智能设备的交互方法、装置、设备及存储介质与流程

本申请涉及数据处理技术领域，尤其涉及语音识别、语音交互、自然语言处理和人机交互技术领域，提出一种智能设备的交互方法、装置、设备及存储介质。

背景技术：

随着人机交互技术的进步，在智能设备上通过文字、语音、视觉、动作等多种方式进行多模态交互的人机交互场景越发常见，通过语音、视觉和动作的结合能够带来更多维度的用户体验和更多的产品交互形式。

目前，在多模态交互过程中，由于硬件设备启动、执行等耗时较长，导致多模态交互中用户等待时间较长，交互效率有待提高。

技术实现要素：

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请提出了一种智能设备的交互方法、装置、设备及存储介质。

本申请第一方面实施例提出了一种智能设备的交互方法，其中，所述方法包括：

接收用户的语音指令；

根据所述语音指令进行意图预测以生成预测意图；

当所述预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据所述多模态交互预指令预采集多模态数据。

本申请第二方面实施例提出了一种智能设备的交互装置，其中，所述装置包括：

接收模块，用于接收用户的语音指令；

预测模块，用于根据所述语音指令进行意图预测以生成预测意图；

启动模块，用于当所述预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据所述多模态交互预指令预采集多模态数据。

本申请第三方面实施例提出了一种电子设备，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如第一方面实施例所述的智能设备的交互方法。

本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面实施例所述的智能设备的交互方法。

上述申请中的一个实施例具有如下优点或有益效果：由于采用了对语音指令进行意图预测以生成预测意图，当预测意图包括多模态交互意图时启动多模态采集组件采集多模态数据，能够提高多模态交互效率，缩短用户进行多模态交互时的等待时延。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例所提供的一种智能设备的交互方法的流程示意图；

图2为本申请实施例所提供的另一种智能设备的交互方法的流程示意图；

图3为本申请实施例所提供的另一种智能设备的交互方法的流程示意图；

图4为本申请实施例所提供的一种多模态交互的应用场景示意图；

图5为本申请实施例所提供的一种智能设备的交互装置的结构示意图；

图6为本申请实施例所提供的另一种智能设备的交互装置的结构示意图；

图7示出了适于用来实现本申请实施例的示例性电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

图1为本申请实施例所提供的一种智能设备的交互方法的流程示意图。

本申请实施例的智能设备的交互方法，可以应用于智能设备。其中，智能设备包括语音识别组件、多模态识别组件和多模态采集组件。

其中，多模态采集组件用于采集多模态数据，多模态采集组件例如包括摄像头。多模态识别组件用于对多模态数据进行处理，以生成多模态识别结果，其中，多模态识别组件例如包括可执行多模态识别算法的控制器。语音识别组件用于对语音指令进行识别，语音识别组件例如包括可执行语音识别算法的控制器。该智能设备可以是具有音频处理和语音交互功能的各种智能语音设备，例如智能音箱等。

如图1所示，该方法包括：

步骤101，接收用户的语音指令。

本实施例中，用户在与智能设备进行语音交互时，对智能设备进行语音表达，进而，智能设备通过声音采集装置采集用户的语音指令。其中，声音采集装置例如为麦克风等。

作为一种示例，用户对智能设备进行语音表达“我用手指的这个植物叫什么”，智能设备接收用户的语音指令为“我用手指的这个植物叫什么”。作为另一种示例，用户对智能设备进行语音表达“看我的动作对不对”，智能设备接收用户的语音指令为“看我的动作对不对”。

需要说明的是，上述对智能设备接收用户的语音指令的说明仅为一种示例，上述语音指令可以是句子，也可以是字词，语音指令的形式不仅限于此，此处不作限制。

步骤102，根据语音指令进行意图预测以生成预测意图。

本实施例中，可以在接收语音指令的过程中，根据已接收的语音指令进行意图预测以生成预测意图。可选地，可以实时对接收的语音指令进行意图预测。可选地，可以获取预设时间间隔，每隔预设时间间隔对已接收的语音指令进行意图预测。可选地，可以获取已接收的语音指令对应的字符数量，当字符数量满足预设数量时，对语音指令进行意图预测。

