语音指令的识别方法及装置与流程

1.本发明涉及智能终端技术领域，特别是涉及一种语音指令的识别方法及装置。


背景技术：

2.随着人工智能技术的不断发展，作为人工智能技术重要组成部分的语音识别技术也得到了快速发展，从而使得智能语音助手对语音指令的识别准确率越来越高。用户在成功唤醒智能终端设备中的智能语音助手后，便可根据需求发出语音指令，而智能语音助手在接收到用户发出的语音指令后，便会通过语音识别技术对该语音指令进行识别，并根据识别结果执行对应的操作。
3.在实际使用智能语音助手的过程中，用户经常会发出错误的语音指令，并在意识到错误后立即对发出的错误语音指令进行纠错，然而，智能语音助手却仅执行先接收到的错误语音指令，导致用户在使用智能语音助手时的用户体验较差。


技术实现要素：

4.有鉴于此，本发明提供一种语音指令的识别方法及装置，主要目的在于使智能语音助手有效识别出用户发出的错误语音指令，从而提升用户在使用智能语音助手时的用户体验。
5.为了解决上述问题，本发明主要提供如下技术方案：
6.第一方面，本发明提供了一种语音指令的识别方法，所述方法包括：
7.当接收到目标用户发出的语音指令时，拍摄所述目标用户对应的动作图像；
8.判断所述动作图像是否为纠错动作图像；
9.若是，则输出预置提示语句，以提示所述目标用户确定是否执行所述语音指令对应的操作；或者
10.在接收到所述目标用户发出的纠错语音指令后，执行所述纠错语音指令对应的操作。
11.可选的，在所述拍摄所述目标用户对应的动作图像之前，所述方法还包括：
12.基于声源定位算法通过预置麦克风阵列确定所述目标用户的具体位置；和/或
13.基于波束形成算法通过所述预置麦克风阵列确定所述目标用户的具体位置。
14.可选的，所述判断所述动作图像是否为纠错动作图像，包括：
15.将所述动作图像发送给云端服务器，以与多个预置纠错动作图像进行匹配，其中，所述预置纠错动作图像为所述云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；
16.当接收到所述云端服务器发送的匹配成功信息时，将所述动作图像判定为纠错动作图像，并将所述动作图像保存在本地存储空间中。
17.可选的，所述判断所述动作图像是否为纠错动作图像，包括：
18.将所述动作图像与至少一个历史动作图像进行匹配，其中，所述历史动作图像为
本地存储空间中保存的、记录有所述目标用户在发出错误语音指令时通常会做出的动作的图像；
19.当所述动作图像与任意一个所述历史动作图像匹配成功时，将所述动作图像判定为纠错动作图像。
20.可选的，在所述将所述动作图像判定为纠错动作图像之后，所述方法还包括：
21.将所述动作图像保存在本地存储空间中。
22.可选的，在所述将所述动作图像判定为纠错动作图像之后，所述方法还包括：
23.将所述动作图像发送给云端服务器。
24.可选的，所述输出预置提示语句，包括：
25.在设备屏幕上显示所述预置提示语句；和/或
26.通过预置扬声器播放所述预置提示语句。
27.可选的，在所述接收到所述目标用户发出的语音指令之后，所述方法还包括：
28.基于语音识别技术将所述语音指令转换为第一文本数据，并在设备屏幕上显示所述第一文本数据。
29.可选的，在所述接收到所述目标用户发出的纠错语音指令之后，所述方法还包括：
30.基于语言识别技术将所述纠错语音指令转换为第二文本数据，并在设备屏幕上显示所述第二文本数据。
31.可选的，所述方法还包括：
32.当接收到所述目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；
33.所述拍摄所述目标用户对应的动作图像，包括：
34.通过所述预置摄像头拍摄所述目标用户对应的动作图像。
35.可选的，所述方法还包括：
36.当接收到所述目标用户发出的语音指令时，开启预置摄像头；
37.所述拍摄所述目标用户对应的动作图像，包括：
38.通过所述预置摄像头拍摄所述目标用户对应的动作图像。
39.可选的，所述方法还包括：
40.若将所述动作图像判定为非纠错动作图像，则执行所述语音指令对应的操作。
41.可选的，所述动作图像为所述目标用户对应的嘴部动作图像和/或所述目标用户对应的手势动作图像。
42.第二方面，本发明还提供一种语音指令的识别装置，所述装置包括：
43.拍摄单元，用于当接收到目标用户发出的语音指令时，拍摄所述目标用户对应的动作图像；
44.判断单元，用于判断所述动作图像是否为纠错动作图像；
45.输出单元，用于当所述判断单元将所述动作图像判定为纠错动作图像时，输出预置提示语句，以提示所述目标用户确定是否执行所述语音指令对应的操作；
46.第一执行单元，用于当所述判断单元将所述动作图像判定为纠错动作图像且接收到所述目标用户发出的纠错语音指令时，执行所述纠错语音指令对应的操作。
47.可选的，所述装置还包括：
48.第一确定单元，用于在所述拍摄单元拍摄所述目标用户对应的动作图像之前，基
于声源定位算法通过预置麦克风阵列确定所述目标用户的具体位置；
49.第二确定单元，用于在所述拍摄单元拍摄所述目标用户对应的动作图像之前，基于波束形成算法通过所述预置麦克风阵列确定所述目标用户的具体位置。
50.可选的，所述判断单元包括：
51.第一发送模块，用于将所述动作图像发送给云端服务器，以与多个预置纠错动作图像进行匹配，其中，所述预置纠错动作图像为所述云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；
52.第一判定模块，用于当接收到所述云端服务器发送的匹配成功信息时，将所述动作图像判定为纠错动作图像；
