CN116844573A - 基于人工智能的语音情感识别方法、装置、设备及介质 - Google Patents

Abstract

本发明适用于金融科技领域，尤其涉及一种基于人工智能的语音情感识别方法、装置、设备及介质。本发明实施例得到待识别文本的文本向量并输入至多尺度注意力模型得到文本输出特征，得到待识别音频的音频频谱并输入至多尺度注意力模型得到音频输出特征，将文本输出特征和音频输出特征融合后，基于全连接层得到语音情感识别结果，通过对文本向量和梅尔频谱进行N次不同尺度的卷积，获得了更丰富的文本特征信息和音频特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，提高了对语音情感信息的表征能力，提高了语音情感识别结果的准确性，在金融领域中提高了解决客户疑问、指导客户交易、提供售后服务的效率和质量。

Description

基于人工智能的语音情感识别方法、装置、设备及介质

技术领域

本发明适用于金融科技领域，尤其涉及一种基于人工智能的语音情感识别方法、装置、设备及介质。

背景技术

情感智能是人工智能的一个研究方向，随着人工智能的发展，情感智能使用人工智能技术来检测语言和非语言信号，从语音变化到面部表情，可以识别、解读和响应更多人与人交流情感的渠道。从智能家居系统到汽车，从数字营销到零售甚至是金融，情感智能广泛地应用于各个行业。例如，在金融科技领域的客服服务场景中，在能够即时反馈用户满意度的即时情绪识别技术的辅助下，客服可以将情绪识别的实时结果加入到话术推荐模型的考虑范畴内，在解决客户疑问、指导客户交易、提供售后服务等方面具有极高的必要性和实用性，可以有效提升金融领域中的服务效率和服务质量。

其中，客户情感识别依赖于语音情感识别技术，语音情感识别是预测特定语音片段所属的情感类别的任务，是对话系统和人机交互界面中的重要一环，正确识别说话人的情感信息有助于实现更加智能化人性化的交互系统。

目前业界所使用的方法大多为基于深度学习的语音情感识别方法，该类方法首先从原始语音音频中提取短时傅里叶变换频谱或梅尔频谱，之后使用卷积神经网络等图像处理常用模型进行特征提取。但这种方法的性能较差，难以学习到音频中较深层次的信息。其常见的改良方法是额外使用语音文本进行多模态分析，但由于模态间特征融合效果和文本特征提取效果较差，导致语音情感的识别准确率较低。

因此，在金融科技领域的客服服务场景中，如何提高语音情感识别结果的准确性成为亟待解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于人工智能的语音情感识别方法、装置、设备及介质，以解决语音情感识别结果的准确性较低的问题。

第一方面，本发明实施例提供一种基于人工智能的语音情感识别方法，所述语音情感识别方法包括：

获取待识别文本，对所述待识别文本进行词嵌入处理，得到文本向量，将所述文本向量输入至训练好的多尺度注意力模型，得到文本输出特征；

获取所述待识别文本对应的待识别音频，计算所述待识别音频的梅尔频谱，得到音频频谱，将所述音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征；

将所述文本输出特征和所述音频输出特征进行拼接融合，得到拼接特征，将所述文本输出特征、所述音频输出特征和所述拼接特征进行特征融合，得到语音情感置信特征；

将所述语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

第二方面，本发明实施例提供一种基于人工智能的语音情感识别装置，所述语音情感识别装置包括：

文本特征提取模块，用于获取待识别文本，对所述待识别文本进行词嵌入处理，得到文本向量，将所述文本向量输入至训练好的多尺度注意力模型，得到文本输出特征；

音频特征提取模块，用于获取所述待识别文本对应的待识别音频，计算所述待识别音频的梅尔频谱，得到音频频谱，将所述音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征；

特征融合模块，用于将所述文本输出特征和所述音频输出特征进行拼接融合，得到拼接特征，将所述文本输出特征、所述音频输出特征和所述拼接特征进行特征融合，得到语音情感置信特征；

