CN118035477A - 语音辅助方法、装置及电子设备 - Google Patents

Abstract

本公开提供一种语音辅助方法、装置及电子设备，所述方法的一具体实施方式包括：确定目标图像；获取用户针对所述目标图像输入的语音信息；响应于所述语音信息，确定待执行的操作类别所述操作类别对应于所述语音信息的句型；基于所述操作类别对所述目标图像执行相应的目标操作。该实施方式通过语音的方式实现了各种类别的针对图像的辅助操作，为视觉障碍以及行动不便的用户对图像的查看以及编辑提供了更为便利的途径，提升了用户体验。

Description

语音辅助方法、装置及电子设备

技术领域

本公开涉及计算机技术领域，特别涉及一种语音辅助方法、装置及电子设备。

背景技术

智能终端设备越来越多的应用于人们的日常生活中，为人们的生活和工作提供了诸多便利。而人们主要通过视觉和触觉与智能终端设备进行人机交互，这对于视觉障碍以及行动不便的用户来说是不友好的。尤其是视觉障碍的用户难以获知智能终端设备展示的图像内容，并且，对于行动不便的用户来说，也难以对图像进行编辑处理操作。因此，需要一种针对图像的语音辅助方法。

发明内容

本公开提供一种语音辅助方法、装置及电子设备。

根据第一方面，提供一种语音辅助方法，所述方法包括：

确定目标图像；

获取用户针对所述目标图像输入的语音信息；

响应于所述语音信息，确定待执行的操作类别；所述操作类别对应于所述语音信息的句型；

基于所述操作类别对所述目标图像执行相应的目标操作。

根据第二方面，提供一种语音辅助装置，所述装置包括：

第一确定模块，用于确定目标图像；

获取模块，用于获取用户针对所述目标图像输入的语音信息；

第二确定模块，用于响应于所述语音信息，确定待执行的操作类别；所述操作类别对应于所述语音信息的句型；

执行模块，用于基于所述操作类别对所述目标图像执行相应的目标操作。

根据第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。

根据第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面中任一项所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开的实施例提供的一种语音辅助方法及装置，通过基于用户输入的针对目标图像的语音信息，确定针对目标图像的待执行的操作类别，该操作类别对应于语音信息的句型，并基于该操作类别对目标图像执行相应的目标操作。从而通过语音的方式实现了各种类别的针对图像的辅助操作，为视觉障碍以及行动不便的用户对图像的查看以及编辑提供了更为便利的途径，提升了用户体验。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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是本公开根据一示例性实施例示出的一种针对图像的语音辅助的场景示意图；

图2是本公开根据一示例性实施例示出的一种语音辅助方法的流程图；

图3是本公开根据一示例性实施例示出的一种目标图像的示意图；

图4是本公开根据一示例性实施例示出的一种语音辅助装置的框图；

图5是本公开一些实施例提供的一种电子设备的示意框图；

图6是本公开一些实施例提供的另一种电子设备的示意框图；

图7是本公开一些实施例提供的一种存储介质的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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所有其他实施例，都应当属于本说明书保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

智能终端设备越来越多的应用于人们的日常生活中，为人们的生活和工作提供了诸多便利。而人们主要通过视觉和触觉与智能终端设备进行人机交互，这对于视觉障碍以及行动不便的用户来说是不友好的。在相关技术中，通常将文本信息进行语音朗读播放，以辅助视觉障碍的用户阅读智能终端设备中的文本内容。而视觉障碍的用户仍难以获知智能终端设备展示的图片内容，并且，对于行动不便的用户来说，也难以对图片进行编辑处理操作。

本公开提供的一种语音辅助方案，通过基于用户输入的针对目标图像的语音信息，确定针对目标图像的待执行的操作类别，该操作类别对应于语音信息的句型，并基于该操作类别对目标图像执行相应的目标操作。从而通过语音的方式实现了各种类别的针对图像的辅助操作，为视觉障碍以及行动不便的用户对图像的查看以及编辑提供了更为便利的途径，提升了用户体验。

