本公开实施例涉及计算机技术领域，具体涉及用于处理信息的方法和装置。
背景技术：
现阶段，智能服务已经被应用到了各个领域。例如，在智能客服的应用场景下，用户可以通过文字或语音来与客服机器人进行信息交互。而虚拟人像技术通过渲染三维立体人像，可以为智能服务提供更为便捷的使用体验。举例来说，通过使用语音识别、语音合成等技术，能够为三维立体人像赋予对话与聆听的能力，从而提升了用户与三维立体人像现场交互的拟人度。现有的虚拟人像技术虽然已经具有很高的拟人效果，但大多仍然停留在脚本化的应用场景，例如三维游戏、cg(computergraphics，计算机动画)电影等，只能做到按照指示的内容对已经设计好的动作进行响应。
技术实现要素：
本公开实施例提出了用于处理信息的方法和装置。
第一方面，本公开实施例提供了一种用于处理信息的方法，该方法包括：基于用户发送的语音信息，生成应答语音信息；根据上述应答语音信息生成音素序列；根据上述音素序列生成口型变化信息，其中，上述口型变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的口型变化；播放上述应答语音信息，以及根据上述口型变化信息控制上述三维立体人像的口型变化。
在一些实施例中，上述方法还包括：获取上述用户发送上述语音信息时所采集的上述用户的视频；对于上述视频中的视频帧，对该视频帧中的人脸图像进行面部表情识别，得到表情识别结果；播放上述视频，以及在所播放的当前视频帧中呈现当前视频帧中的人脸图像对应的表情识别结果。
在一些实施例中，在播放上述视频之前，上述方法还包括：接收上述用户发送的人脸图像装饰请求，其中，上述人脸图像装饰请求包括装饰用配图选取信息；根据上述装饰用配图选取信息从预设的装饰用配图集合中选取目标装饰用配图；将上述目标装饰用配图添加到上述视频的视频帧中。
在一些实施例中，上述将上述目标装饰用配图添加到上述视频的视频帧中，包括：间隔第一预设帧数从上述视频中选取视频帧，得到至少一个视频帧；对于上述至少一个视频帧中的视频帧，对该视频帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置；根据该视频帧中人脸关键点的位置，将上述目标装饰用配图添加到该视频帧以及该视频帧之后的第二预设帧数的视频帧中。
在一些实施例中，上述方法还包括：根据上述音素序列生成手势变化信息，其中，上述手势变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的手势变化；以及上述播放上述应答语音信息，以及根据上述口型变化信息控制上述三维立体人像的口型变化，包括：播放上述应答语音信息，以及根据上述口型变化信息和上述手势变化信息控制上述三维立体人像的口型变化和手势变化。
在一些实施例中，上述方法还包括：基于上述语音信息生成待显示信息，以及对上述待显示信息进行显示。
在一些实施例中，上述方法还包括：根据上述语音信息确定目标业务类别；根据上述目标业务类别确定目标表情信息，以及根据上述目标表情信息控制上述三维立体人像的表情。
第二方面，本公开实施例提供了一种用于处理信息的装置，上述装置包括：第一生成单元，被配置成基于用户发送的语音信息，生成应答语音信息；第二生成单元，被配置成根据上述应答语音信息生成音素序列；第三生成单元，被配置成根据上述音素序列生成口型变化信息，其中，上述口型变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的口型变化；播放单元，被配置成播放上述应答语音信息，以及根据上述口型变化信息控制上述三维立体人像的口型变化。
在一些实施例中，上述装置还包括：获取单元，被配置成获取上述用户发送上述语音信息时所采集的上述用户的视频；识别单元，被配置成对于上述视频中的视频帧，对该视频帧中的人脸图像进行面部表情识别，得到表情识别结果；呈现单元，被配置成播放上述视频，以及在所播放的当前视频帧中呈现当前视频帧中的人脸图像对应的表情识别结果。
在一些实施例中，上述装置还包括：接收单元，被配置成接收上述用户发送的人脸图像装饰请求，其中，上述人脸图像装饰请求包括装饰用配图选取信息；选取单元，被配置成根据上述装饰用配图选取信息从预设的装饰用配图集合中选取目标装饰用配图；添加单元，被配置成将上述目标装饰用配图添加到上述视频的视频帧中。
