CN107463929A - 语音数据的处理方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种语音数据的处理方法、装置、设备及计算机可读存储介质。本发明实施例通过对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，以及对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，进而将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，使得能够在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，无需依赖各个相关功能所对应的功能模块对于语音服务的支持，而是在终端输入语音数据的同时所输出的图像数据中，匹配与语音数据所对应的字符串，进而在该字符串的屏幕位置，进行模拟点击操作来实现任意语音指令的终端操作，从而提高了语音服务的可靠性。

Description

语音数据的处理方法、装置、设备及计算机可读存储介质

【技术领域】

本发明涉及语音交互技术，尤其涉及一种语音数据的处理方法、装置、设备及计算机可读存储介质。

【背景技术】

随着通信技术的发展，终端集成了越来越多的功能，从而使得终端的系统功能列表中包含了越来越多相应的应用(Application，APP)。有些应用中会涉及一些语音服务，例如，百度地图等。目前的语音服务，基本都是一种功能级别的实现，它具有一个独立的语音交互模块，这个模块负责录音，并对录音进行识别，并进行自然语音理解生成语音指令，调用其他功能模块完成相关的功能。

然而，目前的语音服务，完全依赖于各个相关功能所对应的功能模块对于语音服务的支持，如果某一个功能模块不支持语音服务，则无法基于语音服务实现该功能模块的相关功能，从而导致了语音服务的可靠性的降低。

【发明内容】

本发明的多个方面提供一种语音数据的处理方法、装置、设备及计算机可读存储介质，用以提高语音服务的可靠性。

本发明的一方面，提供一种语音数据的处理方法，包括：

对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置；

对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列；

将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列；

在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，包括：

采用光学字符识别技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，包括：

采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述获得所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，包括：

根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度；

根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列；

若最高相似度大于或等于预先设置的相似度阈值，将所述相似度最高的图像字符序列，作为所述匹配字符序列。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，包括：

根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置；

在所述模拟点击位置，进行模拟点击操作。

本发明的另一方面，提供一种语音数据的处理装置，包括：

图像识别单元，用于对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置；

语音识别单元，用于对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列；

字符匹配单元，用于将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列；

模拟点击单元，用于在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述图像识别单元，具体用于

采用光学字符识别技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述语音识别单元，具体用于

采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述字符匹配单元，具体用于

根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度；

根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列；以及

若最高相似度大于或等于预先设置的相似度阈值，将所述相似度最高的图像字符序列，作为所述匹配字符序列。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述模拟点击单元，具体用于

根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置；以及

在所述模拟点击位置，进行模拟点击操作。

本发明的另一方面，提供一种设备，所述设备包括：

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上述一方面所提供的语音数据的处理方法。

本发明的另一方面，提供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上述一方面所提供的语音数据的处理方法。

由上述技术方案可知，本发明实施例通过对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，以及对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，进而将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，使得能够在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，无需依赖各个相关功能所对应的功能模块对于语音服务的支持，而是在终端输入语音数据的同时所输出的图像数据中，匹配与语音数据所对应的字符串，进而在该字符串的屏幕位置，进行模拟点击操作来实现任意语音指令的终端操作，从而提高了语音服务的可靠性。

另外，采用本发明所提供的技术方案，无需独立开发一套额外的语音服务交互机制，能够有效降低开发成本和维护成本。

另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。

【附图说明】

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的语音数据的处理方法的流程示意图；

图2为本发明另一实施例提供的语音数据的处理装置的结构示意图；

图3为适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。

【具体实施方式】

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例中所涉及的终端可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、个人电脑(Personal Computer，PC)、MP3播放器、MP4播放器、可穿戴设备(例如，智能眼镜、智能手表、智能手环等)等。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本发明一实施例提供的语音数据的处理方法的流程示意图，如图1所示。

101、对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

102、对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列。

103、将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列。

104、在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

本发明中，需要预先获取终端所输入的语音数据例如，具体可以通过录音操作，获取终端所输入的语音数据，以及获取终端在输入所述语音数据的同时，终端的屏幕上所输出的图像数据例如，具体可以通过截屏操作，截获终端当前所显示的屏幕内容。然后，再基于所获取的语音数据和图像数据，执行101～104的操作。

具体来说，101与102的执行没有固定的先后顺序，可以先执行101，再执行102，或者还可以先执行102，再执行101，或者还可以同时执行101与102，本实施例对此不进行特别限定。

