CN111309283A - 用户界面的语音控制方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种用户界面的语音控制方法、装置、电子设备及存储介质，涉及计算机技术领域中的语音技术。具体实现方案为：通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

Description

用户界面的语音控制方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域中的语音技术，尤其涉及一种用户界面的语音控制方法、装置、电子设备及存储介质。

背景技术

随着语音技术的快速发展，语音技术在电子设备领域(例如：服务设备领域)都具有广泛的应用。

现有在对于服务设备的交互方式上，通常采用的是单触摸交互方式、单语音交互方式或者是二者简单的叠加结合的交互方式。此外，而对于语音交互方面，还通常需要要求用户说出指定的唤醒词，才能进行语音服务。

可见，目前对于服务设备的控制，尤其是对于服务设备上的用户界面的控制方式较为单一，通常需要结合触摸的方式才能满足多轮交互的业务逻辑需求。

发明内容

提供了一种用户界面的语音控制方法、装置、电子设备及存储介质，可以根据用户输入的语音信息直接对待控制用户界面进行控制，能够满足用户复杂的业务逻辑需求。

第一方面，本申请实施例提供了一种用户界面的语音控制方法，包括：

根据获取到的语音信息确定文本信息；

根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，其中，所述特征信息为所述待控制用户界面中各个控件所对应的特性信息；

响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件。

本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

第二方面，本申请实施例提供了一种用户界面的语音控制装置，包括：

获取模块，用于获取语音信息；

识别模块，用于根据所述语音信息确定文本信息；

生成模块，用于根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，其中，所述特征信息为所述待控制用户界面中各个控件所对应的特性信息；

控制模块，用于响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件。

本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

第三方面，本申请实施例提供了一种电子设备，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；

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如第一方面中任一项所述的用户界面的语音控制方法。

第四方面，本申请实施例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第一方面中任一项所述的用户界面的语音控制方法。

第五方面，本申请实施例提供一种程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的用户界面的语音控制方法。

根据本申请的技术实现了用户通过语音的方式即可完成对待控制用户界面的界面操作，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

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

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是可以实现本申请实施例的用户界面的语音控制方法的应用场景图；

图2是根据本申请第一实施例的示意图；

图3是根据本申请第二实施例的示意图；

图4是第二实施例的一种界面交互图；

图5是第二实施例的另一种界面交互图；

图6是第二实施例的再一种界面交互图；

图7是根据本申请第三实施例的示意图；

图8是根据本申请第四实施例的示意图；

图9是根据本申请第五实施例的示意图；

图10是用来实现本申请实施例的用户界面的语音控制方法的电子设备的框图。

具体实施方式

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。

现有在对于服务设备的交互方式上，通常采用的是单触摸交互方式、单语音交互方式或者是二者简单的叠加结合的交互方式。此外，而对于语音交互方面，还通常需要要求用户说出指定的唤醒词，才能进行语音服务。可见，目前对于服务设备的控制，尤其是对于服务设备上的用户界面的控制方式较为单一，通常需要结合触摸的方式才能满足多轮交互的业务逻辑需求。

针对上述技术问题，本申请提供一种用户界面的语音控制方法、装置、电子设备及存储介质，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

图1是可以实现本申请实施例的用户界面的语音控制方法的应用场景图。如图1所示，本实施例提供的用户界面的语音控制方法可以应用于用户100与电子设备200之间的交互。用户100通过语音控制显示在电子设备200上的待控制用户界面。其中，该电子设备200可以为机器人、服务终端、计算机以及智能手机等。此外，在电子设备200的用户界面中还可以是通过显示“数字人”的形式来实现与用户100之间的多轮交互。

例如，当电子设备200为银行服务终端时，用户100可以通过语音方式控制银行服务终端中显示的贷款申请界面，从而通过语音控制方式，填写贷款金额、选择贷款期限以及对选定的信息进行确定，以实现用户只通过语音输入的方式完成对贷款申请界面的交互。