情感识别模块，用于将所述语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的语音情感识别方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的语音情感识别方法。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例获取待识别文本，对待识别文本进行词嵌入处理，得到文本向量，将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征，并获取待识别文本对应的待识别音频，计算待识别音频的梅尔频谱，得到音频频谱，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征，然后将文本输出特征和音频输出特征进行拼接融合，得到拼接特征，将文本输出特征、音频输出特征和拼接特征进行特征融合，得到语音情感置信特征，并将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果，通过对文本向量和梅尔频谱进行N次不同尺度的卷积，获得了更丰富的文本特征信息和音频特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，有效提高了文本输出特征和音频输出特征中情感信息的表征能力，提高了语音情感识别结果的准确性，在金融领域中可以指导客服将准确的情绪识别结果加入到话术推荐模型的考虑范畴内，在解决客户疑问、指导客户交易、提供售后服务等方面具有极高的必要性和实用性，有效提升了金融领域中的服务效率和服务质量。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于人工智能的语音情感识别方法的一应用环境示意图；

图2是本发明实施例一提供的一种基于人工智能的语音情感识别方法的流程示意图；

图3是本发明实施例一提供的一种训练好的多尺度注意力模型的结构示意图；

图4是本发明实施例二提供的一种基于人工智能的语音情感识别装置的结构示意图；

图5是本发明实施例三提供的一种计算机设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明实施例一提供的一种基于人工智能的语音情感识别方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在金融科技领域的客服服务场景中，待识别音频可以通过获取客服与客户的电话沟通语音，并从电话沟通语音中截取客户对应的语音得到，待识别文本可以通过对待识别音频进行语音转文字处理得到，则根据待识别文本和待识别音频提取客户的情绪信息，来指导客服将情绪信息加入到话术推荐模型的考虑范畴内，在解决客户疑问、指导客户交易、提供售后服务等方面具有极高的必要性和实用性，可以有效提升金融领域中的服务效率和服务质量。

参见图2，是本发明实施例一提供的一种基于人工智能的语音情感识别方法的流程示意图，上述语音情感识别方法可以应用于图1中的客户端，该语音情感识别方法可以包括以下步骤：

步骤S201，获取待识别文本，对待识别文本进行词嵌入处理，得到文本向量，将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征。

其中，语音情感识别任务是预测特定语音片段所属的情感类别的任务，为了获得更丰富的语音信息，一般将语音片段和对应的文本作为信息提取基础，以提高语音情感识别结果的准确性。因此，待识别文本可以是从待识别音频中识别得到的，因此在文本语音情感识别任务中，待识别对象通常是相对应的待识别文本和待识别音频。其中，待识别文本可以具有多种语言类型，以中文为例，由于中文词汇库中至少包括几千个字和几万个词，如果使用独热编码对待识别文本进行编码，则变量有成千上万个维度，进一步进行语音情感识别时的参数数量和计算量都非常庞大，大大降低了语音情感识别任务的效率，同时提高了语音情感识别任务的成本。而词嵌入技术可以将高纬度的词映射为较低的维度，例如，使用200维的特征描述待识别文本中的所有词，使得语音情感识别任务中各个模型的输入参数均更少，训练效率和工作效率更快。

其中，在进行待识别文本的特征提取时，如果使用单一的卷积核对待识别文本进行卷积，感受野较小，卷积过程中仅能在固定的尺度上捕捉待识别文本中的情感信息，得到的文本特征对待识别文本中情感信息的表征能力较差。而多尺度注意力模型可以通过多个不同尺度的卷积核对待识别文本进行多个尺度的特征提取，从而扩大了模型中的感受野，提高了对待识别文本中情感信息的表征能力，得到了更准确的文本特征。

具体地，在本实施例中，首先获取待识别文本，并对待识别文本进行词嵌入处理，以获得纬度较低的文本向量，并将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征，该文本输出特征可以有效表征待识别文本中的情感信息。

