CN112309389A - 信息交互方法和装置 - Google Patents

Abstract

本公开的实施例公开了信息交互方法和装置。该方法的一具体实施方式包括：响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字；对待识别图像进行识别，获得包括目标数量个文字的目标文本；对语音信息进行识别，获得用于表征用户的用户意图的意图信息；基于意图信息，获取及输出目标文本所对应的音频。该实施方式可以基于用户的手势和语音进行点读，有助于在点读时识别出用户的真实意图，进而输出与用户的真实意图相匹配的音频，提高了信息交互的准确性。

Description

信息交互方法和装置

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及信息交互方法和装置。

背景技术

点读是针对学生设计的、用于辅助学生学习的一种技术。现有技术中已经存在用于学生点读的点读设备，例如点读机、点读笔等。

具体的，用户在学习过程中，遇到不认识的字或词时，可以通过手势指向不认识的字或词，进而点读设备可以对用户的手势进行识别，以确定用户指向的对象，进而获取及播放用户指向的对象的读音。

发明内容

本公开的实施例提出了信息交互方法和装置。

第一方面，本公开的实施例提供了一种信息交互方法，该方法包括：响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字；对待识别图像进行识别，获得包括目标数量个文字的目标文本；对语音信息进行识别，获得用于表征用户的用户意图的意图信息；基于意图信息，获取及输出目标文本所对应的音频。

在一些实施例中，基于意图信息，获取及输出目标文本所对应的音频包括：响应于意图信息表征用户的用户意图为识别文字，获取及输出目标文本包括的文字所对应的音频。

在一些实施例中，基于意图信息，获取及输出目标文本所对应的音频包括：响应于意图信息表征用户的用户意图为识别词汇，确定目标文本是否包括词汇；响应于目标文本包括词汇，获取及输出目标文本包括的词汇所对应的音频。

在一些实施例中，基于意图信息，获取及输出目标文本所对应的音频还包括：响应于目标文本不包括词汇，获取及输出目标文本包括的文字所对应的音频。

在一些实施例中，在获取及输出目标文本所对应的音频之后，该方法还包括：获取用户针对获取到的音频输入的跟读音频；对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果及输出。

第二方面，本公开的实施例提供了一种信息交互装置，该装置包括：第一获取单元，被配置成响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字；第一识别单元，被配置成对待识别图像进行识别，获得包括目标数量个文字的目标文本；第二识别单元，被配置成对语音信息进行识别，获得用于表征用户的用户意图的意图信息；输出单元，被配置成基于意图信息，获取及输出目标文本所对应的音频。

在一些实施例中，输出单元进一步被配置成：响应于意图信息表征用户的用户意图为识别文字，获取及输出目标文本包括的文字所对应的音频。

在一些实施例中，输出单元包括：确定模块，被配置成响应于意图信息表征用户的用户意图为识别词汇，确定目标文本是否包括词汇；第一输出模块，被配置成响应于目标文本包括词汇，获取及输出目标文本包括的词汇所对应的音频。

在一些实施例中，输出单元还包括：第二输出模块，被配置成响应于目标文本不包括词汇，获取及输出目标文本包括的文字所对应的音频。

在一些实施例中，该装置还包括：第二获取单元，被配置成获取用户针对获取到的音频输入的跟读音频；匹配单元，被配置成对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果及输出。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，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上述信息交互方法中任一实施例的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述信息交互方法中任一实施例的方法。

本公开的实施例提供的信息交互方法和装置，通过响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字，而后对待识别图像进行识别，获得包括目标数量个文字的目标文本，接着对语音信息进行识别，获得用于表征用户的用户意图的意图信息，最后基于意图信息，获取及输出目标文本所对应的音频，从而可以基于用户的手势和语音进行点读，有助于在点读时识别出用户的真实意图，进而输出与用户的真实意图相匹配的音频，提高了信息交互的准确性。

