语音数据处理方法、装置、计算机设备及存储介质与流程

本发明涉及人工智能领域，尤其涉及一种语音数据处理方法、装置、计算机设备及存储介质。

背景技术：

随着互联网技术和计算机技术的发展，人们生活的方方面面都会应用到计算机应用程序，应用程序的开发越来越频繁和大众化。然而即使在计算机技术发达的今天，依然有很多工作需要具有较强专业技术背景的工作人员手动操作，还需要专业人员编写繁琐复杂的计算机代码进行支持，且代码的生成速率较低。

因而，有必要提出一种语音数据处理方法，能够根据自然语言信息自动生成代码数据，从而提高代码数据的处理效率。

技术实现要素：

鉴于以上内容，有必要提出一种语音数据处理方法、语音数据处理装置、计算机设备及计算机可读存储介质，能够避免代码的生成速率较低的问题。

本发明实施例第一方面提供一种语音数据处理方法，所述语音数据处理方法包括：

接收用户输入的语音信息；

识别所述语音信息，得到对应的自然语言文本信息；

调用流程类型识别模型确定所述自然语言文本信息包含的流程类型集；

匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型；

调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素，并获取所述流程要素对应的标识序列；

根据所述标识序列获取结构化的流程代码。

进一步地，在本发明实施例提供的上述语音数据处理方法中，所述识别所述语音信息，得到对应的自然语言文本信息的步骤包括：

检测所述语音信息中是否包含错误信息以及语音纠错信息；

当检测结果为所述语音信息中包含错误信息以及语音纠错信息时，确定所述错误信息在所述语音信息中的目标位置；

获取所述目标位置对应的错误信息与语音纠错信息；

根据所述语音纠错信息纠正所述错误信息，得到目标语音信息；

将所述目标语音信息输入至语音识别模型中，得到对应的自然语言文本信息。

进一步地，在本发明实施例提供的上述语音数据处理方法中，所述检测所述语音信息中是否包含错误信息的步骤包括：

检测所述语音信息中是否包含预设关键字；

当检测结果为所述语音信息中包含预设关键字时，确定所述语音信息中包含错误信息。

进一步地，在本发明实施例提供的上述语音数据处理方法中，所述流程类型识别模型的训练方法包括：

获取流程类型标注数据，其中，所述流程类型标注数据包括流程类型观察序列与流程类型标识序列；

调用预训练的语言模型解析所述流程类型标注数据，得到词语级和句子级的embedding结果；

基于所述embedding结果调整初始流程类型识别模型。

进一步地，在本发明实施例提供的上述语音数据处理方法中，所述匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型的步骤包括：

调用多线程队列获取所述流程类型集中每一流程类型；

确定所述流程类型与所述流程要素抽取模型的映射关系；

根据所述映射关系确定目标流程要素抽取模型，其中，所述目标流程要素存储在区块链中。

进一步地，在本发明实施例提供的上述语音数据处理方法中，所述根据所述标识序列获取结构化的流程代码的步骤包括：

获取所述自然语言文本信息包含的所述流程类型携带的标记信息；

获取与所述流程类型对应的所述标识序列，并根据所述标记信息确定所述标识序列的执行顺序；

按照所述执行顺序遍历语法库，得到与所述标识序列对应的可执行计算机代码。

进一步地，在本发明实施例提供的上述语音数据处理方法中，在所述接收用户输入的语音信息的步骤之后，所述方法还包括：

检测所述语音信息的清晰度是否超过预设清晰度阈值；

当检测结果为所述语音信息的清晰度未超过预设清晰度阈值时，提示用户重新输入语音信息。

本发明实施例第二方面还提供一种语音数据处理装置，所述语音数据处理装置包括：

信息接收模块，用于接收用户输入的语音信息；

信息识别模块，用于识别所述语音信息，得到对应的自然语言文本信息；

类型确定模块，用于调用流程类型识别模型确定所述自然语言文本信息包含的流程类型集；

模型匹配模块，用于匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型；

要素抽取模块，用于调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素，并获取所述流程要素对应的标识序列；

代码获取模块，用于根据所述标识序列获取结构化的流程代码。

本发明实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述语音数据处理方法。

本发明实施例第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述语音数据处理方法。

本发明实施例提供一种语音数据处理方法、语音数据处理装置、计算机设备及存储介质，通过输入语音信息的方式，使用自然语言文本信息实现流程脚本生成，提高流程脚本的生成速率，降低rpa流程使用门槛。

