1.一种人工智能方法，其特征在于，所述方法包括：平时时间范围获取步骤：获取平时所对应的时间范围；

平时语音获取步骤：在所述时间范围内获取被识别人的平时语音；

平时情绪识别步骤：通过被识别人的平时语音识别得到被识别人的平时情绪；

待识别语音获取步骤：获取被识别人的待识别语音；

待识别情绪识别步骤：通过被识别人的待识别语音识别得到被识别人的待识别情绪；

待识别情绪矫正步骤：被识别人的待识别情绪与被识别人的平时情绪进行比较，计算被识别人的待识别情绪相对于平时情绪的变化，将平时情绪设置为正常情绪，从而得到矫正后的待识别情绪。

2.根据权利要求1所述的人工智能方法，其特征在于，所述平时情绪识别步骤具体包括：将被识别人的平时语音的每一个音频输入预设音频情绪识别模型，得到所述每一个音频对应的情绪，将每一个音频对应的情绪进行加权平均，得到被识别人的平时语音对应的情绪；

所述待识别情绪识别步骤具体包括：将被识别人的待识别语音的每一个音频输入预设音频情绪识别模型，得到所述每一个音频对应的情绪，将每一个音频对应的情绪进行加权平均，得到被识别人的待识别语音对应的情绪。

3.根据权利要求1所述的人工智能方法，其特征在于，所述待识别情绪矫正步骤具体包括：被识别人的待识别情绪记为Y，被识别人的平时情绪记为X，正常情绪记为P，被识别人的矫正后的待识别情绪记为Q，f为情绪变化计算函数，输入2个情绪到f中，f输出2个情绪之间的变化度，则f(X，Y)＝f(P，Q)，因为X，Y，P均已知，所以可以求解出Q。

4.根据权利要求2所述的人工智能方法，其特征在于，所述预设音频情绪识别模型的构建步骤包括：

数据采集步骤：采集多个人的多个语音，将全部或部分语音通过人工打上情绪的标签；

模型初始化步骤：初始化音频情绪识别模型为深度学习模型或卷积神经网络模型或其它机器学习模型；

无监督训练步骤：如果所述音频情绪识别模型支持无监督学习，则将每一语音作为输入，对所述音频情绪识别模型进行无监督训练；

有监督训练步骤：将每一已经打了情绪标签的语音作为输入数据，将所述语音的情绪标签作为预期输出数据，对音频情绪识别模型进行有监督训练；

测试步骤：对训练后的所述音频情绪识别模型进行测试，如果测试通过，则将所述音频情绪识别模型作为所述预设的音频情绪识别模型，如果测试没有通过，则采集更多的语音并打标签后对所述音频情绪识别模型重新进行训练。

5.根据权利要求1所述的人工智能方法，其特征在于，所述平时语音获取步骤还包括：同类语音代替步骤：若在所述时间范围内被识别人的平时语音获取失败，则获取与被识别人属于同一小类的人的平时语音作为被识别人的平时语音，若与被识别人属于同一小类的人的平时语音获取失败，则获取与被识别人属于同一大类的人的平时语音作为被识别人的平时语音，若与被识别人属于同一大类的人的平时语音获取失败，则获取与被识别人属于同一更大类的人的平时语音作为被识别人的平时语音，如此类推进行预设次尝试或一直尝试直至获取成功；

亲属语音代替步骤：若在所述时间范围内被识别人的平时语音获取失败，且与被识别人属于同一类的人的平时语音也获取失败，则获取与被识别人有亲缘关系的人的平时语音作为被识别人的平时语音。

6.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：语音内容限定步骤：所述获取的被识别人的待识别语音和所述获取的被识别人的平时语音和音频情绪识别模型训练时所输入的语音对应的文本内容相同或相近。

