一种基于韵律边界的语音合成方法及装置、介质、设备与流程

本发明涉及语音合成技术领域，特别是一种基于韵律边界的语音合成方法及装置、介质、设备。

背景技术：

在基于深度学习的语音合成系统(tts)中，韵律是决定合成语音自然度和流畅度的重要因素。韵律可以被细分为3维特征，基频，响度和时长。在端到端语音合成系统中，学术界和工业界尝试从语音的mel语谱中提取韵律嵌入的隐状态，然后一个全局风格向量被引入到多头注意力机制中训练，用于控制合成语音整句的韵律效果；变分自动编码器被用来作为韵律分类器，用于在多种韵律数据集中学习到韵律嵌入的隐状态；为了获得更精准的局部韵律控制，一部分学者尝试采用更细粒度的特征来精准地局部控制韵律特征。

这些方法尝试从语音侧来分析韵律信息，即从频域的语谱信息中提取韵律特征，因为一段语音的韵律能够在频域得到充分的展示，但是它不能够充分表示输入文本序列的语义和语法信息，但是文本侧信息很大程度上决定了一句话的局部韵律信息，因此合成语音的韵律效果常常不符合文本内容的韵律节奏。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于韵律边界的语音合成方法及装置、介质、设备。

根据本发明的一个方面，提供了一种基于韵律边界的语音合成方法，包括：

获取待合成文本信息的韵律边界信息，基于所述韵律边界信息生成图嵌入信息；

基于预设的神经网络模型生成所述图嵌入信息的隐状态向量和所述待合成文本信息的序列编码；

基于所述隐状态向量和序列编码生成语音语谱；

依据所述语音语谱合成所述待合成文本信息的语音信息。

可选地，所述获取待合成文本信息的韵律边界信息，基于所述韵律边界信息生成图嵌入信息，包括：

将所述待合成文本信息按照预设韵律边界结构划分为多个层级；其中，所述层级包括韵律词、韵律短语；

获取所述待合成文本信息中对应各韵律词的第一向量；

将属于同一韵律短语的多个所述第一向量进行两两组合，生成对应各不同组合的的第二向量；

基于所述第一向量和所述第二向量组合形成图嵌入信息。

可选地，基于预设的神经网络模型生成所述图嵌入信息的隐状态向量，包括：

将所述图嵌入信息作为输入向量输入第一预设神经网络模型；其中，所述第一神经网络模型为预先训练的至收敛状态，用于对图嵌入信息进行编码转换的神经网络模型；

获取所述第一神经网络模型输出的对应各所述韵律短语的隐状态向量。

可选地，基于预设的神经网络模型生成所述待合成文本信息的序列编码，包括：

将所述待合成文本信息转换为字符信息，依据所述字符信息形成字符图嵌入信息；

将所述字符图嵌入信息输入第二预设神经网络模型，其中，所述第二预设神经网络模型为预先训练至收敛状态，用于对文本进行编码转换的神经网络模型；

获取所述第二神经网络模型生成的所述待合成文本信息的序列编码。

可选地，所述基于所述隐状态向量和序列编码生成语音语谱，包括：

将所述隐状态向量和所述序列编码输入注意力机制，得到语音语谱。

可选地，所述注意力机制包括解码器；

所述将所述隐状态向量和所述序列编码输入至预设的注意力机制，得到语音语谱，包括：

将所述隐状态向量和所述序列编码进行拼接，得到拼接向量；

将所述拼接向量输入所述注意力机制中的解码器，通过所述解码器得到所述待合成文本信息的语音语谱。

可选地，所述依据所述语音语谱合成所述待合成文本信息的语音信息，包括：

基于预设的griffin-lim算法，将所述语音语谱合成所述待合成文本信息的语音信息。

根据本发明的另一个方面，还提供了一种基于韵律边界的语音合成装置，包括：

信息获取模块，适于获取待合成文本信息的韵律边界信息，基于所述韵律边界信息生成图嵌入信息；

隐向量生成模块，适于生成所述图嵌入信息的隐状态向量；

序列编码生成模块，适于生成所述待合成文本的序列编码；

语谱生成模块，适于基于所述隐状态向量和序列编码生成语音语谱；

语音信息合成模块，适于依据所述语音语谱合成所述待合成文本信息的语音信息。

根据本发明的又一个方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述任一项所述的基于韵律边界的语音合成方法。

