CN112328308A - 用于识别文本的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于识别文本的方法和装置。该方法的一具体实施方式包括：确定是否接收到预设模式切换指令，其中，该预设模式切换指令用于指示终端设备开启沉浸式模式；响应于接收到该预设模式切换指令，开启终端设备的摄像头；获取待识别文本图像；基于该待识别文本图像，生成文本识别结果。该实施方式实现了在上述终端设备处于沉浸式模式时能够无需唤醒即可以完成文本识别操作，提高了文本识别的操作效率。而且，在儿童教学的应用情景下，由于无需使用唤醒词，避免了儿童在学习过程中由于使用唤醒词带来的思维干扰，提升了沉浸式学习的体验，有助于提升用户的专注度。

Description

用于识别文本的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于识别文本的方法和装置。

背景技术

随着计算机技术的飞速发展，越来越多的智能电子设备得到广泛的应用。

在计算机辅助教学领域，相关的方式通常是采用点读笔或扫读笔等对文字内容进行识别。在使用时，往往需要先对上述点读笔或扫读笔等电子设备进行唤醒，再识读相应的文本。

发明内容

本申请实施例提出了用于识别文本的方法和装置。

第一方面，本申请实施例提供了一种用于识别文本的方法，该方法包括：确定是否接收到预设模式切换指令，其中，预设模式切换指令用于指示终端设备开启沉浸式模式；响应于接收到预设模式切换指令，开启终端设备的摄像头；获取待识别文本图像；基于待识别文本图像，生成文本识别结果。

在一些实施例中，上述基于待识别文本图像，生成文本识别结果，包括：确定是否接收到文本识别指令；响应于接收到文本识别指令，对待识别文本图像进行文本识别，以生成文本识别结果。

在一些实施例中，上述待识别文本图像中还包括指示物的图像；以及上述对待识别文本图像进行文本识别，以生成文本识别结果，包括：从待识别文本图像中确定指示物的位置；根据指示物的位置，从待识别文本图像中提取待识别文本图像区域；对待识别文本图像区域进行文本识别，以生成文本识别结果。

在一些实施例中，该方法还包括：根据文本识别结果进行语音合成(Text ToSpeech,TTS)，以生成合成语音；发送合成语音。

在一些实施例中，上述确定是否接收到预设模式切换指令，包括：接收目标语音；确定目标语音是否与本地指令集中表征预设模式切换的指令相匹配；响应于确定目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到所述预设模式切换指令。

第二方面，本申请实施例提供了一种用于识别文本的装置，该装置包括：确定单元，被配置成确定是否接收到预设模式切换指令，其中，预设模式切换指令用于指示终端设备开启沉浸式模式；启动单元，被配置成响应于接收到预设模式切换指令，开启终端设备的摄像头；获取单元，被配置成获取待识别文本图像；第一生成单元，被配置成基于待识别文本图像，生成文本识别结果。

在一些实施例中，上述第一生成单元包括：第一确定模块，被配置成确定是否接收到文本识别指令；第一生成模块，被配置成响应于接收到文本识别指令，对待识别文本图像进行文本识别，以生成文本识别结果。

在一些实施例中，上述待识别文本图像中还包括指示物的图像；上述第一生成单元包括：第二确定模块，被配置成从待识别文本图像中确定指示物的位置；提取模块，被配置成根据指示物的位置，从待识别文本图像中提取待识别文本图像区域；第二生成模块，被配置成对待识别文本图像区域进行文本识别，以生成文本识别结果。

在一些实施例中，该装置还包括：第二生成单元，被配置成根据文本识别结果进行语音合成，生成合成语音；发送单元，被配置成发送合成语音。

在一些实施例中，上述确定单元包括：接收模块，被配置成接收目标语音；第三确定模块，被配置成确定目标语音是否与本地指令集中表征预设模式切换的指令相匹配；第四确定模块，被配置成响应于确定目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到所述预设模式切换指令。

第三方面，本申请实施例提供了一种终端，该终端包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；摄像头，被配置成获取待识别文本图像；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如第一方面中任一实现方式描述的方法。

