语音翻译方法、装置、设备及存储介质与流程

1.本技术实施例涉及但不限于人工智能领域，尤其涉及一种语音翻译方法、装置、设备及 计算机可读存储介质。


背景技术：

2.机器翻译是一种借助程序将一种自然语言翻译成另一种自然语言的技术，该技术在各行 各业已被广泛应用。机器翻译已经从早期基于规则技术发展到现在利用神经网络技术。目前 机器翻译应用在书面翻译时效果较好，基本满足达到高准确度和低时延的要求。但应用在语 音翻译如同声传译时，效果欠佳，翻译准确度和时延均有待改善。


技术实现要素：

3.本技术实施例提供了一种语音翻译方法、装置、设备及计算机可读存储介质，通过对输 入的语音信号直接进行源文本分段，并同步翻译，进而达到缩短时延的效果。
4.第一方面，本技术的实施例提供了一种语音翻译方法，包括：获取源语音信号，识别所 述源语音信号中的实义要素；顺序积累至少一个所述实义要素形成判断单元；基于bert分类 模型，计算所述判断单元在预设分类结果条件下的概率值；若所述概率值大于第一阈值，则 所述判断单元为实义单元；对所述实义单元进行分段，形成目标词段；基于transformer翻 译模型，对所述目标词段进行翻译并输出。其中，所述实义要素至少为以下任意之一：单字、 单词、短语或成语。。本实施例提供的方法通过直接获取并积累待翻译语音信号中识别的实 义要素，如单词，当积累的单词满足构成具有完整且清晰释义的词段时，获取该词段为实义 单元，对实义单元进行分段、翻译输出极大的简化了翻译流程，有效的减少了翻译所需的时 间，缩短时延；而且获取语音信号、实义单元获取分段和翻译三个过程是同步进行，进一步 缩短了时延。
5.第二方面，本技术的实施例提供了一种语音翻译装置，其特征在于，包括：语音识别模 块，用于获取源语音信号，识别源语音信号中的实义要素；实义单元获取模块，用于顺序积 累至少一个所述实义要素形成判断单元，基于bert分类模型，计算所述判断单元在预设分类 结果条件下的概率值，并选取概率值大于第一阈值的判断单元作为实义单元；分段模块，用 于对所述实义单元进行分段，形成目标词段；翻译模块，用于接收目标词段，翻译并输出所 述实义要素至少为以下任意之一：单字、单词、短语或成语。
6.第三方面，本技术的实施例提供了一种电子设备，所述设备包括处理器、存储器，以及 一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执 行，所述程序包括用于执行如第一所述的方法。
7.第四方面，本技术的实施例提供了一种计算机可读存储介质，其特征在于，存储有处理 器可运行的程序指令，所述程序指令用于执行如第一所述的方法。
8.本技术实施例通过对输入的语音信号，进行识别判断，积累至少一个所述实义要素形成 判断单元，基于bert分类模型和判断单元得到实义单元，再对所述实义单元进行分
段，形成 目标词段；最后基于transformer翻译模型，对所述目标词段进行翻译并输出。采用本方案 大大缩短了需翻译句子的长度，避免长句中语义以及语句成份复杂带来的翻译问题，提升了 翻译的准确度；同时，语音的输入、目标词段的形成以及翻译可以同步进行，提高了翻译速 度。
9.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而 易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书 以及附图中所特别指出的结构来实现和获得。
附图说明
10.图1为本技术实施例提供的语音翻译方法的流程示意图；
11.图2为本技术实施例涉及的实义单元获得过程的流程示意图；
12.图3为本技术实施例涉及基于bert模型的的判断单元分类结果示意图；
13.图4为本技术实施例涉及的实义单元概率判断的bert模型示意图；
14.图5为本技术实施例涉及的实义单元分段的流程示意图；图6是本技术实施例涉及的实义单元分段的示意图；
15.图7
‑
9为本技术实施例涉及的实义单元分段步骤的模型示意图；
16.图10为本技术实施例语音翻译方法同步工作的示意图。
具体实施方式
17.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申 请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于 限定本技术。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