根据本发明的又一个方面，还提供了一种计算设备，所述计算设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述任一项所述的基于韵律边界的语音合成方法。

本发明提供了一种基于韵律边界的语音合成方法及装置、介质、设备，在本发明提供的方法中，可以从文本侧分析句子的语义和语法结构，并且将韵律边界通过图嵌入来表示，并输入向量输入神经网络模型中以获取对应的隐状态向量。这种多维特征的嵌入向量，使得文本中的韵律信息得以充分编码，并以图形式的数据结构，与文本信息的序列编码进行拼接并通过注意力机制得到待合成文本信息的语谱，这使得文本中的韵律信息能够充分的参与训练与推理，进而使得韵律合成效果与文本语义内容有显著相关性，提高了所合成语音信息的韵律感。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明实施例的基于韵律边界的语音合成方法流程示意图；

图2示出了根据本发明实施例的韵律边界层级结构示意图；

图3示出了根据本发明实施例的图嵌入信息示意图；

图4示出了根据本发明实施例的神经网络结构示意图；

图5示出了根据本发明实施例的序列编码器示意图；

图6示出了根据本发明实施例的语音合成系统结构示意图；

图7示出了根据本发明实施例的基于韵律边界的语音合成方法流程示意图；

图8示出了根据本发明实施例的基于韵律边界的语音合成装置结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明实施例的基于韵律边界的语音合成方法流程示意图，参见图1可知，本发明实施例提供的基于韵律边界的语音合成方法至少可以包括以下步骤s102～s108。

步骤s102，获取待合成文本信息的韵律边界信息，基于韵律边界信息生成图嵌入信息。

在本发明实施例中，待合成文本信息可以是任一需要进行语音合成的文本信息，可选地，上述步骤s102,获取带合成文本信息的韵律边界信息，基于韵律边界信息生成图嵌入信息可以包括：

s1，将待合成文本信息按照预设韵律边界结构划分为多个层级；其中，层级包括韵律词、韵律短语、语调短语和句子。

图2示出了根据本发明实施例的韵律边界层级结构示意图，如图2所示，韵律边界结构可以分为四个层级，分别是韵律词(pw)，韵律短语(pph)，语调短语(iph)和句子(utterance)层级。其中，句子表示完句，语调短语在句子中可独立成句且在句子中通过标点符号隔开的短句。

以待合成文本信息为“具体开庭审理时间，丹棱县法院在通报中未提及”为例，其中，整个待合成文本信息为句子(utterance)层级，即“具体开庭审理时间，丹棱县法院在通报中未提及”为句子层级。语调短语(iph)层级可以包括“具体开庭审理时间”和“丹棱县法院在通报中未提及”。韵律短语(pph)层级包括：“具体开庭审理时间”、“丹棱县法院”、“在通报中未提及”。那么每个韵律短语(pph)包含的韵律词(pw)可以如图2所示的“具体”“开庭”“审理”“时间”“丹棱县”“法院”“在”“通报中”“未提及”。

s2，获取待合成文本信息中对应各韵律词的第一向量。

在本发明实施例中，以语调短语(iph)“具体开庭审理时间”为例，结合图2、图3可知，韵律短语(pph)连接的四个韵律词(pw)，“具体”“开庭”“审理”“时间”组成了图嵌入的四个节点，即对应各韵律词的第一向量可以分别表示为v1、v2、v3、v4，即对应表示作为各个节点的韵律词的向量。

s3，将属于同一韵律短语的多个第一向量进行两两组合，生成对应不同组合的的第二向量。

前文介绍，由于韵律短语(pph)连接了四个韵律词的节点，因此，各节点之间存在连接关系，通过将各第一向量进行两两组合，生成对应不同组合的第二向量，具体可表示为e，其中，e＝(v,v')，其中v和v'可以分别表示两个不同的第一向量。各节点之间的边为无向边，即v→v'，v'→v，即结合图3，“具体开庭审理时间”的第二向量可以分别表示为e12、e23、e34、e13、e14、e24。

s4，基于第一向量和第二向量组合形成图嵌入信息。

图嵌入是将属性图转换为向量或向量集。嵌入应该捕获图的拓扑结构、顶点到顶点的关系以及关于图、子图和顶点的其他相关信息。在本发明实施例中，图嵌入信息可以表示为g＝(v,ε)，其中，g表示图嵌入信息，v表示节点向量，v∈v,v＝1,...,|v|，ε表示边向量，e∈ε。获取到图嵌入信息之后，即可基于图嵌入信息执行后续的语音合成步骤。