第四方面，本申请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如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于识别文本的方法和装置，首先通过确定是否接收到预设模式切换指令。其中，预设模式切换指令用于指示终端设备开启沉浸式模式。之后，响应于接收到预设模式切换指令，开启终端设备的摄像头。而后，获取待识别文本图像。最后，基于待识别文本图像，生成文本识别结果。从而实现了在上述终端设备处于沉浸式模式时能够无需唤醒即可以完成文本识别操作，提高了文本识别的操作效率。而且，在儿童教学的应用情景下，由于无需使用唤醒词，避免了儿童在学习过程中由于使用唤醒词带来的思维干扰，提升了沉浸式学习的体验，有助于提升用户的专注度。

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，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于识别文本的方法的一个实施例的流程图；

图3是根据本申请的实施例的用于识别文本的方法的一个应用场景的示意图；

图4是根据本申请的用于识别文本的方法的又一个实施例的流程图；

图5是根据本申请的用于识别文本的装置的一个实施例的结构示意图；

图6是适于用来实现本申请的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请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，本申请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申请。

图1示出了可以应用本申请的用于识别文本的方法或用于识别文本的装置的示例性架构100。

如图1所示，系统架构100可以包括终端设备101，网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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。

终端设备101可以通过网络102与服务器103交互，以接收或发送消息等。终端设备101可以是硬件，也可以是软件。当终端设备101、为硬件时，终端设备101可以是集成有文字识别功能的芯片和摄像头的各种终端设备，例如智能手机、点读笔、扫读笔等。当终端设备101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103可以是提供各种服务的服务器，例如为终端设备101生成文本识别结果提供支持的后台服务器。上述后台服务器可以对终端设备101获取的待识别文本图像进行分析处理，生成处理结果并将处理结果(如文本识别结果)反馈给终端设备101。

需要说明的是，上述终端设备101也可以直接对获取的待识别文本图像进行分析处理，生成文本识别结果。此时，可以不存在网络102和服务器103。

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。

需要说明的是，本申请实施例所提供的用于识别文本的方法一般由终端设备101执行，相应地，用于识别文本的装置一般设置于终端设备101中。

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。继续参考图2，示出了根据本申请的用于识别文本的方法的一个实施例的流程200。该用于识别文本的方法包括以下步骤：

步骤201，确定是否接收到预设模式切换指令。

在本实施例中，用于识别文本的方法的执行主体(如图1所示的终端设备101)可以首先确定是否接收到预设模式切换指令。其中，上述模式切换指令可以包括各种表征切换模式的信息。上述模式可以包括但不限于沉浸式模式(操作前无需唤醒设备)、常规模式(操作前需唤醒设备)。上述预设模式切换指令可以用于指示上述终端设备开启沉浸式模式。例如，上述预设模式切换指令可以包括将设备由常规模式切换至沉浸式模式的指令。上述沉浸式模式可以用于表征通过尽量减少唤醒词或语音交互来保证连续过程(例如儿童学习的过程)不被打断。作为示例，处于沉浸式模式中的电子设备可以无需唤醒词唤醒而始终保持工作状态。作为又一示例，处于沉浸式模式中的电子设备可以按照预设语音指令工作(例如检测到文本图像即进行文本识别)而无需等待诸如“这个词这么读”的交互语音。

步骤202，响应于接收到模式切换指令，开启终端设备的摄像头。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式接收预设模式切换指令。作为示例，上述执行主体可以获取本地生成的预设模式切换指令。其中，上述预设模式切换指令可以是由上述执行主体接收到用户点选“开启沉浸式模式”按钮的操作后所生成的。作为又一示例，上述执行主体也可以接收通信连接的电子设备(例如与上述执行主体匹配的遥控器)发送的预设模式切换指令。

步骤203，获取待识别文本图像。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式获取待识别文本图像。作为示例，上述执行主体可以通过自身集成的摄像头直接采集包含文本的图像作为待识别文本图像。作为又一示例，上述执行主体还可以从通信连接的电子设备获取图像作为待识别文本图像。

