语音控制方法、装置、设备、存储介质以及程序产品与流程
1.本公开的实施例涉及人工智能领域，具体涉及自然语言处理、语音识别、图像识别、车联网和智能座舱技术，可应用于语音控制场景下。
背景技术：
2.随着用户终端的操作系统的发展，用户对于用户终端的控制方式从最早的命令行式操作控制逐渐发展为鼠标等可视化操作控制，再到触摸屏操作控制等等。
3.另外，在一些用户不方便进行基于鼠标/键盘的可视化操作或触摸屏操作的应用场景下(如驾车、烹饪等等)，若用户终端支持语音控制，则用户还可以通过语音实现对用户终端的操作控制。
技术实现要素：
4.本公开的实施例提出了一种语音控制方法、装置、设备、存储介质以及程序产品。
5.第一方面，本公开的实施例提供了一种语音控制方法，该方法包括：响应于接收到语音，获取当前页面的截图；对语音进行语音识别得到语音识别结果；利用截图确定页面的图像识别结果，其中，图像识别结果包括关键词和位置，所述关键词包括所述页面中的关键词，位置包括关键词在页面中的位置；在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词；在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。
6.第二方面，本公开的实施例提供了一种语音控制装置，该装置包括：截图获取模块，被配置成响应于接收到语音，获取当前页面的截图；语音识别模块，被配置成对语音进行语音识别得到语音识别结果；图像识别模块，被配置成利用截图确定页面的图像识别结果，其中，图像识别结果包括关键词和位置，关键词包括页面中的关键词，位置包括关键词在页面中的位置；匹配模块，被配置成在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词；响应模块，被配置成在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。
7.第三方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
8.第四方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
9.第五方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
10.本公开的实施例提供的语音控制方法、装置、设备、存储介质以及程序产品，通过在接收到语音时获取当前页面的截图，以及利用截图确定当前页面中的关键词和关键词所
在的位置，然后确定页面中与语音对应的语音识别结果匹配的关键词作为目标关键词，在目标关键词在页面中的位置处进行模拟操作以得到针对语音的响应结果，从而实现了一种基于图像识别的语音控制方法。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.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，本公开的其它特征、目的和优点将会变得更明显：
13.图1是本公开可以应用于其中的示例性系统架构图；
14.图2是本公开的语音控制方法的一个实施例的流程图；
15.图3是图像识别的又一个示意性的流程图；
16.图4是本公开的实施例的语音控制方法的一个应用场景的示意图；
17.图5是本公开的语音控制方法的又一个实施例的流程图；
18.图6是本公开的语音控制装置的一个实施例的结构示意图；
19.图7是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
20.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
21.需要说明的是，在不冲突的情况下，本公开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公开。
22.图1示出了可以应用本公开的语音控制方法或语音控制装置的实施例的示例性系统架构100。
23.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。
24.终端设备101、102、103可以通过网络104与服务器105交互，以接收或发送各种信息(如语音、图像等等)等。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，可以是各种带有语音采集设备的电子设备。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成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。
