用于语音交互的方法、装置、设备和计算机可读存储介质与流程

本公开的实施例一般地涉及语音识别或语音交互，并且更具体地涉及用于语音交互的方法、装置、设备和计算机可读存储介质。

背景技术

目前的语音识别方案需要在唤醒语音交互应用之后用户才能输入识别语，以进行语音交互。例如，在用户通过唤醒语唤醒语音交互应用之后，语音交互应用播报问候语。用户需要等待问候语播报结束，这需要几秒钟的时间。在问候语播报结束之后，用户才能与语音交互应用进行语音交互。因此，在这些方案中，用户对产品的使用效率是比较低的，用户体验并不是很好。

因此，需要提供一种至少部分解决上述技术问题的语音交互方案。

技术实现要素：

根据本公开的实施例，提供了一种语音交互方案。

在本公开的第一方面，提供了一种用于语音交互的方法。该方法包括：响应于从语音信息中检测到用于唤醒语音交互应用的唤醒语，持续检测语音信息；响应于在检测到唤醒语之后的预定时间内检测到用于与语音交互应用进行交互的识别语，确定识别语的结束时间；确定唤醒语的结束时间；以及基于唤醒语的结束时间和识别语的结束时间，从语音信息中提取识别语以便进行响应。

在本公开的第二方面，提供了一种用于语音交互的装置。该装置包括：检测模块，被配置为响应于从语音信息中检测到用于唤醒语音交互应用的唤醒语，持续检测语音信息；第一确定模块，被配置为响应于在检测到唤醒语之后的预定时间内检测到用于与语音交互应用进行交互的识别语，确定识别语的结束时间；第二确定模块，被配置为确定唤醒语的结束时间；以及提取模块，被配置为基于唤醒语的结束时间和识别语的结束时间，从语音信息中提取识别语以便进行响应。

在本公开的第三方面，提供了一种电子设备。该电子设备包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得电子设备实现根据本公开的第一方面的方法。

在本公开的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了能够在其中实现本公开的实施例的示例性环境的示意图；

图2示出了根据本公开的一些实施例的语音交互方法的流程图；

图3示出了根据本公开的一些实施例的语音交互装置的方框图；以及

图4示出了能够实施本公开的一些实施例的电子设备的方框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

如上文所提及的，在目前的语音识别方案中，用户在唤醒语音交互应用之后才能输入识别语，以进行语音交互。针对上述问题以及其他可能的潜在问题，本公开的实施例提供了一种语音交互方案。在该方案中，在检测到唤醒语之后，持续检测语音信息。如果在检测到唤醒语之后的预定时间内检测到识别语，则确定识别语的结束时间。基于唤醒语的结束时间和识别语的结束时间，从语音信息中提取识别语以便进行响应。在该方案中，在用户连续说唤醒语和识别语的情况下，可以直接进行交互，减少了响应时间。通过在语音信息中以回溯的方式来确定识别语，可以提高确定识别语的精确度，提升语音识别的效率，进一步改进语音交互的满意度。

以下结合图1-图2来具体描述本公开的实施例。

图1示出了能够在其中实现本公开的实施例的示意性环境100的示意图。在环境100中，用户102可以与车辆104等设备中的语音交互系统106进行语音交互。例如，用户102可以向语音交互系统106讲述“小度小度讲个笑话”。语音交互系统106可以获取该语音信息，并基于该语音信息唤醒语音交互应用，并给出相应的响应，例如，向用户讲述一个笑话。

应当理解，尽管在这里以车辆104中的语音交互系统106为例来进行描述，但是本公开的实施例也可以应用于智能音箱、移动电话、平板等电子设备。另外，尽管语音交互系统106被示出在车辆104中，语音交互系统106也可以部分在云端实现。

图2示出了根据本公开的一些实施例的语音交互方法200的流程图。方法200可以至少部分地由图1所示的车辆104，特别是其中的语音交互系统106来实现。

用户可以向语音交互系统106讲话，以向语音交互系统106提供语音信息。在框202，语音交互系统106从语音信息中检测用于唤醒语音交互应用的唤醒语。例如，唤醒语可以是“小度小度”。可以通过各种方法来检测唤醒语，例如，可以通过深度神经网络的方法来检测唤醒语。应当理解，上述方法仅作为示例提供，可以使用目前已知的或将来开发的任何合适的方法来检测唤醒语。

如果语音交互系统106从语音信息中检测到了唤醒语，则方法200前进到框204。在框204，语音交互系统106可以持续检测语音信息。通过持续进行语音检测，语音交互系统106支持确定唤醒语之后是否还包括识别语。

在框206，语音交互系统106可以在唤醒语之后的预定时间内检测用于与语音交互应用进行交互的识别语。例如，预定时间可以是100ms或任何其他合适的时间。例如，在图1所示的示例中，识别语可以是“讲个笑话”。