在本实施例的一些可选的实现方式中，上述待识别文本图像中还可以包括指示物的图像。其中，上述指示物可以包括各种用于指示待识别文本图像中的文本的物品，例如手指、笔等。

步骤204，基于待识别文本图像，生成文本识别结果。

在本实施例中，基于待识别文本图像，上述执行主体可以通过各种方式生成文本识别结果。作为示例，上述执行主体可以采用各种OCR(Optical Character Recognition，光学字符识别)技术来生成上述文本识别结果。上述OCR技术例如可以采用预先训练的人工神经网络进行识别。上述人工神经网络例如可以包括卷积神经网络(ConvolutionalNeural Networks,CNN)。

在本实施例的一些可选的实现方式中，上述执行主体可以按照以下步骤生成文本识别结果：

第一步，确定是否接收到文本识别指令。

在这些实现方式中，上述执行主体可以首先确定是否接收到文本识别指令。其中，上述文本识别指令可以包括预先设置的语句(例如“这个词怎么读”)或操作(例如点击预先指定的按钮)。

第二步，响应于接收到文本识别指令，对待识别文本图像进行文本识别，以生成文本识别结果。

在这些实现方式中，响应于接收到文本识别指令，上述执行主体可以采用上述OCR技术，以生成文本识别结果。

基于上述可选的实现方式，上述执行主体可以以接收到文本识别指令作为文本识别的前提条件，避免了终端设备频繁执行文本识别操作而引起的过多能耗。

可选地，基于上述可选的实现方式，上述执行主体可以按照如下步骤对待识别文本图像进行文本识别，以生成文本识别结果：

第一步，从待识别文本图像中确定指示物的位置。

在这些实现方式中，基于上述待识别文本图像中包括的指示物的图像，上述执行主体可以通过各种方式从上述待识别文本图像中确定指示物的位置。作为示例，上述执行主体可以将上述待识别文本图像输入至预先训练的位置确定模型，从而生成表征指示物的位置的位置信息。其中，上述位置确定模型可以用于表征待识别文本图像和表征待识别文本图像中指示物的位置的位置信息之间的对应关系。上述位置确定模型可以包括各种用于对象检测(Object Detection)的深度神经网络，例如MobileNet，YOLO等。作为又一示例，上述执行主体还可以对上述待识别文本图像进行边缘检测。而后，上述执行主体可以基于上述边缘检测结果生成图像特征。最后，根据上述图像特征与预设的指示物的图像的特征进行比对，将匹配的图像特征所对应的位置确定为上述指示物的位置。

第二步，根据指示物的位置，从待识别文本图像中提取待识别文本图像区域。

在这些实现方式中，根据上述第一步所确定的指示物的位置，上述执行主体可以通过各种方式提取待识别文本图像区域。其中，上述待识别文本图像区域可以用于指示上述指示物所指向的文本区域。

作为示例，上述执行主体首先可以根据第一步指示物的位置确定指示物的特征点位置。其中，上述特征点可以包括预先指定的特征点，例如指尖、笔尖。而后，上述执行主体可以提取包含上述特征点的预设大小的区域作为待识别文本图像区域。

第三步，对待识别文本图像区域进行文本识别，以生成文本识别结果。

基于上述可选的实现方式，上述执行主体可以采用与前述一致的方式对上述待识别文本图像区域进行文本识别，而后生成文本识别结果。可选地，上述执行主体还可以从上述待识别文本图像区域识别出的结果中选取距离上述指示物的特征点距离最近的字符串(例如词)作为上述文本识别结果。从而上述执行主体可以在待识别文本图像中截取特定的区域进行文本识别，从而实现了精细化的文本识别功能，尤其适用于对单个字、词的准确识别。

在本实施例的一些可选的实现方式中，上述执行主体还可以继续执行以下步骤：

第一步，根据文本识别结果进行语音合成，以生成合成语音。

在这些实现方式中，根据上述所生成的文本识别结果，上述执行主体可以采用各种语音合成方式进行语音合成，从而生成合成语音。其中，上述语音合成方式可以采用以下至少一项模型进行语音合成：WaveNet模型，DeepVoice模型，Tacotron模型。