18.说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象， 而不必用于描述特定的顺序或先后次序。需要理解的是，如果涉及到方位描述，例如上、下、 前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于 描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定 的方位构造和操作，因此不能理解为对本技术的限制。
19.需要说明的是，至少一个的含义是一个或者多个，多个的含义是两个以上，大于、小于、 超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二 只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的 技术特征的数量或者隐含指明所指示的技术特征的先后关系。
20.随着翻译技术的进一步发展以及人们需求的不断变化，当下人们对机器翻译的研究方向 也从书面翻译逐步转向语音翻译。目前语音翻译技术在短句的应用上效果较好，翻译准确度 和时延基本能满足需求。但当应用到同声传译时，由于句子长度的增加，句子中所包含的重 要信息的增加以及语句成份复杂度的提高，导致语音翻译准确度降低、时延长。
21.对此，本技术提出了一种语音翻译方法，至少包括：
22.获取源语音信号，识别源语音信号中的实义要素。
23.在一些实施例中，源语音信号即待翻译的语音信号；源语音信号可以是汉语、英语、法 语、西班牙语、俄语等通用语种，也可以是粤语、日语、波兰语、印尼语等其它语种。
24.在一些实施例中，实义要素可以为：语句中的单字、字符、单词、短语或成语等。
25.顺序积累至少一个实义要素形成判断单元。
26.在一些实施例中，这些判断单元经过判断后，会分成两类，即实义单元与非实义单元， 对实义单元可以进行分段进而翻译输出，对非实义单元需要进一步积累，最终形成实义单元。 实义单元为具有完整且清晰释义的词段或短句；即实义单元是由“单字、字符、单词、短语 或成语”等语句信息，组成的具有完整且清晰释义的词段或短句，通过形成实义单元，语音 翻译的准确度能够得到大幅提升。
27.在另一些实施例中，实义单元可以不受后续识别的实义要素影响其释义内容，也可以不 影响其它实义单元的释义。由于每一实义单元之间不相互影响其释义，同时后续获取的语音 信号也不影响已得到实义单元的释义，不仅能够改善翻译的准确度，也有利于提升翻译速度。
28.基于bert分类模型，计算判断单元在预设分类结果条件下的概率值。
29.在一些实施例中，bert模型的全称是bidirectional encoder representations fromtransformer，也就是基于transformer的双向编码器表征。bert采用的是transformer翻 译模型，并且在处理一个实义要素的时候，还能够考虑到该实义要素前面的和后面的单词， 得到它在上下文中的含义。因此，transformer的注意力机制在对语境中的单词进行特征抽 取时有着很好的效果，而且从直觉上看，考虑上下文的双向编码要比只考虑上文(或下文) 的单向效果更好。
30.在一些实施例中，将判断单元输入至bert模型，能够获得在预设分类结果下的条件概率， 通过预设阈值，并将计算获得的条件概率与阈值进行比较，能够获得最终的分类结果。
31.若概率值大于预设的第一阈值，则判断单元为实义单元。
32.在一些实施例中，大于第一阈值为实义单元；相应的，小于第一阈值为非实义单元。
33.对实义单元进行分段，形成目标词段；
34.在一些实施例中，目标词段的获得与优化依赖于transformer翻译模型中的注意力机制， 当翻译结果不理想时，可以反向调整分段方法或扩展实义单元。
35.基于transformer翻译模型，对目标词段进行翻译并输出。
36.在一些实施例中，输出的可以是经翻译后的文字信号或语音信号。
37.本实施例通过对输入的语音信号进行识别判断，基于bert分类模型得到实义单元，并对 实义单元进行分段后再翻译，有利于提升翻译的准确度。且语音信号的输入、实义单元的判 断形成、以及词段或短句翻译可以同时并行，减小翻译时延。同时，由于实义单元的释义不 受后续输入的语音所影响，因此可以在确保翻译准确度的提前下，减小翻译时延，以满足机 器同声传译的需求。
38.图1为本技术另一实施例提供的语音翻译方法的流程示意图。本实施例以单词为实义元 素，进一步说明本技术技术方案。参考图1实施例提供的语音翻译方法至少包括：