25.需要说明的是，本公开实施例所提供的语音控制方法一般由终端设备101、102、103执行，相应地，语音控制装置一般设置于终端设备101、102、103中。在一些情况下，示例性系统架构100可以不包括网络104和服务器105。
26.需要说明的是，在一些情况下，服务器105可以获取终端设备101、102、103利用语音采集设备采集的语音和在采集语音时的当前页面的截图，并对语音进行语音识别得到语
音识别结果，以及利用截图确定当前页面的图像识别结果，然后可以在图像识别结果中查与语音识别结果匹配的关键词，并在查到的关键词在页面中所在的位置处进行模拟操作以生成针对语音的响应结果，进一步地，可以将生成的响应结果返回至终端设备101、102、103。此时，本公开实施例所提供的语音控制方法可以由服务器105执行，相应地，语音控制装置可以设置于服务器105中。
27.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集，也可以实现成单个服务器。当服务器105为软件时，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。
28.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。
29.继续参考图2，其示出了根据本公开的语音控制方法的一个实施例的流程200。该语音控制方法包括以下步骤：
30.步骤201，响应于接收到语音，获取当前页面的截图。
31.在本步骤中，执行主体可以利用各种语音采集设备(如麦克风等)接收语音，也可以从其他存储设备或第三方数据平台等获取语音。语音可以是各种类型的语音。例如，语音可以是用户根据实际的应用需求发送的用户语音，此时，用户语音可以作为语音控制指令以表示用户需求。
32.当前页面可以指用户所使用的终端设备(如图1所示的终端设备101、102、103等)在其接收到语音时所呈现的页面。因此，当前页面的截图可以指用户所使用的终端设备在其接收到语音时所呈现的页面的截图。执行主体可以采用各种方法获取当前页面的截图。例如，可以由用户所使用的终端设备中安装的用于截图的应用或调用操作系统提供的截图功能采集当前页面的截图。
33.步骤202，对语音进行语音识别得到语音识别结果。
34.在本步骤中，可以利用各种语音识别方法对语音进行语音识别，得到对应的语音识别结果。例如，基于语言学和声学的语音识别方法、随机模型法、基于人工神经网络的语音识别方法和概率语法分析等等。
35.语音识别结果所包括的内容可以根据实际的应用需求灵活设置。例如，语音识别结果可以包括语音对应的文本。又例如，语音识别结果可以包括语音对应的文本所包括的关键词。
36.步骤203，利用截图确定页面的图像识别结果。
37.在本步骤中，页面的图像识别结果可以包括关键词和位置。其中，关键词可以包括页面中的关键词，位置可以包括关键词对应在页面中的位置。
38.具体地，页面中的关键词可以指页面中的文本所对应的关键词。一个文本可以由一个或多个词语组成。因此，一个文本可以是一个词语，也可以是一个句子，或者是一个段落等等。每个页面中可以包括一个或多个文本。每个文本可以对应一个或多个关键词。每个文本对应的关键词可以是该文本自身，也可以是从文本中提取出的关键词。
39.每个页面具体包括的文本的划分方式可以由技术人员根据实际的应用需求预先设置。例如，可以按照页面具有的控制区域进行文本划分，以将每个控制区域中的词语组成
一个文本。其中，页面中的控制区域可以指能够响应用户操作的区域。又例如，可以按照页面的设计方式，将页面中每个文本标签(如标题标签《h1》《/h》等、段落标签《p》《/p》等等)中的内容视为一个文本。不同的页面可以具有相同的文本，也可以具有不同的文本。
40.作为示例，视频通话页面包括四个控制区域。第一个控制区域用于控制使用前置摄像头或后置摄像头，且该控制区域中包括文本“翻转”。第二个控制区域用于控制是否模糊当前画面的背景，且该控制区域中包括文本“模糊背景”。第三个控制区域用于控制是否切换为语音通话，且该控制区域中包括文本“切换语音通话”。第四个控制区域用于控制是否挂断当前视频通话。此时，该页面可以包括四个控制区域包括的四个文本，且可以将每个文本直接作为关键词。
41.其中，关键词在页面中的位置可以采用各种位置标示方法进行表示。例如，可以使用在预设坐标轴下的坐标进行表示。
