述的方法，其中，所述基于所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令，包括：

将所述文本信息、所述声学信息以及预先训练的判断模型，确定所述目标语音指令的判断结果；

响应于确定所述判断结果指示所述目标语音指令属于人机交互指令，基于所述嘴唇状态序列，对所述判断结果进行核验。

4.根据权利要求3所述的方法，其中，所述基于所述嘴唇状态序列，对所述判断结果进行核验，包括：

响应于确定所述嘴唇状态序列表征嘴唇状态发生变化，确定所述判断结果正确。

5.根据权利要求3所述的方法，其中，所述声学信息包括音节特征；以及

所述基于所述嘴唇状态序列，对所述判断结果进行核验，包括：

确定所述音节特征对应的参考嘴唇状态序列；

根据所述嘴唇状态序列与所述参考嘴唇状态序列，对所述判断结果进行核验。

6.根据权利要求1所述的方法，其中，所述基于所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令，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；

所述嘴唇状态序列对应的嘴唇状态变化结果；

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、所述整句声学置信度以及所述嘴唇状态变化结果中的至少一项，确定所述目标语音指令是否属于人机交互指令。

7.根据权利要求1-6任一项所述的方法，其中，所述方法还包括：

响应于确定所述目标语音指令不属于人机交互指令，忽略所述目标语音指令。

8.一种人机交互装置，包括：

数据获取单元，被配置成获取来自用户的目标语音指令以及用户的嘴部图像序列；

指令分析单元，被配置成对所述目标语音指令进行分析，确定对应的文本信息以及声学信息；

图像分析单元，被配置成对所述嘴部图像序列进行分析，确定嘴唇状态序列；

指令判断单元，被配置成基于所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令；

指令响应单元，被配置成响应于确定所述目标语音指令属于人机交互指令，对所述目标语音指令进行响应。

9.根据权利要求8所述的装置，其中，所述指令判断单元进一步被配置成：

获取所述目标语音指令生成时刻之前预设时间段内生成的历史语音指令；

根据所述历史语音指令的判断结果、所述文本信息、所述声学信息以及所述嘴唇状态序列，确定所述目标语音指令是否属于人机交互指令。

10.根据权利要求8所述的装置，其中，所述指令判断单元进一步被配置成：

将所述文本信息、所述声学信息以及预先训练的判断模型，确定所述目标语音指令的判断结果；

响应于确定所述判断结果指示所述目标语音指令属于人机交互指令，基于所述嘴唇状态序列，对所述判断结果进行核验。

11.根据权利要求10所述的装置，其中，所述指令判断单元进一步被配置成：

响应于确定所述嘴唇状态序列表征嘴唇状态发生变化，确定所述判断结果正确。

12.根据权利要求10所述的装置，其中，所述声学信息包括音节特征；以及

所述指令判断单元进一步被配置成：

确定所述音节特征对应的参考嘴唇状态序列；

根据所述嘴唇状态序列与所述参考嘴唇状态序列，对所述判断结果进行核验。

13.根据权利要求8所述的装置，其中，所述指令判断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；

所述嘴唇状态序列对应的嘴唇状态变化结果；

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、所述整句声学置信度以及所述嘴唇状态变化结果中的至少一项，确定所述目标语音指令是否属于人机交互指令。

14.根据权利要求8-13任一项所述的装置，其中，所述装置还包括指令忽略单元，被配置成：

响应于确定所述目标语音指令不属于人机交互指令，忽略所述目标语音指令。

15.一种电子设备，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1-7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，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。

17.一种计算机程序产品，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1-7中任一项所述的方法。

Images