语音交互方法、装置、设备及存储介质与流程

1.本申请实施例涉及人工智能技术，尤其涉及一种语音交互方法、装置、设备及存储介质，可用于车联网领域。


背景技术：

2.随着智能车载设备的发展，车载设备的语音功能也衍生出很多方便用户放松心情的娱乐功能，例如智能问答、成语接龙等。
3.使用这种语音交互功能时，通常车载设备会先输出一个提示，用户进行相应的语音回答，车载设备识别用户的语音，并将用户的语音与预设信息库进行匹配，判断用户回答是否正确，再根据判断结果进行下一轮交互。
4.用户进行回答的过程中，可能会由于口头语习惯或言词卡顿等说出一些无效的杂质语音，但这些杂质语音也会被车载设备识别并与预设信息库进行匹配，这就导致系统会处理很多无效数据，响应效率低下。


技术实现要素：

5.本申请提供了一种用于提高响应效率的语音交互方法、装置、设备及存储介质。
6.根据本申请的一方面，提供了一种语音交互方法，包括：
7.输出用于提示输入特定词汇的第一提示语音；
8.响应于接收到语音信息，判断所述语音信息包括的字数是否大于或等于预设值；
9.若所述语音信息包括的字数大于或等于所述预设值，则将所述语音信息与预设信息库进行匹配；
10.根据匹配结果输出第二提示语音。
11.根据本申请的另一方面，提供了一种语音交互装置，包括：
12.第一输出模块，用于输出用于提示输入特定词汇的第一提示语音；
13.判断模块，用于响应于接收到语音信息，判断所述语音信息包括的字数是否大于或等于预设值；
14.匹配模块，用于在所述语音信息包括的字数大于或等于所述预设值时，将所述语音信息与预设信息库进行匹配；
15.第二输出模块，用于根据所述匹配的结果输出第二提示语音。
16.根据本申请的再一方面，提供了一种电子设备，包括：
17.至少一个处理器；以及
18.与所述至少一个处理器通信连接的存储器；其中，
19.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上述语音交互方法。
20.根据本申请的又一方面，提供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上述语音交互方法。
21.根据本申请的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述语音交互方法。
22.根据本申请的技术方案，减少了语音交互过程中对杂质语音的处理过程，提高了响应效率。
23.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
24.附图用于更好地理解本方案，不构成对本申请的限定。其中：
25.图1是根据本申请实施例提供的语音交互方法的应用场景示意图；
26.图2是根据本申请实施例提供的语音交互方法的流程示意图；
27.图3是根据本申请实施例提供的语音交互方法的结构示意图；
28.图4是用来实现本申请实施例的语音交互方法的电子设备的示意性框图。
具体实施方式
29.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。
30.图1是根据本申请实施例提供的语音交互方法的应用场景示意图。如图1所示，车载设备101具备语音功能以与用户进行语音交互。用户输入的语音可以由车载设备101进行识别并进行后续的交互逻辑处理。或者，车载设备101还可以连接到服务器设备102，服务器设备102可以通过各种方式与车载设备101通信。服务器设备102例如是云控平台、车路协同管理平台、中心子系统、边缘计算平台、云计算平台等。车载设备101可以将识别到的用户语音发送给服务器设备102，由服务器设备102进行后续的交互逻辑处理。
31.用户使用语音交互功能时，以成语接龙为例，车载设备101先输出一个成语，用户进行相应的语音回答，车载设备101识别用户语音并将用户语音与成语库进行匹配，或者，车载设备101将识别出的用户语音发送至服务器设备102，服务器设备102将用户语音与成语库进行匹配，判断用户回答是否正确，再根据判断结果进行下一轮交互。
32.示例的，车载设备101输出成语“一帆风顺”，用户进行相应接龙，例如用户说出“顺理成章”，车载设备102识别用户语音后，将用户语音“顺理成章”发送至服务器设备102，服务器设备102将用户语音与成语库中的成语进行匹配，确定是否是成语，再进一步确定是否满足首尾相接。但是，用户进行接龙回答时，可能由于口头语习惯或言词卡顿等情况说出一些无效的杂质语音，例如用户回答上述接龙时，说出“顺啊”两个字后进行停顿思考，车载设备101识别到用户语音“顺啊”后，将用户语音“顺啊”发送给服务器设备102，服务器设备102则将其与成语库中的成语进行匹配，判断是否是成语。
