CN115345969A - 虚拟形象的控制方法、装置、设备及介质 - Google Patents
虚拟形象的控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115345969A CN115345969A CN202210979655.2A CN202210979655A CN115345969A CN 115345969 A CN115345969 A CN 115345969A CN 202210979655 A CN202210979655 A CN 202210979655A CN 115345969 A CN115345969 A CN 115345969A
- Authority
- CN
- China
- Prior art keywords
- behavior
- target
- preset
- user
- special effect
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims abstract description 214
- 230000009471 action Effects 0.000 claims abstract description 75
- 230000000694 effects Effects 0.000 claims description 96
- 230000008451 emotion Effects 0.000 claims description 84
- 239000000463 material Substances 0.000 claims description 49
- 238000013145 classification model Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000003190 augmentative effect Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 45
- 238000005516 engineering process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000036651 mood Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了一种虚拟形象的控制方法、装置、设备及介质，人工智能技术领域，具体涉及图像处理、深度学习等技术领域，尤其涉及3D视觉、虚拟现实、增强现实和元宇宙等场景。实现方案为：接收用户的语音音频；基于语音音频的语音识别结果，预测得到目标行为标签；基于用户的虚拟形象的第一动作以及目标行为标签对应的第一行为，确定目标行为；以及控制用户的虚拟形象做出目标行为。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及图像处理、深度学习等技术领域，尤其涉及3D视觉、虚拟现实、增强现实和元宇宙等场景，具体涉及一种虚拟形象的控制方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
元宇宙(Metaverse)是整合多种新技术而产生的新型虚实相融的互联网应用和社会形态，它基于扩展现实技术提供沉浸式体验，基于数字孪生技术生成现实世界的镜像，基于区块链技术搭建经济体系，将虚拟世界与现实世界在经济系统、社交系统、身份系统上密切融合，并且允许每个用户进行内容生产和世界编辑。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种虚拟形象的控制方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种虚拟形象的控制方法，包括：接收用户的语音音频；基于语音音频的语音识别结果，预测得到目标行为标签，其中，目标行为标签用于在预设行为集合中获取与目标行为标签相应的第一行为，预设行为集合包括至少一个预设行为以及分别与至少一个预设行为相应的至少一个行为标签；基于用户的虚拟形象的第一动作以及目标行为标签对应的第一行为，确定目标行为，其中，第一动作指示用户的虚拟形象在虚拟场景中的当前动作，目标行为包括目标动作和发出目标语音的行为中的至少一者；以及控制用户的虚拟形象做出目标行为。