在一些实施例中，上述添加单元进一步被配置成：间隔第一预设帧数从上述视频中选取视频帧，得到至少一个视频帧；对于上述至少一个视频帧中的视频帧，对该视频帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置；根据该视频帧中人脸关键点的位置，将上述目标装饰用配图添加到该视频帧以及该视频帧之后的第二预设帧数的视频帧中。
在一些实施例中，上述装置还包括：第四生成单元，被配置成根据上述音素序列生成手势变化信息，其中，上述手势变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的手势变化；以及上述播放单元进一步被配置成：播放上述应答语音信息，以及根据上述口型变化信息和上述手势变化信息控制上述三维立体人像的口型变化和手势变化。
在一些实施例中，上述装置还包括：第五生成单元，被配置成基于上述语音信息生成待显示信息，以及对上述待显示信息进行显示。
在一些实施例中，上述装置还包括：确定单元，被配置成根据上述语音信息确定目标业务类别；控制单元，被配置成根据上述目标业务类别确定目标表情信息，以及根据上述目标表情信息控制上述三维立体人像的表情。
第三方面，本公开实施例提供了一种终端，该终端包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于处理信息的方法和装置，首先基于用户发送的语音信息生成应答语音信息，之后根据应答语音信息生成音素序列，然后根据音素序列生成口型变化信息，最后播放应答语音信息并根据口型变化信息控制三维立体人像的口型变化，从而实现了播放应答语音信息的同时，基于所播放的应答语音信息控制三维立体人像的口型变化，提高了三维立体人像的拟人效果，提升了人机交互过程中的用户体验。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于处理信息的方法的一个实施例的流程图；
图3是根据本公开的用于处理信息的方法的一个应用场景的示意图；
图4是根据本公开的用于处理信息的方法的又一个实施例的流程图；
图5是根据本公开的用于处理信息的装置的一个实施例的结构示意图；
图6是适于用来实现本公开实施例的终端设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开实施例的用于处理信息的方法或用于处理信息的装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如聊天机器人应用、购物类应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持语音播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、导视系统、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上所播放的应答语音信息以及所显示的三维立体人像提供支持的后台服务器。后台服务器可以对接收到语音信息进行处理，并将处理结果(例如应答语音信息和口型变化信息)反馈给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的用于处理信息的方法一般由终端设备101、102、103执行。相应地，用于处理信息的装置一般设置于终端设备101、102、103。
应该理解，图1中的终端设备、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终端设备、网络和服务器。
继续参考图2，示出了根据本公开的用于处理信息的方法的一个实施例的流程200。该用于处理信息的方法，包括以下步骤：
步骤201，基于用户发送的语音信息，生成应答语音信息。
在本实施例中，用于处理信息的方法的执行主体(例如图1所示的终端设备101、102、103)首先可以通过所安装的语音采集设备获取用户发送的语音信息。这里，语音采集设备可以包括但不限于麦克风、麦克风阵列、集音器等等。
之后，执行主体可以对获取的语音信息进行各种处理，从而得到与获取的语音信息对应的应答语音信息。作为示例，首先，执行主体可以对获取的语音信息进行语音识别，从而得到与语音信息对应的文本信息。然后，执行主体可以根据语音信息对应的文本信息，生成应答文本。在这里，执行主体可以根据预设的业务逻辑生成应答文本。以商场内的智能客服机器人为例，智能客服机器人可以对用户语音信息对应的文本信息进行语义分析，并根据语义分析结果、预设的业务逻辑、业务数据等信息生成对应的应答文本。例如，智能客户机器人根据语义分析结果确定用户想要查询商场内某个商户的地理位置，智能客户机器人可以根据业务逻辑从存储的业务数据中获取该商户的地理位置，并根据该地理位置以及预设的话术模板生成应答文本。最后，执行主体可以将应答文本转化为应答语音信息，例如，通过现有的tts(texttospeech，从文本到语音)技术，将应答文本转化为应答语音信息。