又例如，当电子设备200为餐饮服务终端时，用户100可以通过语音方式控制餐饮服务终端中显示的点菜界面，从而通过语音控制方式，填写就餐人数、选择菜品以及对选定的信息进行确定，以实现用户只通过语音输入的方式完成对点菜界面的交互。

图2是根据本申请第一实施例的示意图。如图2所示，本实施例提供的用户界面的语音控制方法，包括：

S101、根据获取到的语音信息确定文本信息。

在本步骤中，电子设备上可以设置麦克风，通过麦克风获取用户输入的语音信息。并且，电子设备在获取到语音信息之后，可以通过语音识别的方式对语音信息进行识别，以确定语音信息所对应的文本信息。

S102、根据文本信息以及待控制用户界面中的特征信息生成控制指令。

具体的，可以根据识别出的文本信息以及待控制用户界面中的特征信息生成控制指令。其中，特征信息可以为待控制用户界面中各个控件所对应的特性信息，例如，可以是各个控件的名称或者属性信息。

在一种可能的实现方式中，对于每个待控制用户界面，都对应有一组用于存储待控制用户界面中各个控件所对应的特性信息的数据列表，在获取到文本信息之后，可以根据文本信息从上述的数据列表中进行检索，从而确定文本信息所对应的待控制控件，并继续根据文本信息确定对该待控制控件的具体操作，从而生成控制指令。

S103、响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。

在生成控制指令之后，电子设备响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。例如，当控制指令为点击“确定”按键指令时，则响应于该指令，触发“确定”按键所对应的控件，以实现语音控制待控制用户界面中各个控件的效果。

在本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

图3是根据本申请第二实施例的示意图。如图3所示，本实施例提供的用户界面的语音控制方法，包括：

S201、根据获取到的语音信息确定文本信息。

在本步骤中，电子设备上可以设置麦克风，通过麦克风获取用户输入的语音信息。并且，电子设备在获取到语音信息之后，可以通过语音识别的方式对语音信息进行识别，以确定语音信息所对应的文本信息。

S202、根据文本信息以及待控制用户界面中的特征信息确定待控制控件。

具体的，可以根据识别出的文本信息以及待控制用户界面中的特征信息生成控制指令。其中，特征信息可以为待控制用户界面中各个控件所对应的特性信息，例如，可以是各个控件的名称或者属性信息。

在一种可能的实现方式中，对于每个待控制用户界面，都对应有一组用于存储待控制用户界面中各个控件所对应的特性信息的数据列表，在获取到文本信息之后，可以根据文本信息从上述的数据列表中进行检索，从而确定文本信息所对应的待控制控件。

例如，上述的特征信息可以包括待控制用户界面中各个控件的名称，根据文本信息中的第一文本以及待控制用户界面中各个控件的名称确定待控制控件，其中，第一文本包括待控制控件的名称中的关键字。通过匹配文本信息中的第一文本与待控制控件的名称中的关键字，从而确定待控制控件，进而达到对用户控制的目标控件能够进行准确定位的目的。

S203、根据文本信息以及待控制控件的控件类型生成控制指令。

S204、响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。

在确定待控制控件之后，可以根据文本信息以及待控制控件的控件类型生成控制指令。并响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。

其中，若待控制控件的控件类型为输入框控件，则根据文本信息中的第二文本确定输入指令，而响应于输入指令，在待控制用户界面中的待输入框中输入第二文本。可见，当确定待控制控件的控件类型为输入框控件时，可以获取文本信息中的第二文本对待控制用户界面中的待输入框进行信息的填充，从而实现用户通过输入语音信息的方式对待输入框进行内容填充。

下面可以以银行服务终端中显示的贷款申请界面作为上述待控制用户界面，从而对上述步骤进行详细说明。

其中，图4是第二实施例的一种界面交互图，图5是第二实施例的另一种界面交互图。如图4-图5所示，在当前界面中，显示有“贷款金额”输入框，以及“确定”按键以及“取消”按键。