根据本公开的另一方面，提供了一种虚拟形象的控制装置，包括：接收单元，被配置为接收用户的语音音频；第一预测单元，被配置为基于语音音频的语音识别结果，预测得到目标行为标签，其中，目标行为标签用于在预设行为集合中获取与目标行为标签相应的第一行为，预设行为集合包括至少一个预设行为以及分别与至少一个预设行为相应的至少一个行为标签；确定单元，被配置为基于用户的虚拟形象的第一动作以及目标行为标签对应的第一行为，确定目标行为，其中，第一动作指示用户的虚拟形象在虚拟场景中的当前动作，目标行为包括目标动作和发出目标语音的行为中的至少一者；以及控制单元，被配置为控制用户的虚拟形象做出目标行为。
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；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上述虚拟形象的控制方法。
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，其中，计算机指令用于使计算机执行上述虚拟形象的控制方法。
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，其中，计算机程序在被处理器执行时实现上述虚拟形象的控制方法。
根据本公开的一个或多个实施例，能够进一步强化用户在虚拟场景中的观感和情绪表达，提升用户的体验。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的虚拟形象的控制方法的流程图；
图3示出了根据本公开的实施例的基于用户的虚拟形象的第一动作以及第一行为确定目标行为的流程图；
图4示出了根据本公开的示例性实施例的特效素材叠加展示的示意图；
图5示出了根据本公开的示例性实施例的特效素材扩大展示的示意图；
图6示出了根据本公开的实施例的虚拟形象的控制装置的结构框图；
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，在虚拟场景中，通常通过操作虚拟世界中的虚拟触控面板或操作现实世界中的操作手柄等硬件设备，输入文字或选择表情包并发送的方式进行操作，并且所发送的文字或表情包通过弹幕或特效的形式进行展现。这种交互方式不仅需要用户进行额外的操作，而且其展现方式也会破坏整体场景的视觉效果，从而打断用户的沉浸式体验。
本公开的实施例，通过获取用户的语音音频，对其进行语音识别，并通过分类模型对语音识别结果进行预测，以获得相应的行为标签，并基于行为标签获得相应的预设行为，并使该用户的虚拟形象做出该预设行为，由此，能够进一步强化用户在虚拟世界中的观感和情绪表达，从而带给用户更加沉浸式的体验。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行上述虚拟形象的控制方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行实时动作数据和语音数据的采集。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据一些实施例，如图2所示，提供了一种虚拟形象的控制方法，包括：步骤S201、接收用户的语音音频；步骤S202、基于语音音频的语音识别结果，预测得到目标行为标签，其中，目标行为标签用于在预设行为集合中获取与目标行为标签相应的第一行为，预设行为集合包括至少一个预设行为以及分别与至少一个预设行为相应的至少一个行为标签；步骤S203、基于用户的虚拟形象的第一动作以及第一行为，确定目标行为，其中，第一动作指示用户的虚拟形象在虚拟场景中的当前动作，目标行为包括目标动作和发出目标语音的行为中的至少一者；以及步骤S204、控制用户的虚拟形象做出目标行为。
由此，通过获取用户的语音音频，对其进行语音识别，并通过分类模型对语音识别结果进行预测，以获得相应的行为标签，并基于行为标签获得相应的预设行为，并使该用户的虚拟形象做出该预设行为，由此，能够进一步强化用户在虚拟世界中的观感和情绪表达，从而带给用户更加沉浸式的体验。
在一些实施例中，虚拟形象可以是用户在虚拟世界中的化身，虚拟形象在虚拟世界中的行为由用户进行控制。
在一些实施例中，可以采用硬件设备(例如传感器)采集用户在运动过程中的信息(例如，骨骼相对位置)获得动作参数，以控制用户对应的虚拟三维模型进行相应的动作，从而获得虚拟形象的运动。这一过程，需要的设备较多，需要专业人员操作，并且信息处理过程复杂。
在一些实施例中，用户的语音音频可以是通过硬件设备(例如收音设备)进行接收。
