CN120407834B - 基于人工智能语音模型的指令信息存储方法、设备和介质 - Google Patents

Abstract

本公开的实施例公开了基于人工智能语音模型的指令信息存储方法、设备和介质。该方法的一具体实施方式包括：获取对象降噪强度信息集；响应于接收到图像重绘指令生成信息，获取图像描述信息和图像对象信息集；生成对应的蒙版图像，得到蒙版图像集；对于每个图像对象信息，执行第一生成步骤：响应于包括图像对象信息，获取目标对象降噪强度信息，以及确定对应的目标蒙版图像；将目标对象降噪强度信息、图像描述信息、目标蒙版图像和目标图像进行打包，得到打包信息；利用大语言模型，生成对应的每个图像重绘指令信息；将图像重绘指令信息集进行存储。该实施方式可以高效、高质量地生成针对目标图像的图像重绘指令，以满足目标对象的多样化图像需求。

Description

基于人工智能语音模型的指令信息存储方法、设备和介质

技术领域

本公开的实施例涉及支持语音处理的大语言模型领域，具体涉及基于人工智能语音模型的指令信息存储方法、设备和介质。

背景技术

目前，图像成为展示信息的一种有效形式。随着硬件设备的不断升级，对于图像的质量要求也越来越高。对于目标图像的图像重绘指令信息的生成，通常采用的方式为：由图像上传对象人为根据所需的重绘图像的图像需求来自行编辑，得到图像重绘指令信息。

然而，当采用上述方式来生成图像重绘指令信息，经常会存在如下技术问题：

人为在学校智能平台自定义输入图像重绘指令信息的效率低下。需要不断重复试错图像重绘指令信息，导致会占用大语言模型，使得计算资源一直被占用且浪费较多的人力成本。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了基于人工智能语音模型的指令信息存储方法、设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种基于人工智能语音模型的指令信息存储方法，包括：获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集；生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；对于每个图像对象信息，执行以下第一生成步骤：响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像；将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息；利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，上述大语言模型是基于上述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储。

第二方面，本公开的一些实施例提供了一种基于人工智能语音模型的指令信息存储装置，包括：第一获取单元，被配置成获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；第二获取单元，被配置成响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集；第一生成单元，被配置成生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；执行单元，被配置成对于每个图像对象信息，执行以下第一生成步骤：响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像；将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息；第二生成单元，被配置成利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，上述大语言模型是基于上述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；指令信息存储单元，被配置成将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储。

第三方面，本公开的一些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如第一方面中任一实现方式描述的方法。

第四方面，本公开的一些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，其中，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。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于人工智能语音模型的指令信息存储方法可以高效、高质量地生成针对目标图像的图像重绘指令，以满足目标对象的多样化图像需求。具体来说，造成相关的图像重绘指令的生成不够高效的原因在于：人为在学校智能平台自定义输入图像重绘指令信息的效率低下。需要不断重复试错图像重绘指令信息，导致会占用大语言模型，使得计算资源一直被占用且浪费较多的人力成本。基于此，本公开的一些实施例的基于人工智能语音模型的指令信息存储方法，首先，获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集。在这里，通过获取标对象信息集对应的对象降噪强度信息集，可以大大提高后续图像对象信息的图像降噪强度信息的确定效率。然后，响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集，以用于后续针对每个图像对象信息来生成对应的图像重绘指令。接着，生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集，以便于针对蒙版图像进行图像对象的高质量替换，用于后续生成高质量的重绘图像。再接着，对于上述图像对象信息集中的每个图像对象信息，执行以下第一生成步骤：第一步，响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像，以用于后续图像重绘指令信息的生成提供数据基础。第三步，根将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息，以实现数据的整合。利用预训练的支持语音处理的大语言模型，可以准确且高效地生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，上述大语言模型是基于上述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型。最后，将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储，以便于后续重绘图像的生成。综上，通过确定图像对象信息是否处于目标对象信息集中，来快捷地确定对应的对象降噪强度信息。除此之外，通过大语言模型，可以高效、准确地生成针对打包数据的图像重绘指令信息，以使得后续得到高质量的重绘图像。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的基于人工智能语音模型的指令信息存储方法的一些实施例的流程图；

图2是根据本公开的基于人工智能语音模型的指令信息存储装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。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。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的基于人工智能语音模型的指令信息存储方法的一些实施例的流程100。该基于人工智能语音模型的指令信息存储方法，包括以下步骤：

