[发明专利]机器人响应方法、装置、电子设备及存储介质

说明书

本发明提供的一种机器人响应方法、装置、电子设备及存储介质，所述方法包括：获取待识别语音；所述待识别语音为与机器人实时沟通中截取到的语音；将所述待识别语音输入预先训练的语音识别模型中进行识别，获取识别结果与所述识别结果所对应的音素时长；将所述识别结果与所述识别结果所对应的音素时长输入预先训练的标点模型中，确定所述待识别语音的标点符号；根据所述待识别语音的标点符号和所述识别结果所对应的音素时长，确定所述待识别语音所对应的机器人的等待时长。本发明提供的机器人响应方法提高了标点识别的准确率，且能够自适应的调节机器人的等待时长，满足各种语速的用户，提升了用户体验。

技术领域

本发明涉及语音识别技术领域，尤其涉及一种机器人响应方法、装置、电子设备及存储介质。

背景技术

人工智能产品在日常生活中的渗透率越来越高，语音识别作为人机自然交互的基本途径，在智能家居、智能汽车、智能客服等场景下有着广阔的应用。

现有技术中，在智能客服场景下，用户侧并不是总在占用通话信道，根据传统电话业务的统计，语音机器人外呼场景下，用户实际占用通话信道的时间不会超过整个通话时间的20%，主要包括以下几个方面的原因：一是正在听对方说话；二是可能正在思考、稍事休息等原因引起的停顿；三是说话中间的停顿，如犹豫、呼吸、口吃等。为了更好地做出反馈，在语音识别过程中需要进行语音断句，无论是基于能量还是基于模型亦或是能量+模型的方案都是首先对语音进行分帧，如公开专利CN109448704A、CN109754809B、CN108090038A、CN112927679A、CN108292500A和CN110364148A，在这些专利文件中通过计算语音特征后，将语音特征作为模型的输入，这种并不能准确识别出当前帧的具体的标点符号信息。

而且模型的输出一个二分类的结果：当前帧为人声(speech)或非人声(noise)，在检测出非人声且非人声的时长大于固定阈值时，机器人则进行下一轮对话。如公开专利CN112825248A、CN112995419A、CN108257616A和CN111583912A，专利中这种采用固定阈值的方式，并没有考虑到语义的情况，因为有的人说话快，有的人说话慢，有的人是在犹豫中，特别是在报电话号码、设备号、身份证等较长信息的时候，短停顿是比较正常的现象，但固定阈值导致机器人反应不够迅速，用户体验较差。

发明内容

本发明提供一种机器人响应方法、装置、电子设备及存储介质，用以解决现有技术中标点识别不够准确、且固定阈值导致用户体验较差的缺陷，实现提高标点识别的准确率、人机交互时机器人响应及时、提升用户体验的目的。

第一方面，本发明提供一种机器人响应方法，包括：

获取待识别语音；所述待识别语音为与机器人实时沟通中截取到的语音；

将所述待识别语音输入预先训练的语音识别模型中进行识别，获取识别结果与所述识别结果所对应的音素时长；

将所述识别结果与所述识别结果所对应的音素时长输入预先训练的标点模型中，确定所述待识别语音的标点符号；

根据所述待识别语音的标点符号和所述识别结果所对应的音素时长，确定所述待识别语音所对应的机器人的等待时长；

所述标点模型是根据第一样本语音、所述第一样本语音对应的样本文本、第一标签信息以及第二样本文本、所述第二样本文本对应的样本语音、第二标签信息进行训练得到的；其中，所述第一样本语音为中间带有停顿的样本语音，所述第二样本文本对应的样本语音为中间带有停顿的样本文本经过语音合成所得到的样本语音。

进一步，根据本发明提供的机器人响应方法，所述将所述识别结果与所述识别结果所对应的音素时长输入预先训练的标点模型中，确定所述待识别语音的标点符号，包括：

将所述识别结果中各个字所对应的音素时长或各个分词所对应的音素时长，以及所述识别结果输入预先训练好的标点模型中，确定所述待识别语音的标点符号。