[發(fā)明專利]一種語(yǔ)音交互方法，設(shè)備和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811644940.9
• 申請(qǐng)日: 2018-12-29
• 公開（公告）號(hào): CN111402900A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 鄭明輝
• 申請(qǐng)（專利權(quán)）人: 華為技術(shù)有限公司
• 主分類號(hào): G10L17/06
• 分類號(hào): G10L17/06;G10L17/22;G10L15/22;G10L15/18;G10L15/26;G10L15/30;G10L13/08;G06F9/4401
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

一種語(yǔ)音交互的方法，包括：檢測(cè)到發(fā)起語(yǔ)音交互的指示后，終端進(jìn)入語(yǔ)音交互工作狀態(tài)；終端收到第一語(yǔ)音信息，輸出針對(duì)所述第一語(yǔ)音信息的處理結(jié)果；終端收到第二語(yǔ)音信息，判斷所述第二語(yǔ)音信息與所述第一語(yǔ)音信息的發(fā)出者是否為同一用戶；如果判斷為同一用戶，則輸出響應(yīng)于所述第二語(yǔ)音信息的處理結(jié)果；如果判斷為不同用戶，則結(jié)束所述語(yǔ)音交互工作狀態(tài)；通過(guò)在語(yǔ)音交互流程中增加話者對(duì)話意愿識(shí)別，例如判斷繼續(xù)說(shuō)話的人是否相同來(lái)決定是否繼續(xù)響應(yīng)收到的語(yǔ)音信息，支持用戶在一輪會(huì)話結(jié)束后不必再次說(shuō)出喚醒詞即可連續(xù)向系統(tǒng)發(fā)出語(yǔ)音指令，有效減少了語(yǔ)音交互，特別是會(huì)議的語(yǔ)音交互中的冗余喚醒。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人機(jī)交互技術(shù)領(lǐng)域，尤其涉及一種人機(jī)語(yǔ)音交互的方法，設(shè)備和系統(tǒng)。

背景技術(shù)

隨著人工智能的興起，語(yǔ)音交互作為一種新的交互技術(shù)已經(jīng)在各個(gè)行業(yè)中被廣泛應(yīng)用：家庭智能音箱、語(yǔ)音控制車載終端、個(gè)人語(yǔ)音助手、會(huì)議系統(tǒng)語(yǔ)音控制等。與鼠鍵交互和觸摸交互相比，語(yǔ)音交互具有非接觸、釋放手眼、自然(不用學(xué)習(xí))等諸多優(yōu)點(diǎn)。受人工智能當(dāng)前所處的技術(shù)水平限制，語(yǔ)音交互系統(tǒng)還不能做到完全模擬人與人之間的自然對(duì)話那般流暢智能。例如，當(dāng)前的語(yǔ)音交互系統(tǒng)還不能主動(dòng)判斷附近的說(shuō)話人是否在對(duì)系統(tǒng)說(shuō)話，必須依靠一個(gè)特定的事件觸發(fā)才能開始收聽語(yǔ)音指令。這里的特定事件可以是用戶說(shuō)出一個(gè)指定的被訓(xùn)練過(guò)的喚醒詞、發(fā)出一段特定的聲音、做出一個(gè)特定的手勢(shì)動(dòng)作、按壓一個(gè)物理按鍵或點(diǎn)擊屏幕上的圖標(biāo)等，其中喚醒詞觸發(fā)最能發(fā)揮語(yǔ)音交互的優(yōu)點(diǎn)，也是當(dāng)前語(yǔ)音交互系統(tǒng)中應(yīng)用最為普及的喚醒方式。但是，語(yǔ)音系統(tǒng)被首次喚醒后，當(dāng)用戶語(yǔ)音指令被執(zhí)行或一輪會(huì)話結(jié)束后，用戶如果緊接著想要發(fā)出下一條語(yǔ)音指令或進(jìn)入下一輪會(huì)話，必須再次說(shuō)出喚醒詞。這種交互流程跟人與人之間的語(yǔ)言交流習(xí)慣相差甚遠(yuǎn)(人們交談時(shí)，如果對(duì)話沒(méi)有明顯結(jié)束，哪怕是話題切換，我們也不必反復(fù)呼喊對(duì)方的名字以維持交談)，帶來(lái)的不良后果是，用戶在與系統(tǒng)對(duì)話的過(guò)程中經(jīng)常忘記說(shuō)喚醒詞，影響對(duì)話的連續(xù)性。這也是當(dāng)前所有語(yǔ)音交互系統(tǒng)存在的通用性問(wèn)題。

