1.本技术涉及人工智能技术领域，尤其涉及一种外呼通话中机器人回复方法、装置、电子设备及存储介质。
背景技术：
2.随着人工智能技术飞速发展，外呼机器人被应用到各种领域。通过外呼机器人可以与用户的沟通，减少人力参与。但是在实际应用外呼机器人与用户进行通话时，经常出现外呼机器人回复的内容与实际不符，不能精确响应用户请求。所以，如何能使外呼机器人精准响应用户请求，成为本领域技术人员亟待解决的问题。
技术实现要素：
3.本技术提供一种外呼通话中机器人回复方法、装置、电子设备及存储介质，该方法中预设的大语言模型利用目标领域的录音文件训练得到，使得通过预设的大语言模型得到的机器人回复内容更有针对性，并且利用外呼通话中的所有通话记录对应的原有文本信息，以及由获取的用户的请求语音转化的文本信息，共同输入预设的大语言模型中，预设的大语言模型结合外呼通话中所有通话记录，输出在目标领域中更为精准的响应用户请求的机器人回复内容。
4.第一方面，本技术实施例提供一种外呼通话中机器人回复方法，包括：
5.获取用户的请求语音；
6.将所述请求语音转化为文本信息；
7.将所述文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果，并将所述第一输出结果作为机器人回复内容，其中所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
8.在一些实施例中，所述预设的大语言模型根据目标领域的录音文件训练得到的步骤包括：
9.获取目标领域中的录音文件集，所述录音文件集中包括多个录音文件，所述录音文件包括样本请求数据和样本回复数据；
10.将所述录音文件转换为样本文本，所述样本文本包括所述样本请求数据对应的样本请求文本和所述样本回复数据对应的样本回复文本；
11.利用所述样本文本训练第一预训练大语言模型，得到预设的大语言模型。
12.在一些实施例中，所述利用样本文本训练第一预训练大语言模型，得到预设的大语言模型的步骤包括：
13.利用所述样本文本训练第一预训练大语言模型，得到修正模型；
14.将所述样本文本中的样本请求文本输入到所述修正模型，以输出修正回复结果；
15.将所述修正回复结果输入预设的奖励模型，以输出奖励分值，所述奖励分值用于表征修正回复结果和与所述样本请求文本对应的样本回复文本的相似度；
16.利用所述奖励分值和样本文本对所述修正模型进行强化学习，得到预设的大语言模型。
17.在一些实施例中，所述方法还包括：
18.通过预设样本训练基底模型，得到预设的基底模型，其中所述预设样本包括目标领域中的文件信息，所述文件信息包括录音文件和文字文件。
19.在一些实施例中，利用奖励分值和样本文本对所述修正模型进行强化学习，得到预设的大语言模型的步骤包括：
20.利用所述奖励分值和样本文本对修正模型进行强化学习，得到强化学习后的修正模型；
21.将所述样本文本中的样本请求文本输入到预设的基底模型中，以输出基底回复结果；
22.利用所述样本文本中的样本请求文本和基底回复结果，训练强化学习后的修正模型，得到预设的大语言模型。
23.在一些实施例中，所述方法还包括：
24.所述原有文本信息、文本信息和机器人回复内容作为历史数据进行存储；
25.利用所述历史数据，训练提示模版模型，得到预设的提示模版模型。
26.在一些实施例中，在将文本信息和原有文本信息输入到预设的大语言模型，得到输出结果的步骤之前，还包括：
27.判断存储的历史数据的数据量是否超过预设数据量；如果超过预设数据量，则将所述文本信息和原有文本信息输入到预设的提示模版模型，得到第二输出结果，将所述第二输出结果作为机器人回复内容；
28.如果未超过预设数据量，则执行将文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果的步骤。
29.第二方面，本技术实施例还提供一种外呼通话中机器人回复装置，包括：
30.第一获取单元，用于获取用户的请求语音；
31.第一转换单元，用于将所述请求语音转化为文本信息；
32.输入单元，用于将所述文本信息和原有文本信息输入到预设的大语言模型，得到输出结果，并将所述输出结果作为机器人回复内容，其中所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
33.第三方面，本技术实施例还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的外呼通话中机器人回复方法的步骤。
34.第四方面，本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的外呼通话中机器人回复方法的步骤。