可选的是，对待识别文本进行词嵌入处理，得到文本向量包括：

对待识别文本进行独热编码，得到待识别文本的文本编码；

获取预设的词特征矩阵，将文本编码与词特征矩阵进行相乘，得到待识别文本的文本向量。

其中，词嵌入技术可以将高纬度的词映射为较低的维度，从而降低语音情感识别任务中各个模型的输入参数，提高语音识别任务的效率。

词特征矩阵可以将单次从高维度向量转化为低维度向量时所需要的转换矩阵。在本实施例中，文本编码的行维度与待识别文本中的词数量一致，文本编码的列维度与中文词汇库中的词数量一致，而预设的词转换矩阵的行维度和文本编码的列维度数量一致，该词转换矩阵的列维度可以预先设置，则将文本编码与词转换矩阵相乘后，即可得到降维后的文本向量，该文本向量的行维度和文本编码的行维度数量一致，该文本向量的列维度为预先设置的维度，该预先设置的维度大大小于中文词汇库中的词数量，从而大大降低了文本向量的维度。

具体地，首先对待识别文本进行独热编码，得到待识别文本的文本编码，以中文为例，由于中文词汇库中至少包括几千个字和几万个词，使用独热编码对待识别文本进行编码后，得到的文本编码有成千上万个维度，因此，获取预设的词特征矩阵，将文本编码与词特征矩阵进行相乘，得到待识别文本的文本向量。

上述对待识别文本进行词嵌入处理，得到文本向量的步骤，通过对待识别文本进行词嵌入处理，得到维度较低的文本向量，大大降低了多尺度注意力模型的输入维度，提高了多尺度注意力模型的工作效率。

可选的是，训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，训练好的多尺度卷积子模型包括N个不同尺度的卷积层，训练好的多尺度池化子模型包括N个池化层；

将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征包括：

将文本向量输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个文本特征；

将N个文本特征输入至训练好的注意力机制子模型中，得到N个注意力文本特征；

将N个注意力文本特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力文本特征进行池化，得到N个注意力文本池化特征；

对N个注意力文本池化特征进行特征融合，得到文本输出特征。

其中，训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，训练好的多尺度卷积子模型包括N个不同尺度的卷积层，可以对输入的文本向量进行多个不同尺度的卷积，以提高对待识别文本中情感信息的表征能力，对应地，训练好的多尺度池化子模型包括N个池化层，以对N个特征分别进行池化降维。

其中，注意力机制子模型可以对输入的N个卷积结果进行注意力分析，确定各个卷积结果在表征待识别文本中情感信息时的权重，以按照对应的权重将不同尺度的卷积结果进行融合，提高文本输出特征对待识别文本中情感信息的表征能力。

具体地，首先将文本向量输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个文本特征，然后将N个文本特征输入至训练好的注意力机制子模型中，得到N个文本注意力权重，并将各个文本注意力权重和对应的文本特征相乘，得到N个注意力文本特征，然后将N个注意力文本特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力文本特征进行池化，得到N个注意力文本池化特征，最后对N个注意力文本池化特征进行特征融合，得到文本输出特征。

举例说明，如图3所示，是本发明实施例提供的一种训练好的多尺度注意力模型的结构示意图，训练好的多尺度卷积子模型包括3个不同尺度的卷积层，第一个卷积层的卷积核大小(ks)为5，第二个卷积层的卷积核大小为4，第三个卷积层的卷积核大小为3，对应地，训练好的多尺度池化子模型包括3个池化层。首先将文本向量输入至训练好的多尺度卷积子模型进行三次不同尺度的卷积，得到3个文本特征，然后，将三个文本特征输入至注意力机制子模块进行注意力权重计算以及权重融合，得到3个注意力文本特征，并将3个注意力文本特征分别输入至3个池化层中进行池化处理，得到3个注意力文本池化特征，最后对3个注意力文本池化特征进行特征融合，得到文本输出特征。

