CN114565449A - 智能交互方法和装置、系统、电子设备、计算机可读介质 - Google Patents

Abstract

本公开提供了一种智能交互方法和装置，涉及计算机视觉、语音技术等技术领域。具体实现方案为：获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；基于视频信息，确定交互画面中的服务方和客户方；基于视频信息，从音频信息中选取并分析服务方的语音交互数据；响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。该实施方式提高了智能交互的效率。

Description

智能交互方法和装置、系统、电子设备、计算机可读介质

技术领域

本公开涉及计算机技术领域，具体涉及计算机视觉、语音技术等技术领域，尤其涉及一种智能交互方法和装置、系统、电子设备、计算机可读介质以及计算机程序产品。

背景技术

在金融行业，如银行开户、信贷调查及保险产品售卖，金融线上直播等业务场景中，国家监管机构会要求金融机构对视频展示过程中进行合规性审查，查看在过程中是否存在不合规的情况，如果存在不合规情况，相关企业将会被处于罚款或者吊销执照等。

发明内容

提供了一种智能交互方法和装置、系统、电子设备、计算机可读介质以及计算机程序产品。

根据第一方面，提供了一种智能交互方法，该方法包括：获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；基于视频信息，确定交互画面中的服务方和客户方；基于视频信息，从音频信息中选取并分析服务方的语音交互数据；响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。

根据第二方面，又提供了一种智能交互装置，该装置包括：获取单元，被配置成获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；确定单元，被配置成基于视频信息，确定交互画面中的服务方和客户方；第一选取单元，被配置成基于视频信息，从音频信息中选取并分析服务方的语音交互数据；第一提示单元，被配置成响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。

根据第三方面，又提供了一种智能交互系统，该系统包括：服务器、摄像装置、音频装置以及输出装置；服务器获取音频装置发送的音频信息，获取摄像装置发送的视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；基于视频信息，确定交互画面中的服务方和客户方；基于视频信息，从音频信息中选取并分析服务方的语音交互数据；服务器在确定服务方的语音交互数据不符合服务引导规则时，通过输出装置对服务方进行规范化提示。

根据第四方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与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，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任一实现方式描述的方法。

根据第五方面，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，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。

根据第六方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。

本公开的实施例提供的智能交互方法和装置，首先，获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；其次，基于视频信息，确定交互画面中的服务方和客户方；再次，基于视频信息，从音频信息中选取并分析服务方的语音交互数据；最后，响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。由此，结合服务方和客户方的交互画面以及音频信息，确定交互画面中的服务方，选取服务方的语音交互数据，并对服务方的语音交互数据进行分析，在服务方的语音交互数据不符合服务引导规则时，对服务方进行规范化提示，可以有效地确定服务方是否存在不合规行为，保障了服务方的利益，提升了客户方的体验。

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是根据本公开智能交互方法的一个实施例的流程图；

图2是根据本公开智能交互方法的另一个实施例的流程图；

图3是根据本公开智能交互装置的一个实施例的结构示意图；

图4是根据本公开第一提示单元的一个实施例的结构示意图；

图5是根据本公开智能交互装置的另一个实施例的结构示意图；

图6是根据本公开智能交互装置的再一个实施例的结构示意图；

图7是根据本公开智能交互装置的又一个实施例的结构示意图；

图8是根据本公开确定单元的一个实施例的结构示意图；

图9是根据本公开智能交互系统的一个实施例的结构示意图；

图10是用来实现本公开实施例的智能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。

图1示出了根据本公开智能交互方法的一个实施例的流程100，上述智能交互方法包括以下步骤：

步骤101，获取同步的音频信息和视频信息。

本实施例中，音频信息和视频信息是对服务方和客户方进行信息采集之后得到的同步信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面。可选地，音频信息还可以包括服务方和客户方在交互过程中的环境杂音。视频信息还可以包括服务方和客户方在交互过程中的周围环境图像。

本实施例中，服务方是为客户方提供业务服务的一方，客户方为接受业务服务的一方，该业务服务可以是金融服务，例如银行开户、信贷咨询、保险售卖等；该业务服务可以是培训服务，例如在线授课、培训咨询、课程售卖等，当然，业务服务还可以具有其他类型，此处不再赘述。

本实施例中，智能交互方法的执行主体可以通过各种公开、合法合规的方式获取包括服务方和客户方的音频信息和视频信息，例如可以是从公开的摄像装置和音频装置处获取的，或者是经过了用户的授权从用户处获取的。

