基于单调性约束函数进行序列语音合成的方法及装置与流程

1.本技术涉及人工智能和序列语音合成技术领域，尤其涉及一种基于单调性约束函数进行序列语音合成的方法及装置。


背景技术：

2.序列到序列模型使用注意力机制来对齐输入和输出序列，是目前端到端语音合成的主要范式，端到端语音合成方法已经证明，合成语音在某些特定领域下的自然度可以与人类真实语音相媲美，尽管取得了这些成功，但同时基于注意力机制的对齐存在鲁棒性问题，会导致合成语音不完整，可能遗漏或重复某些字词，并难以泛化到长文本。
3.传统注意力机制主要基于内容信息，没有利用语音合成对齐的单调性和局部性，改进的混合注意力机制结合内容和位置信息，提升了对长文本的泛化能力，但其仍然存在偶发性的对齐问题，一些利用单调性的注意力机制提高了合成稳定性、提升了对齐速度和减少了对齐问题，却存在训练过程复杂等问题。


技术实现要素：

4.本技术实施例的目的在于提出一种基于单调性约束函数进行序列语音合成的方法、装置、计算机设备及存储介质，以便于在训练过程简单的情况下，既能减少对齐问题，也能提高序列语音合成稳定性和对齐速度。
5.为了解决上述技术问题，本技术实施例提供一种基于单调性约束函数进行序列语音合成的方法，采用了如下所述的技术方案：
6.一种基于单调性约束函数进行序列语音合成的方法，包括下述步骤：
7.获取待进行语音合成的序列文本；
8.基于预设编码器对所述序列文本进行编码，获取其映射在隐状态下的编码序列；
9.通过预设解码器对所述编码序列进行特征值提取，获取特征序列；
10.将所述特征序列传入具有单调性约束函数的注意力机制，获取所述特征序列中各特征值对应的注意力权重值；
11.将所述特征序列中各特征值与其对应的注意力权重值进行加权平均，获取上下文向量；
12.将所述特征序列中当前特征值和所述当前特征值对应的上下文向量作为序列语音合成参数，合成当前特征值对应的序列语音片段，将当前特征值对应的序列语音片段与前一个特征值获取到的序列语音合成结果进行拼接，获取当前特征值对应的序列语音合成结果，完成当前特征值处的序列语音合成。
13.进一步的，所述将所述特征序列传入具有单调性约束函数的注意力机制之前，所述方法还包括：
14.将softplus函数和sigmoid函数作为所述注意力机制的单调性约束函数。
15.进一步的，在将所述特征序列传入具有单调性约束函数的注意力机制步骤之前，
还包括：
16.预先在所述预设解码器内设置两层前馈神经网络mlp，；
17.通过其中一层前馈神经网络mlp，获取所述特征序列中两个相邻特征值间的变量值；
18.通过另一层前馈神经网络mlp，获取所述特征序列中包括当前特征值在内的之前所有特征值的标准差；
19.基于softplus函数对所述变量值和所述标准差分别进行正值化处理。
20.进一步的，所述编码和解码过程，由两层循环神经网络rnn完成，将其中一层循环神经网络rnn作为所述编码器执行编码过程，另一层循环神经网络rnn作为所述解码器执行解码过程，所述预先在所述预设解码器内设置两层前馈神经网络mlp，具体为：将两层所述前馈神经网络mlp设置在执行解码过程的所述循环神经网络rnn的最后一个隐藏层之前。
21.进一步的，所述将所述特征序列传入具有单调性约束函数的注意力机制，获取所述特征序列中各特征值对应的注意力权重值，具体包括：
22.将经正值化处理后的所述变量值和所述标准差作为参数，依次传入预设第一算法公式和预设第二算法公式；
23.将所述第一算法公式和第二算法公式的运算结果作为相对参数,分别传入所述sigmoid函数，并进行差值运算，获取差值运算结果作为所述注意力权重值。
24.进一步的，所述第一算法公式和第二算法公式，具体为：
25.第一算法公式为：第二算法公式为：其中，ui＝u
i-1-δi，i为所述特征序列中当前特征值的下标值，i的初始值为1，ui初始值，即u1＝0，j为所述序列文本中当前元素的下标值，j的初始值为1，σi为所述标准差，δi为所述变量值。
26.为了解决上述技术问题，本技术实施例还提供一种基于单调性约束函数进行序列语音合成的装置，采用了如下所述的技术方案：
27.一种基于单调性约束函数进行序列语音合成的装置，包括：
28.序列文本获取模块，用于获取待进行语音合成的序列文本；
29.编码序列获取模块，用于基于预设编码器对所述序列文本进行编码，获取其映射在隐状态下的编码序列；
