CN109658934A - 通过语音控制多媒体app的方法及装置 - Google Patents

Abstract

本发明公开了一种通过语音控制多媒体app的方法，包括监听多媒体app的状态；根据多媒体app的状态设置语音焦点；在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。本发明还公开了一种通过语音控制多媒体app的装置，根据本发明提供的方法和装置可以实现将语音交互技术应用在现有的多媒体app上，并且兼容更加便捷、可靠，不需要对现有的多媒体app进行更改，也不需要专门制定的协议，即可实现及时通过语音对多媒体app的自由控制，极大提升了行业对接效率和可靠性。

Description

通过语音控制多媒体app的方法及装置

技术领域

本发明涉及语音控制技术领域，特别是一种通过语音控制多媒体app的方法及装置。

背景技术

随着语音交互技术的愈发成熟，目前APP在开发过程中就会对其赋予语音交互功能，但是还没有通用的技术将多种APP的语音交互功能进行统一，用户在使用装有多种APP的终端设备时，想要通过语音功能去操控各个APP时，往往需要进入到对应的APP中进行操作，这样对用户的语音操作并不方便。

发明内容

为了解决上述问题，发明人构思通过引入一个“语音焦点管理者”的角色，来监听多媒体app的状态，判断当前用户正在操作/收听的是哪个app，通过将当前操作/收听的app作为语音焦点，来进行通用语音指令的下达，这样，就不需要用户每次都进入到具体的app进行相应操作，改善交互体验。并且，基于焦点管理，语音指令的触达率也能维持在准确率较高的水平，大幅提升用户体验。

根据本发明的第一方面，提供了一种通过语音控制多媒体app的方法，包括如下步骤：

监听多媒体app的状态；

根据多媒体app的状态设置语音焦点；

在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。

根据本发明的第二方面，提供了一种通过语音控制多媒体app的装置，包括

状态监听模块，用于监听多媒体app的状态；

语音焦点设置模块，用于根据多媒体app的状态设置语音焦点；

指令下发模块，用于在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。

根据本发明的第三个方面，提供了一种电子设备，其包括：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上述方法的步骤。

根据本发明的第四个方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

根据本发明提供的方法及装置，可以实现将语音交互技术应用在现有的多媒体app上，并且兼容更加便捷、可靠，不需要对现有的多媒体app进行更改，也不需要专门制定的协议，即可实现及时通过语音对多媒体app的自由控制，极大提升了行业对接效率和可靠性，并且极大的增加了用户的体验感。

附图说明

图1为本发明一实施方式的通过语音控制多媒体app的方法流程图；

图2为本发明又一实施方式的通过语音控制多媒体app的装置原理框图；

图3为本发明一实施方式的电子设备的框图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的通过语音控制多媒体app的方法可以应用于任何配置了语音功能的终端设备，例如，智能手机、平板电脑、智能家居等终端设备，本发明对此不作限制，从而能够使得用户在使用这些终端设备的过程中获得更及时的响应，不需要进入具体的多媒体app即可触达，提升用户体验。

图1示意性地显示了根据本发明一实施方式的通过语音控制多媒体app的方法流程图，如图1所示，本实施例包括如下步骤：

步骤S101：监听多媒体app的状态。

示例性地，多媒体app的状态包括有启动状态、退出等。监听多媒体app的状态是通过获取多媒体app的sdk通知实现，在优选实施方式中还可以通过获取launcher界面的响应事件实现的。

步骤S102：根据多媒体app的状态设置语音焦点。语音焦点用于标识当前语音指令要控制的对象，即当前语音指令将会被下发给语音焦点所指向的多媒体app。具体实现为：

在判断监听到的多媒体app状态为启动时，将语音焦点切换为当前启动的多媒体app，并将启动的多媒体app加入焦点队列。其中，焦点队列为先进后出队列，用于按多媒体app启动的顺序来加入，并将最后启动的app置于顶层，以作为当前语音焦点。示例性地，用户开启了音乐APP，就会获取到该音乐app的sdk通知，通知的内容为该APP当前正在启动的状态栏信息，就会将该音乐app设置为语音焦点，并将其加入到焦点队列的最上层位置。

