基于语音的控制方法和装置与流程

[0001]
本申请涉及计算机技术领域，具体涉及人工智能和语音处理技术领域，尤其涉及基于语音的控制方法和装置。


背景技术：

[0002]
随着人工智能技术的发展，语音识别技术也日趋成熟。语音识别指对人说出或设备输出的语音进行识别，以得到语音对应的文字内容。在相关技术中，语音识别一般分为两个途径：在线语音识别和离线语音识别。
[0003]
通过语音识别得到的结果，可以包括用于对设备进行控制的控制指令。比如，对于智能交互设备发出的调高音量的控制指令。


技术实现要素：

[0004]
提供了一种基于语音的控制方法、装置、电子设备以及存储介质。
[0005]
根据第一方面，提供了一种基于语音的控制方法，包括：采集语音信息，对语音信息进行在线识别和离线识别；获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令；确定获取到在线识别结果和离线识别结果的先后顺序，并基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。
[0006]
根据第二方面，提供了一种基于语音的控制装置，包括：采集单元，被配置成采集语音信息，对语音信息进行在线识别和离线识别；获取单元，被配置成获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令；确定单元，被配置成确定获取到在线识别结果和离线识别结果的先后顺序，并基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。
[0007]
根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如基于语音的控制方法中任一实施例的方法。
[0008]
根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如基于语音的控制方法中任一实施例的方法。
[0009]
根据第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据基于语音的控制方法中任一实施例的方法。
[0010]
根据本申请的方案，可以同时利用在线识别结果和离线识别结果，以通过更全面的资源确定要执行的控制指令，有助于得到更准确的控制指令。并且，通过具有时间特性的先后顺序，确定要执行的控制指令，有助于在得到了更准确的控制指令的情况下，同时提高确定控制指令的效率。
附图说明
[0011]
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0012]
图1是本申请一些实施例可以应用于其中的示例性系统架构图；
[0013]
图2是根据本申请的基于语音的控制方法的一个实施例的流程图；
[0014]
图3是根据本申请的基于语音的控制方法的又一个实施例的流程图；
[0015]
图4是根据本申请的基于语音的控制方法的又一个实施例的流程图；
[0016]
图5是根据本申请的基于语音的控制装置的一个实施例的结构示意图；
[0017]
图6是用来实现本申请实施例的基于语音的控制方法的电子设备的框图。
具体实施方式
[0018]
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0019]
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0020]
图1示出了可以应用本申请的基于语音的控制方法或基于语音的控制装置的实施例的示例性系统架构100。
[0021]
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0022]
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如智能交互类应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
[0023]
这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
[0024]
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的语音信息等数据进行分析等处理，并将处理结果(例如在线识别结果)反馈给终端设备。
[0025]
需要说明的是，本申请实施例所提供的基于语音的控制方法可以由终端设备101、102、103执行，相应地，基于语音的控制装置可以设置于终端设备101、102、103中。
[0026]
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0027]
继续参考图2，示出了根据本申请的基于语音的控制方法的一个实施例的流程200。该基于语音的控制方法，包括以下步骤：
[0028]
步骤201，采集语音信息，对语音信息进行在线识别和离线识别。
[0029]
在本实施例中，基于语音的控制方法运行于其上的执行主体(例如图1所示的终端设备)可以采集语音信息，并对该语音信息进行在线识别和离线识别。这里的在线识别指，将语音信息发送给用于语音识别的服务器，以使该服务器进行语音识别，该服务器向上述执行主体返回的语音识别结果即是在线识别结果。离线识别即是上述执行主体在本地完成的语音识别过程所得到的结果。
[0030]
步骤202，获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令。
[0031]
在本实施例中，上述执行主体可以获取语音信息的在线识别结果和离线识别结果。在实践中，在线识别结果和离线识别结果中的一者或两者为控制指令。这里的控制指令是语音信息的发出者对于上述执行主体进行控制的指令，比如“调大音量”。或者，在线识别结果和离线识别结果也可以是控制指令以外的内容，比如用于和用户进行交互的待播放语音，如“主人，你真漂亮”。
[0032]