第二步，发送合成语音。

在这些实现方式中，上述执行主体可以将上述第一步所生成的合成语音发送至目标电子设备。其中，上述目标电子设备可以是根据实际的应用需求预先指定的任意电子设备，也可以是根据规则而定的电子设备，例如通信连接的扬声器。其中，上述扬声器既可以集成于上述执行主体，也可以独立于上述执行主体而单独存在。

继续参见图3，图3是根据本申请实施例的用于识别文本的方法的应用场景的一个示意图。在图3的应用场景中，用于识别文本的智能台灯301上可以安装有摄像头3011、扬声器3012和具有文本识别功能的处理器(图中未示出)。智能台灯301接收到用户输入的预设模式切换指令，开启摄像头3011。而后，用户将手指302放置在书籍303上指向需要查询的文本，并说出“这个词怎么读”。之后，摄像头3011采集包括手指302指向的书籍303的文本的图像作为待识别文本图像。之后，智能台灯301的处理器对上述待识别文本图像进行识别，生成文本识别结果。可选地，上述智能台灯301还可以通过语音合成技术将上述所生成的文本识别结果通过扬声器3032进行语音播报。

目前，现有技术之一通常是用户需要首先通过唤醒词唤醒文本识别设备，在需要多次文本识别或需要减少唤醒词打断思路的学习情景下，用户需要频繁重复说出唤醒词导致文本识别交互效率低下。而本申请的上述实施例提供的方法，通过预设模式切换指令将电子设备切换至沉浸式模式，从而实现了无需唤醒词即可以进行文本识别操作，进而提高了文本识别的操作效率。而且，在儿童教学的应用情景下，由于无需使用唤醒词，避免了儿童在学习过程中由于使用唤醒词带来的思维干扰，减少了对学习过程的打断，提升了沉浸式学习的体验，有助于提升用户的专注度。

进一步参考图4，其示出了用于识别文本的方法的又一个实施例的流程400。该用于识别文本的方法的流程400，包括以下步骤：

步骤401，接收目标语音。

在本实施例中，用于识别文本的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式接收目标语音。其中，上述目标语音可以是根据实际的应用需求而从采集到的语音中任意选取的语音，也可以是根据规则而定的语音(例如语音长度大于预设阈值的语音)。

步骤402，确定目标语音是否与本地指令集中表征预设模式切换的指令相匹配。

在本实施例中，上述执行主体可以首先将步骤401所接收的目标语音进行语音识别，生成语音识别文本。而后，上述执行主体可以进一步确定上述语音识别文本中是否存在与本地指令集中表征预设模式切换的指令相匹配的关键词(例如“沉浸式模式”)。根据上述语音识别文本中是否存在与上述指令集中表征预设模式切换的指令相匹配的关键词确定是否匹配。其中，上述本地指令集用于表征存储于上述执行主体的本地而无需通过网络与远程服务器进行交互的指令集。

步骤403，响应于确定目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到预设模式切换指令。

在本实施例中，响应于确定存在，上述执行主体可以确定接收到上述预设模式切换指令。

需要说明的是，对预设模式切换的描述与前述实施例中的相应描述一致，在此不再赘述。

步骤404，响应于接收到预设模式切换指令，开启终端设备的摄像头。

步骤405，获取待识别文本图像。

步骤406，基于待识别文本图像，生成文本识别结果。

上述步骤404、步骤405、步骤406分别与前述实施例中的步骤202、步骤203和步骤204一致，上文针对步骤202、步骤203和步骤204及其可选的实现方式的描述也适用于步骤404、步骤405和步骤406，此处不再赘述。

从图4中可以看出，本实施例中的用于识别文本的方法的流程400细化了响应于接收到模式切换指令，开启终端设备的摄像头的步骤。由此，本实施例描述的方案可以通过语音控制电子设备的模式切换，而且通过本地指令集提升了识别速度，从而既方便了用户操作，又缩短了与用户交互的等待时间，提升了用户体验。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了用于识别文本的装置的一个实施例，该装置实施例与图2、图4所示的方法实施例相对应，该装置具体可以应用于各种终端设备中。