在一些实施例中，本公开的实施例可以应用于特定虚拟场景中，例如虚拟演唱会场景。
在特定虚拟场景中，响应于接收到用户的语音音频，可以首先对用户语音进行语音识别，获得语音识别结果。在一些实施例中，语音识别结果可以包括通过语音识别获得的用户语音的文本信息。
在一些实施例中，可以将用户语音的文本信息(或文本信息对应的编码向量)输入到一个预训练的行为预测模型中，通过该模型进行预测分析，获得相应的目标行为标签。在一些实施例中，上述行为预测模型可以是基于CNN网络构建的分类模型。
在一些实施例中，目标行为标签用于在预设行为集合中获取与该标签相应的第一行为。预设行为集合中可以包括预先定义的至少一个预设行为，每个预设行为均对应一个行为标签。每个预设行为可以包括预设动作、发出预设语音的行为中的至少一者。
在一些实施例中，相关技术人员可以根据不同的特定虚拟场景，进行预设行为集合中预设行为的设置，在此不做限制。
在一些示例性实施例中，对于虚拟演唱会场景的预设行为集合，可以设置例如应援行为、吹哨行为、呐喊行为、挥手行为等行为。在一个示例中，应援行为例如可以包括挥舞荧光棒的预设动作以及发出预设应援口号(预设语音)的行为。
在一些实施例中，基于语音音频的语音识别结果，预测得到目标行为标签可以包括：基于语音音频的语音识别结果，确定用户的情绪类别；以及基于情绪类别和语音识别结果，预测得到目标行为标签。
由此，基于语音识别结果进行情绪分类，并基于语音识别结果以及相应的情绪类别进行行为预测，从而时行为预测更加准确。
在一些实施例中，语音识别结果可以包括通过语音识别获得的用户语音的文本信息。
在一些实施例中，可以首先将用户语音的文本信息(或文本信息对应的编码向量)输入到一个预训练的情绪分类模型中，通过该模型进行预测分析，获得相应的用户情绪类别。在一些实施例中，上述情绪分类模型可以是基于CNN网络等构建的分类模型，在此不做限制。
在一些实施例中，可以进一步将用户语音的文本信息(或文本信息对应的编码向量)以及用户情绪类别一并输入预训练的行为预测模型中，通过该模型进行预测分析，获得相应的目标行为标签。在一些实施例中，输入到行为预测模型中的用户情绪类别可以为一个情绪标签，也可以为基于上述情绪分类模型获得的隐层特征。
在一些实施例中，情绪类别可以基于实际需要自行设定，例如，可以包括正面情绪、中性情绪以及负面情绪，在此不做限制。
在一些实施例中，语音识别结果包括语音音频对应的文本信息以及声学特征，基于语音音频的语音识别结果，确定用户的情绪类别可以包括：将文本信息和声学特征输入情绪分类模型，以获取情绪分类模型输出的情绪类别。
由此，通过用户语音中的文本信息和用户语音的声学特征等多模态数据，进行情绪类别预测，从而提升情绪分类的准确性。
在一些实施例中，语音识别结果可以包括通过语音识别获得的用户语音的文本信息以及该语音音频的声学特征。
在一些实施例中，声学特征可以包括音量(音频的振幅)、音高(音频的频率)等基础声学特征。
在一些实施例中，声学特征也可以包括但不限于梅尔频率倒谱参数(MelFrequency Cepstral Coefficient，MFCC)特征、常数Q变换倒谱参数(Constant QCepstral Coefficients，CQCC)特征等。
在一些实施例中，上述声学特征的获取可以包括：首先对语音音频进行一些预处理操作，例如可以包括对语音音频进行分帧等，其中，分帧可以是将语音音频按照帧长25ms、帧移10ms，将该语音音频分为多个音频帧；随后，可以分别对该语音音频的每一个音频帧进行上述声学特征的提取。
在一些实施例中，可以将上述文本信息(或文本信息对应的编码向量)以及上述声学特征中的一个或多个，同时输入到预训练的情绪分类模型中，通过该模型进行预测分析，获得相应的用户情绪类别。在一些实施例中，上述情绪分类模型可以是基于CNN网络等构建的分类模型，在此不做限制。
在一些实施例中，基于语音音频的语音识别结果，确定用户的情绪类别还可以包括：检测文本信息中是否包括预设文本，以获取文本信息的检测结果；以及基于检测结果和/或语音音频的第一声学特征，更新情绪类别，其中，第一声学特征包括语音音频的振幅与频率中的至少一者。
由此，在获取预测结果的基础上，进一步通过检测文本信息中是否包含预设文本以及判断音量(音频的振幅)、音高(音频的频率)是否满足预设条件等，对情绪进行更加明确的划分，从而能够更加准确的获取用户的情绪状态。
在一些实施例中，通过情绪分类模型获得的情绪类别例如可以包括正面情绪、中性情绪以及负面情绪。