当用户语音输入“贷款金额5万”时，可以根据文本信息中的第一文本“贷款金额”将待控制控件定位至“贷款金额”输入框，然后根据文本信息中的第二文本“5万”确定输入指令，从而通过该输入指令，在“贷款金额”输入框中输入“50000”。

而当待控制控件的控件类型为点击控件时，则根据第一文本确定点击指令，而响应于该点击指令，触发待控制用户界面中的点击指令对应的待点击控件。可见，当确定待控制控件的控件类型为点击控件时，可以获取文本信息中的第一文本对应的待点击控件，然后生成点击指令，以实现用户通过输入语音信息的方式对待控制用户界面中的按键的进行点击操作。

继续参照图5，在“贷款金额”输入框中输入“50000”之后，用户继续语音输入“确定”，从而根据文本信息定位至贷款申请界面中的“确定”按键，并根据所生成的点击指令对“确定”按键进行触发。

而当待控制控件的控件类型为选择控件时，则根据文本信息中的第二文本确定选择指令，而响应于选择指令，在待控制用户界面中的待选择框中选中与第二文本对应的选项。可见，当确定待控制控件的控件类型为选择控件时，可以获取文本信息中的第二文本对待选择框中多个选项进行选择，以确定与文本信息相对应的选项，从而实现用户通过输入语音信息的方式对待选择框中多个选项进行选择。

图6是第二实施例的再一种界面交互图。如图6所示，在贷款期限选择界面中，用户继续语音输入“贷款期限6个月”，可以根据文本信息中的第一文本“贷款期限”将待控制控件定位至“贷款期限”选择框，然后根据文本信息中的第二文本“贷款期限”确定选择指令，从而通过该选择指令，在“贷款期限”选择框中选择“6个月”。

在本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息准确定位至对应的待控制控件，然后再根据文本信息以及待控制控件的控件类型生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。

此外，在上述实施例的基础上，在根据获取到的语音信息确定文本信息之后，还可以根据文本信息以及语言环境信息确定反馈信息，其中，语言环境信息包括文本信息对应的多个意图信息，反馈信息为多个意图信息中服务请求置信度最高的意图信息，然后，对反馈信息进行输出。可见，在用户输入语音信息之后，根据转换后的文本信息以及语言环境信息确定多个意图信息，并选择多个意图信息中服务请求置信度最高的意图信息作为反馈信息进行反馈，从而达到对话交互的技能，能够基于自然语音的理解和交互技能的逻辑实现，从而完成长时间的语音交互和服务流程。

具体的，对于根据文本信息以及语言环境信息确定反馈信息，可以是先获取用户多轮历史输入的语音信息对应的多轮历史文本信息，然后，获取响应于多轮历史输入的语音信息所输出的多轮历史反馈信息，最后，根据多轮历史文本信息以及多轮历史反馈信息确定多个意图信息中各个意图的服务请求置信度。可见，基于多轮历史文本信息以及多轮历史反馈信息确定多个意图信息中各个意图的服务请求置信度，来对语言环境进行更长的跟踪和理解，从而使得确定用户输入语音信息所对应的真实目的，以提高多轮对话的交互技能，而避免现有技术中多轮对话的机械补充。

为了对上述的根据文本信息以及语言环境信息确定反馈信息的技术效果进行直观说明，可以通过以下例子进行进一步说明：

现有机械补充的多轮对话如下：

用户：推荐理财产品；

电子设备：A产品；

用户：收益太低；

电子设备：B产品。

现有的机械补充的多轮对话中，在电子设备推荐B产品时，其只是对于最近一轮用户输入的语音信息进行补充，实际上补充的是电子设备存储的收益较高的产品。而因为其只是对于最近一轮用户输入的语音信息“收益太低”进行补充，极有可能存在第二次推荐的B产品的收益比A产品更低的情况。可见，此时电子设备的推荐只是进行机械式的补充，而并非用户的真实意图。