39.步骤s100：获取源语音信号，识别源语音信号中的实义要素。
40.在一些实施例中，可以通过语音识别(auto speech recognition，asr)系统获取和识 别源语音信号。
41.在一些实施例中，源语音信号即待翻译的语音信号；源语音信号可以是汉语、英语、法 语、西班牙语、俄语等通用语种，也可以是粤语、日语、波兰语、印尼语等其它语种。
42.在一些实施例中，实义要素可以为：语句中的单字、字符、单词、短语或成语等。
43.步骤s200：顺序积累至少一个实义要素形成判断单元。
44.在一些实施例中，顺序积累逐一输入的至少一个单词，形成判断单元。
45.在一些实施例中，积累是逐一进行的，即对每个实义要素的积累形成的判断单元均会被 输入至模型进行分类判断。
46.在一些实施例中，积累可以是逐组进行，即每次积累多个实义要素，这样可以提升翻译 的速度与效率。
47.值得注意的是，顺序积累的含义是根据接收到的源语音信号，依次进行实义要素的积累， 其本质目的是获得符合语序的判断单元，使后续的翻译更加贴合源语音所表达的含义。
48.步骤s300:基于bert分类模型，计算判断单元在预设分类结果条件下的概率值。
49.bert分类模型能够对输入的判断单元进行分类判断，输出其分类结果。
50.在一些实施例中，分类结果等于1时表示该判断单元为实义单元，分类结果等于0时表 示该判断单元为非实义单元，通过bert模型的计算，能够输出预设的分类结果下的条件概率。
51.由于bert模型需要通过对上下文的综合计算来提升分类的准确性，那么在本技术的实施 例中，定义了预备单元，预备单元由顺序积累但未进入判断单元的实义要素组成，代表了上 下文的语义内容。基于bert分类模型，将判断单元与预备单元均输入模型，计算后输出判断 单元的分类结果的条件概率。
52.在一些实施例中，如果预设的分类结果为实义单元，即输出结果为1，那么计算获得的条 件概率值就是分类结果为实义单元的概率。
53.在一些实施例中，也可以预设分类结果为非实义单元，即输出结果为0，那么那么计算获 得的条件概率值就是分类结果为非实义单元的概率。
54.判断单元的具体分类结果由输出的条件概率与预设的第一阈值共同决定。
55.步骤s400：若概率值大于预设的第一阈值，则判断单元为实义单元。
56.第一阈值的设定与最终分类结果相关，预设的阈值越高，判断单元越不容易被认定分类 为实义单元，此时模型输出的准确度会更高，但是翻译效率会受到影响。因此，第一阈值的 选取往往需要经过训练过程的计算，进而获得合适的阈值。
57.在一些实施例中，如果预设的分类结果为实义单元，同时第一阈值为0.7，则当模型的输 出结果即条件概率大于0.7，此时判断单元就是实义单元，那么此判断单元就可以进行分段， 参与下一步计算。
58.在一些实施例中，如果预设的分类结果为非实义单元，同时第一阈值为0.7，则当模型的 输出结果即条件概率大于0.7，此时判断单元就是非实义单元，那么需要重新构建判断单元， 再重复计算。
59.步骤s500：对实义单元进行分段，形成目标词段。
60.目标词段的获得与优化依赖于transformer翻译模型中的注意力机制，当翻译结果不理 想时，可以反向调整分段方法或扩展实义单元。
61.在一些实施例中，获取当前实义单元中每个实义要素的注意力值，并判断所述注意力值 最大的实义要素所出现的位置，其中，所述注意力值基于transformer翻译模型的注意力机 制模型获得。如果注意力值最大的实义要素出现在实义单元的预设位置，则说明当前的分段 规则满足要求，此时对实义单元进行分段，形成目标词段。
62.在一些实施例中，同样获取当前实义单元中每个实义要素的注意力值，并判断所述注意 力值最大的实义要素所出现的位置，其中，所述注意力值基于transformer翻译模型的注意 力机制模型获得。如果注意力值最大的实义要素没有出现在实义单元的预设位置，则说明当 前的分段规则不满足要求，则对当前实义单元进行扩展。再次获取扩展后的实义单元中每个 所述实义要素的注意力值，并判断注意力值最大的所述单词所出现的位置，直至所述注意力 值最大的实义要素出现在所述实义单元的预设位置，说明满足要求，则停止扩展，并对最终 扩展组成的实义单元进行分段，形成目标词段。
63.在一些实施例中，也可以不通过注意力机制来扩展实义单元，而是在判断发现翻译效果 不够良好时，直接扩展当前的实义单元，直至其形成新的实义单元，其本质目的就是增加实 义单元中实义要素的数量。
