CN114582339A - 语音交互方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种语音交互方法、装置、设备、介质和产品，涉及人工智能技术领域，具体为自然语言处理、语音识别等技术领域。语音交互方法包括：响应于接收到目标语音，生成对话请求；发送对话请求；响应于接收到针对对话请求的回答文本，基于回答文本，输出回答语音；其中，在语音交互过程中确定任意时刻的交互场景，并基于与交互场景相关联的交互模式，输出虚拟交互形象。

Description

语音交互方法、装置、电子设备和介质

技术领域

本公开涉及人工智能技术领域，具体为自然语言处理、语音识别等技术领域，更具体地，涉及一种语音交互方法、装置、电子设备、介质和程序产品。

背景技术

相关技术中，用户可以通过电子设备进行语音交互，例如和电子设备进行语音交互来练习英语口语。但是，相关技术的语音交互方式效果不佳，导致口语练习效果较低。

发明内容

本公开提供了一种语音交互方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种语音交互方法，包括：响应于接收到目标语音，生成对话请求；发送所述对话请求；响应于接收到针对所述对话请求的回答文本，基于所述回答文本，输出回答语音；其中，在语音交互过程中确定任意时刻的交互场景，并基于与所述交互场景相关联的交互模式，输出虚拟交互形象。

根据本公开的另一方面，提供了一种语音交互装置，包括：第一生成模块、第一发送模块以及第一输出模块。第一生成模块，用于响应于接收到目标语音，生成对话请求；第一发送模块，用于发送所述对话请求；第一输出模块，用于响应于接收到针对所述对话请求的回答文本，基于所述回答文本，输出回答语音；其中，所述语音交互装置还包括确定模块和第二输出模块，所述确定模块用于在语音交互过程中确定任意时刻的交互场景，所述第二输出模块用于基于与所述交互场景相关联的交互模式，输出虚拟交互形象。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和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上述的语音交互方法。

根据本公开的另一方面，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上述的语音交互方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述语音交互方法的步骤。

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示意性示出了根据本公开一实施例的语音交互的系统架构；

图2示意性示出了根据本公开一实施例的语音交互方法的流程图；

图3示意性示出了根据本公开另一实施例的语音交互方法的流程图；

图4示意性示出了根据本公开另一实施例的语音交互方法的流程图；

图5示意性示出了根据本公开一实施例的语音交互装置的框图；以及

图6是用来实现本公开实施例的用于执行语音交互的电子设备的框图。

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。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

图1示意性示出了根据本公开一实施例的语音交互的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端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。

用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。

服务器105可以是提供各种服务的服务器，例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外，服务器105还可以是云服务器，即服务器105具有云计算功能。

需要说明的是，本公开实施例所提供的语音交互方法可以由客户端101、102、103执行。相应地，本公开实施例所提供的语音交互装置可以设置于客户端101、102、103中。

在一种示例中，客户端101、102、103可以基于目标语音生成对话请求，并将对话请求通过网络104发送给服务器105。服务器105可以通过网络104接收来自客户端101、102、103的对话请求，并基于对话请求得到回答文本，将回答文本通过网络104返回给客户端101、102、103。

应该理解，图1中的客户端、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客户端、网络和服务器。

下面结合图1的系统架构，参考图2～图4来描述根据本公开示例性实施方式的语音交互方法。本公开实施例的语音交互方法例如可以由图1所示的客户端来执行，图1所示的客户端例如以下文的电子设备相同或类似。

图2示意性示出了根据本公开一实施例的语音交互方法的流程图。

如图2所示，本公开实施例的语音交互方法200例如可以包括操作S210～操作S250。

在操作S210，响应于接收到目标语音，生成对话请求。

在操作S220，发送对话请求。

在操作S230，响应于接收到针对对话请求的回答文本，基于回答文本，输出回答语音。

在操作S240，在语音交互过程中确定任意时刻的交互场景。

在操作S250，基于与交互场景相关联的交互模式，输出虚拟交互形象。

示例性地，电子设备可以通过录音功能采集目标对象的目标语音，目标对象例如为用户。在一种场景下，当目标用户需要练习英语口语时，可以和电子设备进行英语对话交互，此时目标语音例如为英语语音。