35.在上述实施例中提供的一种外呼通话中机器人回复方法、装置、电子设备及存储介质，该方法中预设的大语言模型利用目标领域的录音文件训练得到，使得通过预设的大语言模型得到的机器人回复内容更有针对性，并且利用外呼通话中的所有通话记录对应的原有文本信息，以及由获取的用户的请求语音转化的文本信息，共同输入预设的大语言模
型中，预设的大语言模型结合外呼通话中所有通话记录，输出在目标领域中更为精准的响应用户请求的机器人回复内容。方法包括：获取用户的请求语音；将所述请求语音转化为文本信息；将所述文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果，并将所述第一输出结果作为机器人回复内容，其中所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
附图说明
36.图1示例性示出了根据一些实施例提供的一种外呼通话中机器人回复方法的流程图；
37.图2示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图；
38.图3示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图；
39.图4示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图；
40.图5示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图；
41.图6示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复装置的结构示意图；
42.图7示例性示出了根据一些实施例提供的一种电子设备的结构图。
具体实施方式
43.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
44.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
45.随着人工智能技术飞速发展，外呼机器人被应用到各种领域。通过外呼机器人可以与用户的沟通，减少人力参与。但是在实际应用外呼机器人与用户进行通话时，经常出现外呼机器人回复的内容与实际不符，不能精确响应用户请求。所以，如何能使外呼机器人精准响应用户请求，成为本领域技术人员亟待解决的问题。
46.为了解决上述技术问题，本技术实施例提供了一种外呼通话中机器人回复方法，该方法中预设的大语言模型利用目标领域的录音文件训练得到，使得通过预设的大语言模型得到的机器人回复内容更有针对性，并且利用外呼通话中的所有通话记录对应的原有文本信息，以及由获取的用户的请求语音转化的文本信息，共同输入预设的大语言模型中，预
设的大语言模型结合外呼通话中所有通话记录，输出在目标领域中更为精准的响应用户请求的机器人回复内容。
47.图1示例性示出了根据一些实施例提供的一种外呼通话中机器人回复方法的流程图，所述方法包括步骤s100-s300。
48.s100、获取用户的请求语音。
49.本技术实施例中，当用户和机器人之间的外呼通话接通时，可以获取用户的请求语音。
50.示例性的，当外呼通话接通时，机器人可以首先表明通话意图，具体的“您好，我是您的xx客户顾问工号01010，很高兴为您服务。”，用户回应该内容，具体的“嗯好的”。此时可以将“嗯好的”作为请求语音进行获取。外呼通话中用户和机器人之间可能存在多轮对话，每轮对话中用户的语音都可以作为用户的请求语音。
51.s200、将所述请求语音转化为文本信息。
52.在一些实施例中，将所述请求语音利用asr(语音识别技术，automatic speech re cognition)技术转化为文本信息。本技术实施例中，将请求语音转化为文本信息，以便于后续处理。
53.s300、将所述文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果，并将所述第一输出结果作为机器人回复内容。
54.其中，所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
55.本技术实施例中，外呼通话是面向用户和机器人，在用户发送请求语音时，需要机器人回应用户。利用预设的大语言模型的第一输出结果作为机器人回复内容，并发送给用户。
56.可以理解的是，在一次外呼通话中用户和机器人之间可能出现多轮对话。本技术实施例中，将本次获取用户的请求语音之前的多轮对话的内容作为历史通话记录转化为原有文本信息。
57.本技术实施例中，所述预设的大语言模型根据目标领域的录音文件训练得到，该预设的大语言模型用于确定目标领域中的机器人回复内容。该预设的大语言模型可以在目标领域中得到精准响应用户请求的机器人回复内容，提高了机器人回复内容的准确性，有利于目标领域业务的开展。
58.示例性的，目标领域可以为保险、医疗、科技或教育等领域。