上述将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征的步骤，通过对文本向量进行N次不同尺度的卷积，获得了更丰富的文本特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，有效提高了文本输出特征对待识别文本中情感信息的表征能力。

上述获取待识别文本，对待识别文本进行词嵌入处理，得到文本向量，将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征的步骤，通过对待识别文本进行词嵌入处理，得到维度较低的文本向量，大大降低了多尺度注意力模型的输入维度，提高了多尺度注意力模型的工作效率，通过对文本向量进行N次不同尺度的卷积，获得了更丰富的文本特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，有效提高了文本输出特征对待识别文本中情感信息的表征能力。

步骤S202，获取待识别文本对应的待识别音频，计算待识别音频的梅尔频谱，得到音频频谱，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征。

其中，在语音情感识别任务中，待识别对象通常是相对应的待识别文本和待识别音频，因此，本实施例还获得待识别文本对应的待识别音频，并提取音频特征与文本特征进行结合，来提高语音情感识别结果的准确性。

其中，在音频处理领域，我们需要将音频信号转换成对应的语谱图，将语谱图上的数据作为音频信号的特征。通常的语谱图频率是线性分布的，但是人耳对频率的感受是对数的，即对低频段的变化敏感，对高频段的变化迟钝，因此线性分布的语谱图不适用于音频的特征提取任务，而非线性分布的梅尔频谱可以有效匹配人耳对频率的感受，广泛应用于音频的特征提取任务。

因此，在本实施例中，首先计算得到待识别音频的梅尔频谱，将该梅尔频谱作为音频频谱，以提高音频频谱的可靠性，然后将音频频谱输入至训练好的多尺度注意力模型进行特征提取，得到音频输出特征。

可选的是，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征包括：

将音频频谱输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个音频特征；

将N个音频特征输入至训练好的注意力机制子模型中，得到N个注意力音频特征；

将N个注意力音频特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力音频特征进行池化，得到N个注意力音频池化特征；

对N个注意力音频池化特征进行特征融合，得到音频输出特征。

其中，训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，训练好的多尺度卷积子模型包括N个不同尺度的卷积层，可以对输入的梅尔频谱进行多个不同尺度的卷积，以提高对待识别音频中情感信息的表征能力，对应地，训练好的多尺度池化子模型包括N个池化层，以对N个特征分别进行池化降维。

其中，注意力机制子模型可以对输入的N个卷积结果进行注意力分析，确定各个卷积结果在表征待识别音频中情感信息时的权重，以按照对应的权重将不同尺度的卷积结果进行融合，提高音频输出特征对待识别音频中情感信息的表征能力。

具体地，首先将梅尔频谱输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个音频特征，然后将N个音频特征输入至训练好的注意力机制子模型中，得到N个音频注意力权重，并将各个音频注意力权重和对应的音频特征相乘，得到N个注意力音频特征，然后将N个注意力音频特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力音频特征进行池化，得到N个注意力音频池化特征，最后对N个注意力音频池化特征进行特征融合，得到音频输出特征。

上述获取待识别文本对应的待识别音频，计算待识别音频的梅尔频谱，得到音频频谱，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征的步骤，通过对梅尔频谱进行N次不同尺度的卷积，获得了更丰富的音频特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，有效提高了音频输出特征对待识别音频中情感信息的表征能力。

步骤S203，将文本输出特征和音频输出特征进行拼接融合，得到拼接特征，将文本输出特征、音频输出特征和拼接特征进行特征融合，得到语音情感置信特征。

其中，通过融合待识别文本的文本输出特征和待识别音频的音频输出特征，可以获得更丰富的特征信息来表征语音中的情感信息。

因此，在本实施例中，首先将文本输出特征和音频输出特征进行拼接融合，得到包含文本特征信息和语音特征信息的拼接特征，并进一步将文本输出特征、音频输出特征和拼接特征进行特征融合，得到特征信息更丰富的语音情感置信特征，可以有效提高语音情感识别结果的准确性。