电子设备基于目标语音生成对话请求，然后将对话请求发送给服务器，由服务器处理对话请求生成回答文本。

然后，服务器将回答文本发送给电子设备，电子设备接收到回答文本之后，将回答文本转换为回答语音，并输出回答语音，回答语音例如为英音语音。用户听到回答语音之后，继续基于回答语音生成目标语音，并继续执行上述操作，从而实现语音交互。

示例性地，操作S240～操作S250可以在整个语音交互过程执行，即在操作S210之前或之后执行，在操作S220之前或之后执行，或者，在操作S230之前或之后执行。

例如，语音交互过程包括接收目标语音之前的第一时刻至输出回答语音之后的第二时刻之间的时间段，任意时刻为时间段内的任意一个时刻或多个时刻。在确定任意时刻的交互场景之后，可确定与交互场景相关联的交互模式，并基于交互模式输出虚拟交互形象，实现用户与虚拟交互形象进行语音交互，给用户带来的沉浸式对话交互体验。

根据本公开的实施例，电子设备与服务器进行交互，以通过服务器基于目标语音生成回答文本，使得对话内容是自由无限制的，无需受到固定对话内容的限制，交互过程更接近真人对话，提高语音交互效果和体验感。另外，在语音交互过程中，电子设备实时确定交互场景，并基于与交互场景相关联的交互模式输出虚拟交互形象，使得交互形象与交互场景紧密联系，提高了语音交互体验。

在一示例中，交互场景包括接收目标语音场景或等待接收目标语音场景，交互模式包括倾听模式。基于与交互场景相关联的交互模式，输出虚拟交互形象包括：基于倾听模式，控制虚拟交互形象生成倾听动作。

例如，当正在接收用户的目标语音或等待用户发出目标语音时，电子设控制虚拟交互形象做出倾听动作，让用户感觉对方正在倾听自己说话，给用户带来沉浸式对话交互体验。

在另一示例中，交互场景包括输出回答语音场景，交互模式包括回答模式。基于与交互场景相关联的交互模式，输出虚拟交互形象包括：基于回答模式，控制虚拟交互形象生成回答动作。

例如，电子设备基于来自服务器的回答文本生成回答语音后，在电子设备输出回答语音的过程中，电子设控制虚拟交互形象做出回答动作，让用户感觉对方正在说话，给用户带来沉浸式对话交互体验。

在另一示例中，交互场景包括等待输出回答语音场景，交互模式包括思考模式。基于与交互场景相关联的交互模式，输出虚拟交互形象包括：基于思考模式，控制虚拟交互形象生成思考动作。

例如，当电子设备正在等待服务器的回答文本或在已经接收到回答文本但未输出回答语音之前，电子设备控制虚拟交互形象做出思考动作，让用户感觉对方正在思考如何回答，给用户带来沉浸式对话交互体验。

根据本公开的实施例，在语音交互的过程中，电子设备实时检测当前的交互场景，并根据不同的交互场景，基于不同的交互模式输出虚拟交互形象，提高了虚拟交互形象的智能化程度，从而提高了对话交互体验。

图3示意性示出了根据本公开另一实施例的语音交互方法的流程图。

如图3所示，本公开实施例的语音交互方法例如可以包括操作S301A～操作S306A以及操作S301B～操作S304B。其中，操作S301A～操作S306A例如由电子设备执行，操作S301B～操作S304B例如由服务器执行。