30.特征序列获取模块，用于通过预设解码器对所述编码序列进行特征值提取，获取特征序列；
31.注意力权重值获取模块，用于将所述特征序列传入具有单调性约束函数的注意力机制，获取所述特征序列中各特征值对应的注意力权重值；
32.上下文向量获取模块，用于将所述特征序列中各特征值与其对应的注意力权重值进行加权平均，获取上下文向量；
33.序列语音合成模块，用于将所述特征序列中当前特征值和所述当前特征值对应的上下文向量作为序列语音合成参数，合成当前特征值对应的序列语音片段，将当前特征值对应的序列语音片段与前一个特征值获取到的序列语音合成结果进行拼接，获取当前特征值对应的序列语音合成结果，完成当前特征值处的序列语音合成。
34.进一步的，所述注意力权重值获取模块包括softplus函数处理子模块及sigmoid
函数处理子模块，
35.其中，softplus函数处理子模块，用于预先在所述预设解码器内设置两层前馈神经网络，通过其中一层前馈神经网络，获取所述特征序列中两个相邻特征值间的变量值，通过另一层前馈神经网络，获取所述特征序列中包括当前特征值在内的之前所有特征值的标准差，基于softplus函数对所述变量值和所述标准差分别进行正值化处理；
36.sigmoid函数处理子模块，用于将经正值化处理后的所述变量值和所述标准差作为参数，依次传入预设第一算法公式和预设第二算法公式，将所述第一算法公式和第二算法公式的运算结果作为相对参数,分别传入所述sigmoid函数，并进行差值运算，获取差值运算结果作为所述注意力权重值。
37.与现有技术相比，本技术实施例主要有以下有益效果：
38.本技术实施例所述基于单调性约束函数进行序列语音合成的方法，通过获取待合成序列文本；基于编码器获取编码序列；通过解码器获取特征序列；通过具有单调性约束函数的注意力机制，获取各特征值对应的注意力权重值；将各特征值与其对应的注意力权重值进行加权平均，获取上下文向量；将各特征值和其对应的上下文向量作为序列语音合成参数，进行序列语音合成，相较于传统序列语音合成方法，本技术训练合成过程简单，在保证注意力机制的单调性情况下提升了对齐速度、减少了对齐问题，也提高了合成稳定性。
附图说明
39.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本技术可以应用于其中的示例性系统架构图；
41.图2根据本技术的基于单调性约束函数进行序列语音合成的方法的一个实施例的流程图；
42.图3根据本技术的基于单调性约束函数进行序列语音合成的方法的一个实施例的执行架构图；
43.图4是根据本技术的基于单调性约束函数进行序列语音合成的装置的一个实施例的结构示意图；
44.图5是图4所示注意力权重值获取模块一种具体实施方式的结构示意图；
45.图6是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
46.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技术的技术领域的技术人员通常理解的含义相同；本文中在申请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，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
47.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
48.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
49.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
50.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
51.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
52.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