步骤101，获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集。

在一些实施例中，上述基于人工智能语音模型的指令信息存储方法的执行主体(例如，电子设备)可以通过有线连接方式或者无线连接方式来获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集。其中，目标学校智能平台可以是支持各种智能化处理的针对学校场景下的处理平台。例如，目标学校智能平台支持以下智能处理操作：图像裁剪操作，图像合成操作，视频剪辑操作，文案生成操作。目标对象信息可以是目标对象对应的对象信息。例如，对象信息可以是目标对象的对象标识。针对校园场景，对应的目标对象可以是以下之一：校园人员，校园场景。即，目标对象信息集可以包括：针对学校人员的对象信息和各个校园场景的对象信息。目标对象信息集中的目标对象信息与上述对象降噪强度信息集中的对象降噪强度信息存在一一对应关系。对象降噪强度信息可以表征对图像中目标对象的元素内容进行降噪的降噪强度。降噪强度越高，表征图像中的目标对象越清晰。例如，对象降噪强度信息可以是但不限于以下至少一项：第一级别降噪强度信息、第二级别降噪强度信息，第三级别降噪强度信息。第一级别降噪强度信息对应的降噪强度高于第二级别降噪强度信息对应的降噪强度。第二级别降噪强度信息对应的降噪强度高于第三级别降噪强度信息对应的降噪强度。对象降噪强度信息还可以是数值形式的信息。对应数值越高，表征对象对应内容降噪强度越高。实践中，针对校园中的校园人员，可以设置多个对象降噪强度，即每个对象降噪强度信息可以包括：多个对象降噪强度。校园场景是以校园标志物为代表的场景。例如，校园标志物可以是校园图书馆，还可以是校园餐厅，又可以是校园大门。每个校园场景信息同样可以存在设置的多个对象降噪强度。

需要说明的是，对象降噪强度信息集和目标对象信息集可以是通过对大语言模型进行特定训练得到的。实践中，特定训练可以是：获取目标对象信息集对应的训练数据集。其中，训练数据可以包括：目标对象信息对应的图像和对图像进行降噪强度下的降噪后的图像。将目标对象信息对应的图像作为输入数据，降噪后的图像作为训练目的，对初始大语言模型进行模型训练，得到可以对目标对象信息对应图像进行降噪强度下处理的大语言模型。由此，可以将大语言模型可以执行地图像降噪情况进行汇总，得到对象降噪强度信息集和目标对象信息集。然后，将对象降噪强度信息集和目标对象信息集记录在学校智能平台，以供对象进行图像重绘处理。

步骤102，响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集。

在一些实施例中，响应于接收到针对目标图像的图像重绘指令生成信息，上述执行主体可以获取上述目标图像对应的图像描述信息和图像对象信息集。

其中，目标图像可以是对图像中的对象内容进行质量提高的图像。具体的，质量提高可以是图像中对象对应的对象内容的质量提高。图像重绘指令生成信息可以是表征要生成图像重绘指令的请求信息。图像重绘指令可以是对目标图像进行重绘的提示内容(Prompt)。通过图像重绘指令和目标图像输入至大语言模型，可以高效地生成对应的重绘图像。图像描述信息可以是目标图像对应的描述特征信息集的描述信息综合。即，图像描述信息描述着目标图像对应的各个特征下的特征内容。实践中，描述特征集中的描述特征与描述特征信息集中的描述特征信息存在一一对应关系。描述特征信息可以是描述特征对应的特征内容。描述特征集可以包括但不限于以下至少一项：图像风格特征，图像色调特征，图像纹理特征，图像对象类别特征。图像对象信息集中的图像对象信息可以是图像对象的对象信息。实践中，图像对象可以是图像中的元素对象。即，图像对象信息集可以是目标图像中的各个图像元素对应的元素信息。

作为示例，上述执行主体可以通过AI打标工具来获取图像描述信息。

步骤103，生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集。

在一些实施例中，上述执行主体可以生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集。

作为示例，上述执行主体可以利用自然语言蒙版生成工具DINO，来生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集。

在一些实施例的一些可选的实现方式中，上述生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，可以包括以下步骤：

第一步，确定上述目标图像中的与上述图像对象信息对应内容相关的对象区域信息。对象区域信息可以是图像对象在目标图像中的位置信息。实践中，对象区域信息可以是坐标形式的信息。图像对象信息对应内容可以是图像对象信息对应的图像内容。

作为示例，上述执行主体可以将目标图像和上述图像对象信息输入至对象区域信息生成模型，得到对象区域信息。其中，对象区域信息生成模型可以是生成图像对象信息在图像中的对象区域位置的神经网络模型。实践中，对象区域信息生成模型可以是YOLO模型。具体的，可以YOLO模型中的任一版本的模型。对象区域信息生成模型可以是通过常规的模型训练方式进行训练的。实践中，对象区域信息生成模型可以是通过常规的对象识别模型的模型训练方式来训练的。即，可以采用常规的YOLO模型的模型训练方式来进行训练。

第二步，根据上述对象区域信息，对上述目标图像进行二值化处理，以生成二值化图像，作为上述图像对象信息对应的蒙版图像。

作为示例，上述执行主体可以将目标图像中的对象区域信息下的像素值设置为第一数值，其余区域下的像素值设置为第二数值，以生成二值化图像，作为蒙版图像。第一数值和第二数值可以预先设置的。例如，第一数值可以是12，对应第二数值可以是255。

步骤104，对于每个图像对象信息，执行以下第一生成步骤：

步骤1041，响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像。

在一些实施例中，响应于确定上述目标对象信息集包括上述图像对象信息，上述执行主体可以从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像。