基于本发明实施例提供的方法，可以从待合成文本信息的文本侧从文本侧分析句子的语义和语法结构，并且将韵律边界通过图嵌入来表示，这种多维特征的嵌入向量，使得文本中的韵律信息得以充分编码，并以图形式的数据结构，与文本信息的序列编码进行拼接并通过注意力机制得到待合成文本信息的语谱，这使得文本中的韵律信息能够充分的参与训练与推理，进而使得韵律合成效果与文本语义内容有显著相关性，提高了所合成语音信息的韵律感。

步骤s104，基于预设的神经网络模型生成所述图嵌入信息的隐状态向量和所述待合成文本信息的序列编码。

图嵌入信息的隐状态向量是可以表示图嵌入信息的隐藏特征信息，可选地，在生成隐状态向量时，可以将图嵌入信息作为输入向量输入第一预设神经网络模型，并获取第一神经网络模型输出的对应各韵律短语的隐状态向量hpb。可选地，第一预设神经网络模型可以为基于cnn(convolutionalneuralnetworks)卷积神经网络所构建的神经网络模型。第一神经网络模型为预先训练的至收敛状态，用于对图嵌入信息进行编码转换的神经网络模型。

基于本发明示例提供的神经网络模型，其可以包括多层网络层，图嵌入信息可以作为输入向量输入至第一预设神经网络模型的第一层网络层中，依次经过若干卷积层和池化层之后，最后可以经由全连接层输出隐状态向量。图4示意性示出了第一预设神经网络模型结构示意图，各空心圆可表示每层网络层的各节点，而在相邻两层的各节点之间进行信息传递时，前一部分的节点之间可以互相进行信息传递，而最后两个节点只与最后两个节点进行信息传递。

其中，隐状态向量是对应于各个节点v1…vn的隐状态向量hpb。其中，隐状态向量可以以三维向量矩阵的形式进行表示，即相当于图嵌入信息的特征向量。由于卷积神经网络模型的结构及相关算法的具体流程均为本领域技术人员所习知，因此在本实施例中不做赘述。

可选地，生成待合成文本信息的序列编码时，可以先将待合成文本信息转换为字符信息，并依据字符信息形成字符图嵌入信息；进而将字符图嵌入信息输入第二预设神经网络模型，获取第二神经网络模型生成的待合成文本信息的序列编码。其中，第二预设神经网络模型为预先训练至收敛状态，用于对文本进行编码转换的神经网络模型；第二预设神经网络模型的结构参照第一预设神经网络模型，其模型参数可以根据不同的需求进行调整。

以“具体开庭审理时间”为例，将其转换为字符信息时，可以依据其拼音和语调转换为字符信息，其中，数字1、2、3、4分别表示语调中的一声、二声、三声和四声，那么“具体开庭审理时间”对应的字符信息可以表示为“ju4ti3kai1ting2shen2li3shi2jian1”，进而再逐字符形成图嵌入向量，以作为字符图嵌入信息。实际应用中可以基于word2vec方法和skip-gram模型或是其他方式将字符信息转换成图嵌入向量。其中，字符图嵌入信息同样可以以三维向量矩阵的形式进行表示。

步骤s106，基于隐状态向量和序列编码生成语音语谱。

在本发明可选实施例中，在得到隐状态向量和序列编码之后，将隐状态向量和序列编码输入预设的注意力机制，得到语音语谱。

在生成语音语谱之前，可以先将隐状态向量和序列编码进行拼接，得到拼接向量；进而将拼接向量输入注意力机制中的解码器，通过解码器得到待合成文本信息的语音语谱。前文介绍，隐状态向量和序列编码均可以表示为三维向量矩阵，因此，可以通过对二者在各个维度分别进行拼接以得到拼接向量。

本实施例中，注意力机制可以是基于tacotron声谱预测网络的注意力机制。tacotron声谱预测网络是一个带有注意力机制(attention)的seq2seq网络，其包含一个编码器，一个注意力机制的解码器和一个后处理网络。通过将隐状态向量和序列编码进行拼接后的拼接向量输入至注意力机制中的解码器进行处理之后即可得到带有韵律节奏的mel语谱。