如图5所示，本实施例提供的用于识别文本的装置500包括确定单元501、启动单元502、获取单元503和第一生成单元504。其中，确定单元501，被配置成确定是否接收到预设模式切换指令，其中，所述预设模式切换指令用于指示终端设备开启沉浸式模式；启动单元502，被配置成响应于接收到预设模式切换指令，开启终端设备的摄像头；获取单元503，被配置成获取待识别文本图像；第一生成单元504，被配置成基于待识别文本图像，生成文本识别结果。

在本实施例中，用于识别文本的装置500中：确定单元501、启动单元502、获取单元503和第一生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述第一生成单元504可以包括第一确定模块(图中未示出)、第一生成模块(图中未示出)。其中，上述第一确定模块可以被配置成确定是否接收到文本识别指令。上述第一生成模块可以被配置成响应于接收到文本识别指令，对待识别文本图像进行文本识别，以生成文本识别结果。

在本实施例的一些可选的实现方式中，上述待识别文本图像中还可以包括指示物的图像。上述第一生成单元504可以包括第二确定模块(图中未示出)、提取模块(图中未示出)、第二生成模块(图中未示出)。其中，上述第二确定模块可以被配置成从待识别文本图像中确定指示物的位置。上述提取模块可以被配置成根据指示物的位置，从待识别文本图像中提取待识别文本图像区域。上述第二生成模块可以被配置成对待识别文本图像区域进行文本识别，以生成文本识别结果。

在本实施例的一些可选的实现方式中，上述用于识别文本的装置500还可以包括：第二生成单元(图中未示出)、发送单元(图中未示出)。其中，上述第二生成单元可以被配置成根据文本识别结果进行语音合成，生成合成语音。上述发送单元可以被配置成发送合成语音。

在本实施例的一些可选的实现方式中，上述确定单元501可以包括：接收模块(图中未示出)、第三确定模块(图中未示出)、第四确定模块(图中未示出)。其中，上述接收模块可以被配置成接收目标语音。上述第三确定模块可以被配置成确定目标语音是否与本地指令集中表征预设模式切换的指令相匹配。上述第四确定模块可以被配置成响应于确定目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到预设模式切换指令。

本申请的上述实施例提供的装置，通过确定单元501确定是否接收到预设模式切换指令，其中，预设模式切换指令用于指示终端设备开启沉浸式模式。启动单元502响应于接收到模式切换指令，开启终端设备的摄像头。之后，获取单元503获取待识别文本图像。最后，第一生成单元504基于待识别文本图像，生成文本识别结果。从而实现了在上述终端设备处于沉浸式模式时能够无需唤醒即可以完成文本识别操作，提高了文本识别的操作效率。而且，在儿童教学的应用情景下，由于无需使用唤醒词，避免了儿童在学习过程中由于使用唤醒词带来的思维干扰，提升了沉浸式学习的体验，有助于提升用户的专注度。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1中的终端设备101)600的结构示意图。本申请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、PDA(个人数字助理)、PAD(平板电脑)、点读设备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示出的终端设备仅仅是一个示例，不应对本申请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可以包括中央处理器(CPU)601、存储器602、输入单元603和输出单元604，其中，中央处理器601、存储器602、输入单元603以及输出单元604通过总线605彼此相连。在此，根据本申请的实施例的方法可以被实现为计算机程序，并且存储在存储器602中。电子设备600中的中央处理器601通过调用存储器602中存储的上述计算机程序，来具体实现本申请的实施例的方法中限定的文本识别功能。在一些实现方式中，输入单元603可以包括摄像头。输出单元604可以包括显示屏等可用于显示文本识别结果的设备。输出单元604也可以包括扬声器等可用于播放根据文本识别结果生成的语音的设备。由此，中央处理器601在调用上述计算机程序执行文本识别功能时，可以控制输入单元603响应于接收到模式切换指令，开启终端设备的摄像头获取的待识别文本图像；以及控制输出单元604对文本识别结果进行显示或播报。