作为示例，上述执行主体可以通过目标对象降噪强度信息查询的方式，从上述对象降噪强度信息集中查询与上述图像对象信息相对应的目标对象降噪强度信息。目标蒙版图像对应的实现方式参见目标对象降噪强度信息的实现。

在一些实施例的一些可选的实现方式中，在步骤1042之后，步骤还包括：

第一步，响应于确定不包括上述图像对象信息，从上述目标对象信息集中筛选出对应对象语义与上述图像对象信息对应对象语义之间语义相似度大于目标程度的至少一个目标对象信息。其中，对象语义可以表征图像对象信息对应的对象类别。对象类别可以是图像中的对象是何种类型的对象。语义相似度可以是对象类别相似度。具体的，可以通过对象类别表来确定每个图像对象信息对应的对象类别。可以通过预设的语义相似度表来确定两个对象类别之间的对象类别相似度。语义相似度可以是0-1之间的数值，数值越高，表征语义内容越相似。

第二步，确定上述至少一个目标对象信息对应的至少一个对象降噪强度信息。其中，至少一个目标对象信息中的目标对象信息与上述至少一个对象降噪强度信息中的对象降噪强度信息存在一一对应关系。

第三步，确定上述至少一个目标对象信息对应的至少一个语义相似度。其中，至少一个目标对象信息中的目标对象信息与上述至少一个语义相似度中的语义相似度存在一一对应关系。

第四步，生成针对上述至少一个语义相似度的至少一个目标强度权重信息。至少一个语义相似度中的语义相似度与至少一个目标强度权重信息中的目标强度权重信息存在一一对应关系。目标强度权重信息可以表征对象降噪强度信息对应的重要程度。对应目标强度权重信息越高，对应对象降噪强度信息越重要。

作为示例，将上述至少一个语义相似度输入至目标强度权重信息转换模型，以生成至少一个目标强度权重信息。其中，目标强度权重信息转换模型可以将语义相似度转换为对应目标强度权重信息的神经网络模型。即，目标强度权重信息转换模型可以表征语义相似度和目标强度权重信息之间的映射关系。实践中，目标强度权重信息转换模型可以是输出为回归内容的全连接层。回归内容可以是模型输出为回归类型的内容。目标强度权重信息转换模型可以通过目标训练数据集和常规模型训练，对全连接层的参数进行不断更新所得到的。再例如，目标强度权重信息转换模型也可以是常规的回归模型，例如，线性回归模型。通过目标强度权重信息转换模型，建立语义相似度与目标强度权重信息之间的映射关系。

实践中，获取语义相似度与目标强度权重信息之间的训练数据集。通过训练数据集，对初始强度权重信息转换模型的模型参数进行参数更新，得到目标强度权重信息转换模型。

第五步，将上述至少一个目标强度权重信息中的目标强度权重信息与上述至少一个对象降噪强度信息中的对应对象降噪强度信息进行相乘，以生成相乘结果，得到至少一个相乘结果。

第六步，确定上述至少一个相乘结果对应的平均值，作为目标图像降噪强度信息。

步骤1042，将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息。

在一些实施例中，上述执行主体可以上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息。

步骤105，利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集。

在一些实施例中，上述执行主体可以利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集。其中，大语言模型可以支持语音输出和文本输入。即，大语言模型可以是支持多模态输入的多模态大语言模型。在输入为语音时，大语言模型会将语音转换成文本，再基于文本进行处理。大语言模型可以是着重针对目标对象信息和对应的对象降噪强度信息进行模型训练后的大语言模型。使得大语言模型可以针对各个目标对象信息下的对象内容实现对象降噪强度下的降噪处理。进行图像降噪的大语言模型是指能够通过自然语言处理技术来处理图像降噪任务的模型。这些模型通常结合了自然语言处理(NLP)、计算机视觉(CV)和音频处理的技术，利用大语言模型的强大语言理解和生成能力，来实现对图像内容和音频内容的理解和处理。例如，大语言模型可以是基于Stable Diffusion的模型，还可以是基于Transformer架构的时间序列去噪模型。Stable Diffusion由多个部分组成，包括文本理解组件、图像信息创建器和图像生成器。文本理解组件将文本信息转化为数字表示，然后输入到图像生成器中，生成高质量的图像。其高效的内部结构和多步骤的生成过程使得生成的图像质量更高、运行速度更快、资源消耗更少。Transformer架构通过自注意力机制捕捉序列数据中的长距离依赖关系。这种机制在处理图像时，可以通过学习图像中的像素关系来识别和减少噪声。结合深度学习技术，Transformer模型能够在复杂的图像降噪任务中展现出优越的性能。图像重绘指令信息可以是表征对目标图像进行图像重绘的指令信息(即提示信息)。

作为示例，首先，上述执行主体可以生成表征根据打包数据来生成图像重绘指令信息的提示信息。然后，将提示信息和打包数据输入至大语言模型，得到图像重绘指令信息。

在一些实施例的一些可选的实现方式中，上述执行主体可以利用预训练的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，包括以下步骤：