在一些实施例中，框206可以在服务器(例如，云端)处实现。在这种情况下，语音信息从车辆104上传到服务器，并由服务器来对识别语进行检测和识别，并将识别结果告诉本地的客户端。

如果在框206从语音信息中检测到识别语，则方法200前进到框208。在框208，语音交互系统106确定识别语的结束时间。在一些实施例中，可以通过语音端点检测(vad)来确定识别语的结束时间。应当理解，也可以使用任何其他合适的方式来确定识别语的结束时间。

在框210，语音交互系统106可以确定唤醒语的结束时间。例如，语音交互系统106可以基于语音信息来确定唤醒语的帧数，并基于唤醒语的帧数来确定唤醒语的结束时间。在一些实例中，可以通过加窗和分帧的方法来确定唤醒语的帧数。然而，应当理解，也可以使用任何其他合适的方式来确定唤醒语的帧数。例如，如果确定唤醒语的帧数是1000帧，并且每一帧的长度是10ms，则唤醒语的时间长度是10秒。以这种方式，可以确定唤醒语的结束时间，进而精确地切分唤醒语和识别语。在这种情况下，可以防止部分唤醒语被划分到识别语，或者部分识别语被划分到唤醒语。

在框212，语音交互系统106基于唤醒语的结束时间和识别语的结束时间，从语音信息中提取识别语以便进行响应。例如，语音交互系统106可以截取唤醒语的结束时间和识别语的结束时间之间的语音信息，并对这部分语音信息进行语音识别。在一些实施例中，框212可以在服务器(例如，云端)处实现。

在一些实施例中，语音交互系统106可以基于识别语来确定针对识别语的响应，并将该响应提供给用户，从而与用户进行交互。例如，语音交互系统106可以基于识别语“讲个笑话”从网络上搜索一个笑话，并将该笑话从文本转换为语音。然后，将该笑话以语音的方式播放出来，提供给用户。

在一些实施例中，如果在框206从语音信息中没有检测到识别语，则可以唤醒语音交互应用，从而与用户进行语音交互。以这种方式，可以兼容现有的语音交互模式。

根据本公开的实施例，通过回溯的方式，而不是在确定唤醒语之后直接对识别语进行识别，可以精确地界定唤醒语与识别语之前的界线，从而精确地确定识别语。以这种方式，可以实现改善语音交互系统的精确度和用户体验。

图3示出了根据本公开的一些实施例的语音交互装置300的方框图。装置300可以被包括在图1的车辆104或语音交互系统106中或者至少部分地由车辆104或语音交互系统106来实现。如图3所示，装置300包括检测模块302，检测模块302被配置为响应于从语音信息中检测到用于唤醒语音交互应用的唤醒语，持续检测语音信息。

如图3所示，装置300还包括第一确定模块304，第一确定模块304被配置为响应于在检测到唤醒语之后的预定时间内检测到用于与语音交互应用进行交互的识别语，确定识别语的结束时间。在一些实施例中，第一确定模块包括：语音端点检测模块，被配置为通过语音端点检测(vad)来确定识别语的结束时间。

如图3所示，装置300还包括第二确定模块306，第二确定模块306被配置为确定唤醒语的结束时间。在一些实施例中，第二确定模块306包括：第三确定模块，被配置为基于所述语音信息来确定所述唤醒语的帧数；以及第四确定模块，被配置为基于所述唤醒语的帧数来确定所述唤醒语的结束时间。

如图3所示，装置300还包括提取模块308，提取模块308被配置为基于唤醒语的结束时间和识别语的结束时间，从语音信息中提取识别语以便进行响应。

在一些实施例中，装置300还包括唤醒模块，其被配置为响应于在所述预定时间内没有检测到所述识别语，唤醒语音交互应用，以与用户进行语音交互。

在一些实施例中，装置300还包括：第五确定模块，被配置为基于所述识别语确定针对所述识别语的响应；以及提供模块，被配置为向所述用户提供所述响应，以与所述用户进行交互。

图4示出了一个可以用来实施本公开的实施例的设备400的示意性框图。设备400可以用于至少部分地实现图1的语音交互系统106。如图4所示，设备400包括中央处理单元(cpu)401，其可以根据存储在只读存储器(rom)402中的计算机程序指令或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序指令，来执行各种适当的动作和处理。在ram403中，还可存储设备400操作所需的各种程序和数据。cpu401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。

设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。

上文所描述的各个过程和处理，例如方法200，可由处理单元401执行。例如，在一些实施例中，方法200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408。在一些实施例中，计算机程序的部分或者全部可以经由rom402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序被加载到ram403并由cpu401执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，cpu401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本公开可以是方法、设备、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令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单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实施例。