33.但是，在上述情况中，用户答复的语音实际并不需要与成语库进行匹配即可确定其并不是正确接龙的成语，因此，这种情况下将用户语音与成语库中的成语进行匹配是没有必要的，并且，由于成语库中数据量较大，匹配过程十分耗时，这种方式导致语音交互的
响应效率比较低，用户体验较差。
34.本申请提供一种语音交互方法，可以应用于人工智能领域中的车联网领域，该方法通过对用户输入的语音进行初步筛选过滤，对过滤后的非杂质语音进行后续的匹配处理，而对于杂质语音则不需要再进行后续处理，提高了处理效率，使得语音交互的体验更佳。
35.下面，将通过具体的实施例对本申请提供的语音交互方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
36.图2是根据本申请实施例提供的语音交互方法的流程示意图。该方法的执行主体为车载设备。如图2所示，该方法包括：
37.s201、输出用于提示输入特定词汇第一提示语音。
38.用户可以通过语音唤醒或者在车载设备的屏幕上触摸选择等方式启动车载设备的语音交互娱乐功能，之后，车载设备输出用于提示输入特定词汇的第一提示语音。根据语音交互娱乐功能不同，第一提示语音也可以不同。示例的，第一提示语音可以是车载设备随机输出的一个成语，用于提示用户根据这个成语进行接龙，例如，车载设备输出“春暖花开”；或者，该第一提示语音也可以是一段提示用户说出某种类型的成语的提示信息，例如，车载设备输出“请说出描述心情的成语”。
39.s202、响应于接收到语音信息，判断语音信息包括的字数是否大于或等于预设值。
40.用户根据听到的第一提示语音说出相应的语音信息以进行答复，车载设备接收用户输入的语音信息后对语音信息进行识别，具体的，车载设备中的语音识别引擎可以将语音信息转化为文字信息。
41.车载设备识别语音信息后，继续判断语音信息包括的字数是否大于或等于预设值。示例的，由于成语的字数通常为4个字或4个字以上，预设值可以设置为4，即判断语音信息包括的字数是否大于或等于4，从而通过字数对部分杂质语音进行过滤。
42.s203、若语音信息包括的字数大于或等于预设值，则将语音信息与预设信息库进行匹配。
43.在语音信息包括的字数大于或等于预设值时，则将该语音信息确定为是用户根据第一提示语音进行的答复，因此将该语音信息与预设信息库进行匹配，该预设信息库可以为成语库，根据匹配结果确定用户的回答是否正确，并输出第二提示语音。示例的，车载设备输出“春暖花开”，若用户输入的语音信息为“开山鼻祖”，由于语音信息包括4个字，因此继续将语音信息与预设信息库进行匹配。这里需要说明的是，车载设备可以将识别到的语音信息发送至服务器设备，以使服务器设备将语音信息与预设信息库进行匹配，或者，也可以由车载设备自行将语音信息与预设信息库进行匹配，本实施例对此不做限定。
44.s204、根据匹配的结果输出第二提示语音。
45.若用户输入的语音信息与预设信息库匹配成功，则第二提示语音可以是再次交互的提示语音，例如成语接龙正确，则车载设备输出一个接龙用户语音的成语；若用户输入的语音信息与预设信息库匹配失败，则第二提示语音可以提示用户重新输入新的成语或进行新的一轮交互，例如成语接龙失败，则第二提示语音可以是提示用户重新输入成语或重新输出一个新的成语以进行新的交互。
46.本实施例提供的语音交互方法，通过对用户输入的语音进行字数筛选，将字数较少的杂质语音进行初步滤除，仅对字数较多的有效语音信息进行后续的匹配处理，从而避免了对杂质语音的处理影响交互响应效率，使得语音交互的体验更好。
47.在上述实施例的基础上，若用户输入的语音信息包括的字数小于预设值，则输出第三提示语音，第三提示语音用于提示用户重新输入特定词汇。例如，车载设备输出“春暖花开”，用户输入的语音信息为“开什么”，由于语音信息的字数为3个字，因此不需要将该语音信息与预设信息库进行匹配，而是直接输出第三提示语音，例如第三提示语音可以为“请重新说出正确的成语”。若匹配过程由服务器设备处理，则在用户输入的语音信息包括的字数小于预设值时，车载不需要将用户输入的语音信息发送至服务器设备，这样也减少了车载设备的流量消耗。
48.在不同的语音交互场景下，上述实施例的s204中将语音信息与预设信息库进行匹配可以通过不同方式实现，以下做进一步说明。
49.方式一
50.将语音信息与第一提示语音进行匹配；若语音信息中的第一个字与第一提示语音中的最后一个字匹配，则将语音信息与预设信息库进行匹配，并根据匹配结果输出第二提示语音。