需要说明的是，101～104的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的查询引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。

可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。

这样，通过对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，以及对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，进而将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，使得能够在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，无需依赖各个相关功能所对应的功能模块对于语音服务的支持，而是在终端输入语音数据的同时所输出的图像数据中，匹配与语音数据所对应的字符串，进而在该字符串的屏幕位置，进行模拟点击操作来实现任意语音指令的终端操作，从而提高了语音服务的可靠性。

本发明的主要思想是：通过对终端在输入语音数据的同时所输出的图像数据进行了字符识别处理，并对比语音数据所对应的是字符识别处理所获得的哪个字符串，进而对该字符串所在的屏幕位置进行模拟点击操作，从而实现基于语音指令的终端操作。

可选地，在本实施例的一个可能的实现方式中，在101中，具体可以采用光学字符识别(Optical Character Recognition，OCR)技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

具体来说，具体可以采用OCR技术，对所述图像数据进行字符识别处理，获得字符串列表，该列表中每个表项可以为一个图像字符序列和该图像字符序列的屏幕位置。

这样，通过获取终端屏幕所输出的图像数据，进而对该图像数据进行识别来获取当前可能的语音指令，无需预先定义语音指令集合，能够有效降低语音服务的实现复杂度。

可选地，在本实施例的一个可能的实现方式中，在102中，具体可以采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

具体来说，具体可以采用现有的任一语音识别技术，对所述语音数据进行语音识别处理，获得语音数据所对应的字符串即语音字符串。

可选地，在本实施例的一个可能的实现方式中，在103中，具体可以根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度，进而，则可以根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列。若最高相似度大于或等于预先设置的相似度阈值，则可以将所述相似度最高的图像字符序列，作为所述匹配字符序列。

具体来说，具体可以采用自然语言处理(Natural Language Processing，NLP)技术，计算所述每个图像字符序列与所述语音字符序列之间的相似度。

可选地，在本实施例的一个可能的实现方式中，在104中，具体可以根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置，进而，则可以在所述模拟点击位置，进行模拟点击操作。

这样，通过在所获得的模拟点击位置，进行模拟点击操作来触发相应的操作，而不是直接进行相应的操作，无需考虑语音指令的功能实现，开发简单，维护成本低。

伴随着互联网大数据的发展，趋势型应用和产品也越来越多。用户不仅关心趋势本身，更关心趋势背后的原因。本发明作为一种新型技术，能够很好的捕捉趋势产生的动因，给趋势以有效的可解释性，可以有效应用到百度司南等产品线上，满足用户在这方面的诉求，提升相关产品的商业价值。本发明的技术方案主要有以下优势：

A、本发明提出的语音交互方案因为是嫁接在触屏交互上，而终端上触屏交互是最完备的，因此这个方案支持的语音指令也是完备的。而且用户直接读出屏幕上的文字就可以了，用户的学习门槛比较低；

B、本发明提出的技术方案是一个系统级的方案，开发者无需事先定义语音指令，无需考虑语音指令的功能实现，开发简单，维护成本低。

由于本发明所提供的方法，其执行主体可以为终端侧，或者还可以为服务端侧，或者还可以为终端侧与服务端侧相互结合，本实施例对此不进行特别限定。

可以理解的是，如果涉及终端侧与服务端侧相互结合，则需要终端侧与服务端侧之间传输对端执行操作所需要的信息。

本实施例中，通过对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，以及对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，进而将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，使得能够在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，无需依赖各个相关功能所对应的功能模块对于语音服务的支持，而是在终端输入语音数据的同时所输出的图像数据中，匹配与语音数据所对应的字符串，进而在该字符串的屏幕位置，进行模拟点击操作来实现任意语音指令的终端操作，从而提高了语音服务的可靠性。

另外，采用本发明所提供的技术方案，无需独立开发一套额外的语音服务交互机制，能够有效降低开发成本和维护成本。

另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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。

图2为本发明另一实施例提供的语音数据的处理装置的结构示意图，如图2所示。本实施例的语音数据的处理装置可以包括图像识别单元21、语音识别单元22、字符匹配单元23和模拟点击单元24。其中，图像识别单元21，用于对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置；语音识别单元22，用于对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列；字符匹配单元23，用于将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列；模拟点击单元24，用于在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

需要说明的是，本实施例所提供的语音数据的处理装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的查询引擎，或者还可以为位于网络侧的分布式系统，本实施例对此不进行特别限定。