其中，预测意图可以包括多模态交互意图、非多模态交互意图。

本实施例中，可以在接收语音指令的过程中，或者，在对语音指令进行意图识别的过程中，根据已接收的语音指令进行意图预测生成预测意图，进而通过预测意图获知用户是否有可能进行多模态交互。以语音指令为句子“我用手指的这个植物叫什么”为例，可以在接收完成整个句子之前，对已接收的部分“我用手指的这个”进行意图预测，以根据已接收的部分生成预测意图。

步骤103，当预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据多模态交互预指令预采集多模态数据。

本实施例中，若生成的预测意图包括多模态交互意图，则确定用户可能进行多模态交互，生成多模态交互预指令并发送至多模态识别组件，以根据多模态交互预指令启动多模态采集组件。其中，由于预测意图可以在接收语音指令的过程中生成，通过在预测意图包括多模态交互意图时，提前启动多模态采集组件，能够减少用户等待组件硬件启动并执行所需花费的时间。

可选地，多模态采集组件例如为摄像头。

本实施例中，启动多模态采集组件后，通过多模态采集组件采集多模态数据，其中，多模态采集组件预采集的多模态数据可以暂时保存在本地。

其中，多模态数据的类型有多种。

作为一种示例，以多模态采集组件为摄像头为例，通过摄像头拍摄一帧或多帧图像，以采集图像数据作为多模态数据；或者，通过摄像头录制一段视频，以采集视频数据作为多模态数据。

本实施例中，通过对语音指令进行意图预测以生成预测意图，当预测意图包括多模态交互意图时启动多模态采集组件采集多模态数据，能够提高多模态交互效率，缩短用户进行多模态交互时的等待时延。

如图2所示，本申请实施例的智能设备的交互方法还可包括如下步骤：

步骤104，对语音指令进行识别，以提取语音识别指令之中的用户意图。

本实施例中，在接收完成语音指令后，对语音指令进行意图识别，以提取语音识别指令之中的用户意图。可选地，用户意图可包括多模态交互意图。

作为一种示例，以语音指令为句子“我用手指的这个植物叫什么”为例，可以在接收完成整个句子时，对“我用手指的这个植物叫什么”进行识别，以提取语音识别指令之中的用户意图。

其中，对语音指令进行识别，以提取语音识别指令之中的用户意图的实现方式可以有多种。

作为一种示例，对语音指令进行分词，并将多个分词输入至意图识别模型之中以生成用户意图。本示例中，通过收集标注的语料数据，根据语料数据训练意图识别模型，使意图识别模型输入为多个分词，输出为多个分词对应的用户意图。进而，在接收用户的语音指令后，对语音指令进行分词，并将多个分词输入至意图识别模型之中以生成用户意图。由此，能够通过语音指令实现用户意图识别。

作为另一种示例，可以预先建立语句-用户意图的映射关系，将语音指令对应的语句与预先建立的映射关系进行匹配，若语音指令对应的语句与预先存储的语句一致，或者语音指令对应的语句与预先存储的语句相似度高于预设阈值，则获取对应语句的用户意图。

步骤105，如果预测意图和用户意图一致，则调用多模态识别组件对多模态数据进行处理以生成多模态识别结果。

本实施例中，若预测意图和用户意图一致，例如预测意图与用户意图均包括多模态交互意图，则确定用户需要进行多模态交互，调用多模态识别组件对多模态数据进行处理以生成多模态识别结果。

其中，多模态识别组件例如包括可执行多模态识别算法的控制器。作为一种示例，语音指令为“我用手指的这个植物叫什么”，多模态数据为图像，对图像进行识别获取用户手指指向的植物，以及获取该植物的类别，生成该植物类别的音频数据作为多模态识别结果并播放。

