语音交互设备的性能测试方法、装置、设备及可读介质与流程

1.本公开涉及计算机技术领域，具体而言，本公开涉及一种语音交互设备的性能测试方法、装置、电子设备及计算机可读介质。


背景技术：

2.随着智能语音交互技术的快速发展，智能语音交互已经从实验室走向市场，针对不同细分领域产生了各种智能语音交互的硬件产品，即语音交互设备。智能语音交互是基于语音输入的新一代交互模式，通过说话就可以得到反馈结果，智能语音交互在智能家居、自动控制、在线教育等领域已经逐渐显露出其强大的技术优势和生命力。针对各种智能语音交互设备，不同厂商针对各自的智能语音交互设备推出了各自的检测方案，这些检测方案往往只关注字准率和句准率。


技术实现要素：

3.提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
4.仅描述独权方案即可，不用描述从权方案。
5.本公开针对现有的方式的缺点，提出一种语音交互设备的性能测试方法、装置、电子设备及计算机可读介质，用以解决如何同时确定语音交互处理中语音交互设备的性能耗时指标和语音识别准确率的问题。
6.第一方面，本公开提供了一种语音交互设备的性能测试方法，包括：
7.向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；
8.接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；
9.根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；
10.根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
11.第二方面，本公开提供了一种语音交互设备的性能测试装置，包括：
12.第一处理模块，用于向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；
13.第二处理模块，用于接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；
14.第三处理模块，用于根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；
15.第四处理模块，用于根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
16.第三方面，本公开提供了一种电子设备，包括：处理器、存储器和总线；
17.总线，用于连接处理器和存储器；
18.存储器，用于存储操作指令；
19.处理器，用于通过调用操作指令，执行本公开第一方面的方法。
20.第四方面，本公开提供了一种计算机可读介质，存储有计算机程序，计算机程序被用于执行本公开第一方面的方法。
21.本公开实施例提供的技术方案，至少具有如下有益效果：
22.向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。如此，在语音交互处理中确定语音交互设备的语音识别准确率的同时，实现了语音交互设备的性能耗时指标的确定；扩大了对语音交互设备的检测范围，可以通过语音识别准确率和性能耗时指标，分别快速分析出语音交互设备的识别效果瓶颈和性能耗时瓶颈，从而提高了测语音交互设备所得检测结果的可靠性、准确性和完整性。
23.本公开附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
24.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
25.为了更清楚地说明本公开实施例中的技术方案，下面将对本公开实施例描述中所需要使用的附图作简单地介绍。
26.图1为本公开实施例提供的一种语音交互设备的性能测试方法的流程示意图；
27.图2为本公开实施例提供的一种语音交互设备的性能测试架构的示意图；
28.图3为本公开实施例提供的另一种语音交互设备的性能测试方法的流程示意图；
29.图4为本公开实施例提供的一种语音交互设备的性能测试装置的结构示意图；
30.图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
31.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这
里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
32.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
33.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
34.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