53.第一保存模块，用于在所述第一判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
54.可选的，所述判断单元还包括：
55.匹配模块，用于将所述动作图像与至少一个历史动作图像进行匹配，其中，所述历史动作图像为本地存储空间中保存的、记录有所述目标用户在发出错误语音指令时通常会做出的动作的图像；
56.第二判定模块，用于当所述动作图像与任意一个所述历史动作图像匹配成功时，将所述动作图像判定为纠错动作图像。
57.可选的，所述判断单元还包括：
58.第二保存模块，用于在所述第二判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
59.可选的，所述判断单元还包括：
60.第二发送模块，用于在所述第二判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像发送给云端服务器。
61.可选的，所述输出单元包括：
62.显示模块，用于在设备屏幕上显示所述预置提示语句；
63.播放模块，用于通过预置扬声器播放所述预置提示语句。
64.可选的，所述装置还包括：
65.第一转换单元，用于在接收到所述目标用户发出的语音指令之后，基于语音识别技术将所述语音指令转换为第一文本数据；
66.第一显示单元，用于在设备屏幕上显示所述第一文本数据。
67.可选的，所述装置还包括：
68.第二转换单元，用于在接收到所述目标用户发出的纠错语音指令之后，基于语言识别技术将所述纠错语音指令转换为第二文本数据；
69.第二显示单元，用于在设备屏幕上显示所述第二文本数据。
70.可选的，所述装置还包括：
71.第一开启单元，用于当接收到所述目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；
72.所述拍摄单元，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
73.可选的，所述装置还包括：
74.第二开启单元，用于当接收到所述目标用户发出的语音指令时，开启预置摄像头；
75.所述拍摄单元，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
76.可选的，所述装置还包括：
77.第二执行单元，用于当所述判断单元将所述动作图像判定为非纠错动作图像时，执行所述语音指令对应的操作。
78.可选的，所述动作图像为所述目标用户对应的嘴部动作图像和/或所述目标用户对应的手势动作图像。
79.第三方面，本发明提供了一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如第一方面所述的语音指令的识别方法。
80.第四方面，本发明提供了一种电子设备，所述电子设备包括存储介质和处理器；
81.所述处理器，适于实现各指令；
82.所述存储介质，适于存储多条指令；
83.所述指令适于由所述处理器加载并执行如第一方面所述的语音指令的识别方法。
84.借由上述技术方案，本发明提供的技术方案至少具有下列优点：
85.本发明提供的一种语音指令的识别方法及装置，与现有技术相比，本发明能够在智能语音助手接收到目标用户发送的语音指令后，由智能语音助手通过预置摄像头拍摄记录有目标用户发出语音指令后做出的动作的动作图像，并由智能语音助手判断目标用户对应的动作图像是否为纠错动作图像(即判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作)，当智能语音助手将目标用户对应的动作图像判定为纠错动作图像时，智能语音助手便可确定目标用户发出的语音指令为错误语音指令，此时，智能语音助手可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作。由于，在实际使用智能语音助手的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如将两个手掌摆成t字形、用手掌捂住嘴巴等，因此，智能语音助手在接收到目标用户发出的语音指令后，先不执行接收到的语音指令对应的操作，而是判断目标用户发出指令后做出的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户发出的语音指令是否为错误语音指令，并在确定目标用户发出的语音指令为错误语音指令时，输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；或等待目标用户发出纠错语音指令，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手执行该纠错语音指令对应的操作，进而提升了目标用户在使用智能语音助手时的用户体验。
86.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，
而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
87.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
88.图1示出了本发明实施例提供的一种语音指令的识别方法流程图；
89.图2示出了本发明实施例提供的另一种语音指令的识别方法流程图；
90.图3示出了本发明实施例提供的一种语音指令的识别装置的组成框图；
91.图4示出了本发明实施例提供的另一种语音指令的识别装置的组成框图。