59.在一些实施例中，图2示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图。所述预设的大语言模型根据目标领域的录音文件训练得到的步骤包括：
60.s301、获取目标领域中的录音文件集，所述录音文件集中包括多个录音文件。
61.所述录音文件可以为通过多种方式获取的，其中可以包括机器人与用户真实外呼通话中获取的包括用户的请求语音和机器人回复内容的录音文件。所述录音文件包括样本请求数据和样本回复数据。
62.s302、将所述录音文件转换为样本文本，所述样本文本包括样本请求数据对应的样本请求文本和样本回复数据对应的样本回复文本。
63.s303、利用所述样本文本训练第一预训练大语言模型，得到预设的大语言模型。
64.在一些实施例中，如果录音文件中存在多轮对话，也可以对多轮对话进行拆解得到样本请求数据和样本回复数据。在一些实施例中，样本请求数据可能为一轮对话内容，样本请求数据也可能为多轮对话内容。
65.示例性的，多轮对话包括：
66.第一轮对话
67.机器人：您好，我是您的xx客服顾问工号01010，很高兴为您服务。
68.用户：嗯好的。
69.第二轮对话
70.机器人：我们是给到客户一个600万的医疗保障给带给您，那为了确保您的权益，我先带您到我们的微信公众号好吧。
71.用户：我了解一下。
72.第三轮对话
73.机器人：那感谢您的宝贵时间了，咱们先把手机返回9游会主页面然后打开微信，请问微信打开了吗？
74.用户：嗯额，打开了。
75.根据上述三轮对话构建样本请求数据和样本回复数据，包括：
76.样本1：机器人-1 用户-1输出：机器人-2；其中，样本请求数据为机器人-1 用户-1，样本回复数据为机器人-2。
77.样本2：机器人-1 用户-1 机器人-2 用户-2输出：机器人-3；其中，样本请求数据为机器人-1 用户-1 机器人-2 用户-2，样本回复数据为机器人-3。
78.样本3：机器人-1 用户-1 机器人-2 用户-2 机器人-3 用户-3输出：机器人-4；其中，样本请求数据为机器人-1 用户-1 机器人-2 用户-2 机器人-3 用户-3，样本回复数据为机器人-4。
79.其中，机器人-1代表上述第一轮机器人说的话，依次类推。
80.对多轮对话进行拆解后可以得到更多样本文本，利用更多样本文本对第一预训练大语言模型进行训练，可以使得训练得到的预设的大语言模型的输出结果更准确，使得将输出结果作为的机器人回复内容可以更精准的响应用户的请求语音。并且当样本文本包括多轮对话内容时，样本文本包含历史上下文信息，提高预设的大语言模型训练后的输出结果的准确性。
81.在一些实施例中，图3示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图。所述利用样本文本训练第一预训练大语言模型，得到预设的大语言模型的步骤包括s3031-s3034。
82.s3031、利用所述样本文本训练第一预训练大语言模型，得到修正模型。
83.s3032、将所述样本文本中的样本请求文本输入到所述修正模型，以输出修正回复结果。
84.本技术实施例中，在利用样本文本训练第一预训练大语言模型，得到修正模型之后，使用该修正模型。具体的，将样本文本中的样本请求文本输入到修正模型中，输出修正回复结果。
85.s3033、将所述修正回复结果输入预设的奖励模型，以输出奖励分值，所述奖励分值用于表征修正回复结果和与所述样本请求文本对应的样本回复文本的相似度。示例性的，奖励分值越高，修正回复结果和样本请求文本对应的样本回复文本的相似度越高。奖励分值越低，修正回复结果和样本请求文本对应的样本回复文本的相似度越低。
86.本技术实施例中，所述预设的奖励模型的学习样本为样本请求文本，与样本请求文本对应的修正回复结果和人工为修正回复结果打分得到的奖励分值。利用学习样本训练得到预设的奖励模型。
87.s3034、利用所述奖励分值和样本文本对所述修正模型进行强化学习，得到预设的大语言模型。
88.本技术实施例中通过强化学习，可以进一步提高预设的大语言模型的精确性。
89.本技术实施例中，为了使最终得到的预设的大语言模型更加精准，在利用样本文本训练预训练大语言模型得到修正模型之后，继续利用预设的奖励模型得到的奖励分值对修正模型进行强化学习，最终得到预设的大语言模型。
90.在一些实施例中，预设的大语言模型为自回归语言模型，本技术实施例采用生成式方式输出机器人回复内容。本技术实施例中，采用生成式预设的大语言模型(insurance gpt)，不需要人力参与标注，具有较强的复杂知识逻辑推理能力，并且可以针对多轮对话输出机器人回复内容，场景应用广泛。
91.具体的，自回归语言模型根据输入和模型预测的下一个输出，然后将二者累加在一起，继续预测下一个token(文本中的一个最小单位)，重复执行上述步骤。
92.示例性的：