本实施例中，同步的音频信息和视频信息可以是实时采集的一段时间的信息，通过该实时采集的信息，可以分析在一段时间中服务方和客户方交互信息的变化情况，例如，实时采集3个小时之内客户方的音频信息，基于该3个小时的客户方的音频信息可以确定客户方是否在3个小时发出过购买业务服务(在线课程)的语音。

需要说明的是，本申请的音频信息和视频信息不是针对某一特定用户的信息，并不能反映出某一特定用户的个人信息；语音交互数据也不是针对某一特定用户的语音，并不能反映出某一个特定用户的个人信息；交互画面也不是针对某一特定用户的画面，并不能反映出某一特定用户的个人信息。

步骤102，基于视频信息，确定交互画面中的服务方和客户方。

本实施例中，视频信息包括服务方和客户方的交互画面，在服务方和客户方进行交互时，基于服务方和客户方的特征，可以确定交互画面中哪类人员图像是服务方，哪类人员图像是客户方。上述基于视频信息，确定交互画面中的服务方和客户方包括：在交互画面中，检测是否有至少两个人物；响应于检测到至少两个人物，定位各个人物的唇读图像；将第一个唇读图像对应的人物作为服务方。

需要说明的是，本申请的唇读图像不是针对某一特定用户的图像，并不能反映出某一特定用户的个人信息。

在本实施例的一些可选实现方式中，基于视频信息，确定交互画面中的服务方和客户方，包括：基于视频信息，获取交互画面中的至少一个人脸图像；响应于至少一个人脸图像中的任意一个人脸图像与客户方的预设身份图像一致，确定交互画面中与客户方的预设身份图像一致的人脸图像为客户方；针对至少一个人脸图像中除客户方之外的人脸图像，获取该人脸图像中的唇读图像，基于唇读图像确定服务方。

本可选实现方式中，视频信息中有多帧图像，每帧图像可以对应一个交互画面，每个交互画面中可以具有至少一个人脸图像，将首帧或者交互画面中的前设定帧图像中的各个人脸图像与客户方的预设身份图像进行相似度计算，当两者的相似度值在90％以上时，确定与客户方的预设身份图像一致。需要说明的是，客户方的预设身份图像是客户在进入某些场景之后，通过出示身份证件得到的身份图像。客户方的预设身份图像还可以从第三方业务系统(如公安人脸库)获取的图像。

本可选实现方式中，唇读图像是指人脸图像中具有唇动的图像，通过唇读图像可以观察到说话者的口型变化，“读出”或“部分读出”图像中人物所说的内容。基于服务方具有服务性的特征，在与客户方交互时，一般服务方是具有主导话语权一方，在确定客户方之后，识别至少一个人脸图像中除客户方之外的人脸图像中的唇读图像，将识别到第一个唇读图像对应的人脸图像对应的人物作为服务方。

需要说明的是，本申请的人脸图像不是针对某一特定用户的人脸图像，并不能反映出某一特定用户的个人信息。

本可选实现方式提供的确定交互画面中的服务方和客户方，基于客户方的预设身份图像识别客户方，在确定客户方之后，基于人脸图像中的唇读图像确定服务方，从而基于客户方和服务方的特征确定客户方和服务方的方式，提高了客户方和服务方确定的可靠性。

可选地，上述基于视频信息，确定交互画面中的服务方和客户方，包括：获取交互画面中的人脸图像，将所有人脸图像分别与客户方的预设身份图像、服务方的预设身份图像进行匹配，将与客户方的预设身份图像匹配一致的人脸图像对应的人物作为客户方，将与服务方的预设身份图像匹配一致的人脸图像对应的人物作为服务方。本实施例中，服务方的预设身份图像可以是从服务方所在的机构(如保险系统、银行系统、授课系统)获取的图像。

可选地，方法还包括：基于视频信息和音频信息，确定交互画面中的服务方和客户方，包括：基于视频信息，获取交互画面中的至少一个人脸图像；响应于至少一个人脸图像中的任意一个人脸图像与客户方的预设身份图像一致，确定交互画面中与客户方的预设身份图像一致的人脸图像为客户方；基于音频信息，确定与服务方的预先设置的音色相同的语音交互数据，确定服务方的语音交互数据，并在交互画面中唇读图像确定服务方。

步骤103，基于视频信息，从音频信息中选取并分析服务方的语音交互数据。

本实施例中，智能交互方法运行于其上的执行主体在获取到同步的视频信息和音频信息在确定服务方之后，可以根据视频信息中的服务方的唇读图像的变化选取服务方的语音交互数据，即结合视频信息，将服务方和客户方的语音交互数据分离，实现了对服务方的语音交互数据和客户方的语音交互数据独立分析。