具体实施方式
92.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
93.本发明实施例提供了一种语音指令的识别方法，如图1所示，该方法包括：
94.101、当接收到目标用户发出的语音指令时，拍摄目标用户对应的动作图像。
95.其中，目标用户对应的动作图像具体可以为：目标用户对应的嘴部动作图像和/或目标用户对应的手势动作图像。
96.在本发明实施例中，各个步骤中的执行主体为运行在智能终端设备中的智能语音助手应用程序，其中，智能终端设备可以但不限于为：智能音箱、智能手机、平板电脑、笔记本电脑等等。由于，在实际使用智能语音助手应用程序的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如抬起手掌左右摆动、将两个手掌摆成t字形、用手掌捂住嘴巴、张大嘴巴等等，因此，智能语音助手应用程序在接收到目标用户发出的语音指令后，可以先拍摄目标用户对应的动作图像(即拍摄记录有目标用户发出语音指令后做出的动作的图像)，以便后续通过判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户是否发出了错误语音指令。具体的，在本步骤中，智能语音助手应用程序可以通过调用智能终端设备中的预置摄像头，来拍摄目标用户对应的动作图像。
97.102、判断动作图像是否为纠错动作图像。
98.其中，纠错动作图像为记录有用户发出错误语音指令时通常会做出的动作的图像；纠错动作图像具体可以为：记录有用户将两个手掌摆成t字形的图像、记录有用户用手掌捂住嘴巴的图像、记录有用户张大嘴巴的图像。
99.在本发明实施例中，智能语音助手应用程序在拍摄得到目标用户对应的动作图像后，便可通过判断拍摄得到的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作，即通过判断目标用户对应的动作图像是否为纠错动作图像，来确定目标用户是否发出了错误语音指令，从而对目标用户发出的错误语音指令进行纠错处理。
100.具体的，在本步骤中，智能语音助手应用程序可以将目标用户对应的动作图像发送给云端服务器，由云端服务器判断目标用户对应的动作图像是否为纠错动作图像，也可以自行判断目标用户对应的动作图像是否为纠错动作图像，本发明实施例对此不进行具体限定。
101.103、若是，则输出预置提示语句，以提示目标用户确定是否执行语音指令对应的操作；或者，在接收到目标用户发出的纠错语音指令后，执行纠错语音指令对应的操作。
102.在本发明实施例中，当智能语音助手应用程序将目标用户对应的动作图像判定为纠错动作图像(即判定目标用户发出的语音指令为错误语音指令)时，智能语音助手应用程序可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手应用程序执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作；智能语音助手应用程序也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手应用程序执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手应用程序执行该纠错语音指令对应的操作。
103.对于本发明实施例，具体应用场景可以如下所示，但不限于此包括：
104.目标用户a在发出“设定一个下午1:00的闹钟”的语音指令后，突然意识到应该让智能音箱中的智能语音助手应用程序设定一个下午1:30的闹钟，而并非是下午1:00的闹钟，此时，目标用户a将两个手掌摆成t字形，并发出“不对，设定一个下午1:30的闹钟”的语音指令，而智能语音助手应用程序在接收到目标用户a发出的“设定一个下午1:00的闹钟”的语音指令后，通过预置摄像头拍摄目标用户a对应的动作图像，在拍摄得到记录有目标用户a将两个手掌摆成t字形的动作图像，且将该动作图像判定为纠错动作图像后，放弃执行“设定下午1:00的闹钟”的操作，并在接收到目标用户a发出的“不对，设定一个下午1:30的闹钟”的语音指令后，执行“设定下午1:30的闹钟”的操作。
105.本发明实施例提供的一种语音指令的识别方法，与现有技术相比，本发明实施例能够在智能语音助手接收到目标用户发送的语音指令后，由智能语音助手通过预置摄像头拍摄记录有目标用户发出语音指令后做出的动作的动作图像，并由智能语音助手判断目标用户对应的动作图像是否为纠错动作图像(即判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作)，当智能语音助手将目标用户对应的动作图像判定为纠错动作图像时，智能语音助手便可确定目标用户发出的语音指令为错误语音指令，此时，智能语音助手可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作。由于，在实际使用智能语音助手的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如将两个手掌摆成t字形、用手掌捂住
嘴巴等，因此，智能语音助手在接收到目标用户发出的语音指令后，先不执行接收到的语音指令对应的操作，而是判断目标用户发出指令后做出的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户发出的语音指令是否为错误语音指令，并在确定目标用户发出的语音指令为错误语音指令时，输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；或等待目标用户发出纠错语音指令，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手执行该纠错语音指令对应的操作，进而提升了目标用户在使用智能语音助手时的用户体验。