参见图1，为根据一示例性实施例示出的一种针对图像的语音辅助的场景示意图。

如图1所示，终端设备可以包括语音采集单元，语音识别单元，文本解析单元，分类单元，分配单元，辅助单元以及输出单元。其中，辅助单元可以进一步包括多个子单元，例如可以包括问答子单元，图像描述子单元，视觉定位子单元和图像编辑子单元等，每个子单元对应一种针对图像的操作。例如，问答子单元对应针对图像回答提问的操作，图像描述子单元对应描述图像的操作，视觉定位子单元对应对图像中指定对象进行视觉定位的操作，图像编辑子单元对应对图像进行编辑的操作。其中，输出单元可以进一步包括语音播报子单元和图像展示子单元等。

具体来说，首先，终端设备可以通过语音采集单元采集用户的语音命令，得到语音信息，将语音信息传输给语音识别单元，由语音识别单元将语音信息转换成文本信息。再将该文本信息传输给文本解析单元，由文本解析单元对该文本信息进行解析，得到解析信息。通过分类单元对解析信息进行分类，得到待执行的操作类别。该操作类别可以包括但不限于疑问句、陈述句、祈使句等。

如果分类单元基于解析信息确定待执行的操作类别为疑问句或陈述句，则可以由分配单元将上述由语音信息转换成的文本信息和用户输入的目标图像传输至辅助单元包括的问答子单元中。问答子单元可以基于该文本信息和目标图像，输出提问的回答文本信息，并由输出单元包括的语音播报子单元通过语音形式播报该回答文本信息。

如果分类单元基于解析信息确定待执行的操作类别为祈使句，则可以由分配单元将上述由语音信息转换成的文本信息和用户输入的目标图像传输至辅助单元包括的图像描述子单元、视觉定位子单元或图像编辑子单元中。若传输至图像描述子单元，可以基于该文本信息和目标图像，输出描述目标图像的描述文本信息，并由输出单元包括的语音播报子单元通过语音形式播报该描述文本信息。若传输至视觉定位子单元，可以基于该文本信息和目标图像，在目标图像中定位并标记出指定对象的位置，并由输出单元包括的图像展示子单元展示标记有指定对象位置的目标图像。还可以由输出单元包括的语音播报子单元通过语音形式播报操作完成的通知消息。若传输至图像编辑子单元，可以基于该文本信息和目标图像，对目标图像进行编辑或添加特效，并由输出单元包括的图像展示子单元展示编辑后的的目标图像。还可以由输出单元包括的语音播报子单元通过语音形式播报操作完成的通知消息。

下面将结合具体的实施例对本公开进行详细描述。

图2为根据一示例性实施例示出的一种语音辅助方法的流程图。该方法可以应用于终端设备中。在本实施例中，为了便于理解，结合能够安装第三方应用程序的终端设备来举例说明。本领域技术人员可以理解，该终端设备可以包括但不限于诸如智能手机的移动终端设备、智能穿戴式设备、平板电脑等等。该方法可以包括以下步骤：

如图2所示，在步骤201中，确定目标图像，以及在步骤202中，获取用户针对目标图像输入的语音信息。

在本实施例中，用户可以向终端设备输入目标图像，或者从终端设备中的多个备选图像中选取目标图像。然后，用户可以向终端设备发出针对目标图像的语音命令，终端设备可以通过预先安装的话筒采集用户的语音信息。

其中，该针对目标图像的语音命令可以是对目标图像中细节的询问，例如，询问目标图像中指定对象的颜色、形状、大小、状态等视觉呈现方面的特征。也可以是用于指示概括描述图像内容的命令，还可以是对图像中指定对象进行视觉定位的命令，还可以是对图像进行编辑的命令等。可以理解，本实施例对语音命令的具体内容和形式方面不限定。在终端设备采集到用户针对目标图像输入的语音信息之后，可以通过语音识别技术，将语音命令信息转换成文本信息。