42.一般地，当前页面的截图保存的即是当前页面的内容。因此，截图的图像识别结果即可视为当前页面的图像识别结果。具体地，可以采用各种方法确定截图对应的图像识别结果，从而得到当前页面的图像识别结果。例如，可以预先存储各页面的截图分别对应的图像识别结果，此时，可以直接查当前页面的截图对应的图像识别结果。
43.需要说明的是，上述步骤201-203的执行顺序可以灵活设置，也可以并行执行。
44.步骤204，在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词。
45.在本步骤中，可以先确定语音识别结果分别与图像识别结果中的各关键词的匹配度，然后选取对应匹配度最大的关键词作为与语音识别结果匹配的关键词。其中，语音识别结果与关键词的匹配度可以采用各种方法确定。例如，可以确定语音识别结果所包括的文本与关键词的文本相似度或特征相似度等作为两者之间的匹配度。
46.步骤205，在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。
47.在本步骤中，可以在目标关键词在页面中的位置处进行模拟操作以得到语音的响应结果。其中，模拟操作可以指各种用户操作。例如，点击操作、滑动操作等等。响应结果可以指通过模拟操作得到的操作结果。模拟操作可以采用各种方法确定。例如，可以预先设置关键词与模拟操作之间的对应关系，此时，可以利用预设的对应关系查询目标关键词对应的模拟操作。
48.现有的语音控制方法通常需要预先对每个页面上的每个可操作控件(如按钮等)进行标注，从而在在接收到语音时，通过匹配语音的语音识别结果与当前页面对应的标注，确定语音匹配的标注，再通过对匹配出的标注对应的可操作控件执行对应操作，以完成对语音的响应。
49.但是，这种语音控制方法在页面和页面上的可操作控件较多时，对页面进行预先标注的成本较高，而且容易出现漏标注等问题，以及在页面变化时，需要重新调整标注以适配页面变化。另外，在一些情况下，若用户调整了页面显示语言，则标注的语言和页面显示的语言可能不一致，从而导致预先标注不可用。此外，在一些情况下，确定出的与语音匹配的标注所对应的可操作性控件可能在当前页面中处于不可见状态，此时就会出现与当前页面不对应的响应结果。
50.本公开的上述实施例提供的方法实现的是一种基于图像识别的语音控制方法，只
需要对接收到语音时的页面的截图进行图像识别，而不需要对页面中的可操作控件进行预先标注，而且无关页面所使用的显示语言，另外对当前页面的截图进行图像识别，得到的图像识别结果必然是当前页面中显示的内容，能够避免匹配到当前页面中处于不可见的可操作控件，从而避免生成与当前页面不对应的响应结果。
51.在本实施例的一些可选的实现方式中，可以利用各种图像识别方法对当前页面的截图进行图像识别，以得到图像识别结果。例如，基于人工智能的图像识别方法等。
52.可选地，可以通过如下步骤对当前页面的截图进行图像识别得到图像识别结果：
53.步骤一、对当前页面的截图进行预处理，得到对应的二值化图像。
54.在本步骤中，可以先对当前页面的截图进行预处理，得到当前页面的截图对应的二值化图像。其中，预处理可以包括二值化处理。
55.根据实际的应用场景，预处理还可以包括其它各种图像处理。例如，预处理还可以包括但不限于以下至少一项：灰度化处理、降噪处理等等。
56.步骤二、确定二值化图像中的字符区域和字符区域在二值化图像中的位置，以及提取字符区域的特征。
57.在本步骤中，字符区域可以指字符所在的区域。每个字符区域可以包括一个字符，也可以包括两个以上的字符，具体可以根据实际的应用场景灵活设置。
58.具体地，可以先利用各种图像识别方法确定二值化图像中所包括的各字符区域，以及各字符区域分别在二值化图像中的位置。例如，ocr(optical character recognition，光学字符识别)、基于深度学习的图像识别等等。
59.对于二值化图像中的每个字符区域，可以采用各种特征提取方法提取该字符区域的特征。例如，基于神经网络模型的特征提取。
60.步骤三、利用预设特征库确定字符区域的特征对应的字符作为关键词，以及确定字符区域对应的关键词和位置作为图像识别结果。
61.在本步骤中，预设特征库可以用于存储每个字符对应的特征和字符之间的对应关系。对于二值化图像中的每个字符区域，可以在预设特征库中查该字符区域的特征对应的字符作为关键词，在结合该字符区域在二值化图像中的位置即得到该字符区域的图像识别结果。然后，可以确定二值化图像的各字符区域分别对应的关键词和在二值化图像中的位置作为当前页面的截图的图像识别结果。预设特征库可以由技术人员预先开发设置。