35.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
36.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
37.为了更好的理解及说明本公开实施例的方案，下面对本公开实施例中所涉及到的一些技术用语进行简单说明。
38.asr(automatic speech recognition，自动语音识别)：自动语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语；自动语音识别技术就是让机器通过识别和理解过程，将语音信号转变为相应的文本或命令的技术。
39.nlp(natural language processing，自然语言处理)：自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别等方面。
40.tts(text to speech，从文本到语音)：tts是语音合成应用的一种，它将储存于电脑中的文件，如帮助文件或者网页，转换成自然语音输出。
41.本公开实施例中提供了一种语音交互设备的性能测试方法，该方法的流程示意图如图1所示，该方法包括：
42.s101，向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳。
43.本公开实施例中，如图2所示，自动化评测装置根据已分类构建的语音指令集，以及确定的安静场景或噪声场景，通过预设的开关控制播放器对音频信号(测试音频信号)进行播放，即自动化评测装置发送音频信号给智能设备(待检测的语音交互设备)，其中，音频信号包括语音指令集信号和噪声干扰信号，播放器包括麦克风和扬声器。
44.如图2所示，智能设备(待检测的语音交互设备)通过端上软件开发包sdk发送音频信号(测试音频信号)给服务器端的应用程序接口api；服务端将针对音频信号经自动语音识别处理所得的第一文本、针对第一文本经自然语言处理(语义处理)所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳发送给端上sdk；智能设备将第一文本、回复文本、播放时间戳等上报给自动化评测装置。自动化评测装置进行指标统计与汇总，根据发送时间戳(vad(voice activity detection，语音活动检测)判停时间戳)和针对音频信号的asr自动语音识别的结果时间戳，确定耗时指标包括的asr自动语音识别尾点耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和针对第一文本的nlp自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的nlp自然语言处理耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和播放时间戳(tts的首包时间戳)，确定性能耗时指标包括的交互耗时指标。智能设备体积小，硬件资源有限，从而对软件性能的要求较高，因此，需要对智能设备的性能耗时进行检测；智能设备可以是智能台灯、智能音箱等。自动化评测装置根据第一文本和回复文本以及与音频信号对应的测试标注文本和回复标注文本，确定语音交互设备在不同场景下的编辑距离、句准率、字准率等，从而确定智能设备的语音识别准确率；其中，第一文本和回复文本为识别文本，测试标注文本和回复标注文本为标注文本。
45.如图2所示，自动化评测装置接收智能设备(待检测的语音交互设备)响应于音频信号(测试音频信号)而返回的系统状态信息；根据系统状态信息，周期性的监控和上传智能设备的资源占用指标，资源占用指标包括工作进程的处理器cpu占用信息、工作线程的处理器cpu占用信息、工作进程的内存占用信息、工作线程的内存占用信息等。自动化评测装置将指标统计与汇总的结果发送到智能看板进行展示。智能看板可以展现资源占用指标的趋势图，以用于定位资源占用异常；当资源占用指标的趋势图定位资源占用为异常时，自动化评测装置向用户报警。
46.本公开实施例中，接收语音交互设备响应于测试音频信号而返回的系统状态信息；根据系统状态信息，确定语音交互设备的资源占用指标，资源占用指标包括工作进程的处理器占用信息、工作线程的处理器占用信息、工作进程的内存占用信息、工作线程的内存占用信息中的至少一项。
47.举例说明，工作进程的处理器占用信息为工作进程的处理器使用率50％，工作线程的处理器占用信息为工作线程的处理器使用率50％、工作进程的内存占用信息为工作进程的内存占用30％，工作线程的内存占用信息为工作线程的内存占用30％。
48.本公开实施例中，为了满足实际的特定测试需求，需要从预设的语音指令集中针对性选择语音指令作为测试音频信号；例如，想针对性测试一下智能台灯对小学生的语音识别能力，那就需要选择小学生这个年级段的语音指令作为测试音频信号；再例如，想针对性看看智能台灯对家长和小朋友语音识别的性能差异，可以针对性选择对应的语音指令作为测试音频信号。因此，在向待测的语音交互设备发送测试音频信号之前，还包括：