具体地，这里的获取在线识别结果和离线识别结果，获取结果可以是这两个识别结果均获取到，也可以仅仅获取到其中一个。
[0033]
步骤203，确定获取到在线识别结果和离线识别结果的先后顺序，并基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。
[0034]
在本实施例中，上述执行主体可以确定出上述在线识别结果和离线识别结果的获取的先后顺序，并基于该先后顺序，来执行在线识别结果和离线识别结果这两者中的一者，具体地，这一者为控制指令。这一者可以是在线识别结果和离线识别结果中唯一的控制指令，或者，如果在线识别结果和离线识别结果均是控制指令，上述的这一者也可以是从这两者中选择出的一者。在实践中，上述执行主体可以在获取到在线识别结果和离线识别结果中的一者或两者的情况下，确定上述先后顺序。比如，可以在仅获取到其中一者的情况下，直接确定出这其中一者为在先获取到的识别结果。
[0035]
在实践中，上述执行主体可以采用各种方式基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。比如，上述执行主体可以直接从两者中确定在先获取到的一者，并在这一者为控制指令的情况下，执行这一者。如果在先获取到的这一者不是控制指令，则上述执行主体可以直接执行在后获取到的一者。
[0036]
本申请的上述实施例提供的方法可以同时利用在线识别结果和离线识别结果，以通过更全面的资源确定要执行的控制指令，有助于得到更准确的控制指令。并且，通过具有时间特性的先后顺序，确定要执行的控制指令，有助于在得到了更准确的控制指令的情况下，同时提高确定控制指令的效率。
[0037]
在本实施例的一些可选的实现方式中，上述步骤203中的基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者，可以包括：若先后顺序为获取到在线识别结果后于获取到离线识别结果，响应于离线识别结果为控制指令，执行离线识别结果。
[0038]
在这些可选的实现方式中，上述执行主体可以在获取离线识别结果较快的情况下，优先采用作为控制指令的离线识别结果，从而可以有效确保对设备的控制速度。
[0039]
在本实施例的一些可选的实现方式中，上述步骤203中的基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者，可以包括：若先后顺序为获取到在线识
别结果后于获取到离线识别结果，响应于离线识别结果不为控制指令，且在线识别结果为控制指令，则执行在线识别结果。
[0040]
在这些可选的实现方式中，如果上述先后顺序为在先获取到离线识别结果，则上述执行主体可以在离线识别结果不是控制指令的情况下，采用在线识别结果，从而确保实现较为准确的语音控制。
[0041]
在本实施例的一些可选的实现方式中，在采集语音信息之前，上述方法还可以包括：响应于采集到唤醒音频，开始监听语音信息。
[0042]
在这些可选的实现方式中，上述执行主体可以在被唤醒之后，开始监听语音信息，从而可以及时采集到语音信息。
[0043]
继续参见图3，图3是根据本实施例的基于语音的控制方法的又一个实施例的流程图。
[0044]
如图3所示，上述执行主体可以包括音频采集模块、在线识别模块、离线识别模块和语音控制模块。首先，上述执行主体可以利用音频采集模块采集语音信息。之后，上述执行主体可以利用在线识别模块对该语音信息进行在线识别，得到在线识别结果，并利用离线识别模块对该语音信息进行离线识别，得到离线识别结果。上述执行主体可以判断在线识别结果的返回速度是否不慢于离线识别结果的返回速度。
[0045]
如果判断结果为是，则上述执行主体可以确定在线识别结果是否是控制指令，并在确定结果为是的情况下让语音控制模块执行该控制指令也即在线识别结果，并在确定结果为否的情况下结束流程。
[0046]
如果判断结果为否，则上述执行主体可以确定离线识别结果是否是控制指令，并在确定结果为是的情况下让语音控制模块执行该控制指令也即离线识别结果。
[0047]
进一步参考图4，其示出了基于语音的控制方法的又一个实施例的流程400。该流程400，包括以下步骤：
[0048]
步骤401，采集语音信息，对语音信息进行在线识别和离线识别。
[0049]
在本实施例中，基于语音的控制方法运行于其上的执行主体(例如图1所示的终端设备)可以采集语音信息，并对该语音信息进行在线识别和离线识别。这里的在线识别指，将语音信息发送给用于语音识别的服务器，以使该服务器进行语音识别，该服务器向上述执行主体返回的语音识别结果即是在线识别结果。离线识别即是上述执行主体在本地完成的语音识别过程所得到的结果。
[0050]
步骤402，获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令。
[0051]
在本实施例中，上述执行主体可以获取语音信息的在线识别结果和离线识别结果。在实践中，在线识别结果和离线识别结果中的一者或两者为控制指令。这里的控制指令是语音信息的发出者对于上述执行主体进行控制的指令，比如“调大音量”。
[0052]
步骤403，确定获取到在线识别结果和离线识别结果的先后顺序，若先后顺序为获取到在线识别结果非后于获取到离线识别结果，响应于在线识别结果为控制指令，执行在线识别结果。
[0053]
在本实施例中，如果先后顺序为在先获取到在线识别结果，或在线识别结果和离线识别结果同时获取到，则可以在在线识别结果为控制指令的情况下，执行该在线识别结
果。该情况下，获取到在线识别结果的时间在先或者与获取到离线识别结果的时间一致，获取到在线识别结果的速度不慢于获取到离线识别结果的速度。
[0054]
本实施例可以在较早获取到在线识别结果的情况下，和获取到的时机一致的情况均优先采用在线识别结果，利用在线识别的准确性有效确保了获取控制指令的准确度。
[0055]
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种基于语音的控制装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