在一些实施例中，预设文本可以相应于特定虚拟场景进行设定，例如，对于虚拟演唱会场景，预设文本可以包括歌手姓名、歌手的应援口号、歌曲名称、“太好听啦”、“我爱你”等。在一些实施例中，不同的预设文本可以对应不同的情绪类别，例如，歌手姓名、歌手的应援口号、歌曲名称、“太好听啦”、“我爱你”可以对应正面情绪；“太难听了”、“造型不好”可以对应负面情绪；“发挥正常”可以对应中性情绪。
在一些实施例中，响应于在语音的文本信息检测到了预设文本，则可以基于检测结果对情绪类别进行更新。例如基于模型获得此时用户情绪为中性情绪，但是检测结果为文本信息中包含歌手姓名这一预设文本，则可将情绪类别更新为正面情绪。
在一些实施例中，可以基于语音音频的第一声学特征，也即语音音频的振幅与频率中的至少一者，对情绪类别进行更新。
在一些实施例中，可以基于语音音频的振幅(对应语音音频的音量)大小，确定不同的情绪类别。例如，当语音音频的振幅大于第一预设振幅阈值，或音量大于第一预设音量阈值(例如60分贝)时，可以判断用户的情绪为亢奋、激动；当语音音频的振幅小于第二预设振幅阈值，或音量小于第二预设音量阈值(例如40分贝)时，可以判断用户的情绪为低落；否则，则判断用户的情绪为中立、平静。
在一些实施例中，也可以基于语音音频的频率(对应语音音频的音高)大小，确定不同的情绪类别。例如，当语音音频的频率大于第一预设频率阈值，可以判断用户的情绪为亢奋、激动；当语音音频的频率小于第二预设频率阈值，可以判断用户的情绪为低落；否则，则判断用户的情绪为中立、平静。
在一些实施例中，可以基于语音音频的振幅与频率中的至少一者对情绪类别进行更新。例如基于模型获得此时用户情绪为负面情绪，并且该语音音频的音量大于60分贝，则可将情绪类别更新为高度负面的情绪。
在一些实施例中，可以同时基于上述检测结果和语音音频的振幅与频率中的至少一者，进行情绪类别的更新。例如，基于模型获得此时用户情绪为正面情绪，通过检测获得文本信息中包括“太好听了”、歌手姓名等预设文本，并且语音音频的音量大于第一预设音量阈值，则可将情绪类别更新为正面亢奋的情绪。
在一些实施例中，可以进一步将上述文本信息(或文本信息对应的编码向量)、上述声学特征中的一个或多个以及用户情绪类别一并输入预训练的行为预测模型中，通过该模型进行预测分析，获得相应的目标行为标签。
在一些实施例中，如图3所示，基于用户的虚拟形象的第一动作以及第一行为，确定目标行为可以包括：步骤S301、基于目标行为标签，在预设行为集合中获取与目标行为标签匹配的第一行为；步骤S302、获取硬件设备采集的用户的动作参数；步骤S303、基于动作参数，确定第一动作；以及步骤S304、融合第一行为和第一动作，以获得目标行为。
由此，通过将预设行为与用户当前动作相融合，从而使用户的虚拟形象做出融合后的行为。由此，使用户的虚拟形象不单单仅展示通过传感器等硬件设备采集到的用户动作，而是在此基础上进一步结合预设行为，从而强化用户在虚拟场景中的观感和情绪表达，带给用户更加沉浸式的体验。
在一些实施例中，预设行为集合中可以包括预先定义的至少一个预设行为，每个预设行为均对应一个行为标签。每个预设行为可以包括预设动作、发出预设语音的行为中的至少一者。
在一些实施例中，相关技术人员可以根据不同的特定虚拟场景，进行预设行为集合中预设行为的设置，在此不做限制。
在一些示例性实施例中，对于虚拟演唱会场景的预设行为集合，可以设置例如应援行为、吹哨行为、呐喊行为、挥手行为等行为，每个行为分别对应不同的行为标签。在一个示例中，应援行为例如可以包括挥舞荧光棒的预设动作以及发出预设应援口号(预设语音)的行为。
在一些实施例中，目标行为标签可以基于与特定虚拟场景相应的行为分类模型获得，并且其所输出的目标行为标签为预设行为集合中的行为标签中的一个。由此，即可通过目标行为标签与预设行为集合中的行为标签进行匹配，从而获取该行为标签对应的第一行为。
在一些实施例中，当匹配到预设行为之后，可以基于用户虚拟形象当前的第一动作以及上述第一行为进行融合，从而获得目标行为。
在一些实施例中，用户虚拟形象当前的第一动作可以通过硬件设备(例如运动传感器)对用户的动作参数进行采集，并基于动作参数确定用户虚拟形象的第一动作。
在一些实施例中，第一行为例如可以包括相应的预设动作，则可以对第一行为中的预设动作和第一动作进行融合。可以首先获取第一动作的控制参数以及预设动作的控制参数(控制参数可以包括虚拟形象上的多个关键点的相对位置以及用户虚拟形象在虚拟空间中的位置)，并基于第一动作的控制参数对预设动作的控制参数进行校准，以使预设动作的多个关键点分别对应于用户的虚拟形象上，从而获得融合后的目标动作，并使用户的虚拟形象做出该目标动作(也即目标行为)。