第一步，获取目标对象在上述目标学校智能平台对应的重绘需求处理页面填写的重绘要求信息。其中，重绘要求信息可以是目标对象所输入的对重绘图对应内容进行要求的信息。例如，重绘要求信息可以是：“重绘图对应的分辨率为目标分辨率”。

第二步，生成表征根据上述重绘要求信息和上述打包信息来生成图像重绘指令信息的生成指令信息。

第三步，将上述生成指令信息输入至上述大语言模型，得到上述图像重绘指令信息。

作为示例，上述执行主体可以将生成指令信息和所述打包信息输入至上述大语言模型，得到上述图像重绘指令信息。

步骤106，将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储。

在一些实施例中，上述执行主体可以将上述图像重绘指令信息集和目标图像对应的图像标识以键值对的形式在上述目标学校智能平台对应的服务端进行存储。

在一些实施例的一些可选的实现方式中，在步骤106之后，步骤还包括：

第一步，响应于接收到上述目标对象在上述目标学校智能平台发起的图像重绘请求，将上述图像重绘指令信息集中的各个图像重绘指令信息和上述目标图像在上述目标学校智能平台中的指令信息展示页面进行展示。其中，上述指令信息展示页面包括：指令信息编辑控件。指令信息展示页面可以是对图像重绘指令信息集进行展示的页面。指令信息编辑控件可以是对图像重绘指令信息进行编辑的控件。实践中，在指令信息展示页面上，每个图像重绘指令信息的目标位置，都存在对应的指令信息编辑控件。

第二步，响应于检测到上述目标对象在上述指令信息展示页面点击针对至少一个图像重绘指令信息的选择信息，将上述至少一个图像重绘指令信息输入至上述大语言模型，以生成上述目标对象所需的至少一个重绘图像。其中，至少一个图像重绘指令信息的可以是目标对象所选择的。例如，选择信息可以是在指令信息展示页面上点击图像重绘指令信息。至少一个重绘图像中的重绘图像与至少一个图像重绘指令信息中的图像重绘指令信息存在一一对应关系。实践中，可以将上述至少一个图像重绘指令信息和对应的至少一个打包信息输入至上述大语言模型，以生成上述目标对象所需的至少一个重绘图像。

第三步，在上述目标学校智能平台中的重绘图展示页面展示上述至少一个重绘图像。其中，上述重绘图展示页面存在数据传输控件和上述至少一个重绘图像对应的至少一个重绘图重生成控件。数据传输控件可以是支持目标对象将至少一个重绘图像进行传输的控件。

第四步，响应于确定上述目标对象点击目标重绘图重生成控件，弹出上述目标重绘图重生成控件对应图像重绘指令信息的指令信息展示弹窗。其中，上述指令信息展示弹窗包括：指令信息编辑控件。指令信息编辑控件可以是对指令信息进行编辑处理的控件。

第五步，响应于确定上述目标对象点击上述指令信息编辑控件，以及对上述目标重绘图重生成控件对应图像重绘指令信息进行编辑，得到编辑后的图像重绘指令信息。

第六步，将上述编辑后的图像重绘指令信息进行存储，以及在上述指令信息展示页面中进行展示。

第七步，响应于检测到上述目标对象在上述指令信息展示页面点击针对上述编辑后的图像重绘指令信息的选择信息，将上述编辑后的图像重绘指令信息输入至上述大语言模型，以生成上述目标对象所需的目标重绘图像。

第八步，在上述重绘图展示页面展示上述目标重绘图像。

在采用技术方案来解决背景技术提到的上述技术问题的过程中，往往又会伴随着如下问题“利用大语言模型来生成重绘图像往往较为准确且高效，但是针对特定场景(例如，大语言模型未曾训练且学习相关的语义特征信息)，导致所输出的重绘图不够精准”。而发明人考虑到缺乏对大语言模型的输出进行精准校验的缺点，我们决定采用以下方案来解决：

在一些实施例的一些可选的实现方式中，在上述将上述至少一个图像重绘指令信息输入至上述大语言模型，以生成上述目标对象所需的至少一个重绘图像之后，上述方法还包括：

第一步，对于上述至少一个重绘图像中的每个重绘图像，执行第二生成步骤：

子步骤1，获取上述重绘图像对应图像描述信息的描述特征集。其中，描述特征集中的各个描述特征可以是预先确定的图像特征。描述特征是用于描述图像内容的特征。实践中，描述特征集可以包括但不限于以下至少一项：图像风格特征，图像纹理特征，图像色调特征，图像对象类别特征。