附图说明

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：

图1是本公开的一个实施例可以应用于其中的示例性***架构图；

图2是根据本公开的信息交互方法的一个实施例的流程图；

图3是根据本公开的实施例的信息交互方法的一个应用场景的示意图；

图4是根据本公开的信息交互方法的又一个实施例的流程图；

图5是根据本公开的信息交互装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

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。

图1示出了可以应用本公开的信息交互方法或信息交互装置的实施例的示例性***架构100。

如图1所示，***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。

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上可以安装有各种客户端应用，例如点读类软件、教育学***台软件等。

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，可以是具有拍摄功能和语音输入功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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。

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上安装的软件提供支持的后台服务器。后台服务器可以对接收到的点读请求等数据进行分析等处理，并将处理结果(例如目标文本对应的音频)反馈给终端设备。

需要说明的是，本公开的实施例所提供的信息交互方法可以由终端设备101、102、103执行，也可以由服务器105执行，相应地，信息交互装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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。

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。在输出目标文本对应的音频的过程中所使用的数据不需要从远程获取的情况下，上述***架构可以不包括网络，而只包括终端设备或服务器。

继续参考图2，示出了根据本公开的信息交互方法的一个实施例的流程200。该信息交互方法，包括以下步骤：

步骤201，响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息。

在本实施例中，信息交互方法的执行主体(例如图1所示的终端设备)可以响应于通过有线连接方式或者无线连接方式接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息。其中，点读请求可以用于请求获取用户指向的点读对象的音频。待识别图像可以是对用户指向的点读对象进行拍摄所获得的图像。点读对象可以包括目标数量个文字。目标数量可以为预设数量，例如3；或者，目标数量也可以为基于用户指向的文字而确定出的数量。

作为示例，用户发起点读请求后，可以指向某个文字，上述执行主体可以检测与用户指向的文字相邻的两个文字，若检测到与用户指向的文字相邻的两个文字，则可以将用户指向的文字和与用户指向的文字相邻的两个文字确定为点读对象(此时，点读对象包括三个(即预设数量个)文字)；若上述执行主体只检测到与用户指向的文字相邻的一个文字，则可以将用户指向的文字和与用户指向的文字相邻的一个文字确定为点读对象(此时，点读对象包括两个(即基于用户指向的文字而确定出的数量)文字)。

实践中，用户可以采用各种方法指向文字，例如可以利用手指指向文字、利用笔指向文字等等。用户所指向的文字可以是各种物体上包括的文字，例如可以是书本上包括的文字、电子设备上包括的文字等。

具体的，用户可以采用各种方式发起点读请求，例如可以发送预设语音(例如“我要点读”)，或者也可以点击预设按钮等。用户发起点读请求后，可以指向点读对象，并输入语音信息。其中，语音信息可以是用于指示用户期望点读的目标的信息，例如，语音信息可以为“这个词怎么读”，或者也可以为“这个字怎么读”。

实践中，上述执行主体接收到用户发起的点读请求后，可以开启拍摄功能和语音接收功能。进而，上述执行主体可以对用户指向的点读对象进行拍摄，获得待识别图像，以及获取用户输入的语音信息。

步骤202，对待识别图像进行识别，获得包括目标数量个文字的目标文本。

在本实施例中，基于步骤201中得到的待识别图像，上述执行主体可以对待识别图像进行识别，获得包括目标数量个文字的目标文本。

具体的，上述执行主体可以采用各种方法对待识别图像进行识别，以获得上述目标文本，例如，上述执行主体可以采用OCR(Optical Character Recognition，光学字符识别)技术对待识别图像进行识别，以获得目标文本。OCR可以通过检测字符暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字。或者，上述执行主体还可以采用深度学习方法对待识别图像进行识别，以获得目标文本。具体的，深度学习方法包括采集训练样本，利用训练样本训练深度学习模型，以及利用训练好的深度学习模型对待识别图像进行识别等步骤。需要说明的是，深度学习方法是目前广泛应用的公知技术，此处不再赘述。

步骤203，对语音信息进行识别，获得用于表征用户的用户意图的意图信息。

在本实施例中，基于步骤201中得到的语音信息，上述执行主体可以对该语音信息进行识别，获得用于表征用户的用户意图的意图信息。其中，意图信息可以用于表征用户期望点读的目标是字还是词。