64.步骤s600：基于transformer翻译模型，对目标词段进行翻译并输出。
65.在一些实施例中，可以通过机器翻译(machine translation，mt)系统对目标词段进行 即时翻译。
66.本领域技术人员知晓，由于目标词段的长度小于等于实义单元，因此，对目标词段进行 翻译一方面能够更加准确，同时由于其同步性，还能提升翻译效率。
67.本实施例对输入的实义要素逐一积累，当所积累的实义要素构成的实义单元时，对当前 的词语进行分段，形成目标词段，在对目标词段进行翻译。一方面，大大缩短了需翻译句子 的长度，避免长句中语句成份复杂带来的翻译问题，提升了翻译的准确度；另一方面，语音 的输入、实义单元的构成、目标词段的形成以及翻译可以同步进行，提高了翻译速度与翻译 效率。
68.需要说明的是，步骤s100至步骤s500在同一时间是可以同步进行的，翻译模块在翻译 第一实义单元对应的第一个目标词段时，分段模块也在对已知的事宜单元进行分段处理，同 时实义单元获取模块正在积累新输入的实义要素构成具有完整且清晰释义的实义单元，即形 成第二实义单元，同时语音识别模块也在持续的接收待翻译者说出的单词。即步骤s100至步 骤s500同时并行工作的。本技术实施例提供的语音翻译方法能够在确保翻译准确的前提下， 减小时延。
69.图2为本技术一实施例提供的实义单元获得过程的流程示意图。具体步骤如图所示。
70.在本技术实施例中，实义要素为单词。
71.步骤s211：顺序积累逐一输入的至少一个单词。
72.在本技术实施例中，实义要素逐一增加构成判断单元。
73.步骤s212，计算预设的分类结果条件下的概率值。
74.在一些实施例中，预设的分类结果为1，即实义单元，那么计算的概率值就是当前
单词构 成的单元为实义单元的概率值，可直接与阈值进行比较。
75.在一些实施例中，预设的分类结果为0，即非实义单元，那么计算的概率值就是当前单词 构成的单元为非实义单元的概率值，用1减概率值得到的概率值用于与阈值进行比较。
76.步骤s213，判断概率值是否大于预设的阈值。
77.在本技术实施例中，预设的分类结果为1，即实义单元，那么计算判断结果为实义单元的 条件概率，同时预设阈值为0.7。
78.步骤s214，若概率值大于阈值，则当前单词构成的判断单元为实义单元。
79.步骤s215，若概率值小于等于阈值，则继续积累至少一个单词之后返回步骤s212。
80.更具体地，在一些实施例中，如果概率值小于等于阈值，则说明到目前为止积累的单词 所组成的词段a1不满足作为实义单元的要求，那么需要在目前词段a1的基础上继续积累增 加至少一个单词形成新的词段a2，然后对新的词段a2重新计算确定分类结果的概率值，判 断概率值是否大于阈值；如果新的词段a2的概率值仍小于等于阈值，则需要继续积累增加至 少一个单词形成新的词段a3、a4、a5
…
an，直到词段an分类结果概率值大于阈值为止，则 判定该词段an为实义单元，其中n为正整数。
81.在一些实施例中，步骤步骤s210实义单元的分类是采用bert模型进行分类的。结合附 图3和附图4作进一步说明。
82.如需要将中文语音“shangwu 10dian wo qule tang gong yuan”翻译成英文语音“at 10 am i went to the part”，如图5所示，t用于表征输入单词的数量；c
t
＝{x
≤t
}用于表征 进入词；f
t
＝{x
t 1
,
…
,x
t m
}用于表征未进入词；m用于表征未进入词的数量，本实施例中m 设定为2，m的值可以根据实际情况设定；p(l
t
＝1|c
t
,f
t
；θ
model)
代表c
t
是分类结果l
t
为1(class1)的概率，设定阈值δ＝0.7。
83.当t＝1时，c
t
＝{shangwu}，f
t
(m＝2)＝{10dian}，假设计算的概率值为0.1，0.1小于 阈值0.7，则分类结果为0，说明当前单元不是实义单元，需要继续积累更多单词。
84.本实施例为了确保翻译的准度，就设定一个单词一个单词增加积累，当然在其他实施例 中，根据需要也可多个多个单词的增加。
85.当t＝2时，c
t
＝{shangwu 10}，f
t
(m＝2)＝{dian wo}，假设计算的概率值为0.4，0.4 小于阈值0.7，则分类结果为0，说明当前单元不是实义单元，需要继续积累更多单词。
86.当t＝3时，c
t
＝{shangwu 10dian}，f
t