上述将文本输出特征和音频输出特征进行拼接融合，得到拼接特征，将文本输出特征、音频输出特征和拼接特征进行特征融合，得到语音情感置信特征的步骤，通过特征融合得到了特征信息更丰富的语音情感置信特征，有效地提高了语音情感识别结果的准确性。

步骤S204，将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

其中，语音情感识别结果可以是对应的语音情感类别，语音情感类别可以根据实际情况进行设定，例如，语音情感类别包括高兴、感激、生气、鄙视、仇恨等多种情感类别中的若干种。

其中，全连接层在卷积神经网络中起到分类器的作用，在本实施例中，将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果，以完成语音情感识别任务。

可选的是，获取样本文本向量和样本音频频谱，以样本文本向量和样本音频频谱作为训练样本，以训练样本的实际情感识别结果为训练标签；

多尺度注意力模型和全连接层的训练过程包括：

将样本文本向量输入至多尺度注意力模型，得到样本文本输出特征；

将样本音频频谱输入至多尺度注意力模型，得到样本音频输出特征；

将样本文本输出特征和样本音频输出特征进行拼接融合，得到样本拼接特征，将样本文本输出特征、样本音频输出特征和样本拼接特征进行特征融合，得到样本语音情感置信特征；

将样本语音情感置信特征输入至全连接层，得到样本语音情感识别结果；

根据样本语音情感识别结果和实际情感识别结果计算模型损失，根据模型损失对多尺度注意力模型和全连接层进行训练，得到训练好的多尺度注意力模型和训练好的全连接层。

其中，为了提高多尺度注意力模型和全连接层的性能，本实施例获取样本文本向量和样本音频频谱，以样本文本向量和样本音频频谱作为训练样本，以训练样本的实际情感识别结果为训练标签，对多尺度注意力模型和全连接层进行训练。

具体地，将样本文本向量输入至多尺度注意力模型，得到样本文本输出特征，并将样本音频频谱输入至多尺度注意力模型，得到样本音频输出特征，然后将样本文本输出特征和样本音频输出特征进行拼接融合，得到样本拼接特征，将样本文本输出特征、样本音频输出特征和样本拼接特征进行特征融合，得到样本语音情感置信特征，最后将样本语音情感置信特征输入至全连接层，得到样本语音情感识别结果。

并根据样本语音情感识别结果和实际情感识别结果计算模型损失，且模型损失越大，表示多尺度注意力模型和全连接层的性能越差，模型损失越小，表示多尺度注意力模型和全连接层的性能越好，因此，根据模型损失对多尺度注意力模型和全连接层进行训练，直至模型损失收敛，得到训练好的多尺度注意力模型和训练好的全连接层。

可选的是，根据样本语音情感识别结果和实际情感识别结果计算模型损失，根据模型损失对多尺度注意力模型和全连接层进行训练，得到训练好的多尺度注意力模型和训练好的全连接层包括：

根据词向量技术将样本语音情感识别结果转换为样本结果向量，根据词向量技术将实际语音情感识别结果转换为实际结果向量；

计算各个训练样本的样本结果向量和对应的实际结果向量之间的差异程度，将所有训练样本的差异程度相加，确定相加结果为模型损失；

根据梯度下降法反向修正多尺度注意力模型和全连接层的参数，直至模型损失收敛，得到训练好的多尺度注意力模型和训练好的全连接层。

其中，由于多尺度注意力模型和全连接层的性能越好，样本语音情感识别结果的准确率越高，样本语音情感识别结果与实际语音情感识别结果的相似度越高，反之，多尺度注意力模型和全连接层的性能越差，样本语音情感识别结果的准确率越低，样本语音情感识别结果与实际语音情感识别结果的差异程度越大。