62.作为示例，可以参见图3，图3是图像识别的一个示意性的流程300。该图像识别流程300包括如下步骤：
63.步骤301，对当前页面的截图进行灰度化处理，得到灰度图像。
64.在本步骤中，可以采用现有的各种灰度化处理方法对当前页面的截图进行灰度化处理。由于当前页面的截图中的字符颜对于字符内容基本没有影响，因此通过灰度化处理，可以去除颜信息，以降低后续的图像识别计算量。
65.步骤302，对灰度图像进行二值化处理，得到二值化图像。
66.在本步骤中，可以采用现有的各种二值化处理方法对灰度图像进行二值化处理。由于字符基本都是由笔画构成，而且笔画的轻重对于字符内容基本没有影响，因此通过二值化处理可以区分出当前页面的截图中的字符信息和非字符信息，从而可以在后续处理中除去非字符信息，进一步降低图像识别的计算量。
67.步骤303，对于二值化图像进行降噪处理，得到降噪后的二值化图像。
68.在本步骤中，可以采用现有的各种图像降噪方法对二值化图像进行降噪处理。由于二值化处理通常会在图像中留下一些图像噪点，因此可以通过降噪处理提升二值化图像质量，避免图像噪点对于后续图像识别效果的影响。
69.由于图像噪点一般来自于图像中的非字符信息，因此，作为示例，可以先通过bfs(breadth first search，宽度优先搜索)等方法搜索二值化图像中的各联通区域(如值为1的区域)，然后确定各联通区域的像素面积的平均值。对于每个联通区域，若该联通区域的像素面积远小于得到的平均值，则可以确定该联通区域为图像噪点，进而可以调整联通区域中的像素点的取值以使联通区域为非字符区域(如将像素取值都设置为0)，从而实现对二值化图像的降噪处理。
70.步骤304，确定降噪后的二值化图像中的字符区域。
71.在本步骤中，由于降噪后的二值化图像已经对于图像中的字符信息和非字符信息进行了区分，因此，可以对降噪后的二值化图像进行扫描(如分别在图像的长度和宽度方向进行扫描)，并将扫描到的周期性出现的非字符信息视为字符之间的间隔，从而根据字符间隔确定出各字符区域。
72.步骤305，对于每个字符区域，提取该字符区域的特征。
73.在本步骤中，可以基于弹性网格提取每个字符区域的特征。例如，可以先对降噪后的二值化图像的宽度方向进行“m”等分，以及对长度方向进行“n”等分，从而可以得到“m*n”个网络。其中，“m”和“n”可以为正整数，且两者可以相等，也可以不相等。然后对于每个字符区域，可以统计该字符区域分别在各网格中的像素密度，并由这些像素密度组成特征向量来表示该字符区域的特征。基于弹性网格的特征提取方法具有较强的抗干扰性，可以兼容不同的字体类型，从而有助于提升后续图像识别效果。
74.步骤306，利用预设特征库确定字符区域的特征对应的字符作为关键词，以及确定字符区域对应的关键词和位置作为图像识别结果。
75.通过先对当前页面的截图进行灰度化、二值化和降噪等处理，然后基于弹性网格等特征提取方法进行图像识别，有助于提升图像识别效率和图像识别效果。而且通过在接收到语音时，对当前页面的截图进行实时的图像识别，可以保证对于动态页面的准确识别。
76.在本实施例的一些可选的实现方式中，语音的语音识别结果可以包括用户意图。用户意图可以包括关键词和用户操作。此时，用户意图可以表示用户期望执行的用户操作和用户操作的操作对象所对应的关键词。
77.此时，可以在图像识别结果中查与用户意图所包括的关键词匹配的关键词作为目标关键词。另外，这种情况下，模拟操作可以用于模拟用户意图所包括的用户操作。
78.由于自然语言处理已是目前比较成熟的技术，因此结合自然语言处理分析用户意图和关键词匹配，有助于保证语音控制结果的准确性。
79.继续参见图4，图4是根据本实施例的语音控制方法的一个示意性的应用场景400。在图4的应用场景中，用户对其使用的手机401输入语音402“下一页”，此时，手机401可以先获取当前页面的截图403，并对截图403进行图像识别，得到图像识别结果404，其中，图像识别结果404包括截图403中的各关键词和每个关键词在截图403中的位置。具体如图中所示，截图403中的关键词包括用户所浏览的文章、上一页和下一页，且分别对应的坐标为“x1，
y1”、“x2、y2”和“x3、y3”。另外，手机401可以对语音402进行语音识别，得到关键词“下一页”和对应的用户操作“点击”，然后通过匹配可以确定语音402对应于截图403中的关键词“下一页”，因此，可以通过在当前页面中的“x3、y3”处模拟点击“下一页”实现对语音402的响应。
80.进一步参考图5，其示出了语音控制方法的又一个实施例的流程500。该语音控制方法的流程500，包括以下步骤：
81.步骤501，响应于接收到语音，获取当前页面的截图。