7.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：表情语音综合识别步骤：在所述时间范围内获取被识别人的平时语音；获取被识别人的待识别语音；通过被识别人的平时表情基于表情情绪识别模型识别得到被识别人的平时情绪；通过被识别人的待识别表情基于表情情绪识别模型识别得到被识别人的待识别情绪；将通过被识别人的平时表情识别得到的被识别人的平时情绪与通过被识别人的平时语音识别得到的被识别人的平时情绪根据第一预设权重、第二预设权重进行加权平均得到被识别人的平时综合情绪；将通过被识别人的待识别表情识别得到的被识别人的待识别情绪与通过被识别人的待识别语音识别得到的被识别人的待识别情绪根据第一预设权重、第二预设权重进行加权平均得到被识别人的待识别综合情绪；

测试数据获取步骤：获取测试过程中表情情绪识别模型识别出心理状态不正常且实际上也不正常的人数TP1，识别出心理状态正常但实际上不正常的人数FN1，获取测试过程中表情情绪识别模型识别出心理状态正常且实际上也正常的人数TN1，识别出心理状态不正常但实际上正常的人数FP1；

ROC_AUC计算步骤：计算得到灵敏度TPR11＝TP1/(TP1+FN1)，计算得到漏诊率FNR12＝

1‑P11；计算得到特异度TNR11＝TN1/(TN1+FP1)，计算得到误诊率FPR12＝1‑Q11；获取测试过程中音频情绪识别模型识别出心理状态不正常且实际上也不正常的人数TP2，识别出心理状态正常但实际上不正常的人数FN2，计算得到灵敏度TPR21＝TP2/(TP2+FN2)，计算得到漏诊率FNR22＝1‑P21；获取测试过程中表情情绪识别模型识别出心理状态正常且实际上也正常的人数TN2，识别出心理状态不正常但实际上正常的人数FP2，计算得到特异度TNR21＝TN2/(TN2+FP2)，计算得到误诊率FPR22＝1‑Q21；根据灵敏度TPR11、特异度TNR11计算得到接收者操作特征曲线ROC1，根据接收者操作特征曲线ROC1计算得到ROC1曲线下与坐标轴围成的面积ROC_AUC1；根据灵敏度TPR21、特异度TNR21计算得到接收者操作特征曲线ROC2，根据接收者操作特征曲线ROC2计算得到ROC2曲线下与坐标轴围成的面积ROC_AUC2；

分类准确率计算步骤：计算得到分类准确率Accuracy1＝(TP1+TN1)/(TP1+FP1+FN1+TN1)，Accuracy2＝(TP2+TN2)/(TP2+FP2+FN2+TN2)；

F1‑score计算步骤：计算得到分类精确率Precision1＝(TP1)/(TP1+FP1)，Precision2＝(TP2)/(TP2+FP2)；计算得到分类召回率Recall1＝(TP1)/(TP1+FN1)，Recall2＝(TP2)/(TP2+FN2)；F1‑score1＝2/(1/Precision1+1/Recall1),F1‑score2＝2/(1/Precision2+1/Recall2)；

PR_AUC计算步骤：根据分类精确率Precision1、分类召回率Recall1计算得到PR曲线，根据PR曲线计算得到PR曲线下与坐标轴围成的面积PR_AUC1；根据分类精确率Precision2、分类召回率Recall2计算得到PR曲线，根据PR曲线计算得到PR曲线下与坐标轴围成的面积PR_AUC2；

预设权重设置步骤：根据ROC_AUC1、Accuracy1、F1‑score1、PR_AUC1加权平均得到权重

1，根据ROC_AUC2、Accuracy2、F1‑score2、PR_AUC2加权平均得到权重2，将权重1/(权重1+权重2)作为所述第一预设权重，将权重2/(权重1+权重2)作为所述第二预设权重；

待识别情绪综合矫正步骤：被识别人的待识别综合情绪与被识别人的平时综合情绪进行比较，计算被识别人的待识别综合情绪相对于平时综合情绪的变化，将平时综合情绪设置为正常情绪，从而得到矫正后的待识别综合情绪。

8.根据权利要求6所述的人工智能方法，其特征在于，所述方法还包括：语音内容双重用途步骤：所述文本内容为能够进行心理辅导的文本。

9.一种人工智能装置，其特征在于，所述装置用于实现权利要求1‑8任意一项所述方法的步骤。

10.一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1‑8任意一项所述方法的步骤。