因此，本实施例通过计算样本语音情感识别结果与实际语音情感识别结果的差异程度，来计算模型损失，作为多尺度注意力模型和全连接层的参数修正基础。

具体地，首先根据词向量技术将所述样本语音情感识别结果转换为样本结果向量，根据词向量技术将所述实际语音情感识别结果转换为实际结果向量，然后计算样本结果向量和实际结果向量之间的相似度，并对该相似度进行归一化处理，从而将该相似度与1的差值作为对应训练样本的的差异程度，最后将所有训练样本的差异程度相加，即可确定相加结果为模型损失。

由于模型损失越大，多尺度注意力模型和全连接层的性能越差，因此，根据梯度下降法反向修正多尺度注意力模型和全连接层的参数，直至模型损失收敛，得到训练好的多尺度注意力模型和训练好的全连接层。

上述将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果的步骤，通过训练好的全连接层对语音情感置信特征进行分类来得到语音情感识别结果，提高了语音情感识别结果的准确性。

本发明实施例获取待识别文本，对待识别文本进行词嵌入处理，得到文本向量，将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征，并获取待识别文本对应的待识别音频，计算待识别音频的梅尔频谱，得到音频频谱，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征，然后将文本输出特征和音频输出特征进行拼接融合，得到拼接特征，将文本输出特征、音频输出特征和拼接特征进行特征融合，得到语音情感置信特征，并将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果，通过对文本向量和梅尔频谱进行N次不同尺度的卷积，获得了更丰富的文本特征信息和音频特征信息，并根据注意力机制子模型对不同尺度的卷积结果进行注意力权重计算以及融合，有效提高了文本输出特征和音频输出特征中情感信息的表征能力，提高了语音情感识别结果的准确性，在金融领域中可以指导客服将准确的情绪识别结果加入到话术推荐模型的考虑范畴内，在解决客户疑问、指导客户交易、提供售后服务等方面具有极高的必要性和实用性，有效提升了金融领域中的服务效率和服务质量。

对应于上文实施例的语音情感识别方法，图4给出了本发明实施例二提供的基于人工智能的语音情感识别装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。

参见图4，该语音情感识别装置包括：

文本特征提取模块41，用于获取待识别文本，对待识别文本进行词嵌入处理，得到文本向量，将文本向量输入至训练好的多尺度注意力模型，得到文本输出特征；

音频特征提取模块42，用于获取待识别文本对应的待识别音频，计算待识别音频的梅尔频谱，得到音频频谱，将音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征；

特征融合模块43，用于将文本输出特征和音频输出特征进行拼接融合，得到拼接特征，将文本输出特征、音频输出特征和拼接特征进行特征融合，得到语音情感置信特征；

情感识别模块44，用于将语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

可选的是，上述文本特征提取模块41包括：

文本编码子模块，用于对待识别文本进行独热编码，得到待识别文本的文本编码；

文本向量获取子模块，用于获取预设的词特征矩阵，将文本编码与词特征矩阵进行相乘，得到待识别文本的文本向量。

可选的是，训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，训练好的多尺度卷积子模型包括N个不同尺度的卷积层，训练好的多尺度池化子模型包括N个池化层，上述文本特征提取模块41包括：

文本特征提取子模块，用于将文本向量输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个文本特征；

注意力文本特征提取子模块，用于将N个文本特征输入至训练好的注意力机制子模型中，得到N个注意力文本特征；

文本特征池化子模块，用于将N个注意力文本特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力文本特征进行池化，得到N个注意力文本池化特征；