本实施例中，在得到服务方的语音交互数据之后，可以对服务方进行合规性审查，其中，对服务方的合规性审查包括服务引导规则，以查看服务方在与客户方的交互过程中是否存在不合规的情况，例如该不合规情况包括服务方的语音交互数据中具有敏感词，服务方具有身份欺诈行为，服务方出现出框等情况。

上述基于视频信息，从音频信息中选取并分析服务方的语音交互数据，包括：基于视频信息，实时确定视频信息中的服务方；基于视频信息中服务方的唇读图像，确定音频信息中服务方的语音交互数据；检测服务方的语音交互数据是否符合服务引导规则。

本实施例中，服务引导规则可以包括：语音交互数据中不包括敏感词，语音交互数据中在涉及到业务关键词之后的预设时间之内具有风险关键词出现两种之中的一种或多种。

步骤104，响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。

本实施例中，分析服务方的语音交互数据是否符合服务引导规则，可以对服务方进行优先提示，保证了服务方和客户方之间的交互流程顺利执行。

本实施例中，服务引导规则与服务方服务业务相对应，服务方不同的服务业务，服务引导规则不同，如服务引导规则可以包括：服务方的语音交互数据是否包括敏感词。可选地，服务引导规则还可以包括：在第一时间段服务方的语音交互数据具有第一业务用词，在第二时间段服务方的语音交互数据具有第二业务用词。其中，第一业务用词、第二业务用词基于服务方服务而设置的词，例如，第一业务用词包括“保险种类”，第二业务用词包括“保险周期”。第一时间段和第二时间段是两个不相关的连续时间段。

针对一些具有风险的业务，服务引导规则还可以包括：检测到服务方的语音交互数据包括业务关键词，在检测到服务方的语音交互数据中的业务关键词之后的预设时间范围之内，如果未检测到服务方的语音交互数据中的风险关键词，确定服务方的语音交互数据不符合服务引导规则。

在本实施例的一些可选实现方式中，上述响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示，包括：检测服务方的语音交互数据中是否包括业务关键词；响应于当前时刻服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内服务方的语音交互数据中是否包括风险关键词；响应于自当前时刻至预设时间范围内服务方的语音交互数据中不包括风险关键词，确定服务方的语音交互数据不符合服务引导规则，输出风险关键词，以对服务方进行规范化提示。

本可选实现方式中，业务关键词为服务方的业务服务的用词，风险词为执行服务方的业务服务之后可能出现的风险的用词，当前时间为检测到业务关键词的时间点，而在检测到业务关键词之后，如果自检测时间至预设时间范围之内均未在服务方的语音交互数据中检测到风险关键词，确定服务方未有效提示服务方服务的业务的风险，因此确定服务方不符合服务引导规则。

本可选实现方式提供的对服务方进行规范化提示的方法，在检测到业务关键词之后，继续检测风险关键词，如果未检测到风险关键词，确定服务方未有效提示客户方，保证了客户方的业务体验。

可选地，上述响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示包括：

将语音交互数据实时转换为文本，对转换后的文本进行语义分析，并将分析出的文本和标准话术库中的引导词进行比对，判断服务方的语音交互数据是否出现引导词遗漏，若确定引导词遗漏，确定服务方的语音交互数据不符合服务引导规则，提示服务方引导词遗漏。

可选地，在服务方的语音交互数据符合服务引导规则时，上述智能交互方法还包括：基于视频信息，对交互画面中服务方和客户方当前所处的环境背景，服务方和客户方同框的时间以及服务方和客户方离开交互画面的时间，服务方和客户方在视频录制过程中的大幅度动作以及表情等信息进行实时分析，对出现不合规的交互画面进行合规提示。

本实施例提供的智能交互方法，首先，获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；其次，基于视频信息，确定交互画面中的服务方和客户方；再次，基于视频信息，从音频信息中选取并分析服务方的语音交互数据；最后，响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。由此，结合服务方和客户方的交互画面以及音频信息，确定交互画面中的服务方，选取服务方的语音交互数据，并对服务方的语音交互数据进行分析，在服务方的语音交互数据不符合服务引导规则时，对服务方进行规范化提示，可以有效地确定服务方是否存在不合规行为，保障了服务方的利益，提升了客户方的体验。