在步骤203中，响应于上述语音信息，确定待执行的操作类别。

在本实施例中，该操作类别对应于语音信息的句型，例如可以包括但不限于疑问句、陈述句、祈使句。具体地，可以对由语音信息转换成的文本信息进行解析，得到该文本信息对应的解析信息，并基于解析信息，确定待执行的操作类别。其中，解析信息可以包括上述文本信息包括的关键词，可以根据该文本信息包括的关键词，确定待执行的操作类别。例如，预先建立关键词和类别的映射关系，可以基于该映射关系和该文本信息包括的关键词，确定操作类别。可选地，解析信息还可以直接包括该文本信息对应的句型信息，可以根据该文本信息包括的关键词和/或该文本信息对应的句型，确定待执行的操作类别。

在步骤204中，基于上述操作类别对目标图像执行相应的目标操作。

具体地，在确定操作类别为疑问句或者陈述句的情况下，可以确定目标操作为视觉问答，并对目标图像执行视觉问答的操作。在确定操作类别为祈使句的情况下，获取解析信息中包括的关键词，并基于该关键词，从图像描述、视觉定位和图像编辑特效中确定目标操作。例如，如果确定操作类别为祈使句，可以进一步获取解析信息中包括的关键词。若解析信息中的关键词包括诸如“描述”，或者和“描述”意义相近的词，则可以确定目标操作为描述图像的操作。若解析信息中的关键词包括诸如“定位”、“找出”，或者和“定位”、“找出”意义相近的词，则可以确定目标操作为对图像中指定对象进行视觉定位的操作。若解析信息中的关键词包括诸如“编辑”、“特效”，或者和“编辑”、“特效”意义相近的词，则可以确定目标操作为对图像进行编辑的操作。

在本实施例中，可以对目标图像执行相应的目标操作。可选地，至少将该文本信息和目标图像输入至目标操作对应的处理模型中，基于该处理模型输出的结果，执行上述目标操作。

具体来说，如果确定目标操作为针对图像回答提问的视觉问答，可以进一步获取该用户的历史问答信息。该历史问答信息可以是该用户在当前之前预设时段内，针对图像进行问答的问答信息。并且由语音信息转换成的文本信息中包括用户针对目标图像的提问，因此，可以将该文本信息、目标图像以及历史问答信息输入至视觉问答模型中进行处理。获取视觉问答模型输出的针对上述提问的回答文本信息，并通过播放装置语音播报该回答文本信息。

如果确定目标操作为描述图像，可以将该文本信息和目标图像输入至图像描述模型中，获取图像描述模型输出的对目标图像的描述文本信息，并通过播放装置语音播报该描述文本信息。

如果确定目标操作为对图像中指定对象进行视觉定位，则文本信息中包括指定对象的信息，可以将该文本信息和目标图像输入至视觉定位模型中，由视觉定位模型根据文本信息中包括的指定对象的信息，在目标图像中定位出指定对象的位置。获取视觉定位模型输出的对目标图像中指定对象进行视觉定位的结果图，并通过显示装置展示该结果图。该结果图中可以包括目标图像中的定位坐标信息或定位区域信息。

如果确定目标操作为对图像进行编辑特效，可以将文本信息和目标图像输入至图像编辑特效模型，该图像编辑特效模型可以基于该文本信息确定目标图像中的待处理对象，并对目标图像中的待处理对象进行编辑处理。获取该图像编辑特效模型输出的经过编辑处理后的处理图像，并通过显示装置展示该处理图像。

本公开提供的一种语音辅助方法，通过基于用户输入的针对目标图像的语音信息，确定针对目标图像的待执行的操作类别，该操作类别对应于语音信息的句型，并基于该操作类别对目标图像执行相应的目标操作。从而通过语音的方式实现了各种类别的针对图像的辅助操作，为视觉障碍以及行动不便的用户对图像的查看以及编辑提供了更为便利的途径，提升了用户体验。