步骤202，根据应答语音信息生成音素序列。
在本实施例中，执行主体可以根据步骤201中生成的应答语音信息，生成音素序列。在这里，音素序列可以是指在时间轴上排布的若干音素。音素，是语音中的最小单位，是语音分析中的基本概念。现阶段，可以根据现有的声学模型，生成一段语音的音素序列。此处不再赘述。
步骤203，根据音素序列生成口型变化信息。
在本实施例中，执行主体可以根据步骤202中生成的音素序列生成口型变化信息。作为示例，执行主体内部可以预先存储有用于记录音素与口型变化参数的对应关系表，该对应关系表中可以记录每一种音素所对应的口型变化参数。这样，执行主体可以依次将音素序列中的每一个音素作为目标音素与该对应关系表中的音素进行匹配。如果目标音素与对应关系表中的某个音素相同，则将对应关系表中的该音素对应的口型变化参数作为目标音素的口型变化参数。通过上述方式，可以得到音素序列对应的口型变化参数序列，执行主体可以将该口型变化参数序列作为口型变化信息。
这里，口型变化参数可以是指通过三维立体人像开发工具所开发的三维立体人像的口型变化的参数。实践中，可以使用现有的unity3d作为开发三维立体人像的开发工具，在unity3d开发的三维立体人像的代码中，可以为口型变化设置不同的口型变化参数。实际使用中，执行主体可以通过调用接口，将口型变化信息写入三维立体人像的代码中，从而使三维立体人像的口型根据该口型变化信息进行变化。这样，口型变化信息可以用于在上述应答信息播放时，控制所显示的三维立体人像的口型变化。
步骤204，播放应答语音信息，以及根据口型变化信息控制三维立体人像的口型变化。
在本实施例中，执行主体可以播放步骤201中生成的应答语音信息，同时根据步骤203生成的口型变化信息控制三维立体人像的口型变化。这里，三维立体人像的口型变化与所播放的应答语音信息需要实现同步，即当前所播放的音素对应的口型变化与当前三维立体人像口型变化一致。
在本实施例的一些可选的实现方式中，上述用于处理信息的方法还可以包括以下步骤：
根据音素序列生成手势变化信息。
在本实现方式中，执行主体可以根据步骤202中生成的音素序列生成手势变化信息。作为示例，执行主体内部可以预先存储有音素子序列与手势变化参数的对应关系表，该对应关系表中可以存储有多个音素子序列与手势变化参数的对应关系。这里，音素子序列可以是某些特定的语音对应的音素序列，而这些特定的语音一般比较简短，可以对应相应的手势。例如，语音“ok”可以对应拇指、食指相接成环形，其余三指伸直，掌心向外的手势。又例如，语音“你真棒”可以对应翘起大拇指的手势。这样，在上述对应关系表中，语音“ok”对应的音素子序列可以与其对应的手势的手势变化参数相对应。语音“你真棒”对应的音素子序列可以与其对应的手势的手势变化参数相对应。
这样，执行主体可以将步骤202中生成的音素序列与上述对应关系表中的音素子序列进行匹配，如果音素序列中的某部分音素序列与该对应关系表中的某个音素子序列相同，则将该对应关系表中的该个音素子序列对应的手势变化参数作为该部分音素序列的手势变化参数。通过上述方式，执行主体可以获得音素序列对应的一个或多个手势变化参数，这一个或多个手势变化参数可以作为手势变化信息。需要说明的是，在某些情况下，如果音素序列中的各部分音素序列与该对应关系表中的各个音素子序列均不相同，则得不到音素序列对应的手势变化参数，此时，手势变化信息可以为空缺。
在这里，手势变化参数可以是指用于控制三维立体人像的手势变化的参数。实际使用中，执行主体可以通过调用接口，将手势变化信息写入三维立体人像的代码中，从而使三维立体人像的手部根据该手势变化信息进行变化。这样，手势变化信息可以用于在应答语音信息播放时，控制所显示的三维立体人像的手势变化。这里，三维立体人像的手势变化与所播放的应答语音信息需要实现同步。即只有播放到特定的语音对应的音素时，三维立体人像才会做该特定的语音对应的手势。
以及上述步骤204可以具体如下进行：
播放应答语音信息，以及根据口型变化信息和手势变化信息控制三维立体人像的口型变化和手势变化。
在本实现方式中，执行主体可以播放步骤201中生成的应答语音信息，同时根据生成的口型变化信息和手势变化信息分别控制三维立体人像的口型变化和手势变化。这里，三维立体人像的口型变化和手势变化均需要与所播放的应答语音信息同步。
