本发明涉及通讯领域，具体涉及一种用于人工智能电话的智能语音对答交互控制系统。
背景技术：
传统的电话语音系统通过语音按键进行交互，传统的语音电话实现方式如下，将普通电话线(PSTN)接入到语音网关，语音网关对接语音服务器(CTI/CRM服务器)，语音服务器控制电话的进出，包括语音导航、挂机、转接、接听、三方通话、录音等功能。语音服务器将电话的数据实时存入数据库服务器，主要存储通话时间、录音文件信息、来电客户信息等。路由器连接局域网或广域网实现路由中转，电话坐席人员可以实时与进线电话进行通话沟通，采用人工坐席进行交互，打电话的速度很慢，一天最多300个电话，效率低，坐席人员的劳动强度大。通过语音按键进行交互，对于老年人或者不熟悉电话的人群来说，操作困难；在需要查询一些问题或资料时，难以实现目的。
技术实现要素：
本发明的目的在于：提供一种用于人工智能电话的智能语音对答交互控制系统，解决了目前采用人工坐席进行交互效率低下的技术问题。
本发明采用的技术方案如下：
一种用于人工智能电话的智能语音对答交互控制系统，包括普通电话线，所述普通电话线连接语音网关，还包括语音交互控制端，用于接收所述语音网关接入的语音数据；语音识别模块，用于利用所述语音交互控制端分配的语音数据进行语音识别产生分析文本，并将分析文本返回至语音交互控制端；语音库，用于语音交互控制端根据所述分析文本调取语音库数据并推送至来电端。
进一步的，所述语音交互控制端设置有语音缓冲池，所述语音网关接入的语音数据传输至语音缓冲池，当语音缓冲池装满后，将数据打包压缩并实时发送至所述语音识别模块进行识别。
进一步的，所述语音交互控制端内设置有内存空间，所述分析文本储存至所述内存空间中，当电话线路断开时，所述语音交互控制端释放所述内存空间。
进一步的，所述语音交互控制端采用NLP算法进行语音训练并输出分析文本对应的结果。
进一步的，所述NLP算法进行语音训练产生的语音特征储存至所述语音库。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明大大提高了工作效率，每天可处理至少3000个电话。
2.减少坐席人员重复工作的劳动次数，利用该系统去完成重复的语音播报工作。
3.颠覆传统外呼只能播放语音的问题，系统支持模拟行业专家与目标客户进行通话，让其拥有复制精英销售的能力。
4.不同行业的语音交互逻辑思维不同，个性化更强。
5.采用数据缓冲池结构，实现了语音数据的快速传入。
6.语音交互控制端中设置内存空间，并在电话线路断开时，自动释放内存空间，大大方便文字内容的分析与参数快速的传递作用。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的整体架构。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合图1对本发明作详细说明。
一种用于人工智能电话的智能语音对答交互控制系统，包括普通电话线，所述普通电话线连接语音网关，还包括语音交互控制端，用于接收所述语音网关接入的语音数据；语音识别模块，用于利用所述语音交互控制端分配的语音数据进行语音识别产生分析文本，并将分析文本返回至语音交互控制端；语音库，用于语音交互控制端根据所述分析文本调取语音库数据并推送至来电端。
所述语音交互控制端设置有语音缓冲池，所述语音网关接入的语音数据传输至语音缓冲池，当语音缓冲池装满后，将数据打包压缩并实时发送至所述语音识别模块进行识别。
所述语音交互控制端内设置有内存空间，所述分析文本储存至所述内存空间中，当电话线路断开时，所述语音交互控制端释放所述内存空间。
所述语音交互控制端采用NLP算法进行语音训练并输出分析文本对应的结果。
所述NLP算法进行语音训练产生的语音特征储存至所述语音库。
具体实施方式1
普通电话线(PSTN)连接语音网关，语音网关将接入的语音数据传入所述语音交互控制端，语音交互控制端设置有语音缓冲池，所述语音网关接入的语音数据传输至语音缓冲池，当语音缓冲池装满后，将数据打包压缩并实时发送至所述语音识别模块进行识别，生成分析文本，语音识别模块采用科大讯飞的语音识别技术，语音识别模块中包括语音模型数据、声学模型数据和发音模型数据，语音识别模块将分析文本返回至语音交互控制端，语音交互控制端从语音库中调取语音库数据并推送至来电端；语音识别模块中还加入四川话识别模块，用户利用四川话进行交互时，系统能够自动识别语音数据内容，将语音数据翻译成文字内容形成分析文本，返回至语音交互控制端。
所述语音交互控制端内设置有内存空间，所述分析文本储存至所述内存空间中，当电话线路断开时，所述语音交互控制端释放所述内存空间；当需要多路数据进行交互时，开辟多个内存空间即可。
具体实施方式2
所述语音交互控制端采用NLP算法进行语音训练并输出分析文本对应的结果；利用NLP算法进行语音控制训练时采用Topic Model，无论维度是多少的数据集，关键特征很少，因此关键特征之间刻画了除噪声外的全部关键信息，且特征之间没有太多的相关性。例如一个含有K个主题的文本，将文本压缩成K维向量，每个维度中的数据代表该文本该主题的概率，将文本压缩为K维向量后使用任何类型的分类器，即能得到效果很好的分类结果。