应当注意，尽管在上述实施例中，以特定顺序描述了本公开实施例的方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

下面结合一个完整具体的应用实例，对本公开的方案进行示意性说明。

首先，用户将如图3所示的目标图像输入至终端设备中，并对终端设备发出语音命令，终端设备通过话筒采集语音信息，并将语音信息转换成文本信息，该文本信息例如可以是“图中共有几张6”或者“图中6的张数”。对该文本信息进行解析后，确定该文本信息对应的句型为疑问句或者陈述句，因此，可以确定目标操作为针对图像回答提问的视觉问答。利用视觉问答模型a处理该文本信息和目标图像，得到回答文本信息，该回答文本信息例如可以是“图中共有三张6”。终端设备可以通过预先安装的部分装置语音播报该回答文本信息。

如果该文本信息是“请描述该图像”。对该文本信息进行解析后，确定该文本信息对应的句型为祈使句。进一步获取该文本信息的关键词，由于关键词包括“描述”，因此，可以确定目标操作为描述图像。利用图像描述模型b处理该文本信息和目标图像，得到描述文本信息，该描述文本信息例如可以是“图中共有四组扑克牌，每组5张……”。终端设备可以通过预先安装的部分装置语音播报该描述文本信息。

如果该文本信息是“请找出图中的方片K”。对该文本信息进行解析后，确定该文本信息对应的句型为祈使句。进一步获取该文本信息的关键词，由于关键词包括“找出”，因此，可以确定目标操作为对图像中指定对象进行视觉定位。利用视觉定位模型c，基于该文本信息在目标图像中定位出方片K的位置，并将方片K标记出来。终端设备可以通过预先安装的显示装置展示标记出方片K的结果图。

如果该文本信息是“请对图中右上角的一组扑克牌增加放大特效”。对该文本信息进行解析后，确定该文本信息对应的句型为祈使句。进一步获取该文本信息的关键词，由于关键词包括“特效”，因此，可以确定目标操作为对图像进行编辑特效。利用图像编辑特效模型d，基于该文本信息在目标图像中定位出右上角的一组扑克牌的位置，并对该组扑克牌增加放大特效。终端设备可以通过预先安装的显示装置展示增加了特效之后的图像。

与前述语音辅助方法实施例相对应，本公开还提供了语音辅助装置的实施例。

如图4所示，图4是本公开根据一示例性实施例示出的一种语音辅助装置的框图，该装置可以包括：第一确定模块401，获取模块402，第二确定模块403和执行模块404。

其中，第一确定模块401，用于确定目标图像。

获取模块402，用于获取用户针对目标图像输入的语音信息。

第二确定模块403，用于响应于上述语音信息，确定待执行的操作类别，该操作类别对应于语音信息的句型。

执行模块404，用于基于上述操作类别对目标图像执行相应的目标操作。

在一些实施方式中，第二确定模块403可以包括：转换子模块，解析子模块和确定子模块(图中未示出)。

其中，转换子模块，用于将上述语音信息转换成文本信息。

解析子模块，用于对上述文本信息进行解析，得到该文本信息对应的解析信息。

确定子模块，用于基于该解析信息，确定操作类别，该操作类别为疑问句、陈述句、祈使句。

在另一些实施方式中，执行模块404被配置用于：上述解析信息包括上述文本信息包括的关键词和该文本信息对应的句型。其中，确定子模块被配置用于：若操作类别为疑问句或者陈述句，确定目标操作为视觉问答，并对目标图像执行视觉问答的操作。若操作类别为祈使句，确定目标操作为图像描述、视觉定位或图像编辑特效，并对目标图像执行图像描述、视觉定位或图像编辑特效的操作。