附图说明

图1是本发明第一实施方式提供的语音数据处理方法的流程图。

图2是本发明一实施方式的计算机设备的结构示意图。

图3是图2所示的计算机设备的示例性的功能模块图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

图1是本发明第一实施方式提供的语音数据处理方法的流程图。如图1所示，所述语音数据处理方法包括如下步骤：

s11、接收用户输入的语音信息。

在本发明的至少一实施例中，接收用户输入的语音信息，所述语音信息是一种自然地随文化演化的语言，例如，汉语、英语、日语等。所述语音信息用于计算机程序应用专业领域，所述语音信息包含命令语句，用于控制计算机程序执行相关操作，例如，数据查询等方面。

在实际输入语音信息的过程中，可能由于各种原因(例如，网络不流畅、用户输入语音信息时音量较小、周围环境嘈杂等问题)导致用户输入的语音信息不清晰，此时，可以提示用户重新输入语音信息(例如，输出“我没听清，请重新输入”的语音提示)，避免因语音信息不清晰而导致无法正确识别出自然语言信息。

具体地，在所述接收用户输入的语音信息的步骤之后，所述方法还包括：计算所述语音信息的清晰度；检测所述清晰度是否超过预设清晰度阈值；当检测结果为所述语音信息的清晰度未超过预设清晰度阈值时，提示用户重新输入语音信息。其中，语音信息的清晰度描述的是噪声环境下说话的可懂程度。所述预设清晰度阈值为预先设置的，例如，所述预设清晰度阈值为95％。在一实施例中，所述计算所述语音信息的清晰度的步骤可以包括：对所述语音信息进行语音活动检测，得到所述语音信息携带的环境噪声信息；计算所述环境噪声信息与所述语音信息的比值；根据所述比值得到所述语音信息的清晰度。其中，所述环境噪声信息可以通过噪声信息的振幅或能量等物理性的变化量体现。

s12、识别所述语音信息，得到对应的自然语言文本信息。

在本发明的至少一实施例中，识别所述语音信息，得到对应的自然语言文本信息，其中，所述自然语言文本信息中包含自然语言文字与标点符号，用标点符号(包括但不局限于逗号、句号、分号)表达不同自然语言表达式之间的运算关系，该运算关系可以但不局限于逻辑关系、优先级关系。所述自然语言文本信息可以为结构化的自然语言文字，即将自然语言文字按照一定的规则和结构组成自然语言表达式，所述自然语言表达式可以为单句式，键值语句式，复合型语句式等，在此不作限制。

在实际输入语音信息的过程中，可能会存在语音输入错误信息的情况，需要对错误信息进行定位以及纠错，从而避免需要重新输入的问题，提高了语音信息识别速率，进而提高代码数据生成效率。

具体地，所述识别所述语音信息，得到对应的自然语言文本信息的步骤包括：检测所述语音信息中是否包含错误信息以及语音纠错信息；当检测结果为所述语音信息中包含错误信息以及语音纠错信息时，确定所述错误信息在所述语音信息中的目标位置；获取所述目标位置对应的错误信息与语音纠错信息；根据所述语音纠错信息纠正所述错误信息，得到目标语音信息；将所述目标语音信息输入至语音识别模型中，得到对应的自然语言文本信息。其中，所述语音识别模型为预先训练好的，用于进行语音识别的模型，所述语音识别模型可以为隐马尔科夫模型，在此不作限制。

所述语音纠错信息用于对所述错误信息进行纠错，所述错误信息与所述语音纠错信息一一对应。在一实施例中，对所述错误信息与所述语音纠错信息可以通过标号形式进行对应。具体地，所述根据所述语音纠错信息纠正所述错误信息，得到目标语音信息的步骤可以包括：分别获取所述错误信息携带的第一标号与所述语音纠正信息携带的第二标号；按照预设规则匹配出与所述第一标号对应的第二标号；根据所述第二标号对应的所述语音纠错信息纠正所述第一标号对应的所述错误信息。示例性地，当所述语音信息为“增加开关，假如a大于b，是则执行步骤二，错了，是则执行步骤一；否则执行步骤一，错了，否则执行步骤二”时，对应的错误信息包括：“是则执行步骤二，错了”与“否则执行步骤一，错了”，对应错误信息的标号分别为①②。所述错误信息对应的语音纠错信息包括：“是则执行步骤一”与“否则执行步骤二”，对应语音纠错信息的标号分别为i、ii。其中，标号①与标号i对应，标号②与标号ii对应。