93.机器人:您好，我是您的xx客服顾问工号01010，很高兴为您服务。
94.用户:嗯好的模型预测输出：我
95.然后将上一轮对话和模型预测输出的“我”二者累加在一起，继续预测下一个toke n。
96.机器人:您好，我是您的xx客服顾问工号01010，很高兴为您服务。
97.用户:嗯好的。
98.机器人:我
99.模型预测输出：们
100.基于上述对话和模型预测输出的“们”二者累加在一起，继续预测下一个token。
101.机器人:您好，我是您的xx客服顾问工号01010，很高兴为您服务。
102.用户:嗯好的。
103.机器人:我们
104.模型预测输出：是
105.基于上述对话和模型预测输出的“是”二者累加在一起，继续预测下一个token。
106.机器人:您好，我是您的xx客服顾问工号01010，很高兴为您服务。
107.用户:嗯好的。
108.机器人:我们是
109.模型预测输出：给
110.依次类推，最终输出完成完整句子：我们是给到客户一个600万的医疗保障给带给
您，那为了确保您的权益，我先带您到我们的微信公众号好吧，将该句子作为预设的大语言模型输出的机器人回复内容。
111.在一些实施例中，所述方法还包括：
112.通过预设样本训练基底模型，得到预设的基底模型，其中所述预设样本包括目标领域中的文件信息，所述文件信息包括录音文件和文字文件。
113.示例性的，所述目标领域为保险，文字文件可以包括保险条款、产品介绍和保险推文等。
114.本技术实施例中，预设的基底模型训练时使用的预设样本除了录音文件还包括目标领域的文字文件，文字文件和录音文件一同使用使得训练得到的预设的基底模型输出的结果更精准。
115.在一些实施例中，图4示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图。
116.利用奖励分值和样本文本对所述修正模型进行强化学习，得到预设的大语言模型的步骤包括步骤s3034-1至s3034-3。
117.s3034-1、利用所述奖励分值和样本文本对修正模型进行强化学习，得到强化学习后的修正模型。本技术实施例中，强化学习后的修正模型可以使其输出的结果，较未强化学习之前的修正模型输出的结果的准确性更高，更能精准的响应用户请求。
118.s3034-2、将所述样本文本中的样本请求文本输入到预设的基底模型中，以输出基底回复结果；
119.s3034-3、利用所述样本文本中的样本请求文本和基底回复结果，训练强化学习后的修正模型，得到预设的大语言模型。
120.本技术实施例中，由于预设的基底模型输出的基底回复结果的准确性较高，为了进一步提高预设的大语言模型输出结果的准确，利用基底回复结果和样本文本中的样本请求文本作为训练样本，继续训练强化学习后的修正模型，最终得到预设的大语言模型。
121.在一些实施例中，所述方法还包括：所述原有文本信息、文本信息和机器人回复内容作为历史数据进行存储。在一些实施例中，可以将历史数据存储在数据库中。
122.利用所述历史数据，训练提示模版模型，得到预设的提示模版模型。在一些实施例中，从数据库中获取历史数据，利用该历史数据训练提示模版模型。
123.本技术实施例中，可以利用实际操作过程中，积累的外呼通话中得到的原有文本信息、文本信息和机器人回复内容，可以训练提示模版模型，得到预设的提示模版模型。
124.在一些实施例中，图5示例性示出了根据一些实施例提供的又一种外呼通话中机器人回复方法的流程图。
125.在将文本信息和原有文本信息输入到预设的大语言模型，得到输出结果的步骤之前，还包括步骤s400-s600。
126.s400、判断存储的历史数据的数据量是否超过预设数据量。本技术实施例中，将每次机器人和用户之间外呼通话之间的通话记录全部存储。
127.所述预设数据量可以根据实际需求设定，在此不做限定。
128.s500、如果存储的历史数据的数据量超过预设数据量，则将所述文本信息和原有文本信息输入到预设的提示模版模型，得到第二输出结果，将所述第二输出结果作为机器
人回复内容。
129.本技术实施例中，当存储的数据量超过预设数据量，则说明存储的原有文本信息、文本信息和机器人回复内容的内容足够多，可以覆盖大部门或者全部的用户和机器人之间的聊天内容，此时可以不再使用预设的大语言模型，直接使用提示模版模型，这样处理数据的数量较少，不占用电子设备的过多资源。
130.示例性的，存储的数据量超过预设数据量。存储的历史数据包括：机器人：您好，我是您的xx客服顾问工号01010，很高兴为您服务。用户：嗯好的。机器人：我们是给到客户一个600万的医疗保障给带给您，那为了确保您的权益，我先带您到我们的微信公众号好吧。用户：我了解一下。机器人：那感谢您的宝贵时间了，咱们先把手机返回9游会主页面然后打开微信，请问微信打开了吗？用户：嗯额，打开了。此时当获取用户的请求语言转化为的文字信息为嗯好的，原有文字信息为机器人：您好，我是您的xx客服顾问工号01010，很高兴为您服务。则此时将文字信息和原有文字信息一同输入到预设的提示模版模型中，最终输出“我们是给到客户一个600万的医疗保障给带给您，那为了确保您的权益，我先带您到我们的微信公众号好吧。”。