子步骤2，获取上述描述特征集对应的图像描述信息提取模型，其中，上述图像描述信息提取模型是以上述描述特征集为目标输出的神经网络模型。即，图像描述信息提取模型对应的输出内容为描述特征集对应的特征信息集。图像描述信息提取模型可以是提取图像中的描述特征集下的特征内容的神经网络模型。即，图像描述信息提取模型的模型输入为图像，输出为该图像对应的各个描述特征信息。图像描述信息提取模型可以是通过多层串联的卷积层(例如，11层串联的卷积层)来提取全方位的特征信息，然后再通过多个并行的全连接层来输出描述特征集中的各个描述特征下的特征内容。图像描述信息提取模型可以配合对应的图像应用场景来进行模型训练。例如，图像描述信息提取模型可以是配合图像识别模型一起进行模型训练。即图像描述信息提取模型可以作为图像识别模型的特征提取模块。

子步骤3，将上述重绘图像输入至上述图像描述信息提取模型，以生成重绘图像描述信息，其中，上述重绘图像描述信息包括：上述描述特征集对应的重绘描述特征信息集。其中，描述特征集中的描述特征与重绘描述特征信息集中的重绘描述特征信息存在一一对应关系。重绘描述特征信息可以是重绘图像对应的图像描述特征信息。重绘描述特征信息可以是针对重绘图像的、描述特征下的特征内容。

子步骤4，确定上述图像描述信息包括的上述描述特征集对应的描述特征信息集。其中，上述描述特征集中的描述特征与描述特征信息集中的描述特征信息存在一一对应关系。描述特征信息可以是描述特征对应的特征内容。

子步骤5，生成上述重绘描述特征信息集和上述描述特征信息集之间的特征信息差。

作为示例，首先，上述执行主体可以将重绘描述特征信息集中的每个重绘描述特征信息与上述描述特征信息集中的对应的描述特征信息进行信息作差，以生成信息差值，得到信息差值集。然后，将信息差值集对应的平均值确定为特征信息差。

子步骤6，响应于确定上述特征信息差小于预定信息差，生成针对上述重绘图像对应的初始蒙版图像。其中，预定信息差可以是预先确定的信息差。例如，预设信息差可以是预先设置的信息差值。当特征信息差高于或等于预设信息差，表征特征差异较大。当特征信息差小于预设信息差，表征特征差异较小。具体的，初始蒙版图像的生成方式可以参见蒙版图像的生成方式。

子步骤7，响应于确定上述初始蒙版图像与对应目标蒙版图像之间的蒙版图像差异小于预定差异信息，将上述目标图像和上述重绘图像输入至对象降噪强度信息生成模型，以生成降噪强度信息。其中，蒙版图像差异可以是上述初始蒙版图像与上述目标蒙版图像之间的图像像素差异。对象降噪强度信息生成模型可以是生成对象降噪强度信息的神经网络模型。对象降噪强度信息生成模型可以是生成目标图像和重绘图像之间的降噪差异的神经网络模型。实践中，对象降噪强度信息生成模型可以是多层串联连接的卷积神经网络模型。具体的，对象降噪强度信息生成模型可以包括：用于提取目标图像对应图像特征语义内容的第一特征提取层、用于提取重绘图像对应图像特征语义内容的第二特征提取层、第一特征提取层对应输出和第二特征提取层对应输出进行融合的特征融合层、串联的用于回归输出的全连接层。第一特征提取层和第二特征提取层可以是不同层数串联的卷积层。特征融合层可以是特征信息拼接层。

第二步，响应于确定上述降噪强度信息与对应的对象降噪强度信息之间的差值小于预设差值，生成表征上述重绘图像通过图像校验的信息。

可选地，响应于确定上述降噪强度信息与对应的对象降噪强度信息之间的差值大于或等于预设差值，生成表征上述重绘图像未通过图像校验的信息。

可选地，上述图像描述信息提取模型包括：第一图像特征提取模型、上述描述特征集对应的第一描述特征信息提取模型集、上述描述特征集对应的第一描述特征信息输出层集、第二图像特征提取模型、上述描述特征集对应的第二描述特征信息输出层集和文案输出层，上述第二图像特征提取模型包括：多个串联连接的卷积神经网络。多个串联连接的卷积神经网络包括：至少一个串联连接的卷积神经网络，上述至少一个串联连接的卷积神经网络在上述多个串联连接的卷积神经网络中的目标位置。目标位置可以是前预定数目个位置。上述至少一个串联连接的卷积神经网络中的卷积神经网络与上述第二描述特征信息输出层集中的第二描述特征信息输出层存在一一对应关系。其中，第一图像特征提取模型可以是提取图像特征信息的神经网络模型。实践中，第一图像特征提取模型可以是8层串联连接的卷积神经网络。第一描述特征信息提取模型集中的第一描述特征信息提取模型与描述特征集中的描述特征存在一一对应关系。即，第一描述特征信息提取模型可以是针对描述特征而针对性进行特征提取的神经网络模型。实践中，第一描述特征信息提取模型可以是多层串联连接的卷积神经网络。描述特征集中的描述特征与第一描述特征信息输出层集中的第一描述特征信息输出层存在一一对应关系。第一描述特征信息输出层可以是全连接层。第二图像特征提取模型可以是提取图像特征信息的神经网络模型。上述描述特征集中的描述特征与第二描述特征信息输出层集中的第二描述特征信息输出层存在一一对应关系。实践中，第二描述特征信息输出层可以是多层串联连接的卷积神经网络。文案输出层可以是生成文案的网络层。实践中，文案输出层可以是循环神经网络模型曾。多个串联连接的卷积神经网络可以是10层串联连接的卷积神经网络。至少一个串联连接的卷积神经网络对应的网络层数与第二描述特征信息输出层集对应的输出层的数目相同。