在一个示例中，例如用户虚拟形象的第一动作为坐在椅子上，预设动作为挥手动作，则融合后的目标动作(也即目标行为)可以是用户虚拟形象坐在椅子上挥手。
在一些实施例中，第一行为例如可以包括发出预设语音的行为。则对第一行为和第一动作进行融合可以包括，使用户虚拟形象维持第一动作，同时发出预设语音(也即目标语音)。
在一些实施例中，第一行为可以包括相应的预设动作以及发出预设语音的行为，对第一行为和第一动作进行融合可以包括，基于上述方法对预设动作以及第一动作进行融合，并且控制用户虚拟形象发出预设语音(也即目标语音)。
在一些实施例中，也可以将上述第一行为作为目标行为，控制用户的虚拟形象进行该目标行为的展示。
在一些实施例中，可以对上述目标行为设置展示时间，当控制用户虚拟形象做出该目标行为后的预设展示时间之后，可以不再将第一行为与用户的用户虚拟形象的行为进行融合，也即可以在预设展示时间之后，将该用户虚拟形象的行为恢复为仅通过硬件设备获取实时动作参数所生成的虚拟形象的动作。
在一些实施例中，本公开的虚拟形象的控制方法还可以包括：基于情绪类别和语音识别结果，预测得到目标特效标签；基于目标特效标签，在预设特效素材集合中获取与目标特效标签匹配的目标特效素材，其中，预设特效素材集合包括至少一个预设特效素材以及分别与至少一个预设特效素材相应的至少一个特效标签；以及在虚拟场景中展示目标特效素材。
由此，基于语音识别结果及情绪类别进行预测，获取预测得到的特效标签，并匹配相应的特效素材，从而实现响应于用户的语音表达，实时为用户展示不同特效，进一步强化用户在虚拟场景中的观感和情绪表达，带给用户更加沉浸式的体验。
在一些实施例中，还可以在基于上述方法获得情绪类别和语音识别结果(可以包括语音音频的文本信息和声学特征中的至少一者)的基础上，将上述特征信息中的一个或多个输入预训练的特效预测模型中，通过该模型进行预测分析，获得相应的目标特效标签。在一些实施例中，上述特效预测模型可以是基于CNN网络等构建的分类模型，在此不做限制。
在一些实施例中，预设特效素材集合中的预设特效素材可以是相应于特定虚拟场景设定的，并且每个预设特效素材均对应一个特效标签。
在一些实施例中，目标特效标签可以基于与特定虚拟场景相应的特效预测模型获得，并且其所输出的目标特效标签为预设特效素材集合中的特效标签中的一个。由此，即可通过目标特效标签与预设特效素材集合中的特效标签进行匹配，从而获取该特效标签对应的目标特效素材。
在一些实施例中，本公开的虚拟形象的控制方法还可以包括：响应于在预设时间范围内多次基于用户的语音音频匹配到目标特效素材，在虚拟场景中对目标特效素材进行叠加展示或扩大展示。
在一些示例性实施例中，特定虚拟场景例如可以为虚拟演唱会场景，则其相应的预设特效素材集合中可以包含的特效素材包括烟花特效、流光特效、爱心特效等。
在一些实施例中，当预设时间范围内多次基于上述方式，触发同一个目标特效素材，则可以对该目标特效素材进行叠加展示或扩大展示。由此，通过多样化的特效展示方式，进行特效的强化展示，从而进一步强化用户在虚拟场景中的观感和情绪表达，提升用户体验。
图4示出了根据本公开的示例性实施例的特效素材叠加展示的示意图。
在一个示例中，如图4所示，响应于在预设时间范围内(例如10秒内)，用户分别发出多次“我爱你”的语音音频，并分别触发了爱心特效，则可以对该特效进行依次叠加，进行展示。
在一些实施例中，可以对特效素材的展示时间进行设置，当特效的展示时间超过预设展示时间后，该特效将自动消失。如图4所示，预设展示时间例如可以为10秒，则该当到达第10秒时，第一个展示的爱心特效自动消失。
图5示出了根据本公开的示例性实施例的特效素材扩大展示的示意图。
在一个示例中，如图5所示，响应于在预设时间范围内(例如10秒内)，用户分别发出多次“我爱你”的语音音频，并分别触发了爱心特效，则可以对该特效进行逐渐扩大，进行展示。
在一些实施例中，可以对特效素材的展示时间进行设置，当特效的展示时间超过预设展示时间后，该特效将自动消失。如图5所示，预设展示时间例如可以为10秒，则该当到达第13秒时，也即上述多个爱心特效中的最后一个展示的特效的展示时间超过上述预设展示时间，爱心特效自动消失。
在一些实施例中，如图6所示，提供了一种虚拟形象的控制装置600，包括：接收单元610，被配置为接收用户的语音音频；第一预测单元620，被配置为基于语音音频的语音识别结果，预测得到目标行为标签，其中，所述目标行为标签用于在预设行为集合中获取与所述目标行为标签相应的第一行为，所述预设行为集合包括至少一个预设行为以及分别与所述至少一个预设行为相应的至少一个行为标签；确定单元630，被配置为基于用户的虚拟形象的第一动作以及第一行为，确定用户的目标行为，其中，第一动作指示用户的虚拟形象在虚拟场景中的当前动作，目标行为至少包括目标动作和/或发出目标语音的行为；以及控制单元640，被配置为控制用户的虚拟形象做出目标行为。
