[发明专利]语音处理方法及系统

说明书

技术领域

本申请涉及语音处理技术领域，尤其是涉及一种语音处理方法及系统。

背景技术

随着人工智能技术的发展，人机对话的需求也越来越多，对相关的技术也提出了更高的要求。其中，声音信息与文本信息的相互转化技术，即人机对话的关键技术之一。

其中，语音转换成文字的技术已经比较成熟，但是，传统的语音转换成文字的技术在语音输入方面只能识别用户的基本语义，不能很好的识别用户说话时的情感。

为了解决上述问题，一些现有技术通过分析语音信息的相关参数(例如音频、分贝、用词)来确定语音信息中包含的用户情感信息，但是，上述现有技术中，采集的参数较为片面，判断结果的准确性不够高。

此外，现有技术的人机交互中，当识别到用户的情感信息后，一般会将情感信息作为参考值返回到处理模块，处理模块会依据此参考值对待输出的语音信息进行修正及调整，最终输出较为准确的语音。综上所述，现有技术中，对识别的情感信息的应用较为单一。

发明内容

本申请的目的在于提供一种语音处理方法及系统，以解决现有技术中对识别的情感信息应用单一的技术问题，能够以更丰富的形式表现情感信息。

本申请提供的语音处理方法，包括：

获取用户的语音信息，以及用户做出上述语音信息时的面部表情信息和生理参数信息；

提取语音信息、面部表情信息和生理参数信息的相关特征值，并根据特征值生成情感标签；

根据语音信息生成语义文本信息；

将语义文本信息和情感标签合成，以文本、图片、声音、视频中的一种或几种相结合的方式输出。

在上述技术方案中，进一步的，将语义文本信息和情感标签合成后，输出带有表情符号的文本。

在上述技术方案中，进一步的，将语义文本信息和情感标签合成后，输出另一种语言的语音，该语音与获取的用户语音信息语义相同，且具有相同的情感特征。

在上述技术方案中，进一步的，将语义文本信息和情感标签合成后，输出具有能够表达不同情感的表情或动作的虚拟人物的视频。

在上述技术方案中，进一步的，将语义文本信息和情感标签合成后，生成与语义文本信息和情感标签对应的具有情感的对话语音。

在上述任一技术方案中，进一步的，根据语音信息生成语义文本信息的过程，会参考情感标签。

在上述任一技术方案中，进一步的，根据特征值生成情感标签的方法包括：

提取语音信息中的第一特征值，并根据所述第一特征值生成语音情绪指标；提取面部表情信息中的第二特征值，并根据所述第二特征值生成表情情绪指标；提取生理参数信息中的第三特征值，并根据所述第三特征值生成生理情绪指标；

根据语音情绪指标、表情情绪指标以及生理情绪指标生成情感标签。

在上改技术方案中，进一步的，所述第一特征值包括基频、强度、时长、元音共振峰中的一种或几种；所述第二特征值包括面部特征的位移或形变；所述第三特征值包括心率、血氧、体温、瞳孔中的一种或几种。

相较于现有技术，本申请提供的语音处理方法，在获取用户的语音信息的同时，还会获取用户做出上述语音信息时的面部表情信息和生理参数信息；并结合提取语音信息、面部表情信息和生理参数信息的相关特征值，生成情感标签；所参考的参数较为全面，因此，情感识别的准确度更高。尤为重要的是，将语义文本信息和情感标签合成后，会以文本、图片、声音、视频中的一种或几种相结合的方式输出，输出方式多样化，能够满足不同用户、不同场景的需求。

此外，本申请还提供了一种语音处理系统，包括：

语音信息采集模块，用于采集用户输出的语音信息；

面部表情信息采集模块，用于采集用户输出上述语音信息时的面部表情信息；

生理参数信息采集模块，用于采集用户输出上述语音信息时的生理参数信息；

处理分析模块，所述处理分析模块的输入端分别与语音信息采集模块、面部表情信息采集模块以及生理参数信息采集模块连接，以根据语音信息、面部表情信息和生理参数信息生成情感标签和语义文本信息；

内容输出模块，所述内容输出模块与处理分析模块的输出端连接，以根据情感标签和语义文本信息，输出具有情感的语音以及虚拟人物视频。

在上述技术方案中，进一步的，语音信息采集模块包括至少一个麦克风，所述面部表情信息采集模块包括至少一个摄像头，所述生理参数信息采集模块包括血氧传感器、脉搏传感器、体温传感器和瞳孔分析设备中的一种或几种；