语音交互方法、装置、电子设备和可读存储介质与流程

1.本申请涉及计算机技术领域，尤其涉及语音处理、深度学习技术领域中的一种语音交互方法、装置、电子设备和可读存储介质。


背景技术：

2.现有技术在进行语音交互时，为了避免对音频的错误响应，需要通过音频的置信度，来确定是否对音频进行响应。现有技术在得到音频的置信度时，通常采用的是通过音频本身的特征或者音频所对应文本的特征来得到置信度。但仅通过音频或者音频所对应文本来得到置信度时，所得到的置信度的准确性通常较低，导致音频会被错误响应，从而降低了语音交互时的响应准确性。


技术实现要素：

3.本申请为解决技术问题所采用的技术方案是提供一种语音交互方法，包括：获取待识别音频；利用音频识别模型得到所述待识别音频的识别结果，并提取所述音频识别模型的输出层在识别过程中的输入作为识别特征；根据所述识别特征得到响应置信度；在确定所述响应置信度满足预设响应条件的情况下，对所述待识别音频进行响应。
4.本申请为解决技术问题所采用的技术方案是提供一种语音交互装置，包括：获取单元，用于获取待识别音频；识别单元，用于利用音频识别模型得到所述待识别音频的识别结果，并提取所述音频识别模型的输出层在识别过程中的输入作为识别特征；处理单元，用于根据所述识别特征得到响应置信度；响应单元，用于在确定所述响应置信度满足预设响应条件的情况下，对所述待识别音频进行响应。
5.一种电子设备，其特征在于，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上述方法。
6.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行上述方法。
7.一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行上述语音交互方法。
8.上述申请中的一个实施例具有如下优点或有益效果：本申请能够提升语音交互时的响应准确性。因为采用了通过提取在识别音频的过程中产生的识别特征来得到响应置信度的技术手段，所以克服了现有技术中仅利用音频或者文本来得到置信度所导致的置信度准确性较低技术问题，由于能够获取更为准确的响应置信度，实现了提升语音交互时的响应准确性的技术效果。
9.上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
10.附图用于更好地理解本方案，不构成对本申请的限定。其中：
11.图1是根据本申请第一实施例的示意图；
12.图2是根据本申请第二实施例的示意图；
13.图3是根据本申请第三实施例的示意图；
14.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框图。
具体实施方式
15.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。
16.图1是根据本申请第一实施例的示意图。如图1中所示，本实施例的语音交互方法，具体可以包括如下步骤：
17.s101、获取待识别音频；
18.s102、利用音频识别模型得到所述待识别音频的识别结果，并提取所述音频识别模型的输出层在识别过程中的输入作为识别特征；
19.s103、根据所述识别特征得到响应置信度；
20.s104、在确定所述响应置信度满足预设响应条件的情况下，对所述待识别音频进行响应。
21.本实施例的语音交互方法，通过获取音频识别模型在识别待识别音频的过程中产生的识别特征，来得到待识别音频的响应置信度，由于所获取的识别特征中包含更为丰富的信息，因此能够得到更为准确的响应置信度，而在响应置信度的准确性得到提升的基础上，极大地避免了对待识别音频的错误响应，从而提升了语音交互时的响应准确性。
22.本实施例的执行主体可以为终端设备，终端设备可以为智能手机、智能家电、智能音箱或者车载语音交互设备等；本实施例的执行主体还可以包含终端设备与云端服务器，在终端设备将待识别音频发送至云端服务器之后，由云端服务器进行音频识别，将根据识别特征得到的响应置信度返回终端设备，由终端设备根据该响应置信度来确定是否对待识别音频进行响应。
23.本实施例执行s101获取的待识别音频，为用户与终端设备进行语音交互时所发出的音频，例如待识别音频可以为用户向终端设备发出的查询的音频，也可以为用户向终端设备发出的控制音频。
24.本实施例在执行s101获取待识别音频之后，执行s102利用音频识别模型得到待识别音频的识别结果，并提取音频识别模型的输出层在识别过程中的输入作为识别特征。
25.其中，本实施例中的音频识别模型为深度学习模型，包含多个神经网络层，用于根据输入的音频输出文本。因此，本实施例执行s102利用音频识别模型得到待识别音频的识别结果为文本。
26.具体地，本实施例在执行s102提取音频识别模型的输出层在识别过程中的输入作为识别特征时，可以采用的可选实现方式为：音频识别模型包含输入层、注意力层与输出
层，其中输入层用于将输入的音频转化为特征向量，注意力层用于将输入层的特征向量进行注意力机制的计算，输出层用于将注意力层的计算结果映射为文本；提取音频识别模型中位于输出层之前的注意力层在识别过程中的输出，作为识别特征。
27.其中，本实施例的音频识别模型中的注意力层可以仅进行一次注意力机制的计算，也可以进行多次注意力机制的计算；另外，本实施例对音频识别模型的网络结构不进行限定，除了上述输入层、注意力层与输出层的网络结构之外，也可以为输入层、池化层、卷积层与输出层的网络结构，还可以为输入层、池化层、卷积层、注意力层与输出层的网络结构。