82.步骤502，对语音进行语音识别得到语音识别结果。
83.步骤503，确定截图对应的图像识别结果。
84.步骤504，在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词。
85.步骤505，获取目标关键词所在的位置对应的预设关键词。
86.在本实施例中，可以预先为用户所使用的终端设备的各页面中的每个位置设置对应的预设关键词。具体地，可以根据每个页面实际所呈现的内容选择位置设置预设关键词。选择的位置的数量和每个位置对应的预设关键词的数量可以根据实际的应用场景灵活确定。预设关键词的内容也可以根据实际的应用场景灵活确定。
87.例如，可以根据每个页面中的内容所提供的功能为该页面设置一个或多个预设关键词。此时，页面中的任意位置都对应该预设关键词，且预设关键词可以表示页面呈现的内容所提供的功能。又例如，可以为每个页面中的每个可操作的位置处设置对应的预设关键词，且预设关键词可以表示每个可操作的位置处所提供的功能。
88.执行主体可以从本地或其他存储设备中查目标关键词在用户所使用的终端设备的页面中的位置对应的预设关键词。
89.步骤506，确定目标关键词与预设关键词的相似度。
90.在本实施例中，可以采用各种相似度计算方法确定目标关键词与预设关键词的相似度。例如，基于距离(如欧式距离、曼哈顿距离等等)的相似度计算方法、基于皮尔森相关性的相似度计算方法等等。
91.步骤507，响应于确定相似度大于预设相似度阈值，在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。
92.在本实施例中，预设相似度阈值可以由技术人员根据实际的应用场景预先设置。在得到目标关键词与预设关键词的相似度之后，可以确定该相似度是否大于预设相似度阈值。若大于，可以在目标关键词在页面中的位置处进行模拟操作以生成语音的响应结果。
93.步骤508，响应于确定相似度不大于预设相似度阈值，生成提示信息。
94.在本实施例中，若不大于，可以生成提示信息。其中，提示信息可以用于提示重新接收语音。此时，用户可以根据提示信息重新发送语音。重新发送的语音可以与之前发送的语音相同，也可以不同。
95.作为示例，可以预先设置用于描述每个页面的功能的关键词作为预设关键词，此时若确定出的目标关键词与对应页面的功能关联不大，则可以确定语音具有错误或语音识别结果可能有错，进而通过及时提醒用户有助于提升用户使用语音控制的使用体验。
96.本实施例中未具体说明的执行过程可参考图2对应实施例中的相关说明，在此不再赘述。
97.在一些情况下(如用户在吃饭时)接收到的语音的质量可能较差，或者语音指示的语音控制指令并不对应于当前页面，此时，可能会导致确定出的目标关键词不准确，从而影响后续生成的响应结果的准确性。这些情况下，通过为每个页面预先设置若干预设关键词，并在基于图像识别确定目标关键词后，进一步确定目标关键词和对应的预设关键词之间的相似度，并基于相似度来确定是否使用目标关键词确定语音的响应结果，能够利用预设关键词对确定的目标关键词进行校验，进一步保证生成的响应结果的准确性。
98.进一步参考图6，作为对上述各图所示方法的实现，本公开提供了语音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，该装置具体可以应用于各种电子设备中。
99.如图6所示，本实施例提供的语音控制装置600包括截图获取模块601、语音识别模块602、图像识别模块603、匹配模块604和响应模块605。其中，截图获取模块601被配置成响应于接收到语音，获取当前页面的截图；语音识别模块602被配置成对语音进行语音识别得到语音识别结果；图像识别模块603被配置成利用截图确定页面的图像识别结果，其中，图像识别结果包括关键词和位置，关键词包括页面中的关键词，位置包括关键词在页面中的位置；匹配模块604被配置成在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词；响应模块605被配置成在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。
100.在本实施例中，语音控制装置600中：截图获取模块601、语音识别模块602、图像识别模块603、匹配模块604和响应模块605的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。
101.在本实施例的一些可选的实现方式中，上述图像识别模块603进一步被配置成：对截图进行图像识别得到图像识别结果。