49.基于预设的语音指令集，从预设发音人的性别、预设发音人的年龄、预设发音人的地域、预设发音人的语速中的至少一项，从预设的语音指令集中选择匹配的语音指令作为测试音频信号。
50.本公开实施例中，在向待测的语音交互设备发送测试音频信号之前，方法还包括：
51.根据选定的目标噪声场景类型，目标噪声场景类型包括安静场景或噪声场景；
52.调用与目标噪声场景类型对应的加噪处理方法，对语音指令集中被选定的语音指令进行加噪处理得到携带噪声的测试音频信号。
53.本公开实施例中，基于预设的语音指令集，执行对环境音频底噪进行采样分析、对测试音频信号包括的声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源进行内容采集、对测试音频信号包括的噪声源进行音量分贝校准中的至少一项，以确定安静场景或噪声场景，环境音频底噪用于表征除测试音频信号之外的噪声源。
54.举例说明，预先设置：发音人的性别为男或女，发音人的年龄为0岁到100岁范围中的某个年龄，发音人的地域为南方或北方，发音人的语速为快速、中速或慢速。对发音人的性别、发音人的年龄、发音人的地域和发音人的语速进行分类组合，以分类构建语音指令集。从而实现将各种不同的人声进行文本标注，得到语音测试集，即语音指令集。语音指令集对应多种语音指令集信号，测试音频信号包括多种语音指令集信号中的至少一种语音指令集信号。执行对环境音频底噪进行采样分析、对测试音频信号包括的声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源进行内容采集，以及对测试音频信号包括的噪声源进行音量分贝校准，以确定安静场景或噪声场景。根据安静场景或噪声场景，确定测试音频信号包括的噪声干扰信号。根据已分类构建的语音指令集，以及确定的安静场景或噪声场景，通过控制播放器对测试音频信号进行播放，其中测试音频信号包括语音指令集信号和噪声干扰信号，以用于获取语音交互设备在不同场景下的句准率和字准率，从而确定了语音交互设备的语音识别的准确率。
55.s102，接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳。
56.本公开实施例中，如图2所示，智能设备(待检测的语音交互设备)通过端上软件开发包sdk发送音频信号(测试音频信号)给服务器端的应用程序接口api；服务端将针对音频信号经自动语音识别处理所得的第一文本、针对第一文本经自然语言处理(语义处理)所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳发送给端上sdk；智能设备将第一文本、回复文本、播放时间戳等上报给自动化评测装置。自动化评测装置进行指标统计与汇总，根据发送时间戳(vad语音活动检测判停时间戳)和针对音频信号的asr自动语音识别的结果时间戳，确定耗时指标包括的asr自动语音识别尾点耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和针对第一文本的nlp自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的nlp自然语言处理耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和播放时间戳(tts的首包时间戳)，确定性能耗时指标包括的交互耗时指标。智能设备体积小，硬件资源有限，从而对软件性能的要求较高，因此，需要对智能设备的性能耗时进行检测；智能设备可以是智能台灯、智能音箱等。
57.s103，根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率。
58.本公开实施例中，如图2所示，自动化评测装置根据第一文本和回复文本以及与音频信号(测试音频信号)对应的测试标注文本和回复标注文本，确定智能设备(待检测的语音交互设备)在不同场景下的编辑距离、句准率、字准率等，从而确定智能设备的语音识别准确率；其中，第一文本和回复文本为识别文本，测试标注文本和回复标注文本为标注文本。
59.s104，根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
60.本公开实施例中，根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标，包括：
61.根据发送时间戳和针对测试音频信号的自动语音识别的结果时间戳，确定性能耗时指标包括的自动语音识别尾点耗时指标；其中，发送时间戳为语音活动检测判停时间戳；
62.根据发送时间戳和针对第一文本的自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的自然语言处理耗时指标；