而根据文本信息以及语言环境信息确定反馈信息在多轮对话中的情况如下：

用户：推荐理财产品；

电子设备：A产品；

用户：收益太低；

电子设备：C产品。

由于在电子设备推荐C产品时，由于增加了自然语言(Natural LanguageProcessing，简称NLP)的服务请求置信度，在基于多轮历史文本信息以及多轮历史反馈信息确定多个意图信息中各个意图的服务请求置信度，来对语言环境进行更长的跟踪和理解，其在推荐C产品时，会结合前面多轮的信息对符合条件的多个意图信息进行服务请求置信度的配置，最后推送符合条件(A产品的收益太低，推荐比A产品收益高的产品)的C产品，从而使得确定用户输入语音信息所对应的真实目的。

此外，在对用户界面进行语音控制的过程中，可以根据文本信息以及语言环境信息确定反馈信息，再根据反馈信息以及待控制用户界面中的特征信息生成控制指令，从而使得对用户界面所进行的语音控制更加准确。

图7是根据本申请第三实施例的示意图。如图7所示，本实施例提供的用户界面的语音控制方法，包括：

S301、获取用户面部的图像信息，并根据语音信息与图像信息生成唤醒指令。

而为了在多轮对话过程中，能够自然地进行长时间语音交互，以给用户提供更亲和以及更轻松的服务体验，需要实现对电子设备的语音服务的自然唤醒。

具体的，可以是通过获取用户输入的语音信息以及用户面部的图像信息，然后根据语音信息与图像信息生成唤醒指令，其中，唤醒指令用于唤醒语音服务。其中，可以是根据语音信息与图像信息之间的匹配度确定是否生成唤醒指令，当二者的匹配度超过设定阈值时，即可认为是满足唤醒条件。可见，通过获取用户输入的语音信息以及用户面部的图像信息，然后根据语音信息与图像信息生成唤醒指令，从而能够实现多轮对话多轮对话中的用户与电子设备之间的自然对话，而无需像现有技术中，在每轮对话开始前，均需要先输入唤醒词。

其中，在一种可能的设计中，对于根据语音信息与图像信息生成唤醒指令的实现方式，可以是根据图像信息确定唇动频率，若语音信息与唇动频率相匹配，则生成唤醒指令。可见，通过比较唇动频率与语音信息，来确定是否生成唤醒指令，从而能够实现多轮对话多轮对话中的用户与电子设备之间的自然对话。

S302、根据获取到的语音信息确定文本信息。

S303、根据文本信息以及待控制用户界面中的特征信息确定待控制控件。

S304、根据文本信息以及待控制控件的控件类型生成控制指令。

S305、响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。

值得说明的，对于本实施例中S302-S305的具体实现方式，可以参照图3所示实施例中S201-S204的描述，此处不再进行赘述。

为了对本实施例中用户界面的语音控制方法的技术效果进行直观的阐述，可以继续结合图4-图6所示的例子进行说明。

首先，如果通过现有技术中的交互方式，在对银行服务终端中显示的贷款申请界面进行控制时，为了输入贷款金额，用户需要先触发“贷款金额”输入框，然后，通过键盘输入“50000”。或者按住语音输入按键，或者在说出唤醒词之后，输入语音信息“5万”。

而在输入完成之后，用户还是需要点击“确认”按键进行确认，然后在贷款期限选择界面中，通过触摸的方式在“贷款期限”选择框中选择“6个月”。

如果还需要在其他界面的输入框中继续语音输入信息，则需要重新触发语音输入按键，或者重新说出唤醒词进行唤醒，无法实现用户与电子设备中显示的用户界面之间的自然交互。

但是，如果通过图7所示实施例中的语音控制方法进行用户界面控制，则具体流程如下：

继续参照图5-图6，当用户语音输入“贷款金额5万”时，电子设备通过获取用户输入的语音信息以及用户面部的图像信息，然后根据语音信息与图像信息生成唤醒指令，对语音服务进行自然唤醒。

