一种语音控制方法、装置、电子设备及存储介质与流程

本发明实施例涉及语音控制技术领域，尤其涉及一种语音控制方法、装置、电子设备及存储介质。

背景技术：

随着智能产品的普及以及技术的不断进步，语音控制被应用到各种各样的智能产品，例如手机、电视、冰箱以及空调等。

语音控制给人们带来方便的同时也带来了一些烦恼，例如经常被环境音、聊天声、电话声或者街边传来的呼喊声干扰，出现误识别的情况。

技术实现要素：

本发明实施例提供一种语音控制方法、装置、电子设备及存储介质，提高了语音控制精度。

第一方面，本发明实施例提供了一种语音控制方法，该方法包括：

接收语音信息；

基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性；

根据所述目标音色属性确定是否对所述语音信息进行响应。

进一步的，所述基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性，包括：

根据所述语音信息提取音频的频率与振幅；

基于所述频率与振幅识别所述目标音色属性。

进一步的，所述根据所述目标音色属性确定是否对所述语音信息进行响应，包括：

确定所述目标音色属性与预设音色属性之间的相似度；

若所述相似度达到设定阈值，则确定对所述语音信息进行响应。

进一步的，所述对所述语音信息进行响应，包括：

对所述语音信息进行语义识别；

根据语义识别结果执行对应的控制操作。

进一步的，所述根据语义识别结果执行对应的控制操作，包括下述至少一种：

将所述语音信息发送至目标客户端；

对与所述语义结果对应的目标信息进行展示；

根据语义识别结果执行搜索任务。

进一步的，所述方法还包括：切换所述预设音色属性。

进一步的，所述切换所述预设音色属性包括：

从预存的至少两种候选音色属性确定所述预设音色属性；

不同种候选音色属性对应不同用户的语音。

第二方面，本发明实施例还提供了一种语音控制装置，该装置包括：

接收模块，用于接收语音信息；

音色确定模块，用于基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性；

控制模块，用于根据所述目标音色属性确定是否对所述语音信息进行响应。

进一步的，所述音色确定模块包括：

提取单元，用于根据所述语音信息提取音频的频率与振幅；

识别单元，用于基于所述频率与振幅识别所述目标音色属性。

进一步的，所述控制模块包括：

确定单元，用于确定所述目标音色属性与预设音色属性之间的相似度；

响应单元，用于若所述相似度达到设定阈值，则确定对所述语音信息进行响应。

进一步的，所述响应单元包括：

语义识别子单元，用于对所述语音信息进行语义识别；

控制子单元，用于根据语义识别结果执行对应的控制操作。

进一步的，所述控制操作包括下述至少一种：

将所述语音信息发送至目标客户端；

对与所述语义结果对应的目标信息进行展示；

根据语义识别结果执行搜索任务。

进一步的，所述装置还包括：切换模块，用于切换所述预设音色属性。

进一步的，所述切换模块包括：

确定单元，用于从预存的至少两种候选音色属性确定所述预设音色属性；

不同种候选音色属性对应不同用户的语音。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，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，使得所述一个或多个处理器实现如本发明实施例任一所述的语音控制方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的语音控制方法。

本发明实施例的技术方案，当接收到语音信息时，基于所述语音信息进行音色识别，确定对应的目标音色属性，将所述目标音色属性与预设音色属性进行匹配，根据匹配结果决定是否对所述语音信息进行响应，实现了仅针对特定用户的语音进行响应的目的，提高了语音控制精度，提升了用户体验。

附图说明

结合附图并参考以下具体实施方式，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本发明实施例一所提供的一种语音控制方法流程示意图；

图2为本发明实施例二所提供的一种语音控制方法的流程示意图；

图3为本发明实施例三所提供的一种语音控制装置的结构示意图；

图4为本发明实施例四所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明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发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

实施例一

图1为本发明实施例一所提供的一种语音控制方法的流程示意图。该方法可适用于基于语音进行控制的应用场景，例如语音控制智能家电的工作、视频聊天、语音操控游戏场景(例如“斗地主”)等。所述语音控制方法可以由语音控制装置来执行，该装置可以通过软件和/或硬件的形式实现，并集成于智能终端，例如智能手机、智能电视等。

如图1所示，本实施例提供的语音控制方法包括如下步骤：

步骤110、接收语音信息。

其中，所述语音信息具体指智能终端的语音采集设备所获取到的语音，该语音可以是任何内容由任何对象发出的语音，例如街边传来的呼喊声、无关人员之间的对话声、电话声以及相关用户针对智能终端说出的语音控制命令等。所述语音采集设备例如具体可以是麦克风。