图2示出了根据本公开智能交互方法的另一个实施例的流程200，上述智能交互方法包括以下步骤：

步骤201，获取同步的音频信息和视频信息。

本实施例中，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面。

步骤202，基于视频信息，确定交互画面中的服务方和客户方。

步骤203，基于视频信息，从音频信息中选取并分析服务方的语音交互数据。

步骤204，响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。

应当理解，上述步骤201-步骤204中的操作和特征，分别与步骤101-104中的操作和特征相对应，因此，上述在步骤101-104中对于操作和特征的描述，同样适用于步骤201-步骤204，在此不再赘述。

步骤205，基于视频信息，从音频信息中选取并分析客户方的语音交互数据。

本实施例中，基于视频信息，通过活体检测和人脸识别技术可以追踪交互画面中与客户方的预设身份图像对应的客户方，由此确定视频信息的交互画面中出现的客户方。进一步地，由于视频信息与音频信息同步，在确定客户方之后，相应地可以从音频信息直接得到客户方的语音交互数据。

步骤206，响应于确定客户方的语音交互数据符合方言规则，对客户方的语音交互数据进行纠正，得到纠正文本。

本实施例中，在一些业务场景中有一些文化知识程度不高的客户方，该客户方只懂方言，无法听懂服务方的普通话的引导，可能导致客户方回答的内容有漏答。

本实施例中，针对不同地方区域的方言，本实施例可以设置方言库，在得到客户方的语音交互数据之后，将客户方的语音交互数据与方言库中的方言进行比对，在确定客户方的语音交互数据与方言库中的方言相同，确定客户方的语音交互数据符合方言规则。

上述对客户方的语音交互数据进行纠正，得到纠正文本包括：将客户方的语音交互数据转换为方言文本，将方言文本转换为普通话文本，该普通话文本即为纠正文本。

可选地，上述对客户方的语音交互数据进行纠正，得到纠正文本还包括：检测普通话文本是否为具有主谓宾的语句，若否，对普通话文本进行语义分析，确定普通话文本的语义；基于普通话文本的语义，对普通话文本进行补充，得到纠正文本。

步骤207，基于纠正文本，提示服务方，以使服务方对纠正文本进行回复。

本实施例中，智能交互方法运行于其上的执行主体在得到纠正文本之后，可以通过输出装置(如显示屏)输出纠正文本，以提示服务方。服务方在接收到输出装置显示的纠正文本之后，可以对纠正文本的内容进行回复。

本实施例提供的智能交互方法，在对服务方的语音交互数据进行服务引导规则分析的同时，从音频信息中选取并分析客户方的语音交互数据，在客户方的语音交互数据符合方言规则时，对客户方的语音交互数据进行纠正，并基于纠正文本提示服务方，从而便于服务方可以有效得到客户方的语音交互信息，提高了服务方和客户方双方交流的可靠性和顺畅性。

在本公开的一些实施例中，上述智能交互方法还包括：将服务方的语音交互数据转化为与客户方的语音交互数据相同的语言；输出转化后的语言。

本实施例中，在确定客户方的语音交互数据符合方言规则之后，将服务方的语音交互数据转换为客户方的方言形式输出，可以实时将服务方的普通话转化为客户方可以理解的方言。

本实施例中，为了便于客户方可以有效理解服务方的语音，将服务方的语音交互数据转化为与客户方的语音交互数据相同的语言，可以便于客户方有效理解服务方的话语内容，提高了客户方的体验。

在本公开的一些实施例中，上述智能交互方法还包括：基于视频信息，对交互画面中的服务方和客户方进行实时追踪；响应于服务方和/或客户方未在交互画面内，调整摄像装置的视野范围，以使服务方和客户方均在交互画面内，摄像装置用于拍摄服务方和客户方。

本实施例中，可以通过活体检测和人脸识别技术实时追踪交互画面中的服务方和客户方，从而将服务方和客户方锁定在交互画面中。

本实施例提供的智能交互方法，在服务方和/或客户方未在交互画面时，通过调整摄像装置的视野范围，可以有效地保证服务方和客户方均在摄像装置的视野范围之内，提高了客户方和服务方的交互的有效性。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了智能交互装置的一个实施例，该装置实施例与图1所示的方法实施例相对应。

如图3所示，本实施例提供的智能交互装置300包括：获取单元301，确定单元302，第一选取单元303，第一提示单元304。其中，上述获取单元301，可以被配置成获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面。上述确定单元302，可以被配置成基于视频信息，确定交互画面中的服务方和客户方。上述第一选取单元303，可以被配置成基于视频信息，从音频信息中选取并分析服务方的语音交互数据。上述第一提示单元304，可以被配置成响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。