在其他实施例中，所述根据所述语音纠错信息纠正所述错误信息，得到目标语音信息的步骤还可以包括：获取所述语音纠正信息；在所述语音信息中确定与所述语音纠正信息的文本相似度超过预设文本相似度阈值的目标字段；根据所述语音纠正信息纠正所述目标字段。其中，所述目标字段为包含所述错误信息的字段，所述预设相似度阈值为预先设置的，例如，所述预设相似度阈值为95％。确定所述预设相似度阈值的方法包括利用神经网络模型，或者，根据经验预先设置的。示例性地，当所述语音信息为“增加开关，假如a大于b，是则执行步骤二，错了，增加开关，假如a大于b，是则执行步骤一”时，所述语音纠正信息为“增加开关，假如a大于b，是则执行步骤一”，检测到与所述语音纠正信息的文本相似度超过预设相似度阈值的目标字段为“增加开关，假如a大于b，是则执行步骤二”，根据所述语音纠正信息纠正所述目标字段。

在本发明的至少一实施例中，所述检测所述语音信息中是否包含错误信息的步骤包括：检测所述语音信息中是否包含预设关键字；当检测结果为所述语音信息中包含预设关键字时，确定所述语音信息中包含错误信息。其中，所述预设关键字为用户预先设置的，所述预设关键字可以包括：“错了，不对”等。优选地，在确定所述语音信息中包含错误信息的步骤之后，所述方法还包括：标记所述预设关键字所在的位置为所述错误信息在所述语音信息中的目标位置。

s13、调用流程类型识别模型确定所述自然语言文本信息包含的流程类型集。

在本发明的至少一实施例中，调用流程类型识别模型确定所述自然语言信息包含的流程类型集，并获取所述流程类型集中每一流程类型对应的标识序列，作为第一标识序列。其中，所述流程类型识别模型为预先训练好的，用于识别自然语言文本信息中包含的流程类型的模型。所述流程类型集为所述自然语言文本信息中包含的流程类型的集合，所述流程类型集中流程类型的数量大于等于1个，所述流程类型包括if-else、switch、foreach等，在此不作限制。所述第一标识序列为根据预设编码形式对每一所述流程类型对应的文本序列进行流程类型标识的结果。所述预设编码形式为所述流程类型识别模型预先定义的编码形式，例如，所述预设编码形式可以为bieo编码形式、bio编码形式、sbme编码形式等，在此不作限制。

在一实施例中，所述预设编码形式可以为bieo编码形式，其中，标签b表示段的开始，标签i表示段的中间，标签e表示段的结尾，标签o表示与标记无关的元素。示例性地，所述自然语言文本信息为：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二，然后增加遍历循环，请依次执行所有列表。当采用bieo编码形式进行编码时，对应的所述第一标识序列为：b-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，i-ifelse，e-ifelse，o,o,o,b-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,i-foreach,e-foreach。

在本发明的至少一实施例中，所述流程类型识别模型的训练方法包括：获取流程类型标注数据，其中，所述流程类型标注数据包括流程类型观察序列与流程类型标识序列；调用预训练的语言模型解析所述流程类型标注数据，得到词语级和句子级的embedding结果；基于所述embedding结果调整(finetune)初始流程类型识别模型。

其中，所述流程类型观察序列为包含自然语言信息的文本序列，所述流程类型标识序列为对应所述文本序列的预设语义标签。所述预训练的语言模型可以为bert模型，针对小样本的流程类型标注数据，引入基于大规模语料库预训练的语言模型bert作为文本语义特征提取器，能够得到具有高度语义抽象表征能力的文档文本的词语级和句子级的embedding结果，其中，所述embedding结果是一种将离散变量转换为连续向量的结果。finetune的含义是利用预训练好的模型，进行少量修改，再输入自己的数据进行训练，对模型参数进行微调，从而提高模型训练效率。所述初始流程类型识别模型可以为bilstm+crf实现。在一实施例中，基于所述embedding结果finetune初始流程类型识别模型，能够提高所述流程类型识别模型的训练效率。

s14、匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型。

在本发明的至少一实施例中，所述流程要素抽取模型为预先训练好的，用于抽取流程类型对应的流程要素的模型。所述流程类型与流程要素相对应，不同的流程类型对应的流程要素可能不一致。例如，if-else流程类型需要抽取的流程要素包括condition，thendo及elsedo；而foreach流程类型需要抽取的流程要素即为循环遍历的内容。因而，在本发明的一实施例中，所述流程要素抽取模型按照所述流程类型分别进行训练，通过在对应流程类型下对流程要素抽取模型进行训练，能够提高流程要素抽取模型的抽取准确率。