在操作S301A，接收目标语音。

在操作S302A，对目标语音进行语音识别，得到目标文本。

例如，电子设备通过语音识别功能对目标语音进行识别，得到目标文本。

在操作S303A，基于目标文本，生成对话请求。

示例性地，对话请求中例如包括目标文本。

在操作S304A，发送对话请求。

在操作S301B，接收对话请求。

在操作S302B，基于对话请求，生成回答文本。

例如，服务器利用自然语言处理模型基于对话请求中的目标文本得到回答文本。

在操作S303B，校验回答文本。

例如，在服务器得到回答文本并将回答文本发送给电子设备之前，服务器可以对回答文本进行校验，例如校验回答文本是否合法合规。

在操作S304B，发送回答文本。

如果回答文本通过校验，表示回答文本合法合规，即回答文本不包含敏感信息。服务器可以将通过校验的回答文本发送给电子设备。

在操作S305A，接收回答文本。

在操作S306A，基于回答文本，输出回答语音。

在电子设备输出回答语音之后，当用户听到回答语音后，用户可以基于回答语音继续发出下一个目标语音，然后继续执行上述操作，从而实现对话交互。

在整个语音交互过程中，电子设备可以实时检测交互场景，以基于与交互场景相关联的交互模式输出虚拟交互形象。

根据本公开的实施例，电子设备与服务器进行交互，服务器基于自然语言处理模型得到回答文本，使得对话内容是自由无限制的，无需受到固定对话内容的限制，交互过程更接近真人对话，提高语音交互效果。

图4示意性示出了根据本公开另一实施例的语音交互方法的流程图。

如图4所示，本公开实施例的语音交互方法例如可以包括操作S401A～操作S404A以及操作S401B～操作S404B。其中，操作S401A～操作S404A例如由电子设备执行，操作S401B～操作S404B例如由服务器执行。

在操作S401A，在预设条件下，生成针对目标语音的提示请求。

例如，当电子设备输出回答语音之后，电子设备等等用户的下一个目标语音，如果没有接收到用户的下一个目标语音，可以生成提示请求，以便请求服务器给出提示文本。

示例性地，预设条件例如包括超过预设时长未接收到目标语音。

或者，预设条件还可以包括未接收到目标语音但接收到请求语音，即，当用户无法发出目标语音时，用户可以发出请求语音，以便请求服务器给出提示文本。

或者，预设条件还可以包括接收到用户针对帮助控件的点击操作。即，当用户无法发出目标语音时，用户可以点击帮助控件以便请求服务器给出提示文本。

在操作S402A，发送提示请求。

在操作S401B，接收提示请求。

在操作S402B，基于提示请求，生成提示文本。

例如，由于用户无法针对上一次的回答语音给出目标语音，因此，服务器可以基于上一次回答语音对应的回答文本生成提示文本。如果上一次的回答文本是问题，则提示文本可以是针对问题的答案；如果上一次的回答文本是答案，则提示文本可以是下一个问题。

在操作S403B，校验提示文本。

在操作S404B，发送提示文本。

例如，在服务器得到提示文本并将提示文本发送给电子设备之前，服务器可以对提示文本进行校验，例如校验提示文本是否合法合规。如果提示文本通过校验，表示提示文本合法合规，此时服务器可以将通过校验的提示文本发送给电子设备。

在操作S403A，接收提示文本。

在操作S404A，输出提示文本。

示例性地，提示文本用于提示目标对象(用户)生成目标语音。例如，用户可以根据电子设备输出的提示文本，发出下一个目标语音。例如，电子设备可以以弹窗的形式输出提示文本。

根据本公开的实施例，通过配置多种预设条件来帮助对话困难的用户，以便及时给出提示信息，提高对话交互的流畅性。

在本公开的另一示例中，用户还可以根据需求配置回答语音的输出模式。例如，当电子设备接收到用户的配置操作之后，电子设备可以基于配置操作，选择针对回答语音的输出模式，输出模式例如包括音色模式、发音速度模式。音色模式例如包括美音发音模式和英音发音模式。