106.进一步的，依据图1所示的方法，本发明实施例提供了另一种语音指令的识别方法，具体如图2所示，该方法包括：
107.201、当接收到目标用户发出的语音指令时，确定目标用户的具体位置，并通过预置摄像头拍摄目标用户对应的动作图像。
108.在本发明实施例中，由于，在实际使用智能语音助手应用程序的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，因此，智能语音助手应用程序在接收到目标用户发出的语音指令后，可以先通过预置摄像头拍摄目标用户对应的动作图像，以便后续通过判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户是否发出了错误语音指令；而在通过预置摄像头拍摄目标用户对应的动作图像之前，智能语音助手应用程序首先确定目标用户的具体位置，具体的，在本步骤中，智能语音助手应用程序可以基于声源定位算法通过智能终端设备中的预置麦克风阵列，来确定目标用户的具体位置；也可以基于波束形成算法通过智能终端设备中的预置麦克风阵列，来确定所述目标用户的具体位置，本发明实施例对此不进行具体限定。
109.进一步的，在本发明实施例中，智能语音助手应用程序在接收到目标用户发出的语音指令后，还可以基于语音识别技术(automatic speech recognition，asr)将该语音指令转换为文本数据(即第一文本数据)，并在智能终端设备的设备屏幕上显示该第一文本数据。
110.进一步的，在本发明实施例中，智能语音助手应用程序可以在接收到目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；也可以在接收到目标用户发出的语音指令时，开启预置摄像头，本发明实施例对此不进行具体限定。
111.202、判断动作图像是否为纠错动作图像。
112.在本发明实施例中，智能语音助手应用程序在通过预置摄像头拍摄得到目标用户对应的动作图像后，便可通过判断拍摄得到的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作，即通过判断目标用户对应的动作图像是否为纠错动作图像，来确定目标用户是否发出了错误语音指令，从而对目标用户发出的错误语音指令进行纠错处理。
113.具体的，在本步骤中，智能语音助手应用程序可以通过以下两种方式判断目标用户对应的动作图像是否为纠错动作图像：
114.(1)智能语音助手应用程序在通过预置摄像头拍摄得到目标用户对应的动作图像后，将目标用户对应的动作图像发送给云端服务器；云端服务器在接收到智能语音助手应用程序发送的动作图像后，通过预置图像匹配算法将该动作图像与多个预置纠错动作图像进行匹配，其中，预置图像匹配算法可以但不限制为：平均绝对差算法(mean absolute differences，mad)、绝对误差和算法(sum of absolute differences，sad)等等，预置纠错动作图像为云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；当该动作图像与任意一个预置纠错动作图像匹配成功时，云端服务器向智能语音助手应用程序发送匹配成功信息；当接收到云端服务器发送的匹配成功信息时，智能语音助手应用程序便可将目标用户对应的动作图像判定为纠错动作图像；此外，在基于云端服务器发送的匹配成功信息，将目标用户对应的动作图像判定为纠错动作图像之后，智能语音助手应用程序还可以将该动作图像作为目标用户对应的历史纠错动作图像保存在智能终端设备的本地存储空间中，以便在目标用户后续使用智能语音助手应用程序的过程中，智能语音助手应用程序能够基于目标用户对应的历史纠错动作图像，来判断目标用户对应的动作图像是否为纠错动作图像。
115.(2)智能语音助手应用程序在通过预置摄像头拍摄得到目标用户对应的动作图像后，通过预置图像匹配算法将该动作图像与目标用户对应的至少一个历史动作图像进行匹配，其中，预置图像匹配算法可以但不限制为：平均绝对差算法(mean absolute differences，mad)、绝对误差和算法(sum of absolute differences，sad)等等，目标用户对应的历史动作图像为智能终端设备本地存储空间中保存的、记录有目标用户在发出错误语音指令时通常会做出的动作的图像；当该动作图像与任意一个历史动作图像匹配成功时，智能语音助手应用程序将该动作图像判定为纠错动作图像；此外，在基于目标用户对应的历史纠错动作图像，将目标用户对应的动作图像判定为纠错动作图像之后，智能语音助手应用程序还可以将该动作图像作为目标用户对应的历史纠错动作图像保存在智能终端设备的本地存储空间中，以便在目标用户后续使用智能语音助手应用程序的过程中，智能语音助手应用程序能够基于目标用户对应的历史纠错动作图像，来判断目标用户对应的动作图像是否为纠错动作图像；同时，在基于目标用户对应的历史纠错动作图像，将目标用户对应的动作图像判定为纠错动作图像之后，智能语音助手应用程序还可以将该动作图像发送给云端服务器，以便云端服务器将该动作图像作为预置纠错动作图像，来判断其他用户对应的动作图像是否为纠错动作图像。