步骤s108，依据语音语谱合成待合成文本信息的语音信息。可选地，可以基于预设的griffin-lim算法，将语音语谱合成待合成文本信息的语音信息。

griffin-lim是一种声码器，常用于语音合成，用于将语音合成系统生成的声学参数转换成语音波形，这种声码器不需要训练，不需要预知相位谱，而是通过帧与帧之间的关系估计相位信息，从未重建语音波形。当然，实际应用中还可以通过其他方式基于语音语谱合成待合成文本信息的语音信息。

图6示出了本发明实施例的语音合成系统结构示意图，图7示出了根据本发明另一实施例的基于韵律边界的语音合成方法流程示意图，结合图6、图7可知，本发明实施例所提供的方法可以包括：

步骤s702，获取待合成文本信息的韵律边界信息，生成韵律边界的图嵌入信息；结合图2、图3，可以获取待合成文本信息的图嵌入信息，g＝(v,ε)；其中，v表示图嵌入信息中的节点向量，以图2“具体开庭审理时间”这一韵律短语为例，即，v1、v2、v3、v4分别对应表示“具体”“开庭”“审理”“时间”这四个词在空间向量中的词向量，具体可采用embedding词嵌入方式将各个词以向量形式进行表示，v∈v,v＝1,...,|v|。ε表示图嵌入信息中的边向量，e∈ε。

图3中，ε可以包括e12、e23、e34、e13、e14。其中，e12＝(v1,v2)，e13＝(v1,v3)，e14＝(v1,v4)，e23＝(v2,v3)，e24＝(v2,v4)，e34＝(v3,v4)。本实施例中，由于组成图嵌入信息的节点向量和边向量为多个，因此，图嵌入信息可以是由多个向量组成的向量集。

在本实施例中，图嵌入信息为待合成文本信息的韵律词以及韵律短语的向量表示，其带有待合成文本信息中各个韵律词的布设信息，可以反映出韵律词之间的相对位置分布。

步骤s704，将图嵌入信息输入第一预设gnn神经网络模型得到隐状态向量hpb。第一预设gnn神经网络模型为多层，其可以为预先训练至收敛状态的神经网络模型，且该第一预设神经网络模型通过图嵌入信息中的节点向量和边向量进行信息传递，实现基于输入的图嵌入信息输出隐状态向量。隐向量作为输入信息的一个高级表示，在解码阶段用于新的序列的生成。在本实施例中，第一预设gnn神经网络模型可以对输入的图嵌入信息进行编码以得到对应于各个节点的隐状态向量，即分别对应于v1、v2、v3、v4等节点的隐状态向量。

步骤s706，生成待合成文本信息的序列编码；具体可以先将待合成文本信息根据其拼音及语调转换为字符信息，进而生成字符图嵌入信息后输入第二预设gnn神经网络中得到序列编码。

可选地，可以先获取各个字的拼音以及声调，将各个字的拼音和声调进行组合后得到对应的字符信息：“具体开庭审理时间，丹棱县法院在通报中未提及”，可以表示为“ju4ti3kai1ting2shen2li3shi2jian1”，同样的，对于“丹棱县法院在通报中未提及”这一语调短语来讲，其可以表示为“dan1ling3xian4fa3yuan4zai4tong1bao4zhong1wei4ti2ji2”。将其组合后即可得到待合成文本的字符信息，并且对字符信息映射至向量空间以得到字符图嵌入信息，即字符级别的图嵌入向量，例如可采用节点嵌入方法、word2vec等图嵌入方法生成字符级别的图嵌入向量。进一步地，可以将字符级别的图嵌入向量输入第二预设gnn神经网络，通过第二预设gnn神经网络对其进行编码后以得到序列编码。需要说明的是，隐状态向量和序列编码均可以以注意力机制所需的维度进行表示，如隐状态向量和序列编码均以三维向量矩阵的形式进行表示。

步骤s708，将隐状态向量和序列编码拼接后输入注意力机制的解码器中，得到mel语谱。

由于隐状态向量和序列编码均可以以三维向量矩阵的形式进行表示，因此，可以将隐状态向量和序列编码的两个矩阵中位于同一坐标点的元素进行拼接，得到拼接后的三维向量矩阵，再将其输入至基于tacotron声谱预测网络的基于注意力机制的解码器中进行解码，最终生成带有韵律节奏的mel语谱，然后将其提供给griffin-lim重建算法直接生成语音。由于tacotron声谱预测网络的结构及相关算法的具体流程均为本领域技术人员所习知，因此在本实施例中不做赘述。