在本实施例的一些可选的实现方式中，上述用于处理信息的方法还可以包括以下步骤：基于语音信息生成待显示信息，以及对待显示信息进行显示。
在本实现方式中，执行主体可以根据用户输入的语音信息生成待显示信息，并对待显示信息进行显示。以银行内的智能客服机器人为例，智能客服机器人可以对用户发送的语音信息对应的文本信息进行语义分析，并根据语义分析结果、预设的业务逻辑、业务数据等信息生成待显示信息。例如，智能客户机器人根据语义分析结果确定用户想要查询其银行账户内最近三个月的交易信息，则智能客户机器人可以从存储的业务数据中获取其银行账户内最近三个月的交易信息作为待显示信息。并将该显示信息进行显示。
在本实施例的一些可选的实现方式中，上述用于处理信息的方法还可以包括以下步骤：
首先，根据语音信息确定目标业务类别。
在本实现方式中，执行主体可以根据用户发送的语音信息，确定该语音信息对应的目标业务类别。作为一个示例，执行主体可以对语音信息对应的文本信息进行语义识别，根据语义识别结果确定目标业务类别。作为另一个示例，执行主体可以采用现有的分类算法对语音信息对应的文本信息进行分类，从而得到目标业务类别。在这里，具体包括哪些业务类别可以根据具体的应用场景进行设定，此处不做限定。例如，可以包括但不限于咨询类业务、查询类业务、闲聊类业务等等。
然后，根据目标业务类别确定目标表情信息，并根据目标表情信息控制三维立体人像的表情。
在本实现方式中，针对每种业务类别，执行主体可以预先设定对应的表情信息。该表情信息可以用于控制三维立体人像的表情。这样，执行主体可以根据目标业务类别确定目标表情信息，并根据目标类别信息控制三维立体人像的表情。例如，执行主体可以通过调用接口，将目标表情信息写入三维立体人像的代码中，从而使三维立体人像的面部表情根据该目标表情信息进行变化。通过这种实现方式，可以根据用户所发送语音信息对应的目标业务类别，控制人机交互过程中，三维立体人像的表情，从而使三维立体人像可以根据具体的语境调整面部表情，进一步提高了三维立体人像的拟人度。
继续参见图3，图3是根据本实施例的用于处理信息的方法的应用场景的一个示意图。在图3的应用场景中，用户首先向终端设备301发送语音信息“你好！”，终端设备301基于用户发送的语音信息，生成应答语音信息“下午好，请问有什么可以帮助您的？”。之后，终端设备301可以根据应答语音信息“下午好，请问有什么可以帮助您的？”生成音素序列。然后，根据音素序列生成口型变化信息。最后，终端设备301播放应答语音信息“下午好，请问有什么可以帮助您的？”，同时根据口型变化信息控制所显示的三维立体人像的口型变化。
本公开的上述实施例提供的方法根据用户发送的语音信息生成应答语音信息，并在播放应答语音信息的同时，基于所播放的应答语音信息控制所显示的三维立体人像的口型变化，从而提高了人机交互过程中，三维立体人像的拟人效果，提升了人机交互过程中用户的体验。
进一步参考图4，其示出了用于处理信息的方法的又一个实施例的流程400。该用于处理信息的方法的流程400，包括以下步骤：
步骤401，基于用户发送的语音信息，生成应答语音信息。
在本实施例中，步骤401与图2所示实施例的步骤201类似，此处不再赘述。
步骤402，根据应答语音信息生成音素序列。
在本实施例中，步骤402与图2所示实施例的步骤202类似，此处不再赘述。
步骤403，根据音素序列生成口型变化信息。
在本实施例中，步骤403与图2所示实施例的步骤203类似，此处不再赘述。
步骤404，播放应答语音信息，以及根据口型变化信息控制三维立体人像的口型变化。
在本实施例中，步骤404与图2所示实施例的步骤204类似，此处不再赘述。
步骤405，获取用户发送语音信息时所采集的用户的视频。
在本实施例中，执行主体可以获取用户发送上述语音信息时所采集的用户的视频。作为示例，用户发送上述语音信息时，图像采集设备可以采集用户的视频。在一些应用场景中，图像采集设备可以集成在执行主体中。
步骤406，对于视频中的视频帧，对该视频帧中的人脸图像进行面部表情识别，得到表情识别结果。
在本实施例中，对于步骤405中获取的视频中的每一个视频帧，执行主体可以对该视频帧中的人脸图像进行面部表情识别，得到表情识别结果。作为示例，表情识别结果可以包括表情类别、表情指数等等。其中，表情类别可以用于描述人脸图像所指示的人脸对象的表情的类别，包括但不限于高兴、惊讶、痛苦、恐惧、厌恶等等。作为示例，表情指数可以是指以数值的形式表示人脸图像所指示的人脸对象的高兴程度。例如，表情指数可以是0-100，其中，数值越大表示人脸图像所指示的人脸对象越高兴。需要说明的是，对人脸图像进行面部表情识别是目前广泛研究和应用的公知技术，在此不再赘述。