116.203a、若将动作图像判定为纠错动作图像，则输出预置提示语句，以提示目标用户确定是否执行语音指令对应的操作；或者，在接收到目标用户发出的纠错语音指令后，执行纠错语音指令对应的操作。
117.其中，关于203a、若将动作图像判定为纠错动作图像，则输出预置提示语句，以提示目标用户确定是否执行语音指令对应的操作；或者，在接收到目标用户发出的纠错语音指令后，执行纠错语音指令对应的操作，可以参考图1对应部分的描述，本发明实施例此处将不再赘述。
118.进一步的，在本发明实施例中，预置提示语句具体为文本数据，智能语音助手应用程序可以在智能终端设备的设备屏幕上直接显示预置提示语句，也可以通过语音合成技术(text to speech，tts)将预置提示语句转换为音频数据，通过智能终端设备中的预置扬声
器播放预置提示语句，本发明实施例对此不进行具体限定。
119.进一步的，在本发明实施例中，智能语音助手应用程序在接收到目标用户发出的纠错语音指令后，还可以基于语音识别技术将该纠错语音指令转换为文本数据(即第二文本数据)，并在智能终端设备的设备屏幕上显示该第二文本数据。
120.对于本发明实施例，与步骤203a并列的步骤203b、若将动作图像判定为非纠错动作图像，则执行语音指令对应的操作。
121.在本发明实施例中，当智能语音助手应用程序将目标用户对应的动作图像判定为非纠错动作图像(即判定目标用户发出的语音指令为正确语音指令)时，智能语音助手应用程序可以直接执行接收到的语音指令对应的操作。
122.进一步的，作为对上述图1及图2所示方法的实现，本发明另一实施例还提供了一种语音指令的识别装置。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于使智能语音助手有效识别出用户发出的错误语音指令，从而提升用户在使用智能语音助手时的用户体验，具体如图3所示，该装置包括：
123.拍摄单元301，用于当接收到目标用户发出的语音指令时，拍摄所述目标用户对应的动作图像；
124.判断单元302，用于判断所述动作图像是否为纠错动作图像；
125.输出单元303，用于当判断单元302将所述动作图像判定为纠错动作图像时，输出预置提示语句，以提示所述目标用户确定是否执行所述语音指令对应的操作；
126.第一执行单元304，用于当判断单元302将所述动作图像判定为纠错动作图像且接收到所述目标用户发出的纠错语音指令时，执行所述纠错语音指令对应的操作。
127.进一步的，如图4所示，该装置还包括：
128.第一确定单元305，用于在拍摄单元301拍摄所述目标用户对应的动作图像之前，基于声源定位算法通过预置麦克风阵列确定所述目标用户的具体位置；
129.第二确定单元306，用于在拍摄单元301拍摄所述目标用户对应的动作图像之前，基于波束形成算法通过所述预置麦克风阵列确定所述目标用户的具体位置。
130.进一步的，如图4所示，判断单元302包括：
131.第一发送模块3021，用于将所述动作图像发送给云端服务器，以与多个预置纠错动作图像进行匹配，其中，所述预置纠错动作图像为所述云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；
132.第一判定模块3022，用于当接收到所述云端服务器发送的匹配成功信息时，将所述动作图像判定为纠错动作图像；
133.第一保存模块3023，用于在第一判定模块3022将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
134.进一步的，如图4所示，判断单元302还包括：
135.匹配模块3024，用于将所述动作图像与至少一个历史动作图像进行匹配，其中，所述历史动作图像为本地存储空间中保存的、记录有所述目标用户在发出错误语音指令时通常会做出的动作的图像；
136.第二判定模块3025，用于当所述动作图像与任意一个所述历史动作图像匹配成功时，将所述动作图像判定为纠错动作图像。
137.进一步的，如图4所示，判断单元302还包括：
138.第二保存模块3026，用于在第二判定模块3025将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
139.进一步的，如图4所示，判断单元302还包括：
140.第二发送模块3027，用于在第二判定模块3025将所述动作图像判定为纠错动作图像之后，将所述动作图像发送给云端服务器。
141.进一步的，如图4所示，输出单元303包括：
142.显示模块3031，用于在设备屏幕上显示所述预置提示语句；
143.播放模块3032，用于通过预置扬声器播放所述预置提示语句。
144.进一步的，如图4所示，该装置还包括：
145.第一转换单元307，用于在接收到所述目标用户发出的语音指令之后，基于语音识别技术将所述语音指令转换为第一文本数据；
146.第一显示单元308，用于在设备屏幕上显示所述第一文本数据。
147.进一步的，如图4所示，该装置还包括：
148.第二转换单元309，用于在接收到所述目标用户发出的纠错语音指令之后，基于语言识别技术将所述纠错语音指令转换为第二文本数据；
149.第二显示单元310，用于在设备屏幕上显示所述第二文本数据。
150.进一步的，如图4所示，该装置还包括：
151.第一开启单元311，用于当接收到所述目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；
152.所述拍摄单元301，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
153.进一步的，如图4所示，该装置还包括：