在本实施例中，智能交互装置300包括：获取单元301，确定单元302，第一选取单元303，第一提示单元304的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104的相关说明，在此不再赘述。

需要说明的是，本申请的音频信息和视频信息不是针对某一特定用户的信息，并不能反映出某一特定用户的个人信息；语音交互数据也不是针对某一特定用户的语音，并不能反映出某一个特定用户的个人信息；交互画面也不是针对某一特定用户的画面，并不能反映出某一特定用户的个人信息。

在本实施例的一些可选的实现方式中，如图4所示，上述第一提示单元400包括：第一检测模块401，第二检测模块402，输出模块403。其中，上述第一检测模块401，可以被配置成检测服务方的语音交互数据中是否包括业务关键词。上述第二检测模块402，可以被配置成响应于当前时刻服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内服务方的语音交互数据中是否包括风险关键词。上述输出模块403，可以被配置成响应于自当前时刻至预设时间范围内服务方的语音交互数据中不包括风险关键词，确定服务方的语音交互数据不符合服务引导规则，输出风险关键词，以对服务方进行规范化提示。本可选实现方式中，第一提示单元400与第一提示单元304是标号不同且功能相同的单元。

在本实施例的一些可选的实现方式中，如图5所示，上述智能交互装置500包括：获取单元501，确定单元502，第一选取单元503，第一提示单元504，第二选取单元505，纠正单元506，第二提示单元507。其中，上述第二选取单元505，可以被配置成基于视频信息，从音频信息中选取并分析客户方的语音交互数据。上述纠正单元506，可以被配置成响应于确定客户方的语音交互数据符合方言规则，对客户方的语音交互数据进行纠正，得到纠正文本。上述第二提示单元507，可以被配置成基于纠正文本，提示服务方，以使服务方对纠正文本进行回复。本可选实现方式中，获取单元501与获取单元301是标号不同且功能相同的单元，确定单元502与确定单元302是标号不同且功能相同的单元，第一选取单元503与第一选取单元303是标号不同且功能相同的单元，第一提示单元504与第一提示单元304是标号不同且功能相同的单元。

在本实施例的一些可选实现方式中，如图6所示，上述智能交互装置600包括：获取单元601，确定单元602，第一选取单元603，第一提示单元604，第二选取单元605，纠正单元606，第二提示单元607，转化单元608，输出单元609。其中，上述转化单元608，可以被配置成将服务方的语音交互数据转化为与客户方的语音交互数据相同的语言。上述输出单元609，可以被配置成输出转化后的语言。本可选实现方式中，获取单元601与获取单元301是标号不同且功能相同的单元，确定单元602与确定单元302是标号不同且功能相同的单元，第一选取单元603与第一选取单元303是标号不同且功能相同的单元，第一提示单元604与第一提示单元304是标号不同且功能相同的单元，第二选取单元605与第二选取单元505是标号不同且功能相同的单元，纠正单元606与纠正单元506是标号不同且功能相同的单元，第二提示单元607与第二提示单元507是标号不同且功能相同的单元。

在本实施例的一些可选实现方式中，如图7所示，上述智能交互装置700包括：获取单元701，确定单元702，第一选取单元703，第一提示单元704，追踪单元705，调整单元706。其中，上述追踪单元705，可以被配置成基于视频信息，对交互画面中的服务方和客户方进行实时追踪。上述调整单元706，可以被配置成响应于服务方和/或客户方未在交互画面内，调整摄像装置的视野范围，以使服务方和客户方均在交互画面内，摄像装置用于拍摄服务方和客户方。本可选实现方式中，获取单元701与获取单元301是标号不同且功能相同的单元，确定单元702与确定单元302是标号不同且功能相同的单元，第一选取单元703与第一选取单元303是标号不同且功能相同的单元，第一提示单元704与第一提示单元304是标号不同且功能相同的单元。

在本实施例的一些可选实现方式中，如图8所示，上述确定单元800包括：人脸获取模块801，确定模块802，唇读获取模块803。其中，上述人脸获取模块801，可以被配置成基于视频信息，获取交互画面中的至少一个人脸图像。上述确定模块，可以被配置成响应于至少一个人脸图像中的任意一个人脸图像与客户方的预设身份图像一致，确定交互画面中与客户方的预设身份图像一致的人脸图像为客户方。上述唇读获取模块803，可以被配置成针对至少一个人脸图像中除客户方之外的人脸图像，获取该人脸图像中的唇读图像，基于唇读图像确定服务方。本可选实现方式中，确定单元800与确定单元302是标号不同且功能相同的单元。