然后，将语音输入的“贷款金额5万”转化为文本信息，并根据文本信息中的第一文本“贷款金额”将待控制控件定位至“贷款金额”输入框，然后根据文本信息中的第二文本“5万”确定输入指令，从而通过该输入指令，在“贷款金额”输入框中输入“50000”。

在“贷款金额”输入框中输入“50000”之后，用户继续语音输入“确定”。此时，电子设备通过继续获取用户输入的语音信息以及用户面部的图像信息，然后根据语音信息与图像信息生成唤醒指令，保持语音服务的唤醒状态。从而根据文本信息定位至贷款申请界面中的“确定”按键，并根据所生成的点击指令对“确定”按键进行触发。

当跳转至在贷款期限选择界面中时，用户继续语音输入“贷款期限6个月”，同理，语音服务继续保持自然唤醒状态，此时可以根据文本信息中的第一文本“贷款期限”将待控制控件定位至“贷款期限”选择框，然后根据文本信息中的第二文本“贷款期限”确定选择指令，从而通过该选择指令，在“贷款期限”选择框中选择“6个月”。

可见，基于自然唤醒的方式，先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息准确定位至对应的待控制控件，然后再根据文本信息以及待控制控件的控件类型生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完全对待控制用户界面的实现界面操作，无需而外再进行唤醒或者触摸操作，从而大大提高对于用户的服务体验。

图8是根据本申请第四实施例的示意图。如图8所示，本实施例提供的一种用户界面的语音控制装置400，包括：

获取模块401，用于获取语音信息；

识别模块402，用于根据语音信息确定文本信息；

生成模块403，用于根据文本信息以及待控制用户界面中的特征信息生成控制指令，其中，特征信息为待控制用户界面中各个控件所对应的特性信息；

控制模块404，用于响应于控制指令，触发待控制用户界面中控制指令对应的待控制控件。

在本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。可见，通过语音执行用户界面的方式，可以方便用户与服务设备之间更加直接的交互，进而给用户提供更亲和以及更轻松的服务体验。

在一种可能的设计中，生成模块403，具体用于：

根据文本信息以及待控制用户界面中的特征信息确定待控制控件；

根据文本信息以及待控制控件的控件类型生成控制指令。

在本实施例中，通过先获取到用户输入的语音信息，然后将语音信息转换为文本信息，再根据文本信息以及待控制用户界面中的特征信息准确定位至对应的待控制控件，然后再根据文本信息以及待控制控件的控件类型生成控制指令，最后响应于该控制指令，触发待控制用户界面中该控制指令对应的待控制控件，从而实现用户通过语音的方式即可完成对待控制用户界面的界面操作。

在一种可能的设计中，特征信息包括待控制用户界面中各个控件的名称；

相应的，生成模块403，具体用于：

根据文本信息中的第一文本以及待控制用户界面中各个控件的名称确定待控制控件，其中，第一文本包括待控制控件的名称中的关键字。

在本实施例中，通过匹配文本信息中的第一文本与待控制控件的名称中的关键字，从而确定待控制控件，进而达到对用户控制的目标控件能够进行准确定位的目的。

在一种可能的设计中，生成模块403，具体用于：

若待控制控件的控件类型为输入框控件，则根据文本信息中的第二文本确定输入指令；

对应的，控制模块404，具体用于：

响应于输入指令，在待控制用户界面中的待输入框中输入第二文本。

在本实施例中，当确定待控制控件的控件类型为输入框控件时，可以获取文本信息中的第二文本对待控制用户界面中的待输入框进行信息的填充，从而实现用户通过输入语音信息的方式对待输入框进行内容填充。