154.第二开启单元312，用于当接收到所述目标用户发出的语音指令时，开启预置摄像头；
155.所述拍摄单元301，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
156.进一步的，如图4所示，该装置还包括：
157.第二执行单元313，用于当所述判断单元302将所述动作图像判定为非纠错动作图像时，执行所述语音指令对应的操作。
158.进一步的，如图4所示，所述动作图像为所述目标用户对应的嘴部动作图像和/或所述目标用户对应的手势动作图像。
159.本发明实施例提供的一种语音指令的识别方法及装置，与现有技术相比，本发明实施例能够在智能语音助手接收到目标用户发送的语音指令后，由智能语音助手通过预置摄像头拍摄记录有目标用户发出语音指令后做出的动作的动作图像，并由智能语音助手判断目标用户对应的动作图像是否为纠错动作图像(即判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作)，当智能语音助手将目标用户
对应的动作图像判定为纠错动作图像时，智能语音助手便可确定目标用户发出的语音指令为错误语音指令，此时，智能语音助手可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作。由于，在实际使用智能语音助手的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如将两个手掌摆成t字形、用手掌捂住嘴巴等，因此，智能语音助手在接收到目标用户发出的语音指令后，先不执行接收到的语音指令对应的操作，而是判断目标用户发出指令后做出的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户发出的语音指令是否为错误语音指令，并在确定目标用户发出的语音指令为错误语音指令时，输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；或等待目标用户发出纠错语音指令，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手执行该纠错语音指令对应的操作，进而提升了目标用户在使用智能语音助手时的用户体验。
160.进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如上所述的语音指令的识别方法。
161.本发明实施例提供的语音指令的识别存储介质中的指令，能够在智能语音助手接收到目标用户发送的语音指令后，由智能语音助手通过预置摄像头拍摄记录有目标用户发出语音指令后做出的动作的动作图像，并由智能语音助手判断目标用户对应的动作图像是否为纠错动作图像(即判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作)，当智能语音助手将目标用户对应的动作图像判定为纠错动作图像时，智能语音助手便可确定目标用户发出的语音指令为错误语音指令，此时，智能语音助手可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作。由于，在实际使用智能语音助手的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如将两个手掌摆成t字形、用手掌捂住嘴巴等，因此，智能语音助手在接收到目标用户发出的语音指令后，先不执行接收到的语音指令对应的操作，而是判断目标用户发出指令后做出的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户发出的语音指令是否为错误语音指令，并在确定目标用户发出的语音指令为错误语音指令时，输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；或等待目标用户发出纠错语音指令，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应
的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手执行该纠错语音指令对应的操作，进而提升了目标用户在使用智能语音助手时的用户体验。
162.进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种电子设备，所述电子设备包括存储介质和处理器；
163.所述处理器，适于实现各指令；
164.所述存储介质，适于存储多条指令；
165.所述指令适于由所述处理器加载并执行如上所述的语音指令的识别方法。
166.本发明实施例提供的语音指令的识别电子设备，能够在智能语音助手接收到目标用户发送的语音指令后，由智能语音助手通过预置摄像头拍摄记录有目标用户发出语音指令后做出的动作的动作图像，并由智能语音助手判断目标用户对应的动作图像是否为纠错动作图像(即判断目标用户对应的动作图像中记录的动作是否为用户发出错误语音指令时通常会做出的动作)，当智能语音助手将目标用户对应的动作图像判定为纠错动作图像时，智能语音助手便可确定目标用户发出的语音指令为错误语音指令，此时，智能语音助手可以先不执行接收到的语音指令对应的操作，而是输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；也可以先不执行接收到的语音指令对应的操作，而是等待目标用户发出具有自己真正意图的语音指令(即纠错语音指令)，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作。