在另一些实施方式中，若目标操作为视觉问答，通过如下方式对目标图像执行视觉问答的操作：获取用户对应的历史问答信息，将上述文本信息、目标图像以及历史问答信息输入至视觉问答模型中，得到针对目标图像的操作结果信息。

在另一些实施方式中，若目标操作为图像描述，通过如下方式对目标图像执行图像描述的操作：将上述文本信息和目标图像输入至图像描述模型中，获取图像描述模型输出的针对目标图像的操作结果信息，该操作结果信息包括对目标图像的描述信息。

在另一些实施方式中，若目标操作为视觉定位，通过如下方式对目标图像执行视觉定位的操作：将上述文本信息和目标图像输入至视觉定位模型中，展示视觉定位模型输出的对目标图像中指定对象进行视觉定位的结果图，该结果图中包括目标图像中的定位坐标信息或定位区域信息。

在另一些实施方式中，若目标操作为图像编辑特效，通过如下方式对目标图像执行图像编辑特效的操作：将上述文本信息和目标图像输入至图像编辑特效模型，上述文本信息包括关键词，利用图像编辑特效模型，基于文本信息确定目标图像中的待处理对象，对待处理对象进行编辑处理，并展示经过编辑处理后的处理图像。

在另一些实施方式中，该装置可以包括：播报模块(图中未示出)。

其中，播报模块，用于针对目标操作的结果，进行语音播报。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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公开实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

图5为本公开一些实施例提供的一种电子设备的示意框图。如图5所示，该电子设备910包括处理器911和存储器912，可以用于实现客户端或服务器。存储器912用于非瞬时性地存储有计算机可执行指令(例如一个或多个计算机程序模块)。处理器911用于运行该计算机可执行指令，该计算机可执行指令被处理器911运行时可以执行上文所述的语音辅助方法中的一个或多个步骤，进而实现上文所述的语音辅助方法。存储器912和处理器911可以通过总线系统和/或其它形式的连接机构(未示出)互连。

例如，处理器911可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器911可以为通用处理器或专用处理器，可以控制电子设备910中的其它组件以执行期望的功能。

例如，存储器912可以包括一个或多个计算机程序产品的任意组合，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块，处理器911可以运行一个或多个计算机程序模块，以实现电子设备910的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。

需要说明的是，本公开的实施例中，电子设备910的具体功能和技术效果可以参考上文中关于语音辅助方法的描述，此处不再赘述。

图6为本公开一些实施例提供的另一种电子设备的示意框图。该电子设备920例如适于用来实施本公开实施例提供的语音辅助方法。电子设备920可以是终端设备等，可以用于实现客户端或服务器。电子设备920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)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。需要注意的是，图6示出的电子设备920仅仅是一个示例，其不会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920可以包括处理装置(例如中央处理器、图形处理器等)921，其可以根据存储在只读存储器(ROM)922中的程序或者从存储装置928加载到随机访问存储器(RAM)923中的程序而执行各种适当的动作和处理。在RAM 923中，还存储有电子设备920操作所需的各种程序和数据。处理装置921、ROM 922以及RAM 923通过总线924彼此相连。输入/输出(I/O)接口925也连接至总线924。

通常，以下装置可以连接至I/O接口925：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926；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置927；包括例如磁带、硬盘等的存储装置928；以及通信装置929。通信装置929可以允许电子设备920与其他电子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920，但应理解的是，并不要求实施或具备所有示出的装置，电子设备920可以替代地实施或具备更多或更少的装置。

例如，根据本公开的实施例，上述语音辅助方法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，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包括用于执行上述语音辅助方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置929从网络上被下载和安装，或者从存储装置928安装，或者从ROM922安装。在该计算机程序被处理装置921执行时，可以实现本公开实施例提供的语音辅助方法中限定的功能。