文本特征融合子模块，用于对N个注意力文本池化特征进行特征融合，得到文本输出特征。

可选的是，上述音频特征提取模块42包括：

音频特征提取子模块，用于将音频频谱输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个音频特征；

注意力音频特征提取子模块，用于将N个音频特征输入至训练好的注意力机制子模型中，得到N个注意力音频特征；

音频特征池化子模块，用于将N个注意力音频特征输入至训练好的多尺度池化子模型，根据N个池化层分别对N个注意力音频特征进行池化，得到N个注意力音频池化特征；

音频特征融合子模块，用于对N个注意力音频池化特征进行特征融合，得到音频输出特征。

可选的是，上述情感识别模块44包括：

训练数据获取模块，用于获取样本文本向量和样本音频频谱，以样本文本向量和样本音频频谱作为训练样本，以训练样本的实际情感识别结果为训练标签；

样本文本特征提取子模块，用于将样本文本向量输入至多尺度注意力模型，得到样本文本输出特征；

样本音频特征提取子模块，用于将样本音频频谱输入至多尺度注意力模型，得到样本音频输出特征；

样本特征融合子模块，用于将样本文本输出特征和样本音频输出特征进行拼接融合，得到样本拼接特征，将样本文本输出特征、样本音频输出特征和样本拼接特征进行特征融合，得到样本语音情感置信特征；

样本情感识别子模块，用于将样本语音情感置信特征输入至全连接层，得到样本语音情感识别结果；

模型参数修正子模块，用于根据样本语音情感识别结果和实际情感识别结果计算模型损失，根据模型损失对多尺度注意力模型和全连接层进行训练，得到训练好的多尺度注意力模型和训练好的全连接层。

可选的是，上述模型参数修正子模块包括：

向量转换单元，用于根据词向量技术将所述样本语音情感识别结果转换为样本结果向量，根据词向量技术将所述实际语音情感识别结果转换为实际结果向量；

模型损失计算单元，用于计算各个所述训练样本的所述样本结果向量和对应的所述实际结果向量之间的差异程度，将所有所述训练样本的差异程度相加，确定相加结果为模型损失；

模型参数修正单元，用于根据梯度下降法反向修正多尺度注意力模型和全连接层的参数，直至模型损失收敛，得到训练好的多尺度注意力模型和训练好的全连接层。

需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本发明实施例三提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个语音情感识别方法实施例中的步骤。

该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。

所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的语音情感识别方法，其特征在于，所述语音情感识别方法包括：

获取待识别文本，对所述待识别文本进行词嵌入处理，得到文本向量，将所述文本向量输入至训练好的多尺度注意力模型，得到文本输出特征；

获取所述待识别文本对应的待识别音频，计算所述待识别音频的梅尔频谱，得到音频频谱，将所述音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征；

将所述文本输出特征和所述音频输出特征进行拼接融合，得到拼接特征，将所述文本输出特征、所述音频输出特征和所述拼接特征进行特征融合，得到语音情感置信特征；

将所述语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

2.根据权利要求1所述的语音情感识别方法，其特征在于，所述对所述待识别文本进行词嵌入处理，得到文本向量包括：

对所述待识别文本进行独热编码，得到所述待识别文本的文本编码；

获取预设的词特征矩阵，将所述文本编码与所述词特征矩阵进行相乘，得到所述待识别文本的文本向量。

3.根据权利要求1所述的语音情感识别方法，其特征在于，所述训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，所述训练好的多尺度卷积子模型包括N个不同尺度的卷积层，所述训练好的多尺度池化子模型包括N个池化层；

所述将所述文本向量输入至训练好的多尺度注意力模型，得到文本输出特征包括：

将所述文本向量输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个文本特征；

将N个所述文本特征输入至训练好的注意力机制子模型中，得到N个注意力文本特征；

将N个所述注意力文本特征输入至所述训练好的多尺度池化子模型，根据N个所述池化层分别对N个所述注意力文本特征进行池化，得到N个注意力文本池化特征；

对N个所述注意力文本池化特征进行特征融合，得到文本输出特征。

4.根据权利要求3所述的语音情感识别方法，其特征在于，所述将所述音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征包括：