本申请实施例的智能设备的交互方法，通过接收用户的语音指令，根据语音指令进行意图预测以生成预测意图。进而，当预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据多模态交互预指令预采集多模态数据。进一步，对语音指令进行识别，以提取语音识别指令之中的用户意图，如果预测意图和用户意图一致，则调用多模态识别组件对多模态数据进行处理以生成多模态识别结果。根据本申请对语音指令进行意图预测以生成预测意图，根据预测意图提前启动多模态采集组件，提高多模态交互系统的资源利用率，降低硬件交互开销，提高多模态交互效率，缩短用户进行多模态交互时的等待时延，提升用户体验。

基于上述实施例，下面对前述根据语音指令进行意图预测以生成预测意图进行进一步说明。

图3为本申请实施例所提供的另一种智能设备的交互方法的流程示意图，如图3所示，该方法包括：

步骤201，接收用户的语音指令。

前述对步骤101的说明同样适用于本步骤201。

步骤202，对语音指令进行切词以生成多个分词。

本实施例中，在接收语音指令后，通过相关分词工具对语音指令进行切词以生成多个分词。例如，对于语音指令“这道题目怎么做”，生成多个分词“这道”“题目”“怎么做”。

步骤203，依次对多个分词进行识别以生成分词的词性特征和词义特征，根据分词的词性特征和词义特征生成预测意图。

本实施例中，基于自然语言处理对于每一个分词进行识别，以生成每一个分词的词性特征和词义特征，其中，词性特征例如包括动词、代词、形容词等，词义特征用于表示分词的语义。可选地，预测意图可包括多模态交互意图。

其中，当分词的词性特征和词义特征符合预设的指定代词或目的动词时，判断生成多模态交互意图。

作为一种示例，对于语音指令“我用手指的这个植物叫什么”，在接收语音指令的过程中，对接收的语音指令进行分词，生成分词“我”“用手指”。对于分词“用手指”的词性特征和词义特征，判断符合预设的目的动词，则判断生成多模态交互意图。

作为另一种示例，对于语音指令“这句话的意思是什么”，对接收的语音指令进行分词，生成分词“这句”。对于分词“这句”的词性特征和词义特征，判断符合预设的指定代词，则判断生成多模态交互意图。

本示例中，对于语音指令“我用手指的这个植物叫什么”、“我手里拿的这个是什么水果”，“看我的动作对不对”。其中的动作“用手指”，“手里拿的”“看我”等意图可以提前预测。以及，对于语音指令“这道题目怎么做”，“这句话的意思是什么”，其中“这道”，“这句”的指示意图也能够在接收完整的语音指令之前提前预测得到。由此，实现了提前预测获取预测意图，能够预测用户是否有可能进行多模态交互。

需要说明的是，上述获取预测意图的实现方式仅为一种示例，例如还可以对多个分词与预设词汇进行匹配，若匹配结果一致则确定预测意图包括多模态交互意图等。

步骤204，当预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据多模态交互预指令预采集多模态数据。

步骤205，对语音指令进行识别，以提取语音识别指令之中的用户意图。

前述对步骤103、104的解释说明同样适用于步骤204、205，此处不再赘述。

步骤206，如果预测意图和用户意图一致，则调用多模态识别组件对多模态数据进行处理以生成多模态识别结果，延迟预设时间关闭多模态识别组件和多模态采集组件。

本实施例中，若预测意图和用户意图一致，例如预测意图与用户意图均包括多模态交互意图，则确定用户需要进行多模态交互，调用多模态识别组件对多模态数据进行处理以生成多模态识别结果。其中，多模态识别组件例如为可执行多模态识别算法的控制器，多模态识别结果包括但不限于语音、图像、设备控制或其他交互行为。

可选地，在生成多模态识别结果之后，检测预设时间内用户是否进行下一次多模态交互，若预设时间内未检测到下一次多模态交互，则关闭多模态识别组件和多模态采集组件。其中，延时关闭的预设时间可以根据用户的经验时长或多模态交互功能的通常使用间隔确定。由此，对于多轮多模态交互的场景，通过延迟预设时间关闭多模态识别组件和多模态采集组件，能够降低多轮交互过程中启动和关闭组件硬件的时间成本，降低用户等待时间，提高交互效率。