可选地，上述将上述重绘图像输入至上述图像描述信息提取模型，以生成重绘图像描述信息，可以包括以下步骤：

第一步，将上述重绘图像输入至上述第一图像特征提取模型，以生成第一图像特征信息。第一图像特征信息可以表征重绘图像对应图像特征语义内容的向量形式的信息。

第二步，将上述第一图像特征信息输入至上述第一描述特征信息提取模型集中的每个第一描述特征信息提取模型，以生成第一描述特征提取信息，得到第一描述特征提取信息集。

第三步，将上述第一描述特征提取信息集中的每个第一描述特征提取信息输入至上述第一描述特征信息输出层集中的、对应的第一描述特征信息输出层，以输出第一初始描述特征信息，得到第一初始描述特征信息集。

第四步，将上述第一描述特征提取信息集输入至上述第二图像特征提取模型，以生成针对上述至少一个串联连接的卷积神经网络的至少一个卷积输出结果和针对上述多个串联连接的卷积神经网络的整体卷积输出结果。

第五步，将上述至少一个卷积输出结果中的每个卷积输出结果输入至上述第二描述特征信息输出层集中对应的第二描述特征信息输出层，以生成第二描述特征信息，得到第二初始描述特征信息集。

第六步，确定上述第一初始描述特征信息集和上述第二初始描述特征信息集之间的信息差。具体实现方式不再赘述。

第七步，响应于确定上述信息差小于预定程度差值，将上述整体卷积输出结果输入至上述文案输出层，以生成文案信息。其中，文案信息可以是重绘图对应的描述文案。

第八步，根据上述文案信息、上述第一初始描述特征信息集和上述第二初始描述特征信息集，生成上述重绘图像描述信息。

作为示例，首先，对上述文案信息进行特征信息提取，以生成第四初始描述特征信息集。然后，根据投票机制，从上述第一初始描述特征信息集、上述第二初始描述特征信息集和上述第四初始描述特征信息集中筛选出描述特征集对应的第一实际描述特征信息集。最后，将上述第一实际描述特征信息集确定为重绘图像描述信息。

可选地，上述图像描述信息提取模型还包括：上述至少一个串联连接的卷积神经网络对应的至少一个第二描述特征信息提取模型、第三描述特征信息输出层集。其中，至少一个串联连接的卷积神经网络中的卷积神经网络与至少一个第二描述特征信息提取模型中的第二描述特征信息提取模型存在一一对应关系。第三描述特征信息输出层集中的第三描述特征信息输出层与描述特征集中的描述特征存在一一对应关系。

可选地，步骤还包括：

第一步，响应于确定上述信息差大于或等于上述预定程度差值，对于上述至少一个卷积输出结果中的每个卷积输出结果，执行以下第二生成步骤：

第一子步骤，将上述卷积输出结果输入至上述至少一个第二描述特征信息提取模型中的对应的第二描述特征信息提取模型，以生成第二描述特征提取信息。

第二子步骤，将上述第二描述特征提取信息输入至上述第三描述特征信息输出层集中的、对应的第三描述特征信息输出层，以输出第三初始描述特征信息。

第二步，根据上述第一初始描述特征信息集、所得到的第三初始描述特征信息集和上述第二初始描述特征信息集，生成上述重绘图像描述信息。

作为示例，首先，上述执行主体可以利用投票机制，来根据第一初始描述特征信息集、所得到的第三初始描述特征信息集和上述第二初始描述特征信息集，生成描述特征集对应的第二实际描述特征信息集。最后，将上述第二实际描述特征信息集确定为重绘图像描述信息。