131.在一些实施例中，预设的提示模版模型为文字信息和原有文字信息从存储的历史数据中查找相同的内容，然后确定与该内容对应的机器人回复内容。
132.s600、如果存储的历史数据的数据量未超过预设数据量，则执行将文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果的步骤。本技术实施例中，如果存储的历史数据的数据量未超过预设数据量，则说明当前存储的历史数据的数据量较小，此时利用预设的提示模版模型确定机器人回复内容，可能不是很精准，所以执行将文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果的步骤，这样保证机器人回复内容可以精准的响应用户的请求语音。
133.本技术实施例中，当大量的数据训练提示模版模型之后，可以在获取到用户的请求语音后，直接使用该提示模版模型，将提示模版模型输出的第二输出结果作为机器人回复内容发送给用户。
134.上述实施例中，提供的一种外呼通话中机器人回复方法，该方法中预设的大语言模型利用目标领域的录音文件训练得到，使得通过预设的大语言模型得到的机器人回复内容更有针对性，并且利用外呼通话中的所有通话记录对应的原有文本信息，以及由获取的用户的请求语音转化的文本信息，共同输入预设的大语言模型中，预设的大语言模型结合外呼通话中所有通话记录，输出在目标领域中更为精准的响应用户请求的机器人回复内容。方法包括：获取用户的请求语音；将所述请求语音转化为文本信息；将所述文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果，并将所述第一输出结果作为机器人回复内容，其中所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
135.需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。实际应用中，上述所有可能的实施方式可以采用结合的方式任意组合，形成本技术的可能的实施例，在此不再一一赘述。
136.基于上文各个实施例提供的外呼通话中机器人回复方法，基于同一发明构思，本
申请实施例还提供了一种外呼通话中机器人回复装置。
137.图6示例性示出了根据一些实施例提供的一种外呼通话中机器人回复装置的结果示意图。如图6所示，该外呼通话中机器人回复装置具体可以包括第一获取单元610、第一转换单元620和输入单元630。
138.第一获取单元610，用于获取用户的请求语音；
139.第一转换单元620，用于将所述请求语音转化为文本信息；
140.输入单元630，用于将所述文本信息和原有文本信息输入到预设的大语言模型，得到输出结果，并将所述输出结果作为机器人回复内容，其中所述原有文本信息为本次外呼通话中历史通话记录转化的文本信息，所述预设的大语言模型根据目标领域的录音文件训练得到。
141.本技术实施例中提供了一种可能的实现方式，所述装置还包括：
142.第二获取单元，用于获取目标领域中的录音文件集，所述录音文件集中包括多个录音文件，所述录音文件包括样本请求数据和样本回复数据；
143.第二转换单元，用于将所述录音文件转换为样本文本，所述样本文本包括所述样本请求数据对应的样本请求文本和所述样本回复数据对应的样本回复文本；
144.训练单元，用于利用所述样本文本训练第一预训练大语言模型，得到预设的大语言模型。
145.本技术实施例中提供了一种可能的实现方式，所述训练单元，具体用于：
146.利用所述样本文本训练第一预训练大语言模型，得到修正模型；
147.将所述样本文本中的样本请求文本输入到所述修正模型，以输出修正回复结果；
148.将所述修正回复结果输入预设的奖励模型，以输出奖励分值，所述奖励分值用于表征修正回复结果和与所述样本请求文本对应的样本回复文本的相似度；
149.利用所述奖励分值和样本文本对所述修正模型进行强化学习，得到预设的大语言模型。
150.本技术实施例中提供了一种可能的实现方式，所述装置还包括：
151.基底模型确定单元，用于通过预设样本训练基底模型，得到预设的基底模型，其中所述预设样本包括目标领域中的文件信息，所述文件信息包括录音文件和文字文件。
152.本技术实施例中提供了一种可能的实现方式，所述训练单元，还具体用于：
153.利用所述奖励分值和样本文本对修正模型进行强化学习，得到强化学习后的修正模型；
154.将所述样本文本中的样本请求文本输入到预设的基底模型中，以输出基底回复结果；