具体的，上述执行主体可以首先采用现有的语音识别方法，将上述语音信息转化成文本信息，然后再采用现有的语义分析方法，对文本信息进行语义分析，获得用于表征用户的用户意图的意图信息。

作为示例，用户输入的语音信息是“这个词怎么读”。则上述执行主体可以首先将语音信息“这个词怎么读”转化为文本信息“这个词怎么读”。然后，上述执行主体可以对文本信息“这个词怎么读”进行语义分析，获得意图信息“词”。其中，意图信息“词”可以用于表征用户期望点读的目标是词。

需要说明的是，本步骤可以在上述步骤202执行之前执行，也可以与上述步骤202同步执行，本实施例中描述的步骤202和步骤203的执行顺序不应作为对本申请的限制。

步骤204，基于意图信息，获取及输出目标文本所对应的音频。

在本实施例中，基于步骤203中得到的意图信息，上述执行主体可以获取目标文本所对应的音频，以及输出目标文本所对应的音频。其中，目标文本所对应的音频可以为目标文本包括的字对应的音频，或者可以为目标文本包括的词对应的音频，具体可以基于意图信息确定。

在本实施例的一些可选的实现方式中，上述执行主体可以响应于意图信息表征用户的用户意图为识别文字，获取及输出目标文本包括的文字所对应的音频。

作为示例，目标文本为“未登录”，基于步骤203获得的意图信息可以为“字”，进而上述执行主体可以响应于意图信息表征用户的用户意图为识别文字，获取及输出目标文本包括的“未”对应的音频、“登”包括的音频和“录”包括的音频。

需要说明的是，用于表征用户意图为识别文字的意图信息可以包括文字标识，进而，上述执行主体在获得意图信息后，可以确定意图信息是否用于表征用户的用户意图为识别文字。其中，文字标识可以为“字”，也可以为技术人员预先设置的标识，例如“W”。

在本实施例的一些可选的实现方式中，上述执行主体可以响应于意图信息表征用户的用户意图为识别词汇，确定目标文本是否包括词汇。响应于目标文本包括词汇，获取及输出目标文本包括的词汇所对应的音频。

作为示例，目标文本为“未登录”，基于步骤203获得的意图信息可以为“词”，进而上述执行主体可以响应于意图信息表征用户的用户意图为识别词汇，获取及输出目标文本包括的词汇“登录”对应的音频。

需要说明的是，用于表征用户意图为识别词汇的意图信息可以包括词汇识，进而，上述执行主体在获得意图信息后，可以确定意图信息是否用于表征用户的用户意图为识别词汇。其中，词汇标识可以为“词”，也可以为技术人员预先设置的标识，例如“C”。

实践中，可以预先设置字音频库和词音频库。进而，当待获取的目标文本所对应的音频为目标文本包括的字对应的音频时，上述执行主体可以从字音频库中查找目标文本包括的字对应的音频；当待获取的目标文本所对应的音频为目标文本包括的词对应的音频时，上述执行主体可以从词音频库中查找目标文本包括的词对应的音频。

在本实施例的一些可选的实现方式中，在确定出意图信息表征用户的用户意图为识别词汇后，上述执行主体还可以响应于目标文本不包括词汇，获取及输出目标文本包括的文字所对应的音频。

实践中，存在一种情况是用户的用户意图是识别词汇，但是目标文本并不包括词汇，这可能是用户的口误导致的。例如，用户输入的语音信息是“这个词怎么读”，但目标文本仅包括一个文字“飘”。此时，上述执行主体可以直接获取及输出目标文本包括的文字所对应的音频。