步骤407，播放视频，以及在所播放的当前视频帧中呈现当前视频帧中的人脸图像对应的表情识别结果。
在本实施例中，执行主体可以播放步骤405中获取的视频，同时在所播放的当前视频帧中呈现当前视频帧中的人脸图像对应的表情识别结果。作为示例，可以在所播放的当前视频帧中显示该当前视频帧中的人脸图像对应的表情的表情符号和表情指数。例如，假设当前视频帧中的人脸图像对应的表情为“高兴”，表情指数为85。则可以在该视频帧的左上角显示一个表示“高兴”的卡通人脸图像。还可以在该视频帧的下方以各种形式显示表情指数，例如，以数字的形式，或以进度条的形式等等。
在本实施例的一些可选的实现方式中，在播放上述视频之前，上述用于处理信息的方法还可以包括以下步骤：
步骤s1，接收用户发送的人脸图像装饰请求。
在本实现方式中，执行主体还可以接收用户发送的人脸图像装饰请求，其中，上述人脸图像装饰请求可以包括装饰用配图选取信息。其中，装饰用配图选取信息可以包括装饰用配图的名称。
步骤s2，根据装饰用配图选取信息从预设的装饰用配图集合中选取目标装饰用配图。
在本实现方式中，执行主体中可以预先存储有多种装饰用配图，多种装饰用配图组成装饰用配图集合。其中，装饰用配图可以用于装饰人脸图像中人脸的面颊、嘴唇、眼睛等部位，还可以用于装饰人脸图像的四周。例如，以兔子主题的装饰用配图为例，装饰用配图可以包括兔耳朵、兔牙、胡萝卜等配图。执行主体可以根据用户发送的装饰用配图选取信息从上述装饰用配图集合中选取一种装饰用配图作为目标装饰用配图。
步骤s3，将目标装饰用配图添加到视频的视频帧中。
在本实现方式中，执行主体可以将目标装饰用配图添加到上述视频的视频帧中。作为示例，执行主体可以预先设定各个装饰用配图与各人脸关键点的相对位置关系。例如，可以设定装饰用配图“兔牙”与嘴唇关键点的位置相同或相近。这样，执行主体可以首先检测视频中每一个视频帧中人脸图像的人脸关键点位置。然后，根据预先设定的各个装饰用配图与各人脸关键点的相对位置关系，将目标装饰用配图添加到该视频帧中。
在一些可选的实现方式中，上述步骤s3可以具体如下进行：
首先，间隔第一预设帧数从视频中选取视频帧，得到至少一个视频帧。
在本实现方式中，执行主体可以每间隔第一预设帧数(例如，每隔10帧)从视频中选取一个视频帧，从而得到至少一个视频帧。以间隔10帧为例，可以选取第一帧，第十一帧，第二十一帧，……等依次类推，得到至少一个视频帧。
然后，对于至少一个视频帧中的每一个视频帧，对该视频帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置。根据该视频帧中人脸关键点的位置，将目标装饰用配图添加到该视频帧以及该视频帧之后的第二预设帧数的视频帧中。
在本实现方式中，对于上述至少一个视频帧中的每一个视频帧，执行主体可以对该视频帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置。之后，根据该视频帧中人脸关键点的位置，将该目标装饰用配图添加到该视频帧，以及该视频帧之后的第二预设帧数的视频帧中。其中，第二预设帧数比第一预设帧数少一帧。
以第一预设帧数为10帧为例，执行主体可以选取第一帧，第十一帧，第二十一帧，……等依次类推，得到至少一个视频帧。对于第一帧，执行主体可以对第一帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置。之后，根据第一帧中人脸关键点的位置，将该目标装饰用配图添加到第一帧和第一帧之后的9帧中，即根据第一帧中的人脸关键点的位置，为第一帧至第十帧添加目标装饰用配图。由于短时间内用户的人脸关键点位置不会发生太大的变化，因此，通过间隔采样的方式添加目标装饰用配图，可以在保证添加效果的基础上，避免了对每一视频帧进行人脸关键点，提高了添加目标装饰用配图的效率。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于处理信息的方法的流程400突出了对所采集的用户的视频的视频帧中人脸图像进行面部表情识别的步骤。由此，本实施例描述的方案可以播放所采集的用户的视频，同时在视频的每一个视频帧中显示该视频帧中的人脸图像对应的表情识别结果。从而增加了人机交互过程中，机器所提供的信息的种类，增加了用户获取信息的丰富程度，进一步提升了用户体验。