102.在本实施例的一些可选的实现方式中，上述图像识别模块603进一步被配置成：对截图进行预处理，得到对应的二值化图像，其中，预处理包括二值化；确定二值化图像中的字符区域和字符区域在二值化图像中的位置，以及提取字符区域的特征；利用预设特征库确定字符区域的特征对应的字符作为关键词，以及确定字符区域对应的关键词和位置作为图像识别结果，其中，预设特征库用于存储字符区域的特征和字符之间的对应关系。
103.在本实施例的一些可选的实现方式中，上述语音识别结果包括用户意图，其中，用户意图包括关键词和用户操作；以及匹配模块604进一步被配置成：在图像识别结果中查与用户意图所包括的关键词匹配的关键词作为目标关键词；以及模拟操作用于模拟用户意图所包括的用户操作。
104.在本实施例的一些可选的实现方式中，上述语音控制装置600还包括：预设关键词获取模块(图中未示出)被配置成获取目标关键词所在的位置对应的预设关键词；相似度确定模块(图中未示出)被配置成确定目标关键词与预设关键词的相似度；以及上述响应模块605进一步被配置成：响应于确定相似度大于预设相似度阈值，在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果；响应于确定相似度不大于预设相似度阈值，生成提示信息，其中，提示信息用于提示重新接收语音。
105.根据本公开的实施例，本公开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。
106.图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
107.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
108.设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
109.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如语音控制方法。例如，在一些实施例中，语音控制方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的语音控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音控制方法。
110.本文中以上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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、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。
111.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
112.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。
113.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。
114.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。
115.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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
116.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
117.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
技术特征：
1.一种语音控制方法，包括：响应于接收到语音，获取当前页面的截图；对所述语音进行语音识别得到语音识别结果；利用所述截图确定所述页面的图像识别结果，其中，所述图像识别结果包括关键词和位置，所述关键词包括所述页面中的关键词，所述位置包括所述关键词在所述页面中的位置；在所述图像识别结果中查与所述语音识别结果匹配的关键词作为目标关键词；在所述页面中所述目标关键词所在的位置处进行模拟操作，生成所述语音的响应结果。2.根据权利要求1所述的方法，其中，所述利用所述截图确定所述页面的图像识别结果，包括：对所述截图进行图像识别得到图像识别结果。3.