[发明专利]一种基于深度学习模型的语音交互系统

说明书

本发明公开了一种基于深度学习模型的语音交互系统。该系统通过所述声源定位模块用于从所述采集的声音信号中获取相应的目标声音数据；所述语音识别模块用于得到所述目标声音数据对应的文本数据，并将所述文本数据传输至所述自然语言理解模块；所述自然语言理解模块用于得到所述文本数据的语义分析结果；所述对话管理模块用于根据接收的所述语义分析结果、当前的语义环境和预设的对话状态决策动作和更新语义环境；所述自然语言生成模块用于根据接收的所述语义分析结果生成回复文本；所述语音合成模块用于将所述回复文本转换为成语音进行播报。本发明技术方案提高了非接触式语音交互系统的语音交互效率。

技术领域

本发明涉及语音交互技术领域，尤其涉及一种基于深度学习模型的语音交互系统。

背景技术

智能巡检机器人应用于高铁站广场，在广场上进行巡检。在高铁站广场上，当旅客有询问路线的需求，智能机器人语音交互系统不通过接触就可以回答行人的问题，以满足行人需求。目前，在商场中的语音交互还需要用户触屏点击获得相应的信息。而在疫情还未完全过去的当下，接触式的交互系统会给疫情防控带来巨大的隐患。非接触式的智能机器人语音交互系统可以大大减少这种隐患，在高铁站的巡检机器人中，加入语音交互系统，可以满足进站旅客对于进站口，取票点询问的需求，也可以满足出站旅客询问地铁站，公交站，酒店以及出租车乘车点的需求。

从语音交互整个处理流程来看，可将其分为3部分：语音输入、语音处理和语音输出，其中语音输入包括：语音增强；语音处理包括：语音唤醒、语音识别、语义理解；语音输出包括：语音合成和音效增强。声音的信号特征提取的质量将直接影响语音识别的准确率。由于环境噪声包含周围人的噪声、风噪、周围车辆噪声以及媒体播放声等，这些噪声源都会减弱人声的信号特征，从而加大识别难度。除此之外，广场上存在很多旅客，机器人需要找到某一个声源，并提取信息作出回应，而现有技术中，对声源进行识别和定位的准确率较低，进而导致人机交互的体验较差。

传统的语音识别的声学模型训练，对于每一帧的数据，需要知道对应的label才能进行有效的训练，在训练数据之前需要做语音对齐的预处理。因此，存在训练数据之前需要做语音对齐的预处理，工作比较耗时的问题，并且在缺失对齐标签时，无法做出准确预测的问题。传统的语音识别输出的预测是局部分类，只利用了当前帧的信息，并未利用序列的全局信息进行预测，因此存在识别精度低的问题。

发明内容

本发明提供一种基于深度学习模型的语音交互系统，提高了非接触式语音交互系统的语音交互效率。

本发明一实施例提供一种基于深度学习模型的语音交互系统，包括声源定位模块、语音识别模块、自然语言理解模块、对话管理模块、自然语言生成模块和语音合成模块；

所述声源定位模块用于将采集到的声音信号进行预处理后输入至所述端到端声源定位模型得到声音定位信息，并根据所述声音定位信息从所述采集的声音信号中获取相应的目标声音数据后，传输至所述语音识别模块；

所述语音识别模块用于将接收到的所述目标声音数据输入至端到端的深度学习模型，得到所述目标声音数据对应的文本数据，并将所述文本数据传输至所述自然语言理解模块；

所述自然语言理解模块用于将接收到的所述文本数据进行分词、词性标注、命名实体识别和依存句法分析处理后，再结合所述文本数据的情感分析结果，得到所述文本数据的语义分析结果；

所述对话管理模块用于根据接收的所述语义分析结果、当前的语义环境和预设的对话状态决策动作和更新语义环境；

所述自然语言生成模块用于根据接收的所述语义分析结果生成回复文本；

所述语音合成模块用于将所述回复文本转换为成语音进行播报。

进一步的，将采集到的声音信号进行预处理后输入至所述端到端声源定位模型得到声音定位信息，具体为：