其中，虚拟形象的控制装置600的单元610-单元640的操作与上述虚拟形象的控制方法中的步骤S201-步骤S204的操作类似，在此不做赘述。
在一些实施例中，预测单元可以包括：第一确定子单元，被配置为基于语音音频的语音识别结果，确定用户的情绪类别；以及预测子单元，被配置为基于情绪类别和语音识别结果，预测得到目标行为标签。
在一些实施例中，语音识别结果包括语音音频对应的文本信息以及声学特征，确定子单元可以包括：获取模块，被配置为将文本信息和声学特征输入情绪分类模型，以获取情绪分类模型输出的情绪类别。
在一些实施例中，确定子单元还可以包括：检测模块，被配置为检测文本信息中是否包括预设文本，以获取文本信息的检测结果；以及更新模块，被配置为基于检测结果和/或语音音频的第一声学特征，更新情绪类别，其中，第一声学特征包括语音音频的振幅与频率中的至少一者。
在一些实施例中，确定单元可以包括：第一获取子单元，被配置为基于目标行为标签，在预设行为集合中获取与目标行为标签匹配的第一行为；第二获取子单元，被配置为获取硬件设备采集的用户的动作参数；第二确定子单元，被配置为基于动作参数，确定第一动作；以及融合子单元，被配置为融合第一行为和第一动作，以获得目标行为。
在一些实施例中，本公开的虚拟形象的控制装置还可以包括：第二预测单元，被配置为基于情绪类别和语音识别结果，预测得到目标特效标签；获取单元，被配置为基于目标特效标签，在预设特效素材集合中获取与目标特效标签匹配的目标特效素材，其中，预设特效素材集合包括至少一个预设特效素材以及分别与至少一个预设特效素材相应的至少一个特效标签；以及第一展示单元，被配置为在虚拟场景中展示目标特效素材。
在一些实施例中，本公开的虚拟形象的控制装置还可以包括：第二展示单元，被配置为响应于在预设时间范围内多次基于用户的语音音频匹配到目标特效素材，在虚拟场景中对目标特效素材进行叠加展示或扩大展示。
根据本公开的实施例，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。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理，例如上述虚拟形象的控制方法。例如，在一些实施例中，上述虚拟形象的控制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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的上述虚拟形象的控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述虚拟形象的控制方法。
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)、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、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种虚拟形象的控制方法，所述方法包括：
接收用户的语音音频；
基于所述语音音频的语音识别结果，预测得到目标行为标签，其中，所述目标行为标签用于在预设行为集合中获取与所述目标行为标签相应的第一行为，所述预设行为集合包括至少一个预设行为以及分别与所述至少一个预设行为相应的至少一个行为标签；
基于所述用户的虚拟形象的第一动作以及所述第一行为，确定目标行为，其中，所述第一动作指示所述用户的虚拟形象在虚拟场景中的当前动作，所述目标行为包括目标动作和发出目标语音的行为中的至少一者；以及
控制所述用户的虚拟形象做出所述目标行为。
2.根据权利要求1所述的方法，其中，所述基于所述语音音频的语音识别结果，预测得到目标行为标签包括：
基于所述语音音频的语音识别结果，确定所述用户的情绪类别；以及
基于所述情绪类别和所述语音识别结果，预测得到所述目标行为标签。
3.根据权利要求2所述的方法，其中，所述语音识别结果包括所述语音音频对应的文本信息以及声学特征，所述基于所述语音音频的语音识别结果，确定所述用户的情绪类别包括：
将所述文本信息和所述声学特征输入情绪分类模型，以获取所述情绪分类模型输出的所述情绪类别。