63.根据发送时间戳和播放时间戳，确定性能耗时指标包括的交互耗时指标；其中，播放时间戳为针对回复文本的文本转语音处理的首包时间戳。
64.本公开实施例中，语音交互设备接收完测试音频信号的时间点为vad(voice activity detection，语音活动检测)判停时间戳；语音交互设备对测试音频信号进行自动语音识别，语音交互设备输出自动语音识别结果的时间点为asr(automatic speech recognition，自动语音识别)的结果时间戳，其中，自动语音识别结果为第一文本；语音交互设备对自动语音识别结果进行语义处理，输出语义处理结果的时间点为nlp(natural language processing，自然语言处理)的结果时间戳，其中，语义处理结果为回复文本；语音交互设备针对测试音频信号进行播报，开启播报的时间点为tts(text to speech，从文本到语音)的首包时间戳。
65.本公开实施例中，将asr结果的时间戳和vad判停时间戳之间求差，得到asr尾点耗时指标；将nlp结果的时间戳和vad判停时间戳之间求差，得到nlp耗时指标；将tts首包的时间戳和vad判停时间戳之间求差，得到交互耗时指标。
66.本公开实施例中，在根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标之后，还包括：
67.接收展示指令，展示指令包括用户选择的展示选项，用户选择的展示选项包括性能耗时指标包括的自动语音识别尾点耗时指标、性能耗时指标包括的自然语言处理耗时指标、性能耗时指标包括的交互耗时指标、语音识别准确率、资源占用指标中的至少一项；
68.以图表形式展示用户选择的展示选项对应的性能耗时指标。
69.本公开实施例中，当自动语音识别尾点耗时指标大于预设第一阈值，则进行报警，以用于表征自动语音识别尾点耗时指标不合格；当自然语言处理耗时指标大于预设第二阈值，则进行报警，以用于表征自然语言处理耗时指标不合格；当交互耗时指标大于预设第三阈值，则进行报警，以用于表征交互耗时指标不合格。
70.本公开实施例中，如图2所示，自动化评测装置将指标统计与汇总的结果发送到智能看板进行展示。智能看板以图表形式展示用户选择的展示选项对应的性能耗时指标，可以展现性能耗时指标的趋势图，以用于定位性能耗时指标异常；当性能耗时指标的趋势图定位性能耗时指标为异常时，自动化评测装置向用户报警。
71.本公开实施例中，在语音交互处理中确定语音交互设备的语音识别准确率的同时，实现了语音交互设备的性能耗时指标的确定；扩大了对语音交互设备的检测范围，可以通过语音识别准确率和性能耗时指标，分别快速分析出语音交互设备的识别效果瓶颈和性能耗时瓶颈，从而提高了测语音交互设备所得检测结果的可靠性、准确性和完整性。
72.本公开实施例中提供了另一种语音交互设备的性能测试方法，该方法的流程示意图如图3所示，该方法包括：
73.s201，智能语音交互硬件评测。
74.本公开实施例中，智能语音交互硬件是待检测的语音交互设备，例如，智能台灯、智能音箱等。智能语音交互硬件评测包括s202、s203、s204和s205。
75.s202，语音指令集分类构建。
76.本公开实施例中，语音指令集分类包括性别、年龄、地域和语速等分类组合，采用相同装置录制多人原始语音指令音频，并分类构建保存。
77.s203，安静/噪声场景定义。
78.本公开实施例中，执行对环境音频底噪进行采样分析、对测试音频信号包括的声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源与语音交互设备进行距离方位划分、对测试音频信号包括的噪声源进行内容采集，以及对测试音频信号包括的噪声源进行音量分贝校准，以确定安静场景或噪声场景。
79.s204，性能耗时统计。
80.本公开实施例中，根据已分类构建的语音指令集，以及确定的安静场景或噪声场景，通过预设的开关控制播放器对测试音频信号进行播放，即发送测试音频信号给待检测的语音交互设备。待检测的语音交互设备通过端上软件开发包sdk发送测试音频信号给服务器端的应用程序接口api；服务端将针对音频信号经自动语音识别处理所得的第一文本、针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳发送给端上sdk；待检测的语音交互设备将第一文本、回复文本、播放时间戳等上报。根据发送时间戳(vad语音活动检测判停时间戳)和针对音频信号的asr自动语音识别的结果时间戳，确定耗时指标包括的asr自动语音识别尾点耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和针对第一文本的nlp自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的nlp自然语言处理耗时指标；根据发送时间戳(vad语音活动检测判停时间戳)和播放时间戳(tts的首包时间戳)，确定性能耗时指标包括的交互耗时指标。