51.该实现方式中，以语音交互功能为成语接龙为例，第一提示语音是车载设备输出的成语，在判断用户输入的语音信息包括的字数大于或等于预设值后，先将语音信息与第一提示语音进行匹配，若语音信息中的第一个字与第一提示语音中的最后一个字匹配，则表示用户输入的语音信息满足首尾相接，因此，需要进一步确定用户输入的语音信息是否是成语，通过将语音信息与预设信息库，即成语库进行匹配，根据匹配结果输出第二提示语音。
52.若语音信息中的第一个字与第一提示语音中的最后一个字不匹配，则表示用户输入的语音新不满足首尾相接，因此，无需进一步确定户输入的语音信息是否是成语，即无需将将语音信息与预设信息库，即成语库进行匹配。
53.由于预设信息库中的数据量较大，将语音信息与预设信息库的匹配过程相对耗时较长，因此，本实施例的方法可以减少语音信息与预设信息库进行匹配，提高响应效率。
54.方式二
55.确定语音信息包括的多个字是否满足预设格式；若语音信息包括的多个字满足预设格式，则将语音信息与预设信息库进行匹配，并根据匹配结果输出第二提示语音。
56.该实现方式中，以语音交互功能为根据车载设备的提示说出符合要求的成语为例，第一提示语音即用于提示用户说出满足预设格式的成语。示例的，第一提示语音提示用户说出aabb格式的成语。用户输入语音信息后，在判断语音信息包括的字数大于或等于预设值后，先确定语音信息包括的多个字是否满足aabb格式，若语音信息包括的多个字满足aabb 格式，则进一步确定用户输入的语音信息是否是成语，通过将语音信息与预设信息库，即成语库进行匹配，根据匹配结果输出第二提示语音。
57.若语音信息中的多个字不满足预设格式，则无需进一步确定户输入的语音信息是否是成语，即无需将将语音信息与预设信息库进行匹配。
58.由于预设信息库中的数据量较大，将语音信息与预设信息库的匹配过程相对耗时
较长，因此，本实施例的方法通过格式匹配，减少语音信息与预设信息库进行匹配，提高响应效率。
59.方式三
60.将语音信息与预设信息库中具有目标标签的信息进行匹配；目标标签是第一提示语音指示的标签。
61.该方式中，以语音交互功能为车载设备提示用户说出具有目标标签的成语为例，第一提示语音即用于提示用户说出具有目标标签的成语。示例的，第一提示语音为“请说出描述心情的成语”。用户输入语音信息后，在判断语音信息包括的字数大于或等于预设值后，先确定预设信息库中具有描述心情这一目标标签的信息，再将语音信息与具有目标标签的信息进行匹配，根据匹配结果输出第二提示语音。
62.示例的，成语库中具有描述心情这一目标标签的成语为100个，则判断语音信息包括的字数大于或等于预设值后，将语音信息与这100个成语进行匹配，确定用户的答复是否正确。通过将语音信息与预设信息库中具有目标标签的信息进行匹配，减少语音信息与整个预设信息库的匹配，提高响应效率。
63.在上述任一种匹配方式的基础上，在将语音信息与预设信息库进行匹配时，还可以进一步确定用户输入的语音信息是否是历史语音信息，其中，历史语音信息是在接收到语音信息之前，由车载设备输出或由用户输入的信息；若语音信息不是历史语音信息，则将语音信息与预设信息库进行匹配。
64.示例的，在成语接龙时，不允许用户说出前面已经说过的成语，车载设备输出“舍生取义”后，用户接龙“义薄云天”，由于用户接龙正确，车载设备再次接龙“天经地义”，若用户再次说出“义薄云天”，由于该成语是历史语音信息，则车载设备向用户提示重新说出新的成语。若用户接龙“义无反顾”，该语音信息不是历史语音信息，因此继续将该语音信息与预设信息库进行匹配，确定用户回答是否正确。
65.通过上述各种匹配方式以及本实施例中对历史语音信息的匹配可以看出，本申请实施例的语音交互方法中，在对用户语音进行验证时，首先对语音交互的其他限制条件进行匹配，最后才进行成语库的匹配，若其他限制条件不满足，则无需进行成语库的匹配，从而提高响应效率，提升用户体验。
66.此外，在车载设备输出第一提示语音后的预设时间内，若未接收到用户输入的语音信息，则车载设备输出第四提示语音，第四提示语音用于提示用户语音交互结束，从而避免车载设备长时间处于监听状态等待用户。
67.图3是根据本申请实施例提供的语音交互装置的结构示意图。如图3 所示，语音交互装置300包括：
68.第一输出模块301，用于输出用于提示输入特定词汇的第一提示语音；
69.判断模块302，用于响应于接收到语音信息，判断语音信息包括的字数是否大于或等于预设值；
70.匹配模块303，用于在语音信息包括的字数大于或等于预设值时，将语音信息与预设信息库进行匹配；
71.第二输出模块304，用于根据匹配的结果输出第二提示语音。
72.可选的，匹配模块303包括：
73.第一匹配单元3031，用于将语音信息与第一提示语音进行匹配；
74.第二匹配单元3032，用于在语音信息中的第一个字与第一提示语音中的最后一个字匹配时，将语音信息与预设信息库进行匹配。