步骤207，如果预测意图和用户意图不一致，则将预采集的多模态数据删除。

本实施例中，若预测意图和用户意图不一致，例如预测意图包括多模态交互意图，而根据语音指令识别的用户意图为非多模态交互意图，则将多模态采集组件预采集的多模态数据删除，从而减少空间占用。

举例而言，如图4所示，第一次交互时，接收用户的语音指令并根据语音指令进行意图预测，预测意图包括多模态交互意图时，启动多模态采集组件采集数据并保存；语音指令接收完成后进行意图识别，若预测意图和用户意图一致，则对采集的数据进行处理生成多模态识别结果并反馈。此时不关闭组件硬件，预设时间内检测到再次交互，则参照上述步骤执行多模态交互。再次交互结束后，检测预设时间内未发生多模态交互，则关闭组件硬件。

本申请实施例的智能设备的交互方法，通过对语音指令进行切词以生成多个分词，根据分词的词性特征和词义特征生成预测意图，实现了提前预测获取预测意图，能够预测用户是否有可能进行多模态交互。通过延迟预设时间关闭多模态识别组件和多模态采集组件，能够降低多轮交互过程中启动和关闭组件硬件的时间成本，降低用户等待时间，提高交互效率。

为了实现上述实施例，本申请还提出一种智能设备的交互装置。

图5为本申请实施例所提供的一种智能设备的交互装置的结构示意图，其中，智能设备包括语音识别组件、多模态识别组件和多模态采集组件，如图5所示，该装置包括：接收模块10，预测模块20，启动模块30。

其中，接收模块10，用于接收用户的语音指令。

预测模块20，用于根据所述语音指令进行意图预测以生成预测意图。

启动模块30，用于当预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据多模态交互预指令预采集多模态数据。

在图5的基础上，图6所示的装置还包括：识别模块40，生成模块50，删除模块60，控制模块70。

其中，识别模块40，用于对所述语音指令进行识别，以提取所述语音识别指令之中的用户意图。

生成模块50，用于如果所述预测意图和所述用户意图一致，则调用所述多模态识别组件对所述多模态数据进行处理以生成多模态识别结果。

删除模块60，用于如果所述预测意图和所述用户意图不一致，则将预采集的所述多模态数据删除。

控制模块70，用于延迟预设时间关闭所述多模态识别组件和多模态采集组件。

在本申请的一个实施例中，预测模块20具体用于：对所述语音指令进行切词以生成多个分词；依次对所述多个分词进行识别以生成所述分词的词性特征和词义特征；当所述分词的词性特征和词义特征符合预设的指定代词或目的动词时，判断生成多模态交互意图。

在本申请的一个实施例中，识别模块40具体用于：将所述多个分词输入至意图识别模型之中以生成所述用户意图。

前述实施例对智能设备的交互方法的解释说明同样适用于本实施例的智能设备的交互装置，此处不再赘述。

本申请实施例的智能设备的交互装置，通过接收用户的语音指令，根据语音指令进行意图预测以生成预测意图。进而，当预测意图包括多模态交互意图时，生成多模态交互预指令并发送至多模态识别组件，以使多模态采集组件根据多模态交互预指令预采集多模态数据。进一步，对语音指令进行识别，以提取语音识别指令之中的用户意图，如果预测意图和用户意图一致，则调用多模态识别组件对多模态数据进行处理以生成多模态识别结果。根据本申请对语音指令进行意图预测以生成预测意图，根据预测意图提前启动多模态采集组件，提高多模态交互系统的资源利用率，降低硬件交互开销，提高多模态交互效率，缩短用户进行多模态交互时的等待时延，提升用户体验。

为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令被处理器执行时实现如前述任一实施例所述的智能设备的交互方法。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的智能设备的交互方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，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。可选地，电子设备还可以包括智能音箱。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/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的智能设备的交互方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的智能设备的交互方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的智能设备的交互方法对应的程序指令/模块(例如，附图5所示的接收模块10，预测模块20，启动模块30)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的智能设备的交互方法。

存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

智能设备的交互方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可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以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处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、专用asic(专用集成电路)、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。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。