[發明專利]基于神經網絡的語音應答方法、存儲介質以終端設備

在審

• 申請號: 201811614089.5
• 申請日: 2018-12-27
• 公開（公告）號: CN111383642A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 趙智寶
• 申請（專利權）人: TCL集團股份有限公司
• 主分類號: G10L17/02
• 分類號: G10L17/02;G10L17/18;G10L17/22;G10L19/02;G10L21/055;G06K9/00
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 王永文;劉文求

本發明公開了一種基于神經網絡的語音應答方法、存儲介質以終端設備，所述方法包括：當接收到用戶輸入的用戶語音時，根據所述用戶語音確定其對應的應答語音；將所述應答語音輸入預設的表情特征生成模型以獲取所述應答語音對應的表情特征序列；根據所述表情特征序列確定所述應答語音對應的面部表情序列，并控制預設的虛擬形象播放所述應答語音且同步播放面部表情序列。本發明通過預設表情特征生成模型確定應答語音對應的表情特征序列，并根據所述表情特征序列對應的面部表情控制虛擬形象播放應答語音時的面部表情，使得應答語音以面部表情相對應，提高了面部表情的準確性和真實性，從而使得人機交互的真實感對話更加逼真和細膩。

技術領域

本發明涉及語音交互技術領域，特別涉及一種基于神經網絡的語音應答方法、存儲介質以終端設備。

背景技術

隨著人工智能時代的來臨，基于AI的人機交互方式也越來越流行起來，其中，可視化語音應答成為人們關注的熱點。可視化語音應答是通過虛擬形象播放應答語音的一種人機交互方式。目前，可視化語音應答雖然可以將普通用戶與計算機，通過自然語言識別，理解，合成緊密的結合在一起。但是，當虛擬形象模擬真實人進行語音交互時，虛擬形象模擬的真人面部表情與真人面部表情偏差大，使得人機交互的真實感降低。

發明內容

鑒于現有技術的不足，本發明旨在提供一種基于神經網絡的語音應答方法、存儲介質以終端設備，以提高虛擬形象的面部表情的準確性。

本發明所采用的技術方案如下：

一種基于神經網絡的語音應答方法，其包括：

當接收到用戶輸入的用戶語音時，根據所述用戶語音確定其對應的應答語音；

將所述應答語音輸入預設的表情特征生成模型以獲取所述應答語音對應的表情特征序列；

根據所述表情特征序列確定所述應答語音對應的面部表情序列，并控制預設的虛擬形象播放所述應答語音且同步播放面部表情序列。

所述基于神經網絡的語音應答方法，其中，所述將所述應答語音輸入預設的表情特征生成模型以獲取所述應答語音對應的表情特征序列具體包括：

將所述應答語音轉換到頻域以得到其對應的第一頻譜圖，并將所述第一頻譜圖切分成時間序列；

將所述時間序列輸入預設表情特征生成模型以獲取相應的表情特征序列，其中，所述表情特征序列與應答語音按時間同步對應。

所述基于神經網絡的語音應答方法，其中，所述根據所述表情特征序列確定所述應答語音對應的面部表情序列，并控制預設的虛擬形象播放所述應答語音且同步播放面部表情序列具體包括：

將所述表情特征序列中的各第一表情特征依次重定向至預設的虛擬形象模型上，以得到所述應答語音對應的面部表情序列；

控制預設的虛擬形象播放所述應答語音且同步播放面部表情序列，其中，所述面部表情序列與應答語音按時間軸同步。

所述基于神經網絡的語音應答方法，其中，所述將所述表情特征序列中的各第一表情特征依次重定向至預設的虛擬形象模型上，以得到所述應答語音對應的面部表情序列具體包括：

按照時間序列提取所述表情特征序列包含的各第一表情特征，其中，所述第一表情特征包括若干表情特征點；

對于每個第一表情特征將其包含的所有表情特征點均重定向至預設的虛擬形象的模型上，以得到所述應答語音對應的面部表情序列。

所述基于神經網絡的語音應答方法，其中，所述第一表情特征包含的若干表情特征點均對應相同的時間點。

所述基于神經網絡的語音應答方法，其中，所述控制預設的虛擬形象播放所述應答語音且同步播放面部表情序列具體包括：