图7为本公开一些实施例提供的一种存储介质的示意图。例如，如图7所示，存储介质930可以为非暂时性计算机可读存储介质，用于存储非暂时性计算机可执行指令931。当非暂时性计算机可执行指令931由处理器执行时可以实现本公开实施例所述的语音辅助方法，例如，当非暂时性计算机可执行指令931由处理器执行时，可以执行根据上文所述的语音辅助方法中的一个或多个步骤。

例如，该存储介质930可以应用于上述电子设备中，例如，该存储介质930可以包括电子设备中的存储器。

例如，存储介质可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、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)、便携式紧致盘只读存储器(CD-ROM)、闪存、或者上述存储介质的任意组合，也可以为其他适用的存储介质。

例如，关于存储介质930的说明可以参考电子设备的实施例中对于存储器的描述，重复之处不再赘述。存储介质930的具体功能和技术效果可以参考上文中关于语音辅助方法的描述，此处不再赘述。

需要说明的是，在本公开的上下文中，计算机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。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系统、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种语音辅助方法，所述方法包括：

确定目标图像；

获取用户针对所述目标图像输入的语音信息；

响应于所述语音信息，确定待执行的操作类别；所述操作类别对应于所述语音信息的句型；

基于所述操作类别对所述目标图像执行相应的目标操作。

2.根据权利要求1所述的方法，其中，所述确定待执行的操作类别，包括：

将所述语音信息转换成文本信息；

对所述文本信息进行解析，得到所述文本信息对应的解析信息；

基于所述解析信息，确定所述操作类别，所述操作类别为疑问句、陈述句、祈使句。

3.根据权利要求2所述的方法，其中，基于所述操作类别对所述目标图像执行相应的目标操作，包括：

若所述操作类别为疑问句或者陈述句，确定所述目标操作为视觉问答，并对所述目标图像执行所述视觉问答的操作；

若所述操作类别为祈使句，确定目标操作为图像描述、视觉定位或图像编辑特效，并对所述目标图像执行所述图像描述、视觉定位或图像编辑特效的操作。

4.根据权利要求3所述的方法，其中，若所述目标操作为视觉问答，通过如下方式对所述目标图像执行所述视觉问答的操作：

获取所述用户对应的历史问答信息；

将所述文本信息、所述目标图像以及所述历史问答信息输入至所述视觉问答模型中，得到针对所述目标图像的操作结果信息。

5.根据权利要求3所述的方法，其中，若所述目标操作为图像描述，通过如下方式对所述目标图像执行所述图像描述的操作：

将所述文本信息和所述目标图像输入至图像描述模型中；

获取所述图像描述模型输出的针对所述目标图像的操作结果信息；所述操作结果信息包括对所述目标图像的描述信息。

6.根据权利要求3所述的方法，其中，若所述目标操作为视觉定位，通过如下方式对所述目标图像执行所述视觉定位的操作：

将所述文本信息和所述目标图像输入至视觉定位模型中；

展示所述视觉定位模型输出的对所述目标图像中指定对象进行视觉定位的结果图；所述结果图中包括所述目标图像中的定位坐标信息或定位区域信息。

7.根据权利要求3所述的方法，其中，若所述目标操作为图像编辑特效，通过如下方式对所述目标图像执行所述图像编辑特效的操作：

将所述文本信息和所述目标图像输入至图像编辑特效模型，所述文本信息包括关键词；

利用所述图像编辑特效模型，基于所述文本信息确定所述目标图像中的待处理对象；

对所述待处理对象进行编辑处理，并展示经过编辑处理后的处理图像。

8.根据权利要求1所述的方法，其中，所述方法还包括：

针对所述目标操作的结果，进行语音播报。

9.一种语音辅助装置，所述装置包括：

第一确定模块，用于确定目标图像；

获取模块，用于获取用户针对所述目标图像输入的语音信息；

第二确定模块，用于响应于所述语音信息，确定待执行的操作类别；所述操作类别对应于所述语音信息的句型；

执行模块，用于基于所述操作类别对所述目标图像执行相应的目标操作。

10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-8中任一项所述的方法。

11.一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。