4.根据权利要求3所述的方法，其中，所述基于所述语音音频的语音识别结果，确定所述用户的情绪类别还包括：
检测所述文本信息中是否包括预设文本，以获取所述文本信息的检测结果；以及
基于所述检测结果和/或所述语音音频的第一声学特征，更新所述情绪类别，其中，所述第一声学特征包括所述语音音频的振幅与频率中的至少一者。
5.根据权利要求1-4中任一项所述的方法，其中，所述基于所述用户的第一动作以及所述第一行为，确定所述用户的目标行为包括：
基于所述目标行为标签，在所述预设行为集合中获取与所述目标行为标签匹配的所述第一行为；
获取硬件设备采集的所述用户的动作参数；
基于所述动作参数，确定所述第一动作；以及
融合所述第一行为和所述第一动作，以获得所述目标行为。
6.根据权利要求1-5中任一项所述的方法，还包括：
基于所述情绪类别和所述语音识别结果，预测得到目标特效标签；
基于所述目标特效标签，在预设特效素材集合中获取与所述目标特效标签匹配的目标特效素材，其中，所述预设特效素材集合包括至少一个预设特效素材以及分别与所述至少一个预设特效素材相应的至少一个特效标签；以及
在所述虚拟场景中展示所述目标特效素材。
7.根据权利要求6所述的方法，还包括：
响应于在预设时间范围内多次基于用户的语音音频匹配到所述目标特效素材，在所述虚拟场景中对所述目标特效素材进行叠加展示或扩大展示。
8.一种虚拟形象的控制装置，所述装置包括：
接收单元，被配置为接收用户的语音音频；
第一预测单元，被配置为基于所述语音音频的语音识别结果，预测得到目标行为标签，其中，所述目标行为标签用于在预设行为集合中获取与所述目标行为标签相应的第一行为，所述预设行为集合包括至少一个预设行为以及分别与所述至少一个预设行为相应的至少一个行为标签；
确定单元，被配置为基于所述用户的虚拟形象的第一动作以及所述第一行为，确定目标行为，其中，所述第一动作指示所述用户的虚拟形象在虚拟场景中的当前动作，所述目标行为包括目标动作和发出目标语音的行为中的至少一者；以及
控制单元，被配置为控制所述用户的虚拟形象做出所述目标行为。
9.根据权利要求8所述的装置，其中，所述预测单元包括：
第一确定子单元，被配置为基于所述语音音频的语音识别结果，确定所述用户的情绪类别；以及
预测子单元，被配置为基于所述情绪类别和所述语音识别结果，预测得到所述目标行为标签。
10.根据权利要求9所述的装置，其中，所述语音识别结果包括所述语音音频对应的文本信息以及声学特征，所述确定子单元包括：
获取模块，被配置为将所述文本信息和所述声学特征输入情绪分类模型，以获取所述情绪分类模型输出的所述情绪类别。
11.根据权利要求10所述的装置，其中，所述确定子单元还包括：
检测模块，被配置为检测所述文本信息中是否包括预设文本，以获取所述文本信息的检测结果；以及
更新模块，被配置为基于所述检测结果和/或所述语音音频的第一声学特征，更新所述情绪类别，其中，所述第一声学特征包括所述语音音频的振幅与频率中的至少一者。
12.根据权利要求8-11中任一项所述的装置，其中，所述确定单元包括：
第一获取子单元，被配置为基于所述目标行为标签，在所述预设行为集合中获取与所述目标行为标签匹配的所述第一行为；
第二获取子单元，被配置为获取硬件设备采集的所述用户的动作参数；
第二确定子单元，被配置为基于所述动作参数，确定所述第一动作；以及
融合子单元，被配置为融合所述第一行为和所述第一动作，以获得所述目标行为。
13.根据权利要求8-12中任一项所述的装置，还包括：
第二预测单元，被配置为基于所述情绪类别和所述语音识别结果，预测得到目标特效标签；
获取单元，被配置为基于所述目标特效标签，在预设特效素材集合中获取与所述目标特效标签匹配的目标特效素材，其中，所述预设特效素材集合包括至少一个预设特效素材以及分别与所述至少一个预设特效素材相应的至少一个特效标签；以及
第一展示单元，被配置为在所述虚拟场景中展示所述目标特效素材。
14.根据权利要求13所述的装置，还包括：
第二展示单元，被配置为响应于在预设时间范围内多次基于用户的语音音频匹配到所述目标特效素材，在所述虚拟场景中对所述目标特效素材进行叠加展示或扩大展示。