28.也就是说，本实施例提取的识别特征，为位于音频识别模型中倒数第二层的神经网络层的输出，由于倒数第二层的神经网络层的输出是用于输出层得到文本的，因此该层的输出涵盖了音频转化为文本之前最全面的信息，相比于仅从音频或者仅从文本中提取特征来说，本实施例所提取的识别特征会包含更为丰富的信息，提升了所提取的识别特征的准确性。
29.本实施例在执行s102利用音频识别模型得到识别结果与识别特征之后，执行s103根据识别特征得到响应置信度，本实施例所得到的响应置信度用于确定是否对待识别音频进行响应。
30.本实施例在执行s103时，可以仅根据识别特征得到响应置信度，例如将识别特征输入预先训练得到的深度学习模型，将该深度学习模型的输出作为响应置信度，也可以结合其他信息来得到响应置信度。
31.本实施例在执行s103根据识别特征得到响应置信度之后，执行s104在确定响应置信度满足预设响应条件的情况下，对待识别音频进行响应。其中，本实施例对待识别音频进行响应，可以为获取与待识别音频对应的查询结果，也可以为执行与待识别音频对应的操作。
32.本实施例在执行s104确定响应置信度满足预设响应条件时，可以确定响应置信度是否超过预设阈值，若是，则确定响应置信度满足预设响应条件，否则确定不满足。
33.另外，若本实施例执行s104确定响应置信度不满足预设响应条件，则不进行对待识别音频的响应，可以等待用户再次输入音频，也可以向用户返回提示信息，以提醒用户重新输入音频。
34.根据本实施例提供的上述方法，通过获取音频识别模型在识别待识别音频的过程中所产生的识别特征，得到待识别音频的响应置信度，进而根据响应置信度来确定是否对待识别音频进行响应，由于识别特征中包含更为丰富的信息，从而能够获取更为准确的响应置信度，避免了对待识别音频的错误响应，提升了语音交互时的响应准确性。
35.图2是根据本申请第二实施例的示意图。如图2中所示，本实施例的语音交互方法，具体可以包括如下步骤：
36.s201、获取待识别音频；
37.s202、利用音频识别模型得到所述待识别音频的识别结果，并提取所述音频识别模型的输出层在识别过程中的输入作为识别特征；
38.s203、确定所述识别结果的领域信息，根据所述领域信息与所述识别特征得到响应置信度；
39.s204、在确定所述响应置信度满足预设响应条件的情况下，对所述待识别音频进
行响应。
40.也就是说，本实施例的语音交互方法，通过获取音频识别模型在识别待识别音频的过程中产生的识别特征，并结合待识别音频的识别结果对应的领域信息，来得到待识别音频的响应置信度，用于得到响应置信度的信息更为丰富，进一步提升了所得到的响应置信度的准确性，从而提升了语音交互时的响应准确性。
41.本实施例在执行s203确定识别结果的领域信息，所确定的领域信息用于表示识别结果所属的领域，例如金融、科技、音乐等领域。
42.具体地，本实施例在执行s203确定识别结果的领域信息时，可以采用的可选实现方式为：将识别结果输入预先训练得到的领域识别模型，将领域识别模型的输出结果作为识别结果的领域信息。其中，本实施例通过预先训练来得到领域识别模型，该领域识别模型能够根据输入的文本输出该文本对应的领域信息。
43.另外，本实施例在执行s104根据领域信息与识别特征得到响应置信度时，可以采用的可选实现方式为：将领域信息与识别特征输入预先训练得到的置信模型，将置信模型的输出结果作为响应置信度。其中，本实施例通过预先训练来得到置信模型，该置信模型能够根据输入的领域信息与识别特征输出音频对应的响应置信度。
44.因此，本实施例能够结合领域信息与识别特征这两部分内容来得到待识别音频的响应置信度，提升了响应置信度的准确性。
45.图3是根据本申请第三实施例的示意图。如图3中所示，本实施例的语音交互装置，包括：
46.获取单元301、用于获取待识别音频；
47.识别单元302、用于利用音频识别模型得到所述待识别音频的识别结果，并提取所述音频识别模型的输出层在识别过程中的输入作为识别特征；
48.处理单元303、用于根据所述识别特征得到响应置信度；
49.响应单元304、用于在确定所述响应置信度满足预设响应条件的情况下，对所述待识别音频进行响应。
50.本实施例由获取单元301获取的待识别音频，为用户与终端设备进行语音交互时所发出的音频，例如获取单元301可以获取用户向终端设备发出的查询的音频，也可以获取用户向终端设备发出的控制音频。
51.本实施例在由获取单元301获取待识别音频之后，由识别单元302利用音频识别模型得到待识别音频的识别结果，并提取音频识别模型的输出层在识别过程中的输入作为识别特征。
52.其中，本实施例中的音频识别模型为深度学习模型，包含多个神经网络层，用于根据输入的音频输出文本。因此，识别单元302利用音频识别模型得到待识别音频的识别结果为文本。
53.具体地，本实施例在由识别单元302提取音频识别模型的输出层在识别过程中的输入作为识别特征时，可以采用的可选实现方式为：音频识别模型包含输入层、注意力层与输出层；提取音频识别模型中位于输出层之前的注意力层在识别过程中的输出，作为识别特征。
54.其中，本实施例的音频识别模型中的注意力层可以仅进行一次注意力机制的计
算，也可以进行多次注意力机制的计算；另外，本实施例对音频识别模型的网络结构不进行限定，除了上述输入层、注意力层与输出层的网络结构之外，也可以为输入层、池化层、卷积层与输出层的网络结构，还可以为输入层、池化层、卷积层、注意力层与输出层的网络结构。
55.本实施例在由识别单元302利用音频识别模型得到识别结果与识别特征之后，由处理单元303根据识别特征得到响应置信度，本实施例所得到的响应置信度用于确定是否对待识别音频进行响应。
56.本实施例中的处理单元303可以仅根据识别特征得到响应置信度，例如将识别特征输入预先训练得到的深度学习模型，将该深度学习模型的输出作为响应置信度，也可以结合其他信息来得到响应置信度。