可选地，在上述将上述至少一个图像重绘指令信息输入至上述大语言模型，以生成上述目标对象所需的至少一个重绘图像之后，对重绘图像进行图像校验作为本公开的另一发明点，解决了“大语言模型输出不够精准，导致重绘图像存在较大的内容偏差的问题”。基于此，本公开，对于每个重绘图像，通过提取重绘图像对应的描述特征信息与原有图像描述信息中的描述特征信息之间的特征信息差，来初步确定是否存在特征偏差较大的问题。在此基础上，通过生成重绘图像对应的初始蒙版图像，与原有对应的目标蒙版图像进行差异比较，进一步确定降噪强度，在降噪强度小于预定差值的情况下，确定重绘图像的生成没有问题。除此之外，在初步确定特征偏差的过程中，提取重绘图中的重绘图特征信息至关重要，基于此，通过上述图像描述信息提取模型包括的第一图像特征提取模型、上述描述特征集对应的第一描述特征信息提取模型集、上述描述特征集对应的第一描述特征信息输出层集、第二图像特征提取模型、上述描述特征集对应的第二描述特征信息输出层集和文案输出层，以及对应模型结构的特定设计，可以实现描述特征信息的精准提取，保障确定特征信息差的精准性。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的基于人工智能语音模型的指令信息存储方法可以高效、高质量地生成针对目标图像的图像重绘指令，以满足目标对象的多样化图像需求。具体来说，造成相关的图像重绘指令的生成不够高效的原因在于：人为在学校智能平台自定义输入图像重绘指令信息的效率低下。需要不断重复试错图像重绘指令信息，导致会占用大语言模型，使得计算资源一直被占用且浪费较多的人力成本。基于此，本公开的一些实施例的基于人工智能语音模型的指令信息存储方法，首先，获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集。在这里，通过获取标对象信息集对应的对象降噪强度信息集，可以大大提高后续图像对象信息的图像降噪强度信息的确定效率。然后，响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集，以用于后续针对每个图像对象信息来生成对应的图像重绘指令。接着，生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集，以便于针对蒙版图像进行图像对象的高质量替换，用于后续生成高质量的重绘图像。再接着，对于上述图像对象信息集中的每个图像对象信息，执行以下第一生成步骤：第一步，响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像，以用于后续图像重绘指令信息的生成提供数据基础。第三步，根将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息，以实现数据的整合。利用预训练的大语言模型，可以准确且高效地生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，上述大语言模型是基于上述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型。最后，将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储，以便于后续重绘图像的生成。综上，通过确定图像对象信息是否处于目标对象信息集中，来快捷地确定对应的对象降噪强度信息。除此之外，通过大语言模型，可以高效、准确地生成针对打包数据的图像重绘指令信息，以使得后续得到高质量的重绘图像。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种基于人工智能语音模型的指令信息存储装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该基于人工智能语音模型的指令信息存储装置具体可以应用于各种电子设备中。

如图2所示，一种基于人工智能语音模型的指令信息存储装置200包括：第一获取单元201、第二获取单元202、第一生成单元203、执行单元204、第二生成单元205和指令信息存储单元206。其中，第一获取单元201，被配置成获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；第二获取单元202，被配置成响应于接收到针对目标图像的图像重绘指令生成信息，获取上述目标图像对应的图像描述信息和图像对象信息集；第一生成单元203，被配置成生成上述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；执行单元204，被配置成对于每个图像对象信息，执行以下第一生成步骤：响应于确定上述目标对象信息集包括上述图像对象信息，从上述对象降噪强度信息集中获取与上述图像对象信息相对应的目标对象降噪强度信息，以及确定上述图像对象信息对应的目标蒙版图像；将上述目标对象降噪强度信息、上述图像描述信息、上述目标蒙版图像和上述目标图像进行打包，得到打包信息；第二生成单元205，被配置成利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，上述大语言模型是基于上述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；指令信息存储单元206，被配置成将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储。

可以理解的是，该基于人工智能语音模型的指令信息存储装置200中记载的诸单元与参考图1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基于人工智能语音模型的指令信息存储装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如，电子设备)300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

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：获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；响应于接收到针对目标图像的图像重绘指令生成信息，获取所述目标图像对应的图像描述信息和图像对象信息集；生成所述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；对于每个图像对象信息，执行以下第一生成步骤：响应于确定所述目标对象信息集包括所述图像对象信息，从所述对象降噪强度信息集中获取与所述图像对象信息相对应的目标对象降噪强度信息，以及确定所述图像对象信息对应的目标蒙版图像；将所述目标对象降噪强度信息、所述图像描述信息、所述目标蒙版图像和所述目标图像进行打包，得到打包信息；利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，所述大语言模型是基于所述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；将所述图像重绘指令信息集在所述目标学校智能平台对应的服务端进行存储。

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一些实施例的操作的计算机程序代码，上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。

描述于本公开的一些实施例中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：一种处理器包括第一获取单元、第二获取单元、第一生成单元、执行单元、第二生成单元和指令信息存储单元。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，指令信息存储单元还可以被描述为“将上述图像重绘指令信息集在上述目标学校智能平台对应的服务端进行存储的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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。例如上述特征与本公开的实施例中公开的(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 (8)

1.一种基于人工智能语音模型的指令信息存储方法，包括：

获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；

响应于接收到针对目标图像的图像重绘指令生成信息，获取所述目标图像对应的图像描述信息和图像对象信息集；

生成所述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；

对于每个图像对象信息，执行以下第一生成步骤：

响应于确定所述目标对象信息集包括所述图像对象信息，从所述对象降噪强度信息集中获取与所述图像对象信息相对应的目标对象降噪强度信息，以及确定所述图像对象信息对应的目标蒙版图像；

将所述目标对象降噪强度信息、所述图像描述信息、所述目标蒙版图像和所述目标图像进行打包，得到打包信息；

利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，所述大语言模型是基于所述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；