需要说明的是，本申请的唇读图像不是针对某一特定用户的图像，并不能反映出某一特定用户的个人信息。

本实施例提供的智能交互装置，首先，获取单元301获取同步的音频信息和视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；其次，确定单元302基于视频信息，确定交互画面中的服务方和客户方；再次，第一选取单元303基于视频信息，从音频信息中选取并分析服务方的语音交互数据；最后，第一提示单元304响应于确定服务方的语音交互数据不符合服务引导规则，对服务方进行规范化提示。由此，结合服务方和客户方的交互画面以及音频信息，确定交互画面中的服务方，选取服务方的语音交互数据，并对服务方的语音交互数据进行分析，在服务方的语音交互数据不符合服务引导规则时，对服务方进行规范化提示，可以有效地确定服务方是否存在不合规行为，保障了服务方的利益，提升了客户方的体验。

图9示出了根据本公开智能交互系统的一个实施例的结构示意图，上述智能交互系统包括：服务器901、摄像装置902、音频装置903以及输出装置904。

本实施例中，服务器901获取音频装置903发送的音频信息，获取摄像装置902发送的视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；基于视频信息，确定交互画面中的服务方和客户方；基于视频信息，从音频信息中选取并分析服务方的语音交互数据。

服务器901在确定服务方的语音交互数据不符合服务引导规则时，通过输出装置904对服务方进行规范化提示。

本实施例中，控制服务器901实现如图1所示实施例提供的智能交互方法对具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104的相关说明。

需要说明的是，本申请的音频信息和视频信息不是针对某一特定用户的信息，并不能反映出某一特定用户的个人信息；语音交互数据也不是针对某一特定用户的语音，并不能反映出某一个特定用户的个人信息；交互画面也不是针对某一特定用户的画面，并不能反映出某一特定用户的个人信息。

如图9所示，服务器901分别与摄像装置902、音频装置903以及输出装置904电连接，服务器901分别向摄像装置902、音频装置903发送控制信号，并接收摄像装置902输出的视频信息、接收音频装置903输出的音频信息。

本实施例中，摄像装置902可以实时判断拍摄场景的光线强弱并自动对画面进行亮度调整，使得交互画面更加清晰。服务器901还可以在拍摄过程中对客户方和服务方的音频信息进行处理，去除音频信息中的客户方和服务方的周围环境杂音，同时对服务方的语音交互数据进行实时分析，判断服务方的语音交互数据是否存在违规行为。

服务器901在摄像装置902录制过程中，对画面中的客户方人脸进行实时分析，判断与客户方的预设身份图像是否一致，其中，预设身份图像是服务器901控制摄像装置902对客户方出示的身份证进行自动扫描完成识别得到。

服务器901通过活体识别及人脸检测对录制过程中客户方和服务方的面部进行追踪，实时获取交互画面内的人脸坐标，保持客户方和服务方始终在交互画面中部，并实时判断客户方和服务方的同框情况，根据双录对象移动范围自动旋转调试摄像装置902的摄像头位置。摄像装置902可以360度自动追踪人脸。

如图9所示，服务器901还与输出装置904电连接，服务器901将规范化提示信息输出给输出装置904，输出装置904显示规范化提示信息，达到对服务方进行规范化提示的目的。进一步地，如图9所示，服务器901向输出装置904发送的提示信息还可以包括：视频信息以及服务器901对客户方和服务方的交互画面进行人脸追踪时的人脸定位框。

在本实施例的一些可选实现方式中，服务器901还用于检测服务方的语音交互数据中是否包括业务关键词；响应于当前时刻服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内服务方的语音交互数据中是否包括风险关键词；响应于自当前时刻至预设时间范围内服务方的语音交互数据中不包括风险关键词，确定服务方的语音交互数据不符合服务引导规则，向输出装置输出风险关键词，以对服务方进行规范化提示。

在本实施例的一些可选实现方式中，服务器901还用于基于视频信息，从音频信息中选取并分析客户方的语音交互数据；在客户方的语音交互数据符合方言规则时，对客户方的语音交互数据进行纠正，得到纠正文本；基于纠正文本，通过输出装置提示服务方，以使服务方对纠正文本进行回复。

在本实施例的一些可选实现方式中，上述系统还包括：与摄像装置902连接的高度调节装置905。服务器901在无法获取到视频信息时，通过调节高度调节装置905使服务方和客户方位于摄像装置902的视野范围之内。本实施例中，高度调节装置905还可以基于柜台高度、客户方、服务方的身高，自动上下调整摄像装置902的位置。

