[发明专利]一种语音交互业务的执行方法及执行装置

权利要求书

1.一种语音交互业务的执行方法，其特征在于，包括：

响应于用户针对语音交互业务的语音交互请求，获取所述语音交互业务对应的语音信息；

将所述语音信息输入到预先训练的基础识别模型中，得到基础识别结果，所述基础识别结果用于表示所述语音信息中是否包含人声，并根据所述基础识别结果，判断所述语音信息是否满足预设条件，所述预设条件包括所述语音信息中不包含人声的至少部分语音片段的持续时长未超过第一设定时长，或所述语音信息中不包含人声的至少部分语音片段的持续时长超过第二设定时长，所述第一设定时长小于所述第二设定时长；

响应于所述语音信息满足所述预设条件，根据所述基础识别结果，判断当前所述用户的语音状态，响应于所述语音信息不满足所述预设条件，根据辅助识别结果，判断当前所述用户的语音状态，所述语音状态用于表示所述用户是否在当前完成一次语音应答，所述辅助识别结果是通过将所述语音信息输入到预先训练的辅助识别模型中得到的，所述辅助识别结果用于表示所述语音信息是否包含一次语音应答的结束语音；

根据所述语音状态，执行所述语音交互业务。

2.如权利要求1所述的方法，其特征在于，将所述语音信息输入到预先训练的基础识别模型之前，所述方法还包括：

将所述语音信息进行分割得到各音频帧，并针对每个音频帧进行特征提取，得到每个音频帧对应的音频特征；

将所述语音信息输入到预先训练的基础识别模型中，得到基础识别结果，具体包括：

将每个音频帧对应的音频特征输入到所述基础识别模型中，得到每个音频帧对应的基础识别结果；

通过将所述语音信息输入到预先训练的辅助识别模型中得到辅助识别结果，具体包括：

将每个音频帧对应的音频特征输入到所述辅助识别模型中，得到每个音频帧对应的辅助识别结果。

3.如权利要求1所述的方法，其特征在于，响应于所述语音信息满足所述预设条件，根据所述基础识别结果，判断当前所述用户的语音状态，具体包括：

响应于所述语音信息中不包含人声的至少部分语音片段的持续时长超过所述第二设定时长，确定当前所述用户对应的语音状态为在当前完成一次语音应答。

4.如权利要求1所述的方法，其特征在于，响应于所述语音信息满足所述预设条件，根据所述基础识别结果，判断当前所述用户的语音状态，具体包括：

响应于所述语音信息中不包含人声的至少部分语音片段的持续时长未超过所述第一设定时长，确定当前所述用户对应的语音状态为在当前未完成一次语音应答。

5.如权利要求1所述的方法，其特征在于，响应于所述语音信息不满足所述预设条件，根据辅助识别结果，判断当前所述用户的语音状态，具体包括：

响应于所述语音信息中不包含人声的至少部分语音片段的持续时长超过所述第一设定时长，且未超过所述第二设定时长，根据所述辅助识别结果，确定所述语音信息是否为一次语音应答的结束语音；

响应于所述语音信息为一次语音应答的结束语音，确定所述语音状态为所述用户在当前完成一次语音应答；

响应于所述语音信息不为一次语音应答的结束语音，确定所述语音状态为所述用户在当前未完成一次语音应答。

6.如权利要求2所述的方法，其特征在于，训练所述辅助识别模型，具体包括：

获取训练样本，所述训练样本包含有若干样本音频帧，所述若干样本音频帧拼接出的语音信息包含完整语句对应的语音信息；

将每个样本音频帧输入到待训练的辅助识别模型中，得到所述辅助识别模型预测出的每个样本音频帧对应的预测结果；

针对每个音频帧，以最小化该样本音频帧对应的标注信息与该样本音频帧对应的预测结果之间的偏差为优化目标，对所述辅助识别模型进行训练，其中，该样本音频帧的标注信息用于表示该样本音频帧是否为完整语句的结束语音。