图5示意性示出了根据本公开一实施例的语音交互装置的框图。

如图5所示，本公开实施例的语音交互装置500例如包括第一生成模块510、第一发送模块520、第一输出模块530、确定模块540和第二输出模块550。

第一生成模块510可以用于响应于接收到目标语音，生成对话请求。根据本公开实施例，第一生成模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。

第一发送模块520可以用于发送对话请求。根据本公开实施例，第一发送模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。

第一输出模块530可以用于响应于接收到针对对话请求的回答文本，基于回答文本，输出回答语音。根据本公开实施例，第一输出模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。

确定模块540可以用于在语音交互过程中确定任意时刻的交互场景。根据本公开实施例，确定模块540例如可以执行上文参考图2描述的操作S240，在此不再赘述。

第二输出模块550可以用于基于与交互场景相关联的交互模式，输出虚拟交互形象。根据本公开实施例，第二输出模块550例如可以执行上文参考图2描述的操作S250，在此不再赘述。

根据本公开实施例，交互场景包括接收目标语音场景或等待接收目标语音场景；交互模式包括倾听模式；第二输出模块550还用于：基于倾听模式，控制虚拟交互形象生成倾听动作。

根据本公开实施例，交互场景包括输出回答语音场景；交互模式包括回答模式；第二输出模块550还用于：基于回答模式，控制虚拟交互形象生成回答动作。

根据本公开实施例，交互场景包括等待输出回答语音场景；交互模式包括思考模式；第二输出模块550还用于：基于思考模式，控制虚拟交互形象生成思考动作。

根据本公开实施例，装置500还可以包括：第二生成模块、第二发送模块和第三输出模块。第二生成模块，用于在预设条件下，生成针对目标语音的提示请求；第二发送模块，用于发送提示请求；第三输出模块，用于响应于接收到针对提示请求的提示文本，输出提示文本，其中，提示文本用于提示目标对象生成目标语音。

根据本公开实施例，预设条件包括以下至少一项：超过预设时长未接收到目标语音；接收到请求语音；接收到针对帮助控件的点击操作。

根据本公开实施例，第一生成模块510包括：识别子模块和生成子模块。识别子模块，用于响应于接收到目标语音，对目标语音进行语音识别，得到目标文本；生成子模块，用于基于目标文本，生成对话请求。

根据本公开实施例，对话请求包括目标文本；回答文本是利用自然语言处理模型基于对话请求中的目标文本得到的。

根据本公开实施例，装置500还可以包括：选择模块，用于基于配置操作，选择针对回答语音的输出模式，其中，输出模式包括音色模式、发音速度模式中的至少一个。

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6是用来实现本公开实施例的用于执行语音交互的电子设备的框图。

图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600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，设备600包括计算单元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单元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，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

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；存储单元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。

计算单元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。计算单元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601执行上文所描述的各个方法和处理，例如语音交互方法。例如，在一些实施例中，语音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/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的语音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)而被配置为执行语音交互方法。

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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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语音交互装置的处理器或控制器，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 (21)

1.一种语音交互方法，包括：

响应于接收到目标语音，生成对话请求；

发送所述对话请求；以及

响应于接收到针对所述对话请求的回答文本，基于所述回答文本，输出回答语音；

其中，在语音交互过程中确定任意时刻的交互场景，并基于与所述交互场景相关联的交互模式，输出虚拟交互形象。

2.根据权利要求1所述的方法，其中，所述交互场景包括接收目标语音场景或等待接收目标语音场景；所述交互模式包括倾听模式；所述基于与所述交互场景相关联的交互模式，输出虚拟交互形象包括：

基于所述倾听模式，控制所述虚拟交互形象生成倾听动作。

3.根据权利要求1所述的方法，其中，所述交互场景包括输出回答语音场景；所述交互模式包括回答模式；所述基于与所述交互场景相关联的交互模式，输出虚拟交互形象包括：

基于所述回答模式，控制所述虚拟交互形象生成回答动作。

4.根据权利要求1所述的方法，其中，所述交互场景包括等待输出回答语音场景；所述交互模式包括思考模式；所述基于与所述交互场景相关联的交互模式，输出虚拟交互形象包括：