在本实施例的一些可选实现方式中，上述输出装置904包括：展示屏。展示屏的屏幕可前后翻转、并基于高度调节装置905上下旋转。服务器901向显示屏输出的提示信息，可以对常出现的不合规图像进行红框圈出。并且服务器901向显示屏输出的提示信息，还可以包括：当前地域信息。在显示屏显示的当前地域信息可以以水印的形式展示。

本实施例提供的智能交互系统，用于同步解决在视频展业留痕过程中的视频内容合规性分析并实时进行业务风险提示，为服务方和客户方之间的信息交互提供了可靠的设备支持。

本实施例提供的智能交互系统，服务器901获取音频装置903发送的音频信息，获取摄像装置902发送的视频信息，音频信息包括服务方和客户方的语音交互数据，视频信息包括服务方和客户方的交互画面；基于视频信息，确定交互画面中的服务方和客户方；基于视频信息，从音频信息中选取并分析服务方的语音交互数据。服务器901在确定服务方的语音交互数据不符合服务引导规则时，通过输出装置904对服务方进行规范化提示。由此，结合服务方和客户方的交互画面以及音频信息，确定交互画面中的服务方，选取服务方的语音交互数据，并对服务方的语音交互数据进行分析，在服务方的语音交互数据不符合服务引导规则时，对服务方进行规范化提示，可以有效地确定服务方是否存在不合规行为，保障了服务方的利益，提升了客户方的体验。

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10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。

计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理，例如智能交互方法。例如，在一些实施例中，智能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介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的智能交互方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行智能交互方法。

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。这些程序代码可以提供给通用计算机、专用计算机或其他可编程智能交互装置或智能交互系统的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/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。

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，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，均应包含在本公开保护范围之内。

Claims (20)

1.一种智能交互方法，所述方法包括：

获取同步的音频信息和视频信息，所述音频信息包括服务方和客户方的语音交互数据，所述视频信息包括所述服务方和所述客户方的交互画面；

基于所述视频信息，确定所述交互画面中的服务方和客户方；

基于所述视频信息，从所述音频信息中选取并分析所述服务方的语音交互数据；

响应于确定所述服务方的语音交互数据不符合服务引导规则，对所述服务方进行规范化提示。

2.根据权利要求1所述的方法，其中，所述响应于确定所述服务方的语音交互数据不符合服务引导规则，对所述服务方进行规范化提示，包括：

检测所述服务方的语音交互数据中是否包括业务关键词；

响应于当前时刻所述服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内所述服务方的语音交互数据中是否包括风险关键词；

响应于自当前时刻至预设时间范围内所述服务方的语音交互数据中不包括风险关键词，确定所述服务方的语音交互数据不符合服务引导规则，输出所述风险关键词，以对所述服务方进行规范化提示。

3.根据权利要求1所述的方法，所述方法还包括：

基于所述视频信息，从所述音频信息中选取并分析所述客户方的语音交互数据；

响应于确定所述客户方的语音交互数据符合方言规则，对所述客户方的语音交互数据进行纠正，得到纠正文本；

基于所述纠正文本，提示所述服务方，以使所述服务方对所述纠正文本进行回复。

4.根据权利要求3所述的方法，所述方法还包括：

将所述服务方的语音交互数据转化为与所述客户方的语音交互数据相同的语言；

输出转化后的语言。

5.根据权利要求1-4之一所述的方法，所述方法还包括：

基于所述视频信息，对所述交互画面中的所述服务方和所述客户方进行实时追踪；

响应于所述服务方和/或所述客户方未在所述交互画面内，调整摄像装置的视野范围，以使所述服务方和所述客户方均在所述交互画面内，所述摄像装置用于拍摄所述服务方和所述客户方。

6.根据权利要求1-4之一所述的方法，其中，所述基于所述视频信息，确定所述交互画面中的服务方和客户方，包括：

基于所述视频信息，获取所述交互画面中的至少一个人脸图像；

响应于所述至少一个人脸图像中的任意一个人脸图像与客户方的预设身份图像一致，确定所述交互画面中与客户方的预设身份图像一致的人脸图像为客户方；

针对所述至少一个人脸图像中除客户方之外的人脸图像，获取该人脸图像中的唇读图像，基于所述唇读图像确定服务方。

7.一种智能交互装置，所述装置包括：

获取单元，被配置成获取同步的音频信息和视频信息，所述音频信息包括服务方和客户方的语音交互数据，所述视频信息包括所述服务方和所述客户方的交互画面；

确定单元，被配置成基于所述视频信息，确定所述交互画面中的服务方和客户方；

第一选取单元，被配置成基于所述视频信息，从所述音频信息中选取并分析所述服务方的语音交互数据；

第一提示单元，被配置成响应于确定所述服务方的语音交互数据不符合服务引导规则，对所述服务方进行规范化提示。

8.根据权利要求7所述的装置，其中，所述第一提示单元包括：

第一检测模块，被配置成检测所述服务方的语音交互数据中是否包括业务关键词；

第二检测模块，被配置成响应于当前时刻所述服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内所述服务方的语音交互数据中是否包括风险关键词；