由于智能终端的语音采集设备所获取到的语音比较复杂，其中会包含很多环境中的干扰噪声，该干扰噪声具体指不被用户期望的声音，因此导致智能终端出现误识别、误操作、语音控制精度不高、用户体验差的问题。例如，用户张三通过智能手机在玩游戏“斗地主”，出牌动作是基于语音控制的方式实现，当队友第一次出牌时出了一个4，张三弟弟在旁边观看，忍不住想搞恶作剧，直接喊出“王炸”，张三弟弟喊出的“王炸”被手机识别并执行对应的出牌动作，而这不是用户张三期望的，不仅导致用户张三输了比赛，还连累了队友。再例如用户张三跟女朋友视频聊天，张三妈妈看到后随口叨叨一句“妆画的太浓了”，张三妈妈随口叨叨的这句话张三是不希望被女朋友听到的，但是由于已经被手机的语音采集设备获取到，因此已经发送至张三女朋友的手机，被张三女朋友听到。

本实施例提供的语音控制方法可有效避免上述问题的发生，具体是在接收到语音信息时，优先识别对应的音色属性，根据识别到的音色属性决定是否继续执行后续控制操作，例如语义识别、信息发送等控制操作。

步骤120、基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性。

其中，人的声音是通过声带发出的，声音的种类在物理上是由振幅和频率决定的，人主观上感觉声音的大小(俗称音量)，由“振幅”和人离声源的距离决定，振幅越大响度越大，人和声源之间的距离越小，响度越大。音调指声音的高低(高音、低音)，由“频率”决定，频率越高音调越高。

俗语有云“闻其声知其人”，即音色(timbre)，又称音品。一个物体的一次震动产生的波是一个复杂的波，这个波形可以看成是由不同频率和振幅的正弦波叠加而成。这个复杂的波决定了声音的音色。声音因不同物体材料的特性而具有不同特性，音色本身是一种抽象物体，但上述复杂的波是这个抽象物体的直观表现。波形不同，音色则不同。不同的音色，通过波形可以进行分辨。

示例性的，所述基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性，包括：

根据所述语音信息提取音频的频率与振幅；

基于所述频率与振幅识别所述目标音色属性。

步骤130、根据所述目标音色属性确定是否对所述语音信息进行响应。

具体的，所述根据所述目标音色属性确定是否对所述语音信息进行响应，包括：

确定所述目标音色属性与预设音色属性之间的相似度；

若所述相似度达到设定阈值，则确定对所述语音信息进行响应。

其中，所述预设音色属性为预存的音色属性，可由用户进行设定，例如预存的音色属性包括三种，分别对应张三的声音、张三妈妈的声音以及张三爸爸的声音。用户张三可以设定所述预设音色属性对应自己的声音，此时系统仅对张三的语音信息进行响应，而不对其它的语音进行响应，在上述举例场景中，张三在玩“斗地主”的游戏时就不会被其他人干扰了；在与女朋友聊天时，也不会被女朋友听到除自己以为其他人说的话。

用户张三也可以设定所述预设音色属性分别对应自己的声音、妈妈的声音以及爸爸的声音，此时系统可分别对张三、张三妈妈以及张三爸爸的声音进行响应，例如在智能家电的语音控制应用中，可对张三一家中任何人的语音信息进行响应。

进一步的，为了提高音色属性的识别精度，在预存音色属性模板时，可提示用户多次录入指定的语音，例如提示用户录入一句话的语音、一个词语的语音、声音大时的语音、声音小时的语音、语速较快的语音以及语速较慢的语音等，通过提示用户多次录入指定的语音，可更全面地提取用户的音色特征，提取到的音色特征作为预设音色属性。当实时接收到语音信息时，将该语音信息对应的音色属于与预设的音色属性进行对比，若两者的相似度达到设定阈值，则认为是由同一个人发出的语音，可对其进行响应。

所述设定阈值也可以称为灵敏度，若所述设定阈值设置的越高，则灵敏度越高，系统的语音控制精度越高，越不容易被噪声干扰。

示例性的，所述对所述语音信息进行响应，包括：

对所述语音信息进行语义识别；

根据语义识别结果执行对应的控制操作。所述控制操作，包括下述至少一种：

将所述语音信息发送至目标客户端；

对与所述语义结果对应的目标信息进行展示；

根据语义识别结果执行搜索任务。

例如，在视频通话过程中，仅将与预设音色属性匹配的语音信息进行发送；在智能家居控制应用中，仅对与预设音色属性匹配的语音信息进行响应，例如张三语音说出“请打开电视”，通过音色属性的识别与匹配确定可以对所述语音信息“请打开电视”进行响应，则执行“打开电视”的控制操作；若张三的儿子语音说出“请打开电视”，通过音色属性的识别与匹配确定不对所述语音信息“请打开电视”进行响应，则不执行“打开电视”的控制操作，即张三儿子无法语音控制电视打开。

本实施例的技术方案，当接收到语音信息时，基于所述语音信息进行音色识别，确定对应的目标音色属性，将所述目标音色属性与预设音色属性进行匹配，根据匹配结果决定是否对所述语音信息进行响应，实现了仅针对特定用户的语音进行响应的目的，提高了语音控制精度，提升了用户体验。