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于处理信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于处理信息的装置500包括：第一生成单元501、第二生成单元502、第三生成单元503和播放单元504。其中，第一生成单元501被配置成基于用户发送的语音信息，生成应答语音信息；第二生成单元502被配置成根据上述应答语音信息生成音素序列；第三生成单元503被配置成根据上述音素序列生成口型变化信息，其中，上述口型变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的口型变化；播放单元504被配置成播放上述应答语音信息，以及根据上述口型变化信息控制上述三维立体人像的口型变化。
在本实施例中，用于处理信息的装置500的第一生成单元501、第二生成单元502、第三生成单元503和播放单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述装置500还包括：获取单元(图中未示出)，被配置成获取上述用户发送上述语音信息时所采集的上述用户的视频；识别单元(图中未示出)，被配置成对于上述视频中的视频帧，对该视频帧中的人脸图像进行面部表情识别，得到表情识别结果；呈现单元(图中未示出)，被配置成播放上述视频，以及在所播放的当前视频帧中呈现当前视频帧中的人脸图像对应的表情识别结果。
在本实施例的一些可选的实现方式中，上述装置500还包括：接收单元(图中未示出)，被配置成接收上述用户发送的人脸图像装饰请求，其中，上述人脸图像装饰请求包括装饰用配图选取信息；选取单元(图中未示出)，被配置成根据上述装饰用配图选取信息从预设的装饰用配图集合中选取目标装饰用配图；添加单元(图中未示出)，被配置成将上述目标装饰用配图添加到上述视频的视频帧中。
在本实施例的一些可选的实现方式中，上述添加单元进一步被配置成：间隔第一预设帧数从上述视频中选取视频帧，得到至少一个视频帧；对于上述至少一个视频帧中的视频帧，对该视频帧中的人脸图像进行人脸关键点检测，得到人脸关键点的位置；根据该视频帧中人脸关键点的位置，将上述目标装饰用配图添加到该视频帧以及该视频帧之后的第二预设帧数的视频帧中。
在本实施例的一些可选的实现方式中，上述装置500还包括：第四生成单元(图中未示出)，被配置成根据上述音素序列生成手势变化信息，其中，上述手势变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的手势变化；以及上述播放单元进一步被配置成：播放上述应答语音信息，以及根据上述口型变化信息和上述手势变化信息控制上述三维立体人像的口型变化和手势变化。
在本实施例的一些可选的实现方式中，上述装置500还包括：第五生成单元(图中未示出)，被配置成基于上述语音信息生成待显示信息，以及对上述待显示信息进行显示。
在本实施例的一些可选的实现方式中，上述装置500还包括：确定单元(图中未示出)，被配置成根据上述语音信息确定目标业务类别；控制单元(图中未示出)，被配置成根据上述目标业务类别确定目标表情信息，以及根据上述目标表情信息控制上述三维立体人像的表情。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图6示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603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。
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：基于用户发送的语音信息，生成应答语音信息；根据上述应答语音信息生成音素序列；根据上述音素序列生成口型变化信息，其中，上述口型变化信息用于在上述应答语音信息播放时，控制所显示的三维立体人像的口型变化；播放上述应答语音信息，以及根据上述口型变化信息控制上述三维立体人像的口型变化。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成单元、第二生成单元、第三生成单元和播放单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一生成单元还可以被描述为“基于用户发送的语音信息，生成应答语音信息的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。