输出模块，被配置成响应于自当前时刻至预设时间范围内所述服务方的语音交互数据中不包括风险关键词，确定所述服务方的语音交互数据不符合服务引导规则，输出所述风险关键词，以对所述服务方进行规范化提示。

9.根据权利要求7所述的装置，所述装置还包括：

第二选取单元，被配置成基于所述视频信息，从所述音频信息中选取并分析所述客户方的语音交互数据；

纠正单元，被配置成响应于确定所述客户方的语音交互数据符合方言规则，对所述客户方的语音交互数据进行纠正，得到纠正文本；

第二提示单元，被配置成基于所述纠正文本，提示所述服务方，以使所述服务方对所述纠正文本进行回复。

10.根据权利要求9所述的装置，所述装置还包括：

转化单元，被配置成将所述服务方的语音交互数据转化为与所述客户方的语音交互数据相同的语言；

输出单元，被配置成输出转化后的语言。

11.根据权利要求7-10之一所述的装置，所述装置还包括：

追踪单元，被配置成基于所述视频信息，对所述交互画面中的所述服务方和所述客户方进行实时追踪；

调整单元，被配置成响应于所述服务方和/或所述客户方未在所述交互画面内，调整摄像装置的视野范围，以使所述服务方和所述客户方均在所述交互画面内，所述摄像装置用于拍摄所述服务方和所述客户方。

12.根据权利要求7-10之一所述的装置，其中，所述确定单元包括：

人脸获取模块，被配置成基于所述视频信息，获取所述交互画面中的至少一个人脸图像；

确定模块，被配置成响应于所述至少一个人脸图像中的任意一个人脸图像与客户方的预设身份图像一致，确定所述交互画面中与客户方的预设身份图像一致的人脸图像为客户方；

唇读获取模块，被配置成针对所述至少一个人脸图像中除客户方之外的人脸图像，获取该人脸图像中的唇读图像，基于所述唇读图像确定服务方。

13.一种智能交互系统，所述系统包括：服务器、摄像装置、音频装置以及输出装置；

所述服务器获取所述音频装置发送的音频信息，获取所述摄像装置发送的视频信息，所述音频信息包括服务方和客户方的语音交互数据，所述视频信息包括所述服务方和所述客户方的交互画面；基于所述视频信息，确定所述交互画面中的服务方和客户方；基于所述视频信息，从所述音频信息中选取并分析所述服务方的语音交互数据；

所述服务器在确定所述服务方的语音交互数据不符合服务引导规则时，通过所述输出装置对所述服务方进行规范化提示。

14.根据权利要求13所述的系统，其中，所述服务器还用于检测所述服务方的语音交互数据中是否包括业务关键词；响应于当前时刻所述服务方的语音交互数据中包括业务关键词，检测自当前时刻至预设时间范围内所述服务方的语音交互数据中是否包括风险关键词；响应于自当前时刻至预设时间范围内所述服务方的语音交互数据中不包括风险关键词，确定所述服务方的语音交互数据不符合服务引导规则，向所述输出装置输出所述风险关键词，以对所述服务方进行规范化提示。

15.根据权利要求13所述的系统，其中，所述服务器还用于基于所述视频信息，从所述音频信息中选取并分析所述客户方的语音交互数据；在所述客户方的语音交互数据符合方言规则时，对所述客户方的语音交互数据进行纠正，得到纠正文本；基于所述纠正文本，通过所述输出装置提示所述服务方，以使所述服务方对所述纠正文本进行回复。

16.根据权利要求13所述的系统，所述系统还包括：与所述摄像装置连接的高度调节装置；

所述服务器在无法获取到所述视频信息时，通过调节所述高度调节装置使所述服务方和所述客户方位于所述摄像装置的视野范围之内。

17.根据权利要求13-16之一所述的系统，其中，所述输出装置包括：展示屏。

18.一种电子设备，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1-6中任一项所述的方法。

19.一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1-6中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。

Images