75.可选的，匹配模块303包括：
76.第一确定单元3033，用于确定语音信息包括的多个字是否满足预设格式；
77.第三匹配单元3034，用于在语音信息包括的多个字满足预设格式时，将语音信息与预设信息库进行匹配。
78.可选的，匹配模块303包括：
79.第四匹配单元3035，用于将语音信息与预设信息库中具有目标标签的信息进行匹配；目标标签是第一提示语音指示的标签。
80.可选的，匹配模块303包括：
81.第二确定单元3036，用于确定语音信息是否是历史语音信息；历史语音信息是在接收到语音信息之前，由车载设备输出或由用户输入的信息；
82.第五匹配单元3037，用于在语音信息不是历史语音信息时，将语音信息与预设信息库进行匹配。
83.可选的，语音交互装置300还包括：
84.第三输出模块，用于在语音信息包括的字数小于预设值时，输出第三提示语音，第三提示语音用于提示用户重新输入特定词汇。
85.可选的，语音交互装置300还包括：
86.第四输出模块，用于在输出第一提示语音后的预设时间内未接收到语音信息时，输出第四提示语音，第四提示语音用于提示用户语音交互结束。
87.本申请实施例提供的语音交互装置，可以执行上述任一实施例中的语音交互方法的技术方案，其实现原理以及有益效果与语音交互方法的实现原理及有益效果类似，可参见语音交互方法的实现原理及有益效果，此处不再进行赘述。
88.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。
89.根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
90.图4是用来实现本申请实施例的语音交互方法的电子设备的示意性框图。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。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/或者要求的本公开的实现。
91.如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom 402以及ram 403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。
92.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。
93.计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如语音交互方法。例如，在一些实施例中，语音交互方法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rom 402和 /或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到 ram 403并由计算单元401执行时，可以执行上文描述的语音交互方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音交互方法。
94.本文中以上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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、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。
95.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
96.在本公开的上下文中，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。
97.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。
98.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。
99.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("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
100.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。
101.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。