[發(fā)明專利]語音聊天協(xié)同處理方法及裝置

在審

• 申請?zhí)枺?/td>: 202010588474.8
• 申請日: 2020-06-24
• 公開（公告）號: CN111754990A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設計）人: 楊文龍
• 申請（專利權）人: 楊文龍
• 主分類號: G10L15/18
• 分類號: G10L15/18;G10L15/183;G10L15/22;G10L15/26;G10L21/0208;G10L21/0216;H04N7/15;G06F40/30;G06K9/00
• 代理公司: 北京酷愛智慧知識產(chǎn)權代理有限公司 11514
• 代理人: 向霞

本發(fā)明實施例公開了一種語音聊天協(xié)同處理方法及裝置。方法包括：在會議過程中，實時獲取外界語音及圖像數(shù)據(jù)；采用自然語言處理模型對所述外界語音數(shù)據(jù)進行處理，以獲取對話文本數(shù)據(jù)；將所述對話文本數(shù)據(jù)和語音轉文字的歷史對話文本數(shù)據(jù)進行相關性比較，以得到比較結果；根據(jù)所述比較結果對所述外界語音數(shù)據(jù)進行過濾處理或調低音量處理。本發(fā)明實施例，可以根據(jù)輸入聲音及圖像的語義信息進行判斷，如果是相關的信息則通過，不相關的信息就自動濾除，提高用戶體驗，相當于有一個智能的主持人，可以根據(jù)發(fā)言者發(fā)言是否相關而自動調大或者調小對應人員的音量，甚至靜音關掉不相關的發(fā)言。

技術領域

本發(fā)明涉及計算機軟件技術領域，具體涉及一種語音聊天協(xié)同處理方法及裝置。

背景技術

目前的多人語音聊天系統(tǒng)中，如果出現(xiàn)多人同時說話的場景，會導致一片嘈雜，什么都聽不清楚；可能的場景及現(xiàn)有方案舉例如下：

(1)在公司或者商務的遠程多人語音會議時，一般有自覺的參與者在不需要說話時會自己靜音，或者主持人在發(fā)言時會把其他人靜音；

缺點：這種解決方案需要參與者對電腦操作比較熟悉，適合商務人士及年輕人，不適合小孩子及老人；且針對環(huán)境中的雜音或者偶然的人員闖入等聲音無法濾除；

(2)在一些需要遠程教育的場合，比如幼兒園老師跟小孩子做網(wǎng)上的視頻交流時，由于小孩子發(fā)言比較不規(guī)范且不定時，很難要求他們自己靜音或者按時發(fā)言的操作，影響溝通的效率；

缺點：孩子時不時發(fā)言，聲音嘈雜，無法溝通，影響用戶體驗；

(3)公司會議室里面的視頻會議系統(tǒng)，攝像頭會探知聲音，然后改變朝向發(fā)出聲音的人或者位置：

缺點：針對環(huán)境中的雜音或者偶然的人員闖入等聲音無法濾除，容易產(chǎn)生誤判，進而導致攝像頭朝向雜音的產(chǎn)生地，影響用戶體驗。

發(fā)明內容

本發(fā)明實施例的目的在于提供一種語音聊天協(xié)同處理方法及裝置，主要解決現(xiàn)有的多人語音系統(tǒng)中，環(huán)境偶發(fā)(無意義的)噪音無法濾除、多人發(fā)言嘈雜無法自動過濾的問題。

為實現(xiàn)上述目的，第一方面，本發(fā)明實施例提供了一種語音聊天協(xié)同處理方法，包括：

在會議過程中，實時獲取外界語音數(shù)據(jù)；

采用對話系統(tǒng)模型對所述外界語音數(shù)據(jù)進行處理，以獲取對話文本數(shù)據(jù)；

將所述對話文本數(shù)據(jù)和語音轉文字的歷史對話文本數(shù)據(jù)進行相關性比較，以得到比較結果；

根據(jù)所述比較結果對所述外界語音數(shù)據(jù)進行過濾處理或調低音量處理，并將對所述外界語音數(shù)據(jù)過濾或調低音量的處理結果顯示于用戶界面。

作為本申請的一種具體實施方式，實時獲取外界語音數(shù)據(jù)之前，所述方法還包括：

獲取用戶語音輸入數(shù)據(jù)和用戶圖像數(shù)據(jù)；

將所述用戶語音輸入數(shù)據(jù)送入語音識別模塊進行識別；

根據(jù)所述用戶圖像數(shù)據(jù)判斷用戶當前是否為發(fā)言狀態(tài)；

若用戶當前不為發(fā)言狀態(tài)，則得出所述用戶語音輸入數(shù)據(jù)為背景雜音，采用自動降噪法自動過濾所述用戶語音數(shù)據(jù)；所述背景雜音包括咳嗽聲、貓狗叫聲和打噴嚏聲；

若用戶當前為發(fā)言狀態(tài)，且判斷所述用戶語音輸入數(shù)據(jù)是否為自然語言；

若為自然語音，則實時獲取外界語音數(shù)據(jù)；

若不為自然語言，但通過語義場景模塊檢測判斷出所述用戶語音輸入數(shù)據(jù)與當前對話有關聯(lián)(笑聲、歌聲等)，則實時獲取外界語音數(shù)據(jù)；