由于，在实际使用智能语音助手的过程中，当用户意识到自己发出错误的语音指令时，用户的第一反应往往是做出一些特定的动作，例如将两个手掌摆成t字形、用手掌捂住嘴巴等，因此，智能语音助手在接收到目标用户发出的语音指令后，先不执行接收到的语音指令对应的操作，而是判断目标用户发出指令后做出的动作是否为用户发出错误语音指令时通常会做出的动作，来确定目标用户发出的语音指令是否为错误语音指令，并在确定目标用户发出的语音指令为错误语音指令时，输出预置提示语句，来提示目标用户确定是否执行其发出的语音指令对应的操作；或等待目标用户发出纠错语音指令，并在接收到目标用户发出的纠错语音指令后，执行该纠错语音指令对应的操作，从而使得目标用户在发出错误语音指令后，无需等待智能语音助手执行完该错误语音指令对应的操作后，再发出用于取消该错误语音指令对应的操作的语音指令，来取消该错误语音指令对应的操作，然后再发出纠错语音指令，使智能语音助手执行该纠错语音指令对应的操作，进而提升了目标用户在使用智能语音助手时的用户体验。
167.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
168.可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
169.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
170.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种
编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
171.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
172.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求防护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
173.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
174.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求防护的实施例的任意之一都可以以任意的组合方式来使用。
175.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的工作量证明方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
176.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名
称。
177.本发明还公开了如下技术方案：
178.a1、一种语音指令的识别方法，包括：
179.当接收到目标用户发出的语音指令时，拍摄所述目标用户对应的动作图像；
180.判断所述动作图像是否为纠错动作图像；
181.若是，则输出预置提示语句，以提示所述目标用户确定是否执行所述语音指令对应的操作；或者
182.在接收到所述目标用户发出的纠错语音指令后，执行所述纠错语音指令对应的操作。
183.a2、根据a1所述的方法，在所述拍摄所述目标用户对应的动作图像之前，所述方法还包括：
184.基于声源定位算法通过预置麦克风阵列确定所述目标用户的具体位置；和/或
185.基于波束形成算法通过所述预置麦克风阵列确定所述目标用户的具体位置。
186.a3、根据a1所述的方法，所述判断所述动作图像是否为纠错动作图像，包括：
187.将所述动作图像发送给云端服务器，以与多个预置纠错动作图像进行匹配，其中，所述预置纠错动作图像为所述云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；
188.当接收到所述云端服务器发送的匹配成功信息时，将所述动作图像判定为纠错动作图像，并将所述动作图像保存在本地存储空间中。
189.a4、根据a1所述的方法，所述判断所述动作图像是否为纠错动作图像，包括：
190.将所述动作图像与至少一个历史动作图像进行匹配，其中，所述历史动作图像为本地存储空间中保存的、记录有所述目标用户在发出错误语音指令时通常会做出的动作的图像；
191.当所述动作图像与任意一个所述历史动作图像匹配成功时，将所述动作图像判定为纠错动作图像。
192.a5、根据a4所述的方法，在所述将所述动作图像判定为纠错动作图像之后，所述方法还包括：
193.将所述动作图像保存在本地存储空间中。
194.a6、根据a4所述的方法，在所述将所述动作图像判定为纠错动作图像之后，所述方法还包括：
195.将所述动作图像发送给云端服务器。
196.a7、根据a1所述的方法，所述输出预置提示语句，包括：
197.在设备屏幕上显示所述预置提示语句；和/或
198.通过预置扬声器播放所述预置提示语句。
199.a8、根据a1所述的方法，在所述接收到所述目标用户发出的语音指令之后，所述方法还包括：
200.基于语音识别技术将所述语音指令转换为第一文本数据，并在设备屏幕上显示所述第一文本数据。
201.a9、根据a1所述的方法，在所述接收到所述目标用户发出的纠错语音指令之后，所
述方法还包括：
202.基于语言识别技术将所述纠错语音指令转换为第二文本数据，并在设备屏幕上显示所述第二文本数据。