基于所述思考模式，控制所述虚拟交互形象生成思考动作。

5.根据权利要求1所述的方法，还包括：

在预设条件下，生成针对所述目标语音的提示请求；

发送所述提示请求；以及

响应于接收到针对所述提示请求的提示文本，输出所述提示文本，其中，所述提示文本用于提示目标对象生成所述目标语音。

6.根据权利要求5所述的方法，其中，所述预设条件包括以下至少一项：

超过预设时长未接收到所述目标语音；

接收到请求语音；

接收到针对帮助控件的点击操作。

7.根据权利要求1所述的方法，其中，所述响应于接收到目标语音，生成对话请求包括：

响应于接收到目标语音，对所述目标语音进行语音识别，得到目标文本；以及

基于所述目标文本，生成所述对话请求。

8.根据权利要求7所述的方法，其中，所述对话请求包括所述目标文本；所述回答文本是利用自然语言处理模型基于所述对话请求中的目标文本得到的。

9.根据权利要求1-8中任意一项所述的方法，还包括：

基于配置操作，选择针对所述回答语音的输出模式，

其中，所述输出模式包括音色模式、发音速度模式中的至少一个。

10.一种语音交互装置，包括：

第一生成模块，用于响应于接收到目标语音，生成对话请求；

第一发送模块，用于发送所述对话请求；以及

第一输出模块，用于响应于接收到针对所述对话请求的回答文本，基于所述回答文本，输出回答语音；

其中，所述语音交互装置还包括确定模块和第二输出模块，所述确定模块用于在语音交互过程中确定任意时刻的交互场景，所述第二输出模块用于基于与所述交互场景相关联的交互模式，输出虚拟交互形象。

11.根据权利要求10所述的装置，其中，所述交互场景包括接收目标语音场景或等待接收目标语音场景；所述交互模式包括倾听模式；所述第二输出模块还用于：

基于所述倾听模式，控制所述虚拟交互形象生成倾听动作。

12.根据权利要求10所述的装置，其中，所述交互场景包括输出回答语音场景；所述交互模式包括回答模式；所述第二输出模块还用于：

基于所述回答模式，控制所述虚拟交互形象生成回答动作。

13.根据权利要求10所述的装置，其中，所述交互场景包括等待输出回答语音场景；所述交互模式包括思考模式；所述第二输出模块还用于：

基于所述思考模式，控制所述虚拟交互形象生成思考动作。

14.根据权利要求10所述的装置，还包括：

第二生成模块，用于在预设条件下，生成针对所述目标语音的提示请求；

第二发送模块，用于发送所述提示请求；以及

第三输出模块，用于响应于接收到针对所述提示请求的提示文本，输出所述提示文本，其中，所述提示文本用于提示目标对象生成所述目标语音。

15.根据权利要求14所述的装置，其中，所述预设条件包括以下至少一项：

超过预设时长未接收到所述目标语音；

接收到请求语音；

接收到针对帮助控件的点击操作。

16.根据权利要求10所述的装置，其中，所述第一生成模块包括：

识别子模块，用于响应于接收到目标语音，对所述目标语音进行语音识别，得到目标文本；以及

生成子模块，用于基于所述目标文本，生成所述对话请求。

17.根据权利要求16所述的装置，其中，所述对话请求包括所述目标文本；所述回答文本是利用自然语言处理模型基于所述对话请求中的目标文本得到的。

18.根据权利要求10-17中任意一项所述的装置，还包括：

选择模块，用于基于配置操作，选择针对所述回答语音的输出模式，

其中，所述输出模式包括音色模式、发音速度模式中的至少一个。

19.一种电子设备，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1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现根据权利要求1-9中任一项所述方法的步骤。

Images