81.s205，硬件资源监控与上传。
82.本公开实施例中，接收待检测的语音交互设备响应于测试音频信号而返回的系统状态信息；根据系统状态信息，周期性的监控和上传待检测的语音交互设备的资源占用指标，资源占用指标包括工作进程的处理器cpu占用信息、工作线程的处理器cpu占用信息、工作进程的内存占用信息、工作线程的内存占用信息等。
83.s206，自动化执行与汇总。
84.本公开实施例中，自动化执行与汇总包括测试音频信号播放、测试音频信号接收响应、待检测的语音交互设备的硬件资源监控、日志记录埋点、将s202、s203、s204和s205中的数据汇总等。自动化执行与汇总的输出结果包括s207、s208、s209和s210。
85.s207，通用字准率、句准率。
86.s208，分类场景字准率、句准率。
87.s209，asr尾点耗时、nlp耗时和交互耗时。
88.s210，工作进程/线程的cpu和内存占用。
89.本公开实施例中，将自动化执行与汇总的输出结果发送到智能看板进行展示。智能看板可以展现资源占用指标和性能耗时指标的趋势图，以用于定位资源占用和性能耗时指标异常；当资源占用指标的趋势图定位资源占用为异常，或者当性能耗时指标的趋势图定位性能耗时为异常，则向用户报警。
90.本公开实施例中，针对智能语音交互硬件的自动化评测工作，能够较好的管理构建语音指令集，梳理安静/噪声场景，实时计算各阶段性能耗时，监控并上传硬件资源；通过自动化执行得到通用字准率和句准率，安静/噪声场景的句准率和字准率，asr尾点耗时、nlp耗时和交互耗时，实时监控硬件资源占用。扩大了智能语音交互硬件的评测指标范围，通过数据对比可以快速分析出智能语音交互硬件的识别效果瓶颈、性能耗时瓶颈和硬件资源占用瓶颈，增加了评测结果的可靠性、准确性和完整性。
91.基于相同的发明构思，本公开实施例还提供了一种语音交互设备的性能测试装置，该装置的结构示意图如图4所示，语音交互设备的性能测试装置40，包括第一处理模块401、第二处理模块402、第三处理模块403和第四处理模块404。
92.第一处理模块401，用于向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；
93.第二处理模块402，用于接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；
94.第三处理模块403，用于根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；
95.第四处理模块404，用于根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
96.本公开实施例中，第一处理模块401，还用于接收语音交互设备响应于测试音频信号而返回的系统状态信息；根据系统状态信息，确定语音交互设备的资源占用指标，资源占用指标包括工作进程的处理器占用信息、工作线程的处理器占用信息、工作进程的内存占用信息、工作线程的内存占用信息中的至少一项。
97.本公开实施例中，第一处理模块401，还用于基于预设的语音指令集，从预设发音人的性别、预设发音人的年龄、预设发音人的地域、预设发音人的语速中的至少一项，从预设的语音指令集中选择匹配的语音指令作为测试音频信号。
98.本公开实施例中，第一处理模块401，还用于根据选定的目标噪声场景类型，目标噪声场景类型包括安静场景或噪声场景；调用与目标噪声场景类型对应的加噪处理方法，对语音指令集中被选定的语音指令进行加噪处理得到携带噪声的测试音频信号。
99.本公开实施例中，第四处理模块404，具体用于：根据发送时间戳和针对测试音频信号的自动语音识别的结果时间戳，确定性能耗时指标包括的自动语音识别尾点耗时指
标；其中，发送时间戳为语音活动检测判停时间戳；根据发送时间戳和针对第一文本的自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的自然语言处理耗时指标；根据发送时间戳和播放时间戳，确定性能耗时指标包括的交互耗时指标；其中，播放时间戳为针对回复文本的文本转语音处理的首包时间戳。
100.本公开实施例中，第四处理模块404，还用于接收展示指令，展示指令包括用户选择的展示选项，用户选择的展示选项包括性能耗时指标包括的自动语音识别尾点耗时指标、性能耗时指标包括的自然语言处理耗时指标、性能耗时指标包括的交互耗时指标、语音识别准确率、资源占用指标中的至少一项；以图表形式展示用户选择的展示选项对应的性能耗时指标。
101.本公开实施例中，第四处理模块404，还用于当自动语音识别尾点耗时指标大于预设第一阈值，则进行报警，以用于表征自动语音识别尾点耗时指标不合格；当自然语言处理耗时指标大于预设第二阈值，则进行报警，以用于表征自然语言处理耗时指标不合格；当交互耗时指标大于预设第三阈值，则进行报警，以用于表征交互耗时指标不合格。