具体地，所述流程要素抽取模型的训练方法包括：确定流程类型，并根据所述流程类型获取对应的流程要素标注数据；调用预训练的语言模型作为文本语义特征提取器解析所述流程要素标识数据，得到词语级和句子级的embedding结果；基于所述embedding结果finetune所述流程要素抽取模型。其中，所述流程要素标注数据包括观察序列与标识序列，其中，所述观察序列为包含对应一流程类型的自然语言信息的文本序列，所述标识序列为对应所述文本序列的预设语义标签。

所述匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型的步骤包括：调用多线程队列获取所述流程类型集中每一流程类型；确定所述流程类型与所述流程要素抽取模型的映射关系；根据所述映射关系确定目标流程要素抽取模型，其中，所述目标流程要素存储在区块链中。其中，所述流程类型与所述流程要素抽取模型的映射关系为预先设置的，所述目标流程要素抽取模型为与所述流程类型匹配的流程要素抽取模型。通过多线程队列并列地对流程类型集中的流程类型进行流程要素抽取模型匹配，能够在流程类型较多时，提高目标流程要素抽取模型的匹配效率。在一实施例中，确定所述流程类型与所述流程要素抽取模型的映射关系的步骤包括：提取所述流程要素抽取模型在训练采用的流程要素标注数据；根据所述流程要素标识数据获取对应的目标流程类型；确定所述目标流程类型与所述流程要素抽取模型存在映射关系。

优选地，当所述自然语言信息中包含的流程类型较多(例如，大于1个)时，为了清楚快速地获取每一所述流程类型对应的自然语言间的逻辑顺序，所述方法还包括：标记所述流程类型集中的每一流程类型，用于记录流程类型对应的自然语言执行顺序。其中，对所述流程类型进行标记的形式不做限制，例如，可以为数字形式标记、字母形式标记等。

需要强调的是，为进一步保证上述目标流程要素的私密和安全性，上述目标流程要素还可以存储于一区块链的节点中。

s15、调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素，并获取所述流程要素对应的标识序列。

在本发明的至少一实施例中，调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素，并获取所述流程要素对应的标识序列，作为第二标识序列，所述第二标识序列为根据预设编码形式对所述文本序列进行流程要素标识的结果。所述预设编码形式为所述流程要素抽取模型预先定义的编码形式，例如，所述预设编码形式可以为bieo编码形式、bio编码形式、sbme编码形式等，在此不作限制。在一实施例中，所述预设编码形式可以为bieo编码形式。示例性地，所述自然语言文本信息为：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二，然后增加遍历循环，请依次执行所有列表。以其中一流程类型为例，当一流程类型对应的文本序列(也即一流程类型对应的流程要素)为：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二时，采用bieo编码形式进行编码时，对应的第二标识序列为：o,o,o,o,o,o,o,b-condition,i-condition,i-condition,e-condition,o,o,o,o,o,b-thendo,i-thendo,e-thendo,o,o,o,o,o,b-elsedo,i-elsedo,e-elsedo。

s16、根据所述标识序列获取结构化的流程代码。

在本发明的至少一实施例中，根据所述标识序列获取结构化的流程代码，所述流程代码为计算机可识别、可执行的语言。由于每一所述流程类型都对应有目标流程要素抽取模型，通过所述目标流程要素抽取模型能够抽取对应的流程要素，并获取所述流程要素对应的第二标识序列。因而，所述流程类型集对应第二标识序列集。所述流程类型集中每一流程类型携带有标记，用于记录流程类型对应的命令执行顺序。根据所述流程类型对应的标记确定所述第二标识序列中的命令执行顺序。

具体地，所述根据所述标识序列获取结构化的流程代码的步骤包括：获取所述自然语言文本信息中包含的所述流程类型携带的标记信息；获取与所述流程类型对应的所述标识序列，并根据所述标记信息确定所述标识序列的执行顺序；按照所述执行顺序遍历语法库，得到与所述标识序列对应的可执行计算机代码。其中，所述语法库中存储与标识序列对应的代码。