将所述图像重绘指令信息集在所述目标学校智能平台对应的服务端进行存储。

2.根据权利要求1所述的方法，其中，在所述响应于确定所述目标对象信息集包括所述图像对象信息，从所述对象降噪强度信息集中获取与所述图像对象信息相对应的目标对象降噪强度信息，以及确定所述图像对象信息对应的目标蒙版图像之后，所述方法还包括：

响应于确定不包括所述图像对象信息，从所述目标对象信息集中筛选出对应对象语义与所述图像对象信息对应对象语义之间语义相似度大于目标程度的至少一个目标对象信息；

确定所述至少一个目标对象信息对应的至少一个对象降噪强度信息；

确定所述至少一个目标对象信息对应的至少一个语义相似度；

生成针对所述至少一个语义相似度的至少一个目标强度权重信息；

将所述至少一个目标强度权重信息中的目标强度权重信息与所述至少一个对象降噪强度信息中的对应对象降噪强度信息进行相乘，以生成相乘结果，得到至少一个相乘结果；

确定所述至少一个相乘结果对应的平均值，作为目标对象降噪强度信息。

3.根据权利要求1所述的方法，其中，所述生成所述图像对象信息集中的每个图像对象信息对应的蒙版图像，包括：

确定所述目标图像中的与所述图像对象信息对应内容相关的对象区域信息；

根据所述对象区域信息，对所述目标图像进行二值化处理，以生成二值化图像，作为所述图像对象信息对应的蒙版图像。

4.根据权利要求1所述的方法，其中，所述利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，包括：

获取目标对象在所述目标学校智能平台对应的重绘需求处理页面填写的重绘要求信息；

生成表征根据所述重绘要求信息和所述打包信息来生成图像重绘指令信息的生成指令信息；

将所述生成指令信息输入至所述大语言模型，得到所述图像重绘指令信息。

5.根据权利要求1所述的方法，其中，所述方法还包括：

响应于接收到所述目标对象在所述目标学校智能平台发起的图像重绘请求，将所述图像重绘指令信息集中的各个图像重绘指令信息和所述目标图像在所述目标学校智能平台中的指令信息展示页面进行展示，其中，所述指令信息展示页面包括：指令信息编辑控件；

响应于检测到所述目标对象在所述指令信息展示页面点击针对至少一个图像重绘指令信息的选择信息，将所述至少一个图像重绘指令信息输入至所述大语言模型，以生成所述目标对象所需的至少一个重绘图像；

在所述目标学校智能平台中的重绘图展示页面展示所述至少一个重绘图像，其中，所述重绘图展示页面存在数据传输控件和所述至少一个重绘图像对应的至少一个重绘图重生成控件；

响应于确定所述目标对象点击目标重绘图重生成控件，弹出所述目标重绘图重生成控件对应图像重绘指令信息的指令信息展示弹窗，其中，所述指令信息展示弹窗包括：指令信息编辑控件；

响应于确定所述目标对象点击所述指令信息编辑控件，以及对所述目标重绘图重生成控件对应图像重绘指令信息进行编辑，得到编辑后的图像重绘指令信息；

将所述编辑后的图像重绘指令信息进行存储，以及在所述指令信息展示页面中进行展示；

响应于检测到所述目标对象在所述指令信息展示页面点击针对所述编辑后的图像重绘指令信息的选择信息，将所述编辑后的图像重绘指令信息输入至所述大语言模型，以生成所述目标对象所需的目标重绘图像；

在所述重绘图展示页面展示所述目标重绘图像。

6.一种基于人工智能语音模型的指令信息存储装置，包括：

第一获取单元，被配置成获取在目标学校智能平台上设置的目标对象信息集对应的对象降噪强度信息集；

第二获取单元，被配置成响应于接收到针对目标图像的图像重绘指令生成信息，获取所述目标图像对应的图像描述信息和图像对象信息集；

第一生成单元，被配置成生成所述图像对象信息集中的每个图像对象信息对应的蒙版图像，得到蒙版图像集；

执行单元，被配置成对于每个图像对象信息，执行以下第一生成步骤：响应于确定所述目标对象信息集包括所述图像对象信息，从所述对象降噪强度信息集中获取与所述图像对象信息相对应的目标对象降噪强度信息，以及确定所述图像对象信息对应的目标蒙版图像；将所述目标对象降噪强度信息、所述图像描述信息、所述目标蒙版图像和所述目标图像进行打包，得到打包信息；

第二生成单元，被配置成利用预训练的支持语音处理的大语言模型，生成得到的打包信息集中的每个打包信息对应的图像重绘指令信息，得到图像重绘指令信息集，其中，所述大语言模型是基于所述目标对象信息集和对象降噪强度信息集进行特定训练的语言模型；

指令信息存储单元，被配置成将所述图像重绘指令信息集在所述目标学校智能平台对应的服务端进行存储。

7.一种电子设备，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。

8.一种计算机可读介质，其上存储有计算机程序，其中，所述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。