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，其中，所述计算机指令用于使所述计算机执行根据权利要求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，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210979655.2A CN115345969A (zh) | 2022-08-16 | 2022-08-16 | 虚拟形象的控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210979655.2A CN115345969A (zh) | 2022-08-16 | 2022-08-16 | 虚拟形象的控制方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115345969A true CN115345969A (zh) | 2022-11-15 |
Family
ID=83952854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210979655.2A Pending CN115345969A (zh) | 2022-08-16 | 2022-08-16 | 虚拟形象的控制方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115345969A (zh) |
-
2022
- 2022-08-16 CN CN202210979655.2A patent/CN115345969A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113807440B (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
| US11776256B2 (en) | Shared augmented reality system | |
| CN114511758A (zh) | 图像识别方法及装置、电子设备和介质 | |
| CN115470381A (zh) | 信息交互方法、装置、设备及介质 | |
| CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
| CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
| US20230245643A1 (en) | Data processing method | |
| CN115661375B (zh) | 三维发型生成方法、装置、电子设备和存储介质 | |
| CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
| CN116361547A (zh) | 信息显示方法、装置、设备和介质 | |
| CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
| CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN115578501A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN115631251A (zh) | 基于文本生成图像的方法、装置、电子设备和介质 | |
| CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| KR20200044175A (ko) | 전자 장치 및 그의 비서 서비스 제공 방법 | |
| CN114429678A (zh) | 模型训练方法及装置、电子设备和介质 | |
| CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
| CN115345969A (zh) | 虚拟形象的控制方法、装置、设备及介质 | |
| CN114550269A (zh) | 口罩佩戴检测方法、设备和介质 | |
| WO2022152532A1 (en) | Synchronizing virtual reality notifications | |
| CN114201043A (zh) | 内容交互的方法、装置、设备和介质 | |
| CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| CN114120412B (zh) | 图像处理方法和装置 | |
| CN113627330B (zh) | 识别目标类型动态图像的方法、装置及电子设备 |
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 |