在判断监听到的多媒体app状态为退出时，首先判断推出的多媒体app是否是语音焦点，如果是的话需要将语音焦点切换到焦点队列中的下一个最顶层的多媒体app(即次顶层的多媒体app)，之后将退出的多媒体app从焦点队列移除，而如果不是语音焦点的话，则可以直接将推出的多媒体app从焦点队列移除。示例性地，用户关闭了画图app，就会获取到该画图app的sdk通知，通知的内容为该APP当前正在关闭的状态栏信息，就会将该画图app从语音焦点队列中移除；同时还会判断该画图app是否是语音焦点，如果是的话还会将语音焦点切换为下一个位于顶层的多媒体app。

示例性地，作为一种优选实施例，焦点队列通过list列表实现，当从焦点队列中移除多媒体app时，通过对象名直接移除，而不需要通过先进后出的方式进行一次出列和入列，更加快捷方便。

在优选实施例中，还可以通过步骤S101的方法监听到多媒体app的活动状态，在监听到多媒体app的状态为当前活动app时，将语音焦点切换为当前活动的多媒体app，并将当前活动的多媒体app移动到队列的最顶层。这种方案适用于用户同时操作多款多媒体app的场景，示例性地，用户在执行音乐app后，又点击启动了画图app，此时语音焦点为画图app，音乐app在后台运行，当用户想操作后台的音乐app时，在操作过程中就会产生活动，就会获取到音乐app的sdk通知，通知该音乐app为活动app，此时会将语音焦点切换至音乐app，并进行焦点队列的更新。

步骤S103：在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。根据具有音频采集功能的装置获取用户的语音指令，再判断用户语音指令是否为通用指令，其中，通用指令为可以适用所有多媒体app的语音指令，判断方式为，在预先对语音唤醒词的设置时已经将通用指令与非通用指令的内容进行分类，可以参照现有技术进行适用，例如，“下一页”、“关闭”等都为通用指令。在判断为通用指令时，将通用指令下发至当前语音焦点对应的多媒体app，获取该语音焦点对应的多媒体app的语音指令或操作指令接收功能的调用接口，将该语音指令发送至对应的接口上，完成与多媒体app的语音交互功能。

其中，多媒体app是指安装在终端设备上的应用终端，例如可以为音乐播放软件终端、导航软件终端等。其可以具备语音交互处理功能，也可以不具备，当具备时，可以适用其语音交互处理接口进行指令发送，当不具备时，可以基于语音指令生成相应的操作指令后，将与其调用接口适配的操作指令发送给相应的多媒体app，以实现对其的语音控制。

根据本实施例可以实现将语音交互技术应用在现有的多媒体app上，并且兼容更加便捷、可靠，不需要对现有的多媒体app进行更改，也不需要专门制定的协议，即可实现及时通过语音对多媒体app的自由控制，极大提升了行业对接效率和可靠性。本发明实施例的方案尤其适用于通用指令的场合，基于该方案在用户发出通用指令时，完全不用打开对应的app，基于语音焦点即可实现准确触达。

图2示意性地显示了根据本发明一实施方式的通过语音控制多媒体app的装置原理框图，如图2所示，

该语音控制多媒体app的装置包括状态监听模块201、语音焦点设置模块202和指令下发模块203。

状态监听模块201用于监听多媒体app的状态，实现为与安装有多媒体app的系统的framework层连接，以通过多媒体app的sdk通知或桌面应用获取应用状态。

语音焦点设置模块，用于根据多媒体app的状态设置语音焦点，语音焦点用于标识执行语音指令的多媒体app对象，根据多媒体app的状态设置语音焦点的实现方式可以参照上述的方法部分。

指令下发模块，用于在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。多媒体app的状态包括启动、退出和当前活动app等，在具体应用中，根据需求，在本发明构思下，还可以灵活配置多媒体app的状态为其他，本发明实施例对此不进行限制。根据用户语音指令和当前语音焦点下发用户语音指令的实现方式可以参照上述的方法部分。