需要说明的是，本申请的实施例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。在本申请的实施例中，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。而在本申请的实施例中，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(Radio Frequency，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，而未装配入该终端设备中。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终端设备执行时，使得该终端设备：确定是否接收到预设模式切换指令，其中，预设模式切换指令用于指示终端设备开启沉浸式模式；响应于接收到模式切换指令，开启电子设备的摄像头；获取待识别文本图像；基于待识别文本图像，生成文本识别结果。

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申请实施例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，图示了按照本申请的各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括确定单元、启动单元、获取单元、第一生成单元。其中，这些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，确定单元还可以被描述为“确定是否接收到预设模式切换指令的单元，其中，预设模式切换指令用于指示终端设备开启沉浸式模式”。

以上描述仅为本申请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，本申请的实施例中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请实施例中公开的(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)

1.一种用于识别文本的方法，包括：

确定是否接收到预设模式切换指令，其中，所述预设模式切换指令用于指示终端设备开启沉浸式模式；

响应于接收到所述预设模式切换指令，开启终端设备的摄像头；

获取待识别文本图像；

基于所述待识别文本图像，生成文本识别结果。

2.根据权利要求1所述的方法，其中，所述基于所述待识别文本图像，生成文本识别结果，包括：

确定是否接收到文本识别指令；

响应于接收到所述文本识别指令，对所述待识别文本图像进行文本识别，以生成所述文本识别结果。

3.根据权利要求2所述的方法，其中，所述待识别文本图像中还包括指示物的图像；以及

所述对所述待识别文本图像进行文本识别，以生成所述文本识别结果，包括：

从所述待识别文本图像中确定指示物的位置；

根据所述指示物的位置，从所述待识别文本图像中提取待识别文本图像区域；

对所述待识别文本图像区域进行文本识别，以生成文本识别结果。

4.根据权利要求1所述的方法，其中，所述方法还包括：

根据所述文本识别结果进行语音合成，以生成合成语音；

发送所述合成语音。

5.根据权利要求1-4之一所述的方法，其中，所述确定是否接收到预设模式切换指令，包括：

接收目标语音；

确定所述目标语音是否与本地指令集中表征预设模式切换的指令相匹配；

响应于确定所述目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到所述预设模式切换指令。

6.一种用于识别文本的装置，包括：

确定单元，被配置成确定是否接收到预设模式切换指令，其中，所述预设模式切换指令用于指示终端设备开启沉浸式模式；

启动单元，被配置成响应于接收到所述预设模式切换指令，开启所述终端设备的摄像头；

获取单元，被配置成获取待识别文本图像；

第一生成单元，被配置成基于所述待识别文本图像，生成文本识别结果。

7.根据权利要求6所述的装置，其中，所述第一生成单元包括：

第一确定模块，被配置成确定是否接收到文本识别指令；

第一生成模块，被配置成响应于接收到所述文本识别指令，对所述待识别文本图像进行文本识别，以生成所述文本识别结果。

8.根据权利要求7所述的装置，其中，所述待识别文本图像中还包括指示物的图像；所述第一生成单元包括：

第二确定模块，被配置成从所述待识别文本图像中确定指示物的位置；

提取模块，被配置成根据所述指示物的位置，从所述待识别文本图像中提取待识别文本图像区域；

第二生成模块，被配置成对所述待识别文本图像区域进行文本识别，以生成文本识别结果。

9.根据权利要求6所述的装置，其中，所述装置还包括：

第二生成单元，被配置成根据所述文本识别结果进行语音合成，以生成合成语音；

发送单元，被配置成发送所述合成语音。

10.根据权利要求6-9之一所述的装置，其中，所述确定单元包括：

接收模块，被配置成接收目标语音；

第三确定模块，被配置成确定所述目标语音是否与本地指令集中表征预设模式切换的指令相匹配；

第四确定模块，被配置成响应于确定所述目标语音与本地指令集中表征预设模式切换的指令相匹配，确定接收到所述预设模式切换指令。

11.一种终端，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；

摄像头，被配置成获取待识别文本图像；

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