[發明專利]一種自適應語音對話方法、系統、計算機設備和存儲介質

在審

• 申請號: 202010592284.3
• 申請日: 2020-06-24
• 公開（公告）號: CN113838454A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 李銘浩
• 申請（專利權）人: 蘇寧云計算有限公司
• 主分類號: G10L13/08
• 分類號: G10L13/08;G10L13/033;G10L15/06;G10L15/16;G10L15/22;G10L25/63;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請涉及一種自適應語音對話方法、系統、計算機設備和存儲介質。方法包括：獲取目標用戶的用戶屬性向量和詞向量，存儲后配置時間標簽，獲取時間相關用戶屬性向量和時間相關詞向量，根據時間相關詞向量，生成當前對話文本，根據時間相關用戶屬性向量，生成目標用戶對應的音庫及合成參數，根據所述當前對話文本，輸出合成語音。本發明針對不同用戶畫像不同，針對性的提供聲模，根據用戶的當前情緒狀態，動態改變一個聲模的聲學參數，使得生成的語音與用戶屬性及其當前情緒狀態相配。改變當前智慧客服一成不變的發音規則，降低智慧客服掛斷率，提升溝通效果和服務質量；安撫用戶情緒，降低客訴率和人工客服工作量。

技術領域

本申請涉及語音語義的技術領域，特別是涉及一種自適應語音對話方法、系統、計算機設備和存儲介質。

背景技術

目前來說，語音對話系統是自然度較高的人機交互系統之一。隨著智能客服、智能音響、智能家電的加速普及，機器與人的對話已經是人工智能技術重要的落地方式之一。人與人的溝通不僅僅是語言信息的交流，更體現出對話雙方說話習慣、情緒等多方面的表達。若對話雙方在一段對話中表達方式甚至是情感上達到共鳴，可以快速拉進對話雙方的關系。為了提升語音對話系統的自然度和情感表達，現有方法中主要通過韻律、基音頻率、頻譜參數等相關參數的調整使得合成語音能表達出高興、憤怒、悲傷等情感，但是這種情感劃分的顆粒度較大，不能緊密貼合對話人的情感需求。另一方面，對話過程中，人的情緒是動態變化的，現有方法合成的語音一成不變的情感類型難以適配這種動態變化。

因此，能夠根據用戶各項屬性預測用戶喜愛的音庫并在對話過程中針對用戶情緒變化或者需求變化動態調整合成語音的情感特征的語音對話系統是高自然度、高人性化的實施方案之一。

發明內容

為了解決上述問題，本發明提出了，

一種自適應語音對話方法，方法包括：

獲取目標用戶的用戶畫像，提取該目標用戶的所有用戶固有屬性，將所有用戶固有屬性數值化為用戶固有屬性向量；

接收目標用戶的用戶語音，提取用戶語音對應的聲學參數，獲取當前的用戶情緒，將當前用戶情緒數值化為當前的用戶情緒向量；

識別用戶語音的當前語音內容，數值化為當前的詞向量；

拼接當前的用戶情緒向量和用戶固有屬性向量，形成當前的用戶屬性向量，存儲當前的用戶屬性向量和當前的詞向量，并配置時間標簽；

截取一段時間內的用戶屬性向量和詞向量，獲取時間相關用戶屬性向量和時間相關詞向量，時間相關用戶屬性向量包括用戶情緒變化，時間相關詞向量包括用戶意圖；

根據時間相關詞向量，生成當前對話文本；

根據時間相關用戶屬性向量，生成目標用戶對應的音庫及合成參數，根據當前對話文本，輸出合成語音。

一個實施例中，在獲取目標用戶的用戶畫像之前，方法還包括：

構建訓練模型，訓練模型包括訓練語音庫和模塊單元，模塊單元至少包括用戶情緒獲取模塊、匹配模塊、語音識別模塊、語義理解模塊、話術生成模塊和多音庫語音合成模塊；

其中，構建訓練語音庫的方法包括：

按照用戶固有屬性對所有樣本用戶進行分類；

從每一音庫中隨機選取若干條語音構成測試集；

每個樣本用戶確定最優音庫及合成參數，合成參數包括語速、音高和音量，獲取最優音庫及合成參數作為該樣本用戶的用戶標注；

采集樣本用戶的多條語音以及當前情緒狀態，將樣本用戶的用戶和用戶固有屬性組成樣本用戶的用戶屬性；

構建包含多條訓練數據的訓練語音庫，每條訓練數據包括每個樣本用戶的語音、用戶屬性以及用戶標注。