步骤s710，通过griffin-lim算法依据mel语谱合成待合成文本信息的语音信息。

本发明提供语音合成方法中，输入信息为文本信息，输出信息为语音信息，即，通过输入文本信息即可获得该文本所对应的语音信息，使得整个韵律嵌入的及语音合成系统成为一个端到端的过程，无需人工的特征筛选和建模，即可完成从文本信息至语音信息的映射。

需要强调的是，为进一步保证数据的私密和安全性，上述实施例中计算得出的隐状态向量以及序列编码等信息还可以存储于一区块链的节点中。

区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

基于同一发明构思，本发明实施例还提供了一种基于韵律边界的语音合成装置，如图8所示，包括：

信息获取模块810，适于获取待合成文本信息的韵律边界信息，基于韵律边界信息生成图嵌入信息；

生成模块820，适于基于预设的神经网络模型生成图嵌入信息的隐状态向量和待合成文本信息的序列编码；

语谱生成模块830，适于基于隐状态向量和序列编码生成语音语谱；

语音信息合成模块830，适于依据语音语谱合成待合成文本信息的语音信息。

在本发明一可选实施例中，信息获取模块810还适于：

将待合成文本信息按照预设韵律边界结构划分为多个层级；其中，层级包括韵律词、韵律短语；

获取待合成文本信息中对应各韵律词的第一向量；

将属于同一韵律短语的多个第一向量按照不同先后顺序进行两两组合，生成对应不同组合的第二向量；

基于第一向量和第二向量组合形成图嵌入信息。

在本发明一可选实施例中，生成模块820还适于：

将图嵌入信息作为输入向量输入第一预设神经网络模型；其中，第一神经网络模型为预先训练的至收敛状态，用于对图嵌入信息进行编码转换的神经网络模型；

获取第一神经网络模型输出的对应各韵律短语的隐状态向量。

在本发明一可选实施例中，生成模块820还适于将待合成文本信息转换为字符信息，依据字符信息形成字符图嵌入信息；

将字符图嵌入信息输入第二预设神经网络模型；其中，所述第二预设神经网络模型为预先训练至收敛状态，用于对文本进行编码转换的神经网络模型；

获取第二神经网络模型生成的待合成文本信息的序列编码。

在本发明一可选实施例中，语谱生成模块830还适于：

将隐状态向量和序列编码输入注意力机制，得到语音语谱。

在本发明一可选实施例中，语谱生成模块830还适于：

将隐状态向量和序列编码输入至预设的注意力机制，得到语音语谱，包括：

将隐状态向量和序列编码进行拼接，得到拼接向量；

将拼接向量输入注意力机制中的解码器，通过解码器得到待合成文本信息的语音语谱。

在本发明一可选实施例中，语音信息合成模块830还适于：

基于预设的griffin-lim算法，将语音语谱合成待合成文本信息的语音信息。

在本发明一可选实施例中，还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述一实施例的基于韵律边界的语音合成方法。

在本发明一可选实施例中，还提供了一种计算设备，计算设备包括处理器以及存储器：存储器用于存储程序代码，并将程序代码传输给处理器；处理器用于根据程序代码中的指令执行上述一实施例的基于韵律边界的语音合成方法。

本发明实施例提供了一种基于韵律边界的语音合成方法及装置、介质、设备，在本发明实施例提供的方法中，可以从文本侧分析句子的语义和语法结构，并且将韵律边界通过图嵌入来表示，并输入向量输入神经网络模型中以获取对应的隐状态向量。这种多维特征的嵌入向量，使得文本中的韵律信息得以充分编码，并以图形式的数据结构，与文本信息的序列编码进行拼接并通过注意力机制得到待合成文本信息的语谱，这使得文本中的韵律信息能够充分的参与训练与推理，进而使得韵律合成效果与文本语义内容有显著相关性，提高了所合成语音信息的韵律感。

所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块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，为简洁起见，在此不另赘述。

另外，在本发明各个实施例中的各功能单元可以物理上相互独立，也可以两个或两个以上功能单元集成在一起，还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现，也可以采用软件或者固件的形式实现。

本领域普通技术人员可以理解：所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干指令，用以使得一台计算设备(例如个人计算机，服务器，或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)，磁碟或者光盘等各种可以存储程序代码的介质。

或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机，服务器，或者网络设备等的计算设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被计算设备的处理器执行时，所述计算设备执行本发明各实施例所述方法的全部或部分步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：在本发明的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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脱离本发明的保护范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除