[0056]
如图5所示，本实施例的基于语音的控制装置500包括：采集单元501、获取单元502和确定单元503。其中，采集单元501，被配置成采集语音信息，对语音信息进行在线识别和离线识别；获取单元502，被配置成获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令；确定单元503，被配置成确定获取到在线识别结果和离线识别结果的先后顺序，并基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。
[0057]
在本实施例中，基于语音的控制装置500的采集单元501、获取单元502和确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。
[0058]
在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者：若先后顺序为获取到在线识别结果非后于获取到离线识别结果，响应于在线识别结果为控制指令，执行在线识别结果。
[0059]
在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者：若先后顺序为获取到在线识别结果后于获取到离线识别结果，响应于离线识别结果为控制指令，执行离线识别结果。
[0060]
在本实施例的一些可选的实现方式中，确定单元，进一步被配置成按照如下方式执行基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者：若先后顺序为获取到在线识别结果后于获取到离线识别结果，响应于离线识别结果不为控制指令，且在线识别结果为控制指令，则执行在线识别结果。
[0061]
在本实施例的一些可选的实现方式中，装置还包括：监听单元，被配置成在采集语音信息之前，响应于采集到唤醒音频，开始监听语音信息。
[0062]
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0063]
如图6所示，是根据本申请实施例的基于语音的控制方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
[0064]
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
[0065]
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的基于语音的控制方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的基于语音的控制方法。
[0066]
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的基于语音的控制方法对应的程序指令/模块(例如，附图5所示的采集单元501、获取单元502和确定单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的基于语音的控制方法。
[0067]
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于语音的控制电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至基于语音的控制电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0068]
基于语音的控制方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0069]
输入装置603可接收输入的数字或字符信息，以及产生与基于语音的控制电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
[0070]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出
装置。
[0071]
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0072]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0073]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0074]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
[0075]
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。
[0076]
描述于本申请实施例中所涉及到的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、获取单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“采集语音信息，对语音信息进行在线识别和离线识别的单元”。
[0077]
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是
上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：采集语音信息，对语音信息进行在线识别和离线识别；获取语音信息的在线识别结果和离线识别结果，其中，在线识别结果和离线识别结果中的至少一者为控制指令；确定获取到在线识别结果和离线识别结果的先后顺序，并基于先后顺序，执行在线识别结果和离线识别结果中作为控制指令的一者。
[0078]
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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。