53.需要说明的是，本技术实施例所提供的基于单调性约束函数进行序列语音合成的方法一般由服务器/终端设备执行，相应地，基于单调性约束函数进行序列语音合成的装置一般设置于服务器/终端设备中。
54.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。
55.继续参考图2，示出了根据本技术的基于单调性约束函数进行序列语音合成的方法的一个实施例的流程图。所述的基于单调性约束函数进行序列语音合成的方法，包括以下步骤：
56.步骤201，获取待进行语音合成的序列文本其中，l为正整数，表示序列文本的长度，j为所述序列文本中当前元素的下标值，j的初始值为1，j≤l。
57.本实施例中，所述序列文本实质上为{x1,x2,x3,
…
,x
j-1
,xj}形式的待进行语音合成的文本元素的集合，可以理解为该序列文本由l个待进行语音合成的文本元素组成。
58.在本实施例中，基于单调性约束函数进行序列语音合成的方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式获取待进行语音合成的序列文本，接收进行序列语音合成的请求，将序列文本作为待合成数据，进行序列语音合成。需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
59.步骤202，基于预设编码器对所述序列文本进行编码，获取其映射在隐状态下的编
码序列其中，l为正整数，表示编码序列的长度，j为所述编码序列中当前元素的下标值，j的初始值为1，j≤l。
60.本实施例中，所述预设编码器，采用第一循环神经网络(recurrent neural network,rnn)对所述序列文本进行编码，获取其映射在第一循环神经网络隐藏层下的编码序列实质上，在第一循环神经网络隐藏层获取到与所述序列文本中元素数量相同的编码值，即可相应的表示为{h1,h2,h3,
…
,h
j-1
,hj}形式的编码集合，可以理解为该编码序列由l个编码值组成，每个编码值由位置相对应的待进行语音合成的文本元素编码而成。
61.步骤203，通过预设解码器对所述编码序列进行特征值提取，获取特征序列其中，t为正整数，表示待合成目标序列语音的帧数，i为所述特征序列中当前特征值的下标值，i的初始值为1，i≤t。
62.在本实施例中，所述预设解码器，采用第二循环神经网络(recurrent neural network,rnn)对所述编码序列进行解码，获取其映射在第二循环神经网络第一个隐藏层下的解码序列实质上，在第二循环神经网络第一个隐藏层获取到t个解码值，即可相应的表示为{s1,s2,s3,
…
,s
i-1
,si}形式的解码集合，可以理解为该编码序列由t个解码值组成，每个解码值为一个特征值。
63.步骤204，将所述特征序列传入具有单调性约束函数的注意力机制，获取所述特征序列中各特征值对应的注意力权重值。
64.在本实施例中，将所述特征序列传入具有单调性约束函数的注意力机制之前，所述方法还包括：将softplus函数和sigmoid函数作为所述注意力机制的单调性约束函数。
65.在本实施例中，在将所述特征序列传入具有单调性约束函数的注意力机制步骤之前，还包括：预先在所述预设解码器内设置两层前馈神经网络(multilayer perceptron,mlp)，通过其中一层前馈神经网络，获取所述特征序列中两个相邻特征值间的变量值，通过另一层前馈神经网络，获取所述特征序列中包括当前特征值在内的之前所有特征值的标准差，基于softplus函数对所述变量值和所述标准差分别进行正值化处理，只有保证所述变量值和所述标准差，才能保证注意力的单调性，即合成后的序列语音第j帧与序列文本中第i个元素的对应关系是单调的。
66.在本实施例中，所述预先在所述预设解码器内设置两层前馈神经网络，具体为：将所述第一前馈神经网络和所述第二前馈神经网络设置在所述第二循环神经网络的最后一个隐藏层之前，即将两层所述前馈神经网络设置在执行解码过程的所述循环神经网络的最后一个隐藏层之前，由于循环神经网络rnn解码器在进行解码时，会将获取的注意力权重值a
ij
映射在rnn循环神经网络的最后一个隐藏层，因此，为了保证注意力权重值a
ij
是在注意力单调的情况下获取的，在执行解码过程的所述循环神经网络rnn的最后一个隐藏层之前，引入两层前馈神经网络，处理相关参数所述变量值和所述标准差。