可以理解的是，所述应用可以是安装在终端上的本地程序(nativeApp)，或者还可以是终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。

可选地，在本实施例的一个可能的实现方式中，所述图像识别单元21，具体可以用于采用光学字符识别技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

可选地，在本实施例的一个可能的实现方式中，所述语音识别单元22，具体可以用于采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

可选地，在本实施例的一个可能的实现方式中，所述字符匹配单元23，具体可以用于根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度；根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列；以及若最高相似度大于或等于预先设置的相似度阈值，将所述相似度最高的图像字符序列，作为所述匹配字符序列。

可选地，在本实施例的一个可能的实现方式中，所述模拟点击单元24，具体可以用于根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置；以及在所述模拟点击位置，进行模拟点击操作。

需要说明的是，图1对应的实施例中方法，可以由本实施例提供的语音数据的处理装置实现。详细描述可以参见图1对应的实施例中的相关内容，此处不再赘述。

本实施例中，通过图像识别单元对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，以及语音识别单元对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，进而由字符匹配单元将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，使得模拟点击单元能够在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，无需依赖各个相关功能所对应的功能模块对于语音服务的支持，而是在终端输入语音数据的同时所输出的图像数据中，匹配与语音数据所对应的字符串，进而在该字符串的屏幕位置，进行模拟点击操作来实现任意语音指令的终端操作，从而提高了语音服务的可靠性。

另外，采用本发明所提供的技术方案，无需独立开发一套额外的语音服务交互机制，能够有效降低开发成本和维护成本。

另外，采用本发明所提供的技术方案，能够有效地提高用户的体验。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图3显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储装置或者系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器46等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口44进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1所对应的实施例所提供的语音数据的处理方法。

本发明另一实施例还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图1所对应的实施例所提供的语音数据的处理方法。

具体来说，可以采用一个或多个计算机可读的介质的任意组合。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。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、或半导体的系统、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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系统、装置或者器件使用或者与其结合使用。

计算机可读的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。计算机可读的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，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明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)。

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。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或页面组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一个计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种语音数据的处理方法，其特征在于，包括：

对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置；

对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列；

将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列；

在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

2.根据权利要求1所述的方法，其特征在于，所述对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置，包括：

采用光学字符识别技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

3.根据权利要求1所述的方法，其特征在于，所述对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列，包括：

采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

4.根据权利要求1所述的方法，其特征在于，所述获得所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列，包括：

根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度；

根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列；

若最高相似度大于或等于预先设置的相似度阈值，将所述相似度最高的图像字符序列，作为所述匹配字符序列。

5.根据权利要求1～4任一权利要求所述的方法，其特征在于，所述在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作，包括：

根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置；

在所述模拟点击位置，进行模拟点击操作。

6.一种语音数据的处理装置，其特征在于，包括：

图像识别单元，用于对终端所输出的图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置；

语音识别单元，用于对所述终端所输入的语音数据进行语音识别处理，以获得语音字符序列；

字符匹配单元，用于将所述至少一个图像字符序列中与所述语音字符序列所对应的图像字符序列，作为匹配字符序列；

模拟点击单元，用于在所述终端上所述匹配字符序列的屏幕位置，进行模拟点击操作。

7.根据权利要求6所述的装置，其特征在于，所述图像识别单元，具体用于

采用光学字符识别技术，对所述图像数据进行字符识别处理，以获得至少一个图像字符序列和所述至少一个图像字符序列中每个图像字符序列的屏幕位置。

8.根据权利要求6所述的装置，其特征在于，所述语音识别单元，具体用于

采用语音识别技术，对所述语音数据进行语音识别处理，以获得所述语音字符序列。

9.根据权利要求6所述的装置，其特征在于，所述字符匹配单元，具体用于

根据所述至少一个图像字符序列和所述语音字符序列，获得所述每个图像字符序列与所述语音字符序列之间的相似度；

根据所述每个图像字符序列与所述语音字符序列之间的相似度，获得相似度最高的图像字符序列；以及

若最高相似度大于或等于预先设置的相似度阈值，将所述相似度最高的图像字符序列，作为所述匹配字符序列。

10.根据权利要求6～9任一权利要求所述的装置，其特征在于，所述模拟点击单元，具体用于

根据所述匹配字符序列的屏幕位置，获得在所述终端上的模拟点击位置；以及

在所述模拟点击位置，进行模拟点击操作。

11.一种设备，其特征在于，所述设备包括：

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。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，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。