将所述音频频谱输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个音频特征；

将N个所述音频特征输入至训练好的注意力机制子模型中，得到N个注意力音频特征；

将N个所述注意力音频特征输入至所述训练好的多尺度池化子模型，根据N个所述池化层分别对N个所述注意力音频特征进行池化，得到N个注意力音频池化特征；

对N个所述注意力音频池化特征进行特征融合，得到音频输出特征。

5.根据权利要求1所述的语音情感识别方法，其特征在于，获取样本文本向量和样本音频频谱，以样本文本向量和样本音频频谱作为训练样本，以训练样本的实际情感识别结果为训练标签；

所述多尺度注意力模型和所述全连接层的训练过程包括：

将所述样本文本向量输入至所述多尺度注意力模型，得到样本文本输出特征；

将所述样本音频频谱输入至所述多尺度注意力模型，得到样本音频输出特征；

将所述样本文本输出特征和所述样本音频输出特征进行拼接融合，得到样本拼接特征，将所述样本文本输出特征、所述样本音频输出特征和所述样本拼接特征进行特征融合，得到样本语音情感置信特征；

将所述样本语音情感置信特征输入至全连接层，得到样本语音情感识别结果；

根据所述样本语音情感识别结果和所述实际情感识别结果计算模型损失，根据所述模型损失对所述多尺度注意力模型和所述全连接层进行训练，得到训练好的多尺度注意力模型和训练好的全连接层。

6.根据权利要求5所述的语音情感识别方法，其特征在于，所述根据所述样本语音情感识别结果和所述实际情感识别结果计算模型损失，根据所述模型损失对所述多尺度注意力模型和所述全连接层进行训练，得到训练好的多尺度注意力模型和训练好的全连接层包括：

根据词向量技术将所述样本语音情感识别结果转换为样本结果向量，根据词向量技术将所述实际语音情感识别结果转换为实际结果向量；

计算各个所述训练样本的所述样本结果向量和对应的所述实际结果向量之间的差异程度，将所有所述训练样本的差异程度相加，确定相加结果为模型损失；

根据梯度下降法反向修正所述多尺度注意力模型和所述全连接层的参数，直至所述模型损失收敛，得到训练好的多尺度注意力模型和训练好的全连接层。

7.一种基于人工智能的语音情感识别装置，其特征在于，所述语音情感识别装置包括：

文本特征提取模块，用于获取待识别文本，对所述待识别文本进行词嵌入处理，得到文本向量，将所述文本向量输入至训练好的多尺度注意力模型，得到文本输出特征；

音频特征提取模块，用于获取所述待识别文本对应的待识别音频，计算所述待识别音频的梅尔频谱，得到音频频谱，将所述音频频谱输入至训练好的多尺度注意力模型，得到音频输出特征；

特征融合模块，用于将所述文本输出特征和所述音频输出特征进行拼接融合，得到拼接特征，将所述文本输出特征、所述音频输出特征和所述拼接特征进行特征融合，得到语音情感置信特征；

情感识别模块，用于将所述语音情感置信特征输入至训练好的全连接层，得到语音情感识别结果。

8.根据权利要求7所述的语音情感识别装置，其特征在于，所述训练好的多尺度注意力模型包括训练好的多尺度卷积子模型、训练好的注意力机制子模型和训练好的多尺度池化子模型，所述训练好的多尺度卷积子模型包括N个不同尺度的卷积层，所述训练好的多尺度池化子模型包括N个池化层；

所述文本特征提取模块包括：

文本特征提取子模块，用于将所述文本向量输入至训练好的多尺度卷积子模型中进行N次不同尺度的卷积，得到N个文本特征；

注意力文本特征提取子模块，用于将N个所述文本特征输入至训练好的注意力机制子模型中，得到N个注意力文本特征；

文本特征池化子模块，用于将N个所述注意力文本特征输入至所述训练好的多尺度池化子模型，根据N个所述池化层分别对N个所述注意力文本特征进行池化，得到N个注意力文本池化特征；

文本特征融合子模块，用于对N个所述注意力文本池化特征进行特征融合，得到文本输出特征。

9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的语音情感识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的语音情感识别方法。