实施例二

图2为本发明实施例二所提供的一种语音控制方法的流程示意图。在上述实施例的基础上，本实施例对方案进行了进一步优化，具体是增加了步骤140“切换所述预设音色属性”，这样优化的好处是，用户可以根据应用场景的不同灵活设置可使用语音控制功能的用户对象。

如图2所示，所述语音控制方法包括如下步骤：

步骤210、接收语音信息。

步骤220、基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性。

步骤230、根据所述目标音色属性确定是否对所述语音信息进行响应。

步骤240、切换所述预设音色属性。

具体的，步骤240可发生在任何时刻，本实施例不限定其发生在步骤230之后，还可以发生在步骤210之前。例如，张三想与女朋友视频通话，希望女朋友只能听到自己的声音，而听不到其他人的声音，则在视频通话之前张三可将所述预设音色属性切换为自己的音色属性。切换之后，系统仅对张三的语音进行响应，而不对其他语音进行响应，提高了特定场景中的语音控制精度，避免了噪声对控制操作的干扰。

示例性的，所述切换所述预设音色属性包括：

从预存的至少两种候选音色属性确定所述预设音色属性；

不同种候选音色属性对应不同用户的语音。

其中，所述候选音色属性为预先录入系统的音色属性。

本实施例的技术方案，用户可以根据特定的语音控制应用场景切换设置预设音色属性，以使系统仅对特定人的声音进行识别与响应，达到屏蔽其他无关人员声音的目的，提高了语音控制精度以及用户体验。

实施例三

图3为本发明实施例三提供的一种语音控制装置的结构示意图，该装置用于执行上述任一实施例所述的语音控制方法，可以通过软件和/或硬件的形式实现，并集成于智能终端，例如智能手机、智能电视等，适用于基于语音进行控制的应用场景，例如语音控制智能家电的工作、视频聊天、语音操控游戏场景(例如“斗地主”)等。

如图3所示，所述语音控制装置包括：接收模块310、音色确定模块320和控制模块330。

其中，接收模块310，用于接收语音信息；音色确定模块320，用于基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性；控制模块330，用于根据所述目标音色属性确定是否对所述语音信息进行响应。

在上述技术方案的基础上，音色确定模块320包括：

提取单元，用于根据所述语音信息提取音频的频率与振幅；

识别单元，用于基于所述频率与振幅识别所述目标音色属性。

在上述技术方案的基础上，控制模块330包括：

确定单元，用于确定所述目标音色属性与预设音色属性之间的相似度；

响应单元，用于若所述相似度达到设定阈值，则确定对所述语音信息进行响应。

在上述技术方案的基础上，所述响应单元包括：

语义识别子单元，用于对所述语音信息进行语义识别；

控制子单元，用于根据语义识别结果执行对应的控制操作。

在上述技术方案的基础上，所述控制操作包括下述至少一种：

将所述语音信息发送至目标客户端；

对与所述语义结果对应的目标信息进行展示；

根据语义识别结果执行搜索任务。

在上述技术方案的基础上，所述装置还包括：切换模块，用于切换所述预设音色属性。

在上述技术方案的基础上，所述切换模块包括：

确定单元，用于从预存的至少两种候选音色属性确定所述预设音色属性；

不同种候选音色属性对应不同用户的语音。

本发明实施例的技术方案，当接收到语音信息时，基于所述语音信息进行音色识别，确定对应的目标音色属性，将所述目标音色属性与预设音色属性进行匹配，根据匹配结果决定是否对所述语音信息进行响应，实现了仅针对特定用户的语音进行响应的目的，提高了语音控制精度，提升了用户体验。

本发明实施例所提供的语音控制装置可执行本发明任意实施例所提供的语音控制方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元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实施例的保护范围。

实施例四

下面参考图4，其示出了适于用来实现本发明实施例的电子设备(例如图4中的终端设备或服务器)400的结构示意图。本发明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4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置406加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、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。

通常，以下装置可以连接至i/o接口405：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406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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。

特别地，根据本发明的实施例，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，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态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409从网络上被下载和安装，或者从存储装置406被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。

本发明实施例提供的终端与上述实施例提供的语音控制方法属于同一发明构思，未在本发明实施例中详尽描述的技术细节可参见上述实施例，并且本发明实施例与上述实施例具有相同的有益效果。

实施例五

本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的语音控制方法。

需要说明的是，本发明上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。在本发明中，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。而在本发明中，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。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

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：

接收语音信息；

基于所述语音信息进行音色识别，以确定所述语音信息对应的目标音色属性；

根据所述目标音色属性确定是否对所述语音信息进行响应。

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发明的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本发明各种实施例的系统、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。

描述于本发明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。其中，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，可编辑内容显示单元还可以被描述为“编辑单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本发明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，本发明中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本发明中公开的(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。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。