科大讯飞公布人机交互口音控制专利

最近，科大讯飞在语音交互领域又放了个大招——一项关于“人机交互对话系统的口音与风格控制方法及装置”的专利正式公布。从专利摘要来看，这事儿其实挺有意思的：它瞄准的正是当前智能语音系统在口音和风格动态调控方面的短板。

简单梳理一下核心逻辑。系统首先会接收用户的对话请求，然后判断这个请求里是否包含了口音和风格的控制需求。根据判断结果，系统会设置对应的“口音槽值”和“风格槽值”并存储起来。接下来，在对话推进的过程中，系统会根据当前轮次以及用户的实际需求，对这些槽值进行更新或继承。最后，系统根据对话意图生成文本回复，再调用对应的TTS（语音合成）模型，按照当前的口音和风格设定，把文本回复合成为带有特定腔调的语音输出给用户。

这套方案解决的痛点非常明确：过去的口音与风格控制方式，要么动态调控能力太弱，要么在多轮对话中无法继承之前的状态——比如用户上一轮说“用四川话回答”，下一轮系统可能又切回标准普通话了。此外，场景适配性不足、系统扩展成本高也是老问题。科大讯飞这次把“口音”和“风格”独立出槽位进行管理，相当于给语音交互系统装了一个可随时切换的语气调节器，实用性值得期待。