[发明专利]话语主题的识别

说明书

公开了用于产生音频呈现的元素或其他部分的标记的特征，以使得语音处理系统可确定用户话语提到音频呈现的哪个部分。例如，话语可包括没有明确的前述词的代词。标记可用于使话语与用于处理的相应内容部分相关联。标记可被提供到具有文本到语音(“TTS”)呈现的客户端设备。标记可接着连同由客户端设备采撷的用户话语一起被提供到语音处理系统。可包括自动语音识别(“ASR”)模块和/或自然语言理解(“NLU”)模块的语音处理系统可基于标记来产生提示。提示可被提供到ASR和/或NLU模块，以便帮助处理用户话语的含义或意图。

背景

语音识别系统包括用于从用户接收语音输入、确定用户说了什么并确定用户意思是什么的各种模块和部件。在一些实现中，语音处理系统包括接收用户话语的音频输入并产生话语的一个或多个可能的录音的自动语音识别(“ASR”)模块。语音处理系统也可包括接收输入例如用户话语的录音并以可按照行事的方式例如通过计算机应用来确定输入的含义的自然语言理解(“NLU”)模块。例如，移动电话的用户可以讲口头命令以发起电话呼叫。口头命令的音频可由ASR模块录音，且NLU模块可从录音确定用户的意图(例如用户想要发起电话呼叫特征)并发起电话呼叫。

文本到语音(“TTS”)系统使用有时被称为语音合成的流程将文本转换成声音。在一般实现中，TTS系统可接收输入，例如文本和/或语音合成标记语言(“SSM”)数据，并向用户提供输入的音频呈现。例如，TTS系统可配置来向用户“读”文本，例如电子邮件的文本或提醒的列表。

一些系统合并语音识别和TTS。例如，全球定位系统(“GPS”)可接收关于特定地址的用户的口头输入，产生用于行进到该地址的指示，并将指示听觉地呈现给用户。在很多情况下，用户可接着继续与这样的系统交互，同时接收指示。在GPS系统提供下一指示或指示系列之后，用户可使用任何数量的预定命令中的一个(例如，“取消路线”、“下一转弯”)。此外，其他非口头用户交互可用于与听觉地呈现的内容交互。例如，可经由允许用户选择的触摸屏显示器、经由触摸屏或键盘、要绕过的特定路线来显示逐个转弯指示。

附图简述

现在将参考下面的附图描述各种创造性特征的实施方案。在全部附图中，参考数字可再次用于指示在所提及的元件之间的对应性。附图被提供以示出本文所述的示例性实施方案且并不旨在限制本公开的范围。

图1是示出在语音服务、客户端设备和用户之间的说明性交互的说明性联网环境的方框图，其中语音服务可被实现。

图2A是示出在音频呈现和标识符的产生期间在各种模块和数据存储器之间的交互的说明性语音服务的方框图。

图2B是示出在用户话语的处理期间在各种模块之间的交互的说明性语音服务的方框图。

图3是用于管理音频呈现的产生和传输并用于处理与音频呈现的交互的说明性流程的流程图。

图4是用于呈现所产生的音频呈现并用于传输关于音频呈现的部分的用户话语的说明性流程的流程图。

图5是用于处理可应用于多个活动音频呈现中的一个的话语的说明性流程的流程图。

详细描述

介绍

大体上来讲，本公开涉及促进与音频内容的口头用户交互。语音处理系统可从口头话语确定录音和用户意图。用户可发出口头命令，且语音处理系统可使用自动语音识别(“ASR”)和自然语言处理(“NLU”)系统来确定用户想要做什么并自动执行相应的行动。然而，语音处理系统解决模棱两可或识别回指词(例如代词)主题而不向用户提醒额外的信息可能很难。这在用户发出不遵循预定格式的口头命令时特别正确，该预定格式具体地识别该命令适用的主题。