(m＝2)＝{wo qule}，假设计算的概率值为0.9， 0.9大于阈值0.7，则分类结果为1，说明词段“shangwu 10dian”满足作为实义单元的标 准，则确定积累的单词形成的词段“shangwu 10dian”为实义单元。
87.t＝4、5、9
…
的判断方法与t＝1、2、3类似，此处就不再一一解释说明。
88.图5本技术一实施例提供的基于transformer翻译模型的注意力机制的实义单元分段流 程示意图，根据图5所示的本技术实施例，至少包括以下步骤：
89.步骤s511：获取当前实义单元中每个实义要素的注意力值。
90.注意力值能够体现每个实义要素在翻译过程中对翻译结果产生的影响，体现了每个实义 要素的重要程度，因此，在模型中，重要的实义要素通常具有较大的权重值，不重要的实义 要素通常具有较小的权重值。因此，重要的实义要素可以为模型训练者预先设置，也可以通 过训练过程不断地形成并修正。
生目标词段y2，但是在这种情况下分段模型出现了错误，这是由于不充足的上下文内容让翻 译过程中出现歧义，导致分段模型无法判断“看”应当翻译为“look”、“watch”还是“see”。 因此在设定g(j)时应当需要给予其足够的上下文进行翻译。在对分段的理解中，由于在前面 步骤中，产生了需要的实义单元，本实施例中实义单元为“我看”，因此需要判断该词段是 否要在该实义单元处分段，正如前文记载，对于最初判断的实义单元“我看”在实际翻译过 程中，出现歧义，对“看”字的翻译出现错误。这说明在最初的划分实义单元“我看”中， 对于该划分下的实义单元存在翻译风险，需要为其提供更加充足的下文以支持准确的翻译， 因此需要将实义单元扩展。
110.在一些实施例中，为了识别出上述翻译中存在的风险，需要在分段中，通过注意力机制a
jt
来计算源文本x
t
(1≤t<g(j))和目标词段y
j
可能性。
111.首先通过第一公式计算实义单元中每个单词的注意力值a
jt
,
[0112][0113]
其中，t用于表征xxx，且1≤t<g(j)，t用于表征xxx，j用于表征xxx，g(j)用于表征 xxx。
[0114]
在附图6中出现了源文本中注意力值最大的单词“看”，且出现在实义单元“我看”出 现在预提取块的末尾，这种情况的产生会造成当前模块需要承担在翻译过程中不能有效预测 后文内容。在这种情况下，需要通过扩展实义单元来减小翻译所需内容不足的问题。
[0115]
在一些实施例中，对实义单元的扩展是通过上一个实义单元对应的词组的基础上至少增 加一个单词。每次扩展可以是增加一个单词，也可以增加两个，或者多个单词，然后重新对 新扩展的实义单元的每个单词计算注意力值。
[0116]
图7为本技术一实施例提供的语音翻译装置，如图7所示。
[0117]
本技术实施例中的语音翻译装置至少包括：用于获取源语音信号，识别源语音信号中的 实义要素的语音识别模块；用于顺序积累至少一个所述实义要素形成判断单元，基于bert分 类模型，计算所述判断单元在预设分类结果条件下的概率值，并选取概率值大于预设的第一 阈值的判断单元作为实义单元的实义单元获取模块；用于对所述实义单元进行分段，形成目 标词段的分段模块；用于接收目标词段，翻译并输出的翻译模块。
[0118]
语音识别模块将识别的实义要素传输给实义单元获取模块，使其生成符合条件的实义单 元，实义单元获取模块再将实义单元发送至分段模块进行分段，便于翻译，最后翻译模块输 出翻译结果。
[0119]
参考图8，在一些实施例中，在产生实义单元之后，需要对语音识别模块输出的源文本 进行判断分段位置。
[0120]
在另一些实施例中，为了进一步提高翻译准确度，避免翻译出现歧义，该装置还可以包 括注意力识别模块，用于获取实义单元中每个实义要素，如单词的注意力值，并判断注意力 值最大的单词所出现的位置。
[0121]
参考图9，在一些实施例中，为了进一步提高翻译准确度，针对出现翻译风险的实
义单 位，需要作进一步处理。该系统还可以包括实义扩展模块，用于对存在翻译风险的实义单元 进行扩展，进而排除翻译风险。
[0122]
在一些实施例中，实义扩展模块在扩展实义单元时，仅是依据发现翻译效果不够良好， 进而直接扩展当前的实义单元，直至其形成新的实义单元，其本质目的就是增加实义单元中 实义要素的数量，此过程可以不通过注意力机制完成。
[0123]
图10是表示本技术实施例语音翻译方法同步工作的示意图。
[0124]
从图中可以看出，首先接收到的单词1、2、3已经经过了在先全部模块的处理，输出至 翻译模块进行翻译，与此同时，分段模块在对新增的第4个单词进行分段处理，实义单元获 取模块正在对顺序积累的第5个单词进行实义单元的判断，而语音识别模块已经开始了第6 个单词的识别。因此，模块的工作是同步进行的，保证了翻译的速度和效率，使其在同声传 译这样的应用场景中，能够得到适用。