本实现方式考虑到了用户口误场景下的信息交互，有助于提高信息交互的多样性和鲁棒性；并且，可以在用户口误的情况下，自动识别用户的真实意图，有助于提高用户体验。

在本实施例中，获取到目标文本所对应的音频后，上述执行主体可以输出所获取的音频。具体的，若上述执行主体为终端设备，上述执行主体可以直接将目标文本所对应的音频输出给上述用户；若上述执行主体为与终端设备通信连接的服务器，则上述执行主体可以将目标文本所对应的音频发送给终端设备，以便终端设备将目标文本所对应的音频输出给上述用户。

继续参见图3，图3是根据本实施例的信息交互方法的应用场景的一个示意图。在图3的应用场景中，终端设备301可以首先响应于接收到用户302发起的点读请求303，获取待识别图像304和用户输入的语音信息305(例如“这个词怎么读”)，其中，待识别图像304可以是对用户302指向的点读对象进行拍摄所获得的图像，点读对象包括四个(即目标数量个)文字。然后，终端设备301可以对待识别图像304进行识别，获得包括四个文字的目标文本306(例如“淋漓尽致”)。接着，终端设备301可以对语音信息305进行识别，获得用于表征用户的用户意图的意图信息307(例如“识别词汇”)。最后，终端设备301可以基于意图信息307，获取目标文本306所对应的音频308(例如“淋漓尽致”的音频)，以及将音频308发送给用户302。

本公开的上述实施例提供的方法可以基于用户的手势和语音进行点读，有助于在点读时识别出用户的真实意图，进而输出与用户的真实意图相匹配的音频，提高了信息交互的准确性。

进一步参考图4，其示出了信息交互方法的又一个实施例的流程400。该信息交互方法的流程400，包括以下步骤：

步骤401，响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息。

在本实施例中，信息交互方法的执行主体(例如图1所示的终端设备)可以响应于通过有线连接方式或者无线连接方式接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息。其中，点读请求可以用于请求获取用户指向的点读对象的音频。待识别图像可以是对用户指向的点读对象进行拍摄所获得的图像。点读对象可以包括目标数量个文字。目标数量可以为预设数量；或者，目标数量也可以为基于用户指向的文字而确定出的数量。

步骤402，对待识别图像进行识别，获得包括目标数量个文字的目标文本。

在本实施例中，基于步骤401中得到的待识别图像，上述执行主体可以对待识别图像进行识别，获得包括目标数量个文字的目标文本。

步骤403，对语音信息进行识别，获得用于表征用户的用户意图的意图信息。

在本实施例中，基于步骤401中得到的语音信息，上述执行主体可以对该语音信息进行识别，获得用于表征用户的用户意图的意图信息。其中，意图信息可以用于表征用户期望点读的目标是字还是词。

步骤404，基于意图信息，获取及输出目标文本所对应的音频。

在本实施例中，基于步骤403中得到的意图信息，上述执行主体可以获取目标文本所对应的音频，以及输出目标文本所对应的音频。其中，目标文本所对应的音频可以为目标文本包括的字对应的音频，或者可以为目标文本包括的词对应的音频，具体可以基于意图信息确定。

上述步骤401、步骤402、步骤403、步骤404可以分别采用与前述实施例中的步骤201、步骤202、步骤203和步骤204类似的方式执行，上文针对步骤201、步骤202、步骤203和步骤204的描述也适用于步骤401、步骤402、步骤403和步骤404，此处不再赘述。

步骤405，获取用户针对获取到的音频输入的跟读音频。

在本实施例中，输出目标文本对应的音频后，上述执行主体可以获取用户针对其获取到的音频输入的跟读音频。

实践中，用户在获取到目标文本对应的音频后，可以模仿获取到的音频中的发音，输入跟读音频。具体的，跟读音频可以是上述执行主体在输出目标文本对应的音频后的预设时间范围(例如5秒)内获取到的音频。

作为示例，上述执行主体可以首先输出目标文本对应的音频。然后，上述执行主体检测用户的语音，响应于在预设时间范围内检测到用户的语音，将用户的语音作为跟读音频。

需要说明的是，若输出目标文本对应的音频之后的预设时间范围(例如5秒)内未检测到用户的语音，上述执行主体可以再次输出目标文本对应的音频，以及再次进行用户语音的检测。