102.应用本公开实施例，至少具有如下有益效果：
103.在语音交互处理中确定语音交互设备的语音识别准确率的同时，实现了语音交互设备的性能耗时指标的确定；扩大了对语音交互设备的检测范围，可以通过语音识别准确率和性能耗时指标，分别快速分析出语音交互设备的识别效果瓶颈和性能耗时瓶颈，从而提高了测语音交互设备所得检测结果的可靠性、准确性和完整性。
104.本公开实施例提供的语音交互设备的性能测试装置中未详述的内容，可参照上述实施例提供的语音交互设备的性能测试方法，本公开实施例提供的语音交互设备的性能测试装置能够达到的有益效果与上述实施例提供的语音交互设备的性能测试方法相同，在此不再赘述。
105.下面参考图5，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
106.电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文所述的处理装置801，存储器可以包括下文中的只读存储器(rom)802、随机访问存储器(ram)803以及存储装置808中的至少一项，具体如图5所示：
107.电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
108.通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图5示出了具
有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
109.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。
110.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
111.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
112.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
113.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
114.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算
机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
115.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
116.描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定。
117.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
118.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
119.根据本公开的一个或多个实施例，实施例提供了一种语音交互设备的性能测试方法，包括：
120.向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；
121.接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的播放时间戳；
122.根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注
文本，确定语音交互设备的语音识别准确率；
123.根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
124.本公开实施例中，接收语音交互设备响应于测试音频信号而返回的系统状态信息；根据系统状态信息，确定语音交互设备的资源占用指标，资源占用指标包括工作进程的处理器占用信息、工作线程的处理器占用信息、工作进程的内存占用信息、工作线程的内存占用信息中的至少一项。
125.本公开实施例中，在向待测的语音交互设备发送测试音频信号之前，还包括：
126.基于预设的语音指令集，从预设发音人的性别、预设发音人的年龄、预设发音人的地域、预设发音人的语速中的至少一项，从预设的语音指令集中选择匹配的语音指令作为测试音频信号。
127.本公开实施例中，在向待测的语音交互设备发送测试音频信号之前，方法还包括：
128.根据选定的目标噪声场景类型，目标噪声场景类型包括安静场景或噪声场景；
129.调用与目标噪声场景类型对应的加噪处理方法，对语音指令集中被选定的语音指令进行加噪处理得到携带噪声的测试音频信号。