本发明实施例提供的装置作为“焦点管理者”，可以根据多媒体app的状态灵活切换语音焦点，并基于语音焦点进行语音指令的触达，不需要用户进行多余的操作，非常便捷。并且，根据本实施例提供的装置可以实现将语音交互技术应用在现有的多媒体app上，并且兼容更加便捷、可靠，不需要对现有的多媒体app进行更改，也不需要专门制定的协议，即可实现及时通过语音对多媒体app的自由控制。

在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项通过语音控制多媒体app的方法。

在一些实施例中，本发明实施例还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当所程序指令被计算机执行时，使计算机执行上述任一项通过语音控制多媒体app的方法。

在一些实施例中，本发明实施例还提供一种电子设备，其包括：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，指令被所述至少一个处理器执行，以使至少一个处理器能够执行通过语音控制多媒体app的方法。

在一些实施例中，本发明实施例还提供一种存储介质，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通过语音控制多媒体app的方法。

上述本发明实施例的通过语音控制多媒体app的装置可用于执行本发明实施例的通过语音控制多媒体app的方法，并相应的达到上述本发明实施例的实现通过语音控制多媒体app的方法所达到的技术效果，这里不再赘述。本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。

图3是本发明一实施例提供的执行通过语音控制多媒体app的方法的电子设备的硬件结构示意图，如图3所示，该设备包括：

一个或多个处理器410以及存储器420，图3中以一个处理器410为例。

执行通过语音控制多媒体app的方法的设备还可以包括：输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器420作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的通过语音控制多媒体app的方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非易失性软件程序、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的通过语音控制多媒体app的方法。

存储器420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系统、至少一个功能所需要的应用程序；存储数据区可存储根据通过语音控制多媒体app的装置的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至通过语音控制多媒体app的装置。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。

输入装置430可接收输入的数字或字符信息，以及产生与通过语音控制多媒体app的装置的用户设置以及功能控制有关的信号。输出装置440可包括显示屏等显示设备。

上述一个或者多个模块存储在所述存储器420中，当被所述一个或者多个处理器410执行时，执行上述任意方法实施例中的通过语音控制多媒体app的方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请实施例的电子设备以多种形式存在，包括但不限于:

(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.通过语音控制多媒体app的方法，其特征在于，包括：

监听多媒体app的状态；

根据多媒体app的状态设置语音焦点；

在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。

2.根据权利要求1所述的方法，其特征在于，所述在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令包括：

判断用户语音指令是否为通用指令，在判断为通用指令时，将通用指令下发至当前语音焦点对应的多媒体app。

3.根据权利要求1或2所述的方法，其特征在于，所述多媒体app的状态至少包括启动和退出。

4.根据权利要求3所述的方法，其特征在于，所述根据多媒体app的状态设置语音焦点包括

在监听到的多媒体app状态为启动时，将语音焦点切换为当前启动的多媒体app，并将启动的多媒体app加入焦点队列；

在监听到的多媒体app状态为退出时，判断当前退出的多媒体app是否为语音焦点，当判断为语音焦点时，切换语音焦点并将退出的多媒体app从焦点队列移除，否则直接将退出的多媒体app从焦点队列移除。

5.根据权利要求4所述的方法，其特征在于，所述多媒体app的状态还包括当前活动app，所述方法还包括：

在监听到多媒体app的状态为当前活动app时，将语音焦点切换为当前活动的多媒体app。

6.根据权利要求5所述的方法，其特征在于，所述监听多媒体app的状态是通过获取多媒体app的sdk通知实现或通过获取launcher界面的响应事件实现。

7.通过语音控制多媒体app的装置，其特征在于，包括

状态监听模块，用于监听多媒体app的状态；

语音焦点设置模块，用于根据多媒体app的状态设置语音焦点；

指令下发模块，用于在接收到用户语音指令时，根据用户语音指令和当前语音焦点下发用户语音指令。

8.根据权利要求7所述的装置，其特征在于，所述多媒体app的状态包括启动、退出和当前活动app。

9.电子设备，其包括：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1-6中任意一项所述方法的步骤。

10.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权利要求1-6中任意一项所述方法的步骤。