本发明实施例提供的一种语音数据处理方法，通过输入语音信息的方式，使用自然语言文本信息实现流程脚本生成，提高流程脚本的生成速率，降低rpa流程使用门槛。

以上是对本发明实施例所提供的方法进行的详细描述。根据不同的需求，所示流程图中方块的执行顺序可以改变，某些方块可以省略。下面对本发明实施例所提供的计算机设备1进行描述。

图2是本发明一实施方式的计算机设备的结构示意图，如图2所示，计算机设备1包括存储器10，存储器10中存储有所述语音数据处理装置100。所述计算机设备1可以是计算机、平板电脑、个人数字助理等具有数据处理、分析、程序执行及显示等功能的电子设备。所述语音数据处理装置100可以接收用户输入的语音信息；识别所述语音信息，得到对应的自然语言文本信息；调用流程类型识别模型确定所述自然语言文本信息包含的流程类型集；匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型；调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素；获取所述流程要素对应的标识序列；根据所述标识序列获取结构化的流程代码。利用本申请，通过输入语音信息的方式，使用自然语言文本信息实现流程脚本生成，提高流程脚本的生成速率，降低rpa流程使用门槛。

本实施方式中，计算机设备1还可以包括显示屏20及处理器30。存储器10、显示屏20可以分别与处理器30电连接。

所述的存储器10可以是不同类型存储设备，用于存储各类数据。例如，可以是计算机设备1的存储器、内存，还可以是可外接于该计算机设备1的存储卡，如闪存、sm卡(smartmediacard，智能媒体卡)、sd卡(securedigitalcard，安全数字卡)等。此外，存储器10可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、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。存储器10用于存储各类数据，例如，所述计算机设备1中安装的各类应用程序(applications)、应用上述语音数据处理方法而设置、获取的数据等信息。

显示屏20安装于计算机设备1，用于显示信息。

处理器30用于执行所述语音数据处理方法以及所述计算机设备1内安装的各类软件，例如操作系统及应用显示软件等。处理器30包含但不限于处理器(centralprocessingunit，cpu)、微控制单元(microcontrollerunit，mcu)等用于解释计算机指令以及处理计算机软件中的数据的装置。

所述的语音数据处理装置100可以包括一个或多个的模块，所述一个或多个模块被存储在计算机设备1的存储器10中并被配置成由一个或多个处理器(本实施方式为一个处理器30)执行，以完成本发明实施例。当所述语音数据处理装置100应用于集群管理器时，例如，参阅图3所示，所述语音数据处理装置100可以包括信息接收模块101、信息识别模块102、类型确定模块103、模型匹配模块104、要素抽取模块105以及代码获取模块106。本发明实施例所称的模块可以是完成一特定功能的程序段，比程序更适合于描述软件在处理器30中的执行过程。

可以理解的是，对应上述语音数据处理方法中的各实施方式，语音数据处理装置100可以包括图3中所示的各功能模块中的一部分或全部，各模块的功能将在以下具体介绍。需要说明的是，以上语音数据处理方法的各实施方式中相同的名词、相关名词及其具体的解释说明也可以适用于以下对各模块的功能介绍。为节省篇幅及避免重复起见，在此就不再赘述。

信息接收模块101可以用于接收用户输入的语音信息。

信息识别模块102可以用于识别所述语音信息，得到对应的自然语言文本信息。

类型确定模块103可以用于调用流程类型识别模型确定所述自然语言文本信息包含的流程类型集。

模型匹配模块104可以用于匹配出与所述流程类型集中每一流程类型对应的目标流程要素抽取模型。

要素抽取模块105可以用于调用所述目标流程要素抽取模型抽取所述流程类型对应的流程要素，并获取所述流程要素对应的标识序列。

代码获取模块106可以用于根据所述标识序列获取结构化的流程代码。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器30执行时实现上述任一实施方式中的语音数据处理方法的步骤。

所述语音数据处理装置100/计算机设备1/计算机设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器30执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)等。

所称处理器30可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器30是所述语音数据处理装置100/计算机设备1的控制中心，利用各种接口和线路连接整个语音数据处理装置100/计算机设备1的各个部分。

所述存储器10用于存储所述计算机程序和/或模块，所述处理器30通过运行或执行存储在所述存储器10内的计算机程序和/或模块，以及调用存储在存储器10内的数据，实现所述语音数据处理装置100/计算机设备1的各种功能。所述存储器10可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备1的使用所创建的数据等。

在本发明所提供的几个具体实施方式中，应该理解到，所揭露的计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的系统实施方式仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

本发明所指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等。

对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。系统、装置或计算机设备权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。

以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

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