155.利用所述样本文本中的样本请求文本和基底回复结果，训练强化学习后的修正模型，得到预设的大语言模型。
156.本技术实施例中提供了一种可能的实现方式，所述装置还包括：
157.存储单元，用于所述原有文本信息、文本信息和机器人回复内容作为历史数据进行存储；
158.利用所述历史数据，训练提示模版模型，得到预设的提示模版模型。
159.本技术实施例中提供了一种可能的实现方式，所述装置还包括：
160.判断单元，用于判断存储的历史数据的数据量是否超过预设数据量；如果超过预设数据量，则将所述文本信息和原有文本信息输入到预设的提示模版模型，得到第二输出结果，将所述第二输出结果作为机器人回复内容；
161.如果未超过预设数据量，则执行将文本信息和原有文本信息输入到预设的大语言模型，得到第一输出结果的步骤。
162.基于同一发明构思，本技术实施例还提供了一种电子设备，包括处理器和存储器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任意一个实施例的外呼通话中机器人回复方法。
163.在示例性的实施例中，提供了一种电子设备，如图7所示，图7所示的电子设备700包括：处理器701和存储器703。其中，处理器701和存储器703相连，如通过总线702相连。可选地，电子设备700还可以包括收发器704。需要说明的是，实际应用中收发器704不限于一个，该电子设备700的结构并不构成对本技术实施例的限定。
164.处理器701可以是cpu(central processing unit，中心处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specificintegrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器701也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
165.总线702可包括一通路，在上述组件之间传送信息。总线702可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extendedindustry standard ar chitecture，扩展工业标准结构)总线等。总线702可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
166.存储器703可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasableprog rammable read only memory，电可擦可编程只读存储器)、cd-rom(compact discread only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
167.存储器703用于存储执行本技术方案的计算机程序代码，并由处理器701来控制执行。处理器701用于执行存储器703中存储的计算机程序代码，以实现前述方法实施例所示的内容。
168.其中，电子设备包括但不限于：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7示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
169.基于同一发明构思，本技术实施例还提供了一种存储介质，该存储介质中存储有
计算机程序，其中，计算机程序被设置为运行时执行上述任意一个实施例的外呼通话中机器人回复方法。
170.所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
171.本领域普通技术人员可以理解：本技术的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干程序指令，用以使得一电子设备(例如个人计算机，服务器，或者网络设备等)在运行所述程序指令时执行本技术各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。
172.或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的电子设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被电子设备的处理器执行时，所述电子设备执行本技术各实施例所述方法的全部或部分步骤。
173.以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：在本技术的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案脱离本技术的保护范围。