在一种可能的设计中，生成模块403，具体用于：

若待控制控件的控件类型为选择控件，则根据文本信息中的第二文本确定选择指令；

对应的，控制模块404，具体用于：

响应于选择指令，在待控制用户界面中的待选择框中选中与第二文本对应的选项。

在本实施例中，当确定待控制控件的控件类型为选择控件时，可以获取文本信息中的第二文本对待选择框中多个选项进行选择，以确定与文本信息相对应的选项，从而实现用户通过输入语音信息的方式对待选择框中多个选项进行选择。

在一种可能的设计中，生成模块403，具体用于：

若待控制控件的控件类型为点击控件，则根据第一文本确定点击指令；

对应的，控制模块404，具体用于：

响应于点击指令，触发待控制用户界面中的点击指令对应的待点击控件。

在本实施例中，当确定待控制控件的控件类型为点击控件时，可以获取文本信息中的第一文本对应的待点击控件，然后生成点击指令，以实现用户通过输入语音信息的方式对待控制用户界面中的按键的进行点击操作。

在一种可能的设计中，获取模块401，用于获取用户输入的语音信息；

获取模块401，还用于获取用户面部的图像信息；

生成指令403，用于根据语音信息与图像信息生成唤醒指令，唤醒指令用于唤醒语音服务。

在本实施例中，通过获取用户输入的语音信息以及用户面部的图像信息，然后根据语音信息与图像信息生成唤醒指令，从而能够实现多轮对话多轮对话中的用户与电子设备之间的自然对话，而无需像现有技术中，在每轮对话开始前，均需要先输入唤醒词。

在一种可能的设计中，生成指令403，具体用于：

根据图像信息确定唇动频率；

若语音信息与唇动频率相匹配，则生成唤醒指令。

在本实施例中，通过比较唇动频率与语音信息，来确定是否生成唤醒指令，从而能够实现多轮对话多轮对话中的用户与电子设备之间的自然对话。

在图8所示实施例的基础上，图9是根据本申请第五实施例的示意图。如图9所示，本实施例提供的一种用户界面的语音控制装置400，还包括：

确定模块405，用于根据文本信息以及语言环境信息确定反馈信息，其中，语言环境信息文本信息对应的多个意图信息，反馈信息为多个意图信息中服务请求置信度最高的意图信息；

输出模块406，用于输出反馈信息。

在本实施例中，在用户输入语音信息之后，根据转换后的文本信息以及语言环境信息确定多个意图信息，并选择多个意图信息中服务请求置信度最高的意图信息作为反馈信息进行反馈，从而达到对话交互的技能，能够基于自然语音的理解和交互技能的逻辑实现，从而完成长时间的语音交互和服务流程。

在一种可能的设计中，确定模块405，具体用于：

获取用户多轮历史输入的语音信息对应的多轮历史文本信息；

获取响应于多轮历史输入的语音信息所输出的多轮历史反馈信息；

根据多轮历史文本信息以及多轮历史反馈信息确定多个意图信息中各个意图的服务请求置信度。

在本实施例中，在用户输入语音信息之后，根据转换后的文本信息以及语言环境信息确定多个意图信息，并选择多个意图信息中服务请求置信度最高的意图信息作为反馈信息进行反馈，从而达到对话交互的技能，能够基于自然语音的理解和交互技能的逻辑实现，从而完成长时间的语音交互和服务流程。

在一种可能的设计中，生成模块403，具体用于：

根据文本信息以及语言环境信息确定反馈信息；

根据反馈信息以及待控制用户界面中的特征信息生成控制指令。

在本实施例中，在对用户界面进行语音控制的过程中，可以根据文本信息以及语言环境信息确定反馈信息，再根据反馈信息以及待控制用户界面中的特征信息生成控制指令，从而使得对用户界面所进行的语音控制更加准确。

图8-图9所示的本实施例的用户界面的语音控制装置，可以执行上述方法实施例中的步骤，其具体实现过程和技术原理参见实施例中的相关描述，此处不再赘述。

图10是用来实现本申请实施例的用户界面的语音控制方法的电子设备的框图。如图10所示，电子设备500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、机器人、个人数字助理、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。