步骤406，对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果及输出。

在本实施例中，基于步骤405中得到的跟读音频，上述执行主体可以对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果及输出。其中，匹配结果可以用于表征跟读音频中的发音与目标文本所对应的音频中的发音的相似程度，可以包括但不限于一下至少一项：文字、数字、符号、图像。例如，匹配结果可以包括数字，数字越大可以表征跟读音频中的发音与目标文本所对应的音频中的发音的越相似。

具体的，上述执行主体可以采用各种方法对跟读音频和所输出的、目标文本所对应的音频进行匹配，以获得匹配结果。例如，上述执行主体可以首先将跟读音频转化成跟读文本，然后获取所输出的音频对应的文本作为基准文本，然后计算跟读文本与基准文本的相似度作为匹配结果。或者，上述执行主体可以采用现有的GOP(Goodness ofPronunciation)算法对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果。

从图4中可以看出，与图2对应的实施例相比，本实施例中的信息交互方法的流程400突出了在输出目标文本对应的音频后，获取用户针对上述音频输入的跟读音频，并对跟读音频和目标文本所对应的音频进行匹配，获得匹配结果及输出的步骤。由此，本实施例描述的方案可以在实现基于用户意图的点读功能的同时，实现用户的跟读功能，提高了信息交互的全面性和多样性；并且，将匹配结果反馈给用户，有助于用户确定跟读音频中的发音是否准确，进而有助于用户进行更具有针对性的学习，提高了用户体验。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息交互装置的一个实施例，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。

如图5所示，本实施例的信息交互装置500包括：第一获取单元501、第一识别单元502、第二识别单元503和输出单元504。其中，第一获取单元501被配置成响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字；第一识别单元502被配置成对待识别图像进行识别，获得包括目标数量个文字的目标文本；第二识别单元503被配置成对语音信息进行识别，获得用于表征用户的用户意图的意图信息；输出单元504被配置成基于意图信息，获取及输出目标文本所对应的音频

在本实施例中，信息交互装置500的第一获取单元501可以响应于通过有线连接方式或者无线连接方式接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息。其中，点读请求可以用于请求获取用户指向的点读对象的音频。待识别图像可以是对用户指向的点读对象进行拍摄所获得的图像。点读对象可以包括目标数量个文字。目标数量可以为预设数量；或者，目标数量也可以为基于用户指向的文字而确定出的数量。

在本实施例中，基于第一获取单元501得到的待识别图像，第一识别单元502可以对待识别图像进行识别，获得包括目标数量个文字的目标文本。

在本实施例中，基于第一获取单元501得到的语音信息，第二识别单元503可以对该语音信息进行识别，获得用于表征用户的用户意图的意图信息。其中，意图信息可以用于表征用户期望点读的目标是字还是词。

在本实施例中，基于第二识别单元503得到的意图信息，输出单元504可以获取目标文本所对应的音频，以及输出目标文本所对应的音频。其中，目标文本所对应的音频可以为目标文本包括的字对应的音频，或者可以为目标文本包括的词对应的音频，具体可以基于意图信息确定。

在本实施例的一些可选的实现方式中，输出单元504可以进一步被配置成：响应于意图信息表征用户的用户意图为识别文字，获取及输出目标文本包括的文字所对应的音频。

在本实施例的一些可选的实现方式中，输出单元504可以包括：确定模块(图中未示出)，被配置成响应于意图信息表征用户的用户意图为识别词汇，确定目标文本是否包括词汇；第一输出模块(图中未示出)，被配置成响应于目标文本包括词汇，获取及输出目标文本包括的词汇所对应的音频。

在本实施例的一些可选的实现方式中，输出单元504还可以包括：第二输出模块(图中未示出)，被配置成响应于目标文本不包括词汇，获取及输出目标文本包括的文字所对应的音频。