57.本实施例中的处理单元303在根据识别特征得到响应置信度时，可以采用的可选实现方式为：确定识别结果的领域信息；根据领域信息与识别特征得到响应置信度。
58.本实施例中由处理单元303根据识别结果所确定的领域信息用于表示识别结果所属的领域，例如金融、科技、音乐等领域。
59.具体地，本实施例中的处理单元303在确定识别结果的领域信息时，可以采用的可选实现方式为：将识别结果输入预先训练得到的领域识别模型，将领域识别模型的输出结果作为识别结果的领域信息。其中，本实施例通过预先训练来得到领域识别模型，该领域识别模型能够根据输入的文本输出该文本对应的领域信息。
60.另外，本实施例中的处理单元303在根据领域信息与识别特征得到响应置信度时，可以采用的可选实现方式为：将领域信息与识别特征输入预先训练得到的置信模型，将置信模型的输出结果作为响应置信度。其中，本实施例通过预先训练来得到置信模型，该置信模型能够根据输入的领域信息与识别特征输出音频对应的响应置信度。
61.本实施例在由处理单元303得到响应置信度之后，由响应单元304在确定响应置信度满足预设响应条件的情况下，对待识别音频进行响应。其中，本实施例对待识别音频进行响应，可以为获取与待识别音频对应的查询结果，也可以为执行与待识别音频对应的操作。
62.本实施例中的响应单元304在确定响应置信度满足预设响应条件时，可以确定响应置信度是否超过预设阈值，若是，则确定响应置信度满足预设响应条件，否则确定不满足。
63.另外，若本实施例中的响应单元304确定响应置信度不满足预设响应条件，则不进行对待识别音频的响应，可以等待用户再次输入音频，也可以向用户返回提示信息，以提醒用户重新输入音频。
64.根据本申请的实施例，本申请还提供了一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。
65.如图4所示，是根据本申请实施例的语音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。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。
66.如图4所示，该电子设备包括：一个或多个处理器401、存储器402，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4中以一个处理器401为例。
67.存储器402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语音交互方法。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语音交互方法。
68.存储器402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语音交互表情图片的的方法对应的程序指令/模块(例如，附图3所示的获取单元301、识别单元302、处理单元303以及响应单元304)。处理器401通过运行存储在存储器402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语音交互方法。
69.存储器402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的电子设备的使用所创建的数据等。此外，存储器402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402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至语音交互方法的电子设备。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。
70.语音交互方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
71.输入装置403可接收输入的数字或字符信息，以及产生与语音交互方法的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404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。
72.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。
73.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。
74.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。
75.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)、互联网和区块链网络。
76.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。
77.根据本申请实施例的技术方案，通过获取音频识别模型在识别待识别音频的过程中产生的识别特征，来得到待识别音频的响应置信度，由于所获取的识别特征中包含更为丰富的信息，因此能够得到更为准确的响应置信度，而在响应置信度的准确性得到提升的基础上，极大地避免了对待识别音频的错误响应，从而提升了语音交互时的响应准确性。
78.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。
79.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。