如图10所示，电子设备500包括：一个或多个处理器501以及存储器502，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。图6中以一个处理器501为例。

存储器502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用户界面的语音控制方法。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用户界面的语音控制方法。

存储器502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用户界面的语音控制方法对应的程序指令/模块。处理器501通过运行存储在存储器502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用户界面的语音控制方法。

存储器502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***、至少一个功能所需要的应用程序；存储数据区可存储根据图6车载相机外参的标定***的使用所创建的数据等。此外，存储器502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502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至图10所述的电子设备。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。

图10所示电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图10中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与图10所示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504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。

此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、GPU(图形处理器)、FPGA(现场可编程门阵列)设备、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***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***、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***、该至少一个输入装置、和该至少一个输出装置。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的***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。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(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***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***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***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。

计算机***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。

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，本发申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (24)

1.一种用户界面的语音控制方法，其特征在于，包括：

根据获取到的语音信息确定文本信息；

根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，其中，所述特征信息为所述待控制用户界面中各个控件所对应的特性信息；

响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件。

2.根据权利要求1所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，包括：

根据所述文本信息以及所述待控制用户界面中的所述特征信息确定所述待控制控件；

根据所述文本信息以及所述待控制控件的控件类型生成所述控制指令。

3.根据权利要求2所述的用户界面的语音控制方法，其特征在于，所述特征信息包括所述待控制用户界面中各个控件的名称；

相应的，所述根据所述文本信息以及所述待控制用户界面中的所述特征信息确定所述待控制控件，包括：

根据所述文本信息中的第一文本以及所述待控制用户界面中各个控件的名称确定所述待控制控件，其中，所述第一文本包括所述待控制控件的名称中的关键字。

4.根据权利要求3所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及所述待控制控件的控件类型生成所述控制指令，包括：

若所述待控制控件的控件类型为输入框控件，则根据所述文本信息中的第二文本确定输入指令；

对应的，所述响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件，包括：

响应于所述输入指令，在所述待控制用户界面中的待输入框中输入所述第二文本。

5.根据权利要求3所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及所述待控制控件的控件类型生成所述控制指令，包括：

若所述待控制控件的控件类型为选择控件，则根据所述文本信息中的第二文本确定选择指令；

对应的，所述响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件，包括：

响应于所述选择指令，在所述待控制用户界面中的待选择框中选中与所述第二文本对应的选项。

6.根据权利要求3所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及所述待控制控件的控件类型生成所述控制指令，包括：

若所述待控制控件的控件类型为点击控件，则根据所述第一文本确定点击指令；

对应的，所述响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件，包括：

响应于所述点击指令，触发所述待控制用户界面中的所述点击指令对应的待点击控件。

7.根据权利要求1-6中任意一项所述的用户界面的语音控制方法，其特征在于，在所述根据获取到的语音信息确定文本信息之前，还包括：

获取用户输入的所述语音信息；

获取用户面部的图像信息，并根据所述语音信息与所述图像信息生成唤醒指令，所述唤醒指令用于唤醒语音服务。

8.根据权利要求7所述的用户界面的语音控制方法，其特征在于，所述根据所述语音信息与所述图像信息生成唤醒指令，包括：

根据所述图像信息确定唇动频率；

若所述语音信息与所述唇动频率相匹配，则生成所述唤醒指令。

9.根据权利要求1-6中任意一项所述的用户界面的语音控制方法，其特征在于，在所述根据获取到的语音信息确定文本信息之后，还包括：

根据所述文本信息以及语言环境信息确定反馈信息，其中，所述语言环境信息包括所述文本信息对应的多个意图信息，所述反馈信息为所述多个意图信息中服务请求置信度最高的意图信息；

输出所述反馈信息。

10.根据权利要求9所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及语言环境信息确定反馈信息，包括：