在本实施例的一些可选的实现方式中，装置500还可以包括：第二获取单元(图中未示出)，被配置成获取用户针对获取到的音频输入的跟读音频；匹配单元(图中未示出)，被配置成对跟读音频和所输出的、目标文本所对应的音频进行匹配，获得匹配结果及输出。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述实施例提供的装置500可以基于用户的手势和语音进行点读，有助于在点读时识别出用户的真实意图，进而输出与用户的真实意图相匹配的音频，提高了信息交互的准确性。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：响应于接收到用户发起的点读请求，获取待识别图像和用户输入的语音信息，其中，待识别图像是对用户指向的点读对象进行拍摄所获得的图像，点读对象包括目标数量个文字；对待识别图像进行识别，获得包括目标数量个文字的目标文本；对语音信息进行识别，获得用于表征用户的用户意图的意图信息；基于意图信息，获取及输出目标文本所对应的音频。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开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。其中，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，第一获取单元还可以被描述为“获取待识别图像和语音信息的单元”。

以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。

Claims (12)

1.一种信息交互方法，包括：

响应于接收到用户发起的点读请求，获取待识别图像和所述用户输入的语音信息，其中，所述待识别图像是对所述用户指向的点读对象进行拍摄所获得的图像，所述点读对象包括目标数量个文字；

对所述待识别图像进行识别，获得包括所述目标数量个文字的目标文本；

对所述语音信息进行识别，获得用于表征所述用户的用户意图的意图信息；

基于所述意图信息，获取及输出所述目标文本所对应的音频。

2.根据权利要求1所述的方法，其中，所述基于所述意图信息，获取及输出所述目标文本所对应的音频包括：

响应于所述意图信息表征所述用户的用户意图为识别文字，获取及输出所述目标文本包括的文字所对应的音频。

3.根据权利要求1所述的方法，其中，所述基于所述意图信息，获取及输出所述目标文本所对应的音频包括：

响应于所述意图信息表征所述用户的用户意图为识别词汇，确定所述目标文本是否包括词汇；

响应于所述目标文本包括词汇，获取及输出所述目标文本包括的词汇所对应的音频。

4.根据权利要求3所述的方法，其中，所述基于所述意图信息，获取及输出所述目标文本所对应的音频还包括：

响应于所述目标文本不包括词汇，获取及输出所述目标文本包括的文字所对应的音频。

5.根据权利要求1-4之一所述的方法，其中，在所述获取及输出所述目标文本所对应的音频之后，所述方法还包括：

获取所述用户针对获取到的音频输入的跟读音频；

对所述跟读音频和所输出的、所述目标文本所对应的音频进行匹配，获得匹配结果及输出。

6.一种信息交互装置，包括：

第一获取单元，被配置成响应于接收到用户发起的点读请求，获取待识别图像和所述用户输入的语音信息，其中，所述待识别图像是对所述用户指向的点读对象进行拍摄所获得的图像，所述点读对象包括目标数量个文字；

第一识别单元，被配置成对所述待识别图像进行识别，获得包括所述目标数量个文字的目标文本；

第二识别单元，被配置成对所述语音信息进行识别，获得用于表征所述用户的用户意图的意图信息；

输出单元，被配置成基于所述意图信息，获取及输出所述目标文本所对应的音频。

7.根据权利要求6所述的装置，其中，所述输出单元进一步被配置成：

响应于所述意图信息表征所述用户的用户意图为识别文字，获取及输出所述目标文本包括的文字所对应的音频。

8.根据权利要求6所述的装置，其中，所述输出单元包括：

确定模块，被配置成响应于所述意图信息表征所述用户的用户意图为识别词汇，确定所述目标文本是否包括词汇；

第一输出模块，被配置成响应于所述目标文本包括词汇，获取及输出所述目标文本包括的词汇所对应的音频。

9.根据权利要求8所述的装置，其中，所述输出单元还包括：

第二输出模块，被配置成响应于所述目标文本不包括词汇，获取及输出所述目标文本包括的文字所对应的音频。

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：

第二获取单元，被配置成获取所述用户针对获取到的音频输入的跟读音频；

匹配单元，被配置成对所述跟读音频和所输出的、所述目标文本所对应的音频进行匹配，获得匹配结果及输出。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images