203.a10、根据a1所述的方法，所述方法还包括：
204.当接收到所述目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；
205.所述拍摄所述目标用户对应的动作图像，包括：
206.通过所述预置摄像头拍摄所述目标用户对应的动作图像。
207.a11、根据a1所述的方法，所述方法还包括：
208.当接收到所述目标用户发出的语音指令时，开启预置摄像头；
209.所述拍摄所述目标用户对应的动作图像，包括：
210.通过所述预置摄像头拍摄所述目标用户对应的动作图像。
211.a12、根据a1所述的方法，所述方法还包括：
212.若将所述动作图像判定为非纠错动作图像，则执行所述语音指令对应的操作。
213.a13、根据a1-a12中任一项所述的方法，所述动作图像为所述目标用户对应的嘴部动作图像和/或所述目标用户对应的手势动作图像。
214.b14、一种语音指令的识别装置，所述装置包括：
215.拍摄单元，用于当接收到目标用户发出的语音指令时，拍摄所述目标用户对应的动作图像；
216.判断单元，用于判断所述动作图像是否为纠错动作图像；
217.输出单元，用于当所述判断单元将所述动作图像判定为纠错动作图像时，输出预置提示语句，以提示所述目标用户确定是否执行所述语音指令对应的操作；
218.第一执行单元，用于当所述判断单元将所述动作图像判定为纠错动作图像且接收到所述目标用户发出的纠错语音指令时，执行所述纠错语音指令对应的操作。
219.b15、根据b14所述的装置，所述装置还包括：
220.第一确定单元，用于在所述拍摄单元拍摄所述目标用户对应的动作图像之前，基于声源定位算法通过预置麦克风阵列确定所述目标用户的具体位置；
221.第二确定单元，用于在所述拍摄单元拍摄所述目标用户对应的动作图像之前，基于波束形成算法通过所述预置麦克风阵列确定所述目标用户的具体位置。
222.b16、根据b14所述的装置，所述判断单元包括：
223.第一发送模块，用于将所述动作图像发送给云端服务器，以与多个预置纠错动作图像进行匹配，其中，所述预置纠错动作图像为所述云端服务器预先收集的、记录有大多数用户在发出错误语音指令时通常会做出的动作的图像；
224.第一判定模块，用于当接收到所述云端服务器发送的匹配成功信息时，将所述动作图像判定为纠错动作图像；
225.第一保存模块，用于在所述第一判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
226.b17、根据b14所述的装置，所述判断单元还包括：
227.匹配模块，用于将所述动作图像与至少一个历史动作图像进行匹配，其中，所述历史动作图像为本地存储空间中保存的、记录有所述目标用户在发出错误语音指令时通常会
做出的动作的图像；
228.第二判定模块，用于当所述动作图像与任意一个所述历史动作图像匹配成功时，将所述动作图像判定为纠错动作图像。
229.b18、根据b17所述的装置，所述判断单元还包括：
230.第二保存模块，用于在所述第二判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像保存在本地存储空间中。
231.b19、根据b17所述的装置，所述判断单元还包括：
232.第二发送模块，用于在所述第二判定模块将所述动作图像判定为纠错动作图像之后，将所述动作图像发送给云端服务器。
233.b20、根据b14所述的装置，所述输出单元包括：
234.显示模块，用于在设备屏幕上显示所述预置提示语句；
235.播放模块，用于通过预置扬声器播放所述预置提示语句。
236.b21、根据b14所述的装置，所述装置还包括：
237.第一转换单元，用于在接收到所述目标用户发出的语音指令之后，基于语音识别技术将所述语音指令转换为第一文本数据；
238.第一显示单元，用于在设备屏幕上显示所述第一文本数据。
239.b22、根据b14所述的装置，所述装置还包括：
240.第二转换单元，用于在接收到所述目标用户发出的纠错语音指令之后，基于语言识别技术将所述纠错语音指令转换为第二文本数据；
241.第二显示单元，用于在设备屏幕上显示所述第二文本数据。
242.b23、根据b14所述的装置，所述装置还包括：
243.第一开启单元，用于当接收到所述目标用户发出的唤醒指令，并成功被唤醒时，开启预置摄像头；
244.所述拍摄单元，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
245.b24、根据b14所述的装置，所述装置还包括：
246.第二开启单元，用于当接收到所述目标用户发出的语音指令时，开启预置摄像头；
247.所述拍摄单元，具体用于通过所述预置摄像头拍摄所述目标用户对应的动作图像。
248.b25、根据b14所述的装置，所述装置还包括：
249.第二执行单元，用于当所述判断单元将所述动作图像判定为非纠错动作图像时，执行所述语音指令对应的操作。
250.b26、根据b14-25中任一项所述的装置，所述动作图像为所述目标用户对应的嘴部动作图像和/或所述目标用户对应的手势动作图像。
251.c27、一种存储介质，所述存储介质存储有多条指令，所述指令适用于由处理器加载并执行如a1-a13中任一项所述的语音指令的识别方法。
252.d28、一种电子设备，所述电子设备包括存储介质和处理器；
253.所述处理器，适于实现各指令；
254.所述存储介质，适于存储多条指令；
255.所述指令适于由所述处理器加载并执行如a1-a13中任一项所述的语音指令的识别方法。