根据权利要求2所述的方法，其中，所述对所述截图进行图像识别得到图像识别结果，包括：对所述截图进行预处理，得到对应的二值化图像，其中，所述预处理包括二值化；确定二值化图像中的字符区域和所述字符区域在所述二值化图像中的位置，以及提取所述字符区域的特征；利用预设特征库确定所述字符区域的特征对应的字符作为关键词，以及确定所述字符区域对应的关键词和位置作为图像识别结果，其中，所述预设特征库用于存储字符区域的特征和字符之间的对应关系。4.根据权利要求1所述的方法，其中，所述语音识别结果包括用户意图，其中，所述用户意图包括关键词和用户操作；以及所述在所述图像识别结果中查与所述语音识别结果匹配的关键词作为目标关键词，包括：在所述图像识别结果中查与所述用户意图所包括的关键词匹配的关键词作为目标关键词；以及所述模拟操作用于模拟所述用户意图所包括的用户操作。5.根据权利要求1-4之一所述的方法，其中，所述方法还包括：获取所述目标关键词所在的位置对应的预设关键词；确定所述目标关键词与所述预设关键词的相似度；以及所述在所述页面中所述目标关键词所在的位置处进行模拟操作，生成所述语音的响应结果，包括：响应于确定所述相似度大于预设相似度阈值，在所述页面中所述目标关键词所在的位置处进行模拟操作，生成所述语音的响应结果；以及所述方法还包括：响应于确定所述相似度不大于预设相似度阈值，生成提示信息，其中，所述提示信息用于提示重新接收语音。6.一种语音控制装置，包括：截图获取模块，被配置成响应于接收到语音，获取当前页面的截图；
语音识别模块，被配置成对所述语音进行语音识别得到语音识别结果；图像识别模块，被配置成利用所述截图确定所述页面的图像识别结果，其中，所述图像识别结果包括关键词和位置，所述关键词包括所述页面中的关键词，所述位置包括所述关键词在所述页面中的位置；匹配模块，被配置成在所述图像识别结果中查与所述语音识别结果匹配的关键词作为目标关键词；响应模块，被配置成在所述页面中所述目标关键词所在的位置处进行模拟操作，生成所述语音的响应结果。7.根据权利要求6所述的装置，其中，所述图像识别模块进一步被配置成：对所述截图进行图像识别得到图像识别结果。8.根据权利要求7所述的装置，其中，所述图像识别模块进一步被配置成：对所述截图进行预处理，得到对应的二值化图像，其中，所述预处理包括二值化；确定二值化图像中的字符区域和所述字符区域在所述二值化图像中的位置，以及提取所述字符区域的特征；利用预设特征库确定所述字符区域的特征对应的字符作为关键词，以及确定所述字符区域对应的关键词和位置作为图像识别结果，其中，所述预设特征库用于存储字符区域的特征和字符之间的对应关系。9.根据权利要求6所述的装置，其中，所述语音识别结果包括用户意图，其中，所述用户意图包括关键词和用户操作；以及所述匹配模块进一步被配置成：在所述图像识别结果中查与所述用户意图所包括的关键词匹配的关键词作为目标关键词；以及所述模拟操作用于模拟所述用户意图所包括的用户操作。10.根据权利要求6-9之一所述的装置，其中，所述装置还包括：预设关键词获取模块，被配置成获取所述目标关键词所在的位置对应的预设关键词；相似度确定模块，被配置成确定所述目标关键词与所述预设关键词的相似度；以及所述响应模块进一步被配置成：响应于确定所述相似度大于预设相似度阈值，在所述页面中所述目标关键词所在的位置处进行模拟操作，生成所述语音的响应结果；响应于确定所述相似度不大于预设相似度阈值，生成提示信息，其中，所述提示信息用于提示重新接收语音。11.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。12.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。13.一种计算机程序产品，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
据权利要求1-5中任一项所述的方法。
技术总结
本公开提供了一种语音控制方法、装置、设备、存储介质以及程序产品，涉及人工智能领域，具体涉及自然语言处理、语音识别、图像识别、车联网和智能座舱技术，可应用于语音控制场景下。该方法的一具体实施方式包括：响应于接收到语音，获取当前页面的截图；对语音进行语音识别得到语音识别结果；利用截图确定页面的图像识别结果，其中，图像识别结果包括关键词和位置，关键词包括页面中的关键词，位置包括关键词在页面中的位置；在图像识别结果中查与语音识别结果匹配的关键词作为目标关键词；在页面中目标关键词所在的位置处进行模拟操作，生成语音的响应结果。该实施方式实现了一种基于图像识别的语音控制方法。于图像识别的语音控制方法。于图像识别的语音控制方法。