中國(guó)專利申請(qǐng)CN108182943A公開了一種智能設(shè)備控制方法、裝置及智能設(shè)備，所述智能設(shè)備控制方法包括：響應(yīng)完第一用戶語(yǔ)音信息對(duì)應(yīng)的交互指令后，保持工作狀態(tài)；在接收到第二用戶語(yǔ)音信息后，獲得所述第二用戶語(yǔ)音信息對(duì)應(yīng)的語(yǔ)音識(shí)別結(jié)果；根據(jù)所述語(yǔ)音識(shí)別結(jié)果，判斷所述第二用戶語(yǔ)音信息與所述第一用戶語(yǔ)音信息的相關(guān)度是否大于等于預(yù)設(shè)相關(guān)度；若所述相關(guān)度大于等于預(yù)設(shè)相關(guān)度，響應(yīng)目標(biāo)交互指令，其中，所述目標(biāo)交互指令為：所述第二用戶語(yǔ)音信息對(duì)應(yīng)的交互指令。通過(guò)該專利方案，智能設(shè)備被用戶喚醒后，用戶就相同話題的內(nèi)容與智能設(shè)備進(jìn)行多次交互時(shí)，不需要再次喚醒智能設(shè)備，但是該專利方案中，第二用戶語(yǔ)音信息必須與第一用戶語(yǔ)音信息內(nèi)容強(qiáng)相關(guān)(相同話題)，才能免再次喚醒，實(shí)際應(yīng)用中話題可能會(huì)頻繁切換，比如讓語(yǔ)音系統(tǒng)打開臺(tái)燈后，緊接著想聽一首歌，此類場(chǎng)景中用戶仍需再次喚醒系統(tǒng)。中國(guó)專利申請(qǐng)CN105912092A公開了一種當(dāng)機(jī)器檢測(cè)到非喚醒詞的聲音信號(hào)時(shí)，系統(tǒng)開啟人體/人臉檢測(cè)，或利用聲源定位方法循聲調(diào)整攝像頭拍攝角度并繼續(xù)圖像檢測(cè)，如果檢測(cè)到人體/人臉，則喚醒機(jī)器開始語(yǔ)音識(shí)別。但是該方案缺點(diǎn)在于：該方案只涉及一次會(huì)話的喚醒，忽視了連續(xù)會(huì)話的需求；另外，當(dāng)用戶長(zhǎng)時(shí)間未與機(jī)器對(duì)話時(shí)，嚴(yán)格的喚醒機(jī)制是必須的，此時(shí)僅憑簡(jiǎn)單的聲量和圖像檢測(cè)作為判斷特征，降低了喚醒閾值，精度也不夠高。

發(fā)明內(nèi)容

本申請(qǐng)?zhí)峁┮环N語(yǔ)音交互的方法、終端設(shè)備及系統(tǒng)，用以通過(guò)判斷用戶的繼續(xù)對(duì)話意愿，減少語(yǔ)音交互過(guò)程中的冗余喚醒，提升用戶體驗(yàn)。

第一方面，提供一種語(yǔ)音交互的方法。該方法包括：檢測(cè)到發(fā)起語(yǔ)音交互的指示；響應(yīng)于所述發(fā)起語(yǔ)音交互的指示，所述終端進(jìn)入語(yǔ)音交互工作狀態(tài)；所述終端收到第一語(yǔ)音信息，輸出針對(duì)所述第一語(yǔ)音信息的處理結(jié)果；所述終端收到第二語(yǔ)音信息，判斷所述第二語(yǔ)音信息與所述第一語(yǔ)音信息的發(fā)出者是否為同一用戶；如果判斷為同一用戶，則所述終端輸出響應(yīng)于所述第二語(yǔ)音信息的處理結(jié)果；如果判斷為不同用戶，則所述終端結(jié)束所述語(yǔ)音交互工作狀態(tài)。