获取用户多轮历史输入的语音信息对应的多轮历史文本信息；

获取响应于多轮历史输入的语音信息所输出的多轮历史反馈信息；

根据所述多轮历史文本信息以及所述多轮历史反馈信息确定所述多个意图信息中各个意图的服务请求置信度。

11.根据权利要求10所述的用户界面的语音控制方法，其特征在于，所述根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，包括：

根据所述文本信息以及所述语言环境信息确定所述反馈信息；

根据所述反馈信息以及所述待控制用户界面中的所述特征信息生成所述控制指令。

12.一种用户界面的语音控制装置，其特征在于，包括：

获取模块，用于获取语音信息；

识别模块，用于根据所述语音信息确定文本信息；

生成模块，用于根据所述文本信息以及待控制用户界面中的特征信息生成控制指令，其中，所述特征信息为所述待控制用户界面中各个控件所对应的特性信息；

控制模块，用于响应于所述控制指令，触发所述待控制用户界面中所述控制指令对应的待控制控件。

13.根据权利要求12所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

根据所述文本信息以及所述待控制用户界面中的所述特征信息确定所述待控制控件；

根据所述文本信息以及所述待控制控件的控件类型生成所述控制指令。

14.根据权利要求13所述的用户界面的语音控制装置，其特征在于，特征信息包括待控制用户界面中各个控件的名称；

相应的，所述生成模块，具体用于：

根据所述文本信息中的第一文本以及所述待控制用户界面中各个控件的名称确定所述待控制控件，其中，所述第一文本包括所述待控制控件的名称中的关键字。

15.根据权利要求14所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

若待控制控件的控件类型为输入框控件，则根据文本信息中的第二文本确定输入指令；

所述控制模块，具体用于：

响应于输入指令，在待控制用户界面中的待输入框中输入第二文本。

16.根据权利要求14所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

若所述待控制控件的控件类型为选择控件，则根据所述文本信息中的第二文本确定选择指令；

所述控制模块，具体用于：

响应于所述选择指令，在所述待控制用户界面中的待选择框中选中与所述第二文本对应的选项。

17.根据权利要求14所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

若所述待控制控件的控件类型为点击控件，则根据所述第一文本确定点击指令；

所述控制模块，具体用于：

响应于所述点击指令，触发所述待控制用户界面中的所述点击指令对应的待点击控件。

18.根据权利要求12-17中任意一项所述的用户界面的语音控制装置，其特征在于，所述获取模块，还用于获取用户输入的所述语音信息；

所述获取模块，还用于获取用户面部的图像信息，并根据所述语音信息与所述图像信息生成唤醒指令，所述唤醒指令用于唤醒语音服务。

19.根据权利要求18所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

根据所述图像信息确定唇动频率；

若所述语音信息与所述唇动频率相匹配，则生成所述唤醒指令。

20.根据权利要求12-17中任意一项所述的用户界面的语音控制装置，其特征在于，还包括：

确定模块，用于根据所述文本信息以及语言环境信息确定反馈信息，其中，所述语言环境信息包括所述文本信息对应的多个意图信息，所述反馈信息为所述多个意图信息中服务请求置信度最高的意图信息；

输出模块，用于输出所述反馈信息。

21.根据权利要求20所述的用户界面的语音控制装置，其特征在于，所述确定模块，具体用于：

获取用户多轮历史输入的语音信息对应的多轮历史文本信息；

获取响应于多轮历史输入的语音信息所输出的多轮历史反馈信息；

根据所述多轮历史文本信息以及所述多轮历史反馈信息确定所述多个意图信息中各个意图的服务请求置信度。

22.根据权利要求21所述的用户界面的语音控制装置，其特征在于，所述生成模块，具体用于：

根据所述文本信息以及所述语言环境信息确定所述反馈信息；

根据所述反馈信息以及所述待控制用户界面中的所述特征信息生成所述控制指令。

23.一种电子设备，其特征在于，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；

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1-12中任一项所述的方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。

Images