[0125]
第三方面，本技术实施例提供了一种电子设备，该设备包括处理器以及存储器：
[0126]
存储器，用于存储程序：
[0127]
处理器，用于执行程序以执行上述任一实施例的语音翻译方法。
[0128]
第四方面，本技术实施例提供了一种计算机可读存储介质，包括：
[0129]
计算机可读存储介质存储有程序，程序被处理器执行完成上述任一实施例的语音翻译方 法。
[0130]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过 其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，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，例如多个单元或组件可以结合 或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相 互之间的相合或直接稠合或通信连接可以是通过一些接口，装置或单元的间接稠合或通信连 接，可以是电性，机械或其它的形式。
[0131]
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单元来实现本实施例方案的目的。
[0132]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个 单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以 采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0133]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中 的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以 上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组 件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或 所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软 件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在 计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介 质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储 信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的 易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不
限于ram、rom、eeprom、 闪存或其他存储器技术、cd
‑
rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘 存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的 介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、 程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何 信息递送介质。移动终端设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载终端设 备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理、cpe、ufi(无线热点设备) 等；本发明实施方案不作具体限定。
[0134]
以上，以上实施例仅用以说明本技术的技术方案，而非对其限制：尽管参照前述实施例 对本技术进行了详细的说明，本领域的普通技术人员应当理解：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的本质脱离本技术各实施例技术方案的精神和范围。