130.本公开实施例中，根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标，包括：
131.根据发送时间戳和针对测试音频信号的自动语音识别的结果时间戳，确定性能耗时指标包括的自动语音识别尾点耗时指标；其中，发送时间戳为语音活动检测判停时间戳；
132.根据发送时间戳和针对第一文本的自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的自然语言处理耗时指标；
133.根据发送时间戳和播放时间戳，确定性能耗时指标包括的交互耗时指标；其中，播放时间戳为针对回复文本的文本转语音处理的首包时间戳。
134.本公开实施例中，在根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标之后，还包括：
135.接收展示指令，展示指令包括用户选择的展示选项，用户选择的展示选项包括性能耗时指标包括的自动语音识别尾点耗时指标、性能耗时指标包括的自然语言处理耗时指标、性能耗时指标包括的交互耗时指标、语音识别准确率、资源占用指标中的至少一项；
136.以图表形式展示用户选择的展示选项对应的性能耗时指标。
137.本公开实施例中，当自动语音识别尾点耗时指标大于预设第一阈值，则进行报警，以用于表征自动语音识别尾点耗时指标不合格；当自然语言处理耗时指标大于预设第二阈值，则进行报警，以用于表征自然语言处理耗时指标不合格；当交互耗时指标大于预设第三阈值，则进行报警，以用于表征交互耗时指标不合格。
138.根据本公开的一个或多个实施例，实施例提供了一种语音交互设备的性能测试装置，包括：
139.第一处理模块，用于向待测的语音交互设备发送测试音频信号，并记录测试音频信号的发送时间戳作为第一时间戳；
140.第二处理模块，用于接收语音交互设备响应于测试音频信号而返回的测试过程数据，测试过程数据包括：针对测试音频信号经自动语音识别处理所得的第一文本、以及针对第一文本经自然语言处理所得的回复文本、以及回复文本经过语音合成所得的回复音频的
播放时间戳；
141.第三处理模块，用于根据第一文本和回复文本以及与测试音频信号对应的测试标注文本和回复标注文本，确定语音交互设备的语音识别准确率；
142.第四处理模块，用于根据发送时间戳和播放时间戳，确定语音交互设备的性能耗时指标。
143.本公开实施例中，第一处理模块，还用于接收语音交互设备响应于测试音频信号而返回的系统状态信息；根据系统状态信息，确定语音交互设备的资源占用指标，资源占用指标包括工作进程的处理器占用信息、工作线程的处理器占用信息、工作进程的内存占用信息、工作线程的内存占用信息中的至少一项。
144.本公开实施例中，第一处理模块，还用于基于预设的语音指令集，从预设发音人的性别、预设发音人的年龄、预设发音人的地域、预设发音人的语速中的至少一项，从预设的语音指令集中选择匹配的语音指令作为测试音频信号。
145.本公开实施例中，第一处理模块，还用于根据选定的目标噪声场景类型，目标噪声场景类型包括安静场景或噪声场景；调用与目标噪声场景类型对应的加噪处理方法，对语音指令集中被选定的语音指令进行加噪处理得到携带噪声的测试音频信号。
146.本公开实施例中，第四处理模块，具体用于：根据发送时间戳和针对测试音频信号的自动语音识别的结果时间戳，确定性能耗时指标包括的自动语音识别尾点耗时指标；其中，发送时间戳为语音活动检测判停时间戳；根据发送时间戳和针对第一文本的自然语言处理的结果时间戳，确定性能耗时指标包括的针对第一文本的自然语言处理耗时指标；根据发送时间戳和播放时间戳，确定性能耗时指标包括的交互耗时指标；其中，播放时间戳为针对回复文本的文本转语音处理的首包时间戳。
147.本公开实施例中，第四处理模块，还用于接收展示指令，展示指令包括用户选择的展示选项，用户选择的展示选项包括性能耗时指标包括的自动语音识别尾点耗时指标、性能耗时指标包括的自然语言处理耗时指标、性能耗时指标包括的交互耗时指标、语音识别准确率、资源占用指标中的至少一项；以图表形式展示用户选择的展示选项对应的性能耗时指标。
148.本公开实施例中，第四处理模块，还用于当自动语音识别尾点耗时指标大于预设第一阈值，则进行报警，以用于表征自动语音识别尾点耗时指标不合格；当自然语言处理耗时指标大于预设第二阈值，则进行报警，以用于表征自然语言处理耗时指标不合格；当交互耗时指标大于预设第三阈值，则进行报警，以用于表征交互耗时指标不合格。
149.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
150.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实
施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
151.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。