67.在本实施例中，所述基于softplus函数分别对所述变量值和所述标准差进行正值
化处理，具体包括：将所述变量值作为参数，基于softplus函数：y(x)＝log(1 e
x
),获取所述变量值对应的正值化结果，同理，将所述标准差作为参数，基于softplus函数：y(x)＝log(1 e
x
),获取所述标准差对应的正值化结果。
68.在本实施例中，所述将所述特征序列传入具有单调性约束函数的注意力机制，获取所述特征序列中各特征值对应的注意力权重值，具体包括：将经正值化处理后的所述变量值和所述标准差作为参数，依次传入预设第一算法公式和预设第二算法公式；将第一算法公式和第二算法公式的运算结果作为相对参数,传入所述sigmoid函数:并进行差值运算，获取所述特征序列中各特征值对应的注意力权重值。
69.具体的，由于所述循环神经网络解码器在进行解码时，会将获取的注意力权重值a
ij
映射在循环神经网络的最后一个隐藏层，且所述注意力权重值a
ij
是通过映射在第二循环神经网络第一个隐藏层下的解码序列获取的，因此，在所述第二循环神经网络的最后一个隐藏层之前，引入两层全连接的前馈神经网络对解码序列进行处理，具体处理方式为，通过第一前馈神经网络，获取所述特征序列中两个相邻的特征值间的变量值δi；通过第二前馈神经网络，获取所述特征序列中包括当前特征值在内的之前所有特征值的标准差σi，由于解码过程是连续的，假设解码器正在对编码序列进行解码，且已经获取到3个解码序列，这时获取这3个解码序列的标准差，同理，假设已经获取到10个解码序列，这时获取这10个解码序列的标准差，同理，假设已经获取到i个解码序列，这时获取这i个解码序列的标准差；在获取到变量值δi和标准差σi之后，为了保证两者均为正值，引入softplus函数：y(x)＝log(1 e
x
),对两者进行正值化处理，即相应的，可以对softplus函数进行封装，将封装，将封装在一个执行块内，将变量值δi和标准差σi作为通过方法块y(δi,σi)入参的两个变量，进行正值化转换；然后，再将经正值化处理后的变量值δi和标准差σi作为参数依次传入预设第一算法公式和预设第二算法公式，其中，预设第一算法公式为预设第二算法公式为其中，ui＝u
i-1-δi，i为所述特征序列中当前特征值的下标值，i的初始值为1，ui初始值，即u1＝0，j为所述序列文本中当前元素的下标值，j的初始值为1，σi为所述标准差，δi为所述变量值；将通过预设第一算法公式预设第二算法公式获取的结果作为相对参数，传入所述sigmoid函数:并进行差值运算，获取差值运算结果，作为所述特征序列中各特征值对应的注意力权重值a
ij
，即其中，1≤j≤l，l为序列文本的长度，这样，使用sigmoid函数，保证了注意力的单调性，即语音第j帧与文本第i个字符的对应关系是单调的。
70.步骤205，将所述特征序列中各特征值与其对应的注意力权重值进行加权平均，获
取上下文向量。
71.在本实施例中，将所述特征序列中各特征值与其对应的注意力权重值进行加权平均，获取上下文向量，具体包括：通过预设加权平均算法公式：获取到各所述特征值对应的上下文向量ci。
72.步骤206，将所述特征序列中当前特征值和所述当前特征值对应的上下文向量作为序列语音合成参数，合成当前特征值对应的序列语音片段，将当前特征值对应的序列语音片段与前一个特征值获取到的序列语音合成结果进行拼接，获取当前特征值对应的序列语音合成结果，完成当前特征值处的序列语音合成。
73.在本实施例中，将所述特征序列中当前特征值和所述当前特征值对应的上下文向量作为序列语音合成参数，合成当前特征值对应的序列语音片段，将当前特征值对应的序列语音片段与前一个特征值获取到的序列语音合成结果进行拼接，获取当前特征值对应的序列语音合成结果，完成当前特征值处的序列语音合成，具体实现方式为：假设序列语音合成函数为f(si,ci),直接将所述特征序列中特征值si和所述特征值对应的上下文向量ci作为序列语音合成参数，对所述序列文本第i个元素进行语音合成，由于序列语音合成是动态的，即当第一个特征值获取到合成片段后，先存储，然后，第二个特征值获取到合成片段后，与之前存储的进行拼接，作为第二次合成结果，再依次，当前特征值获取到合成片段后，与前一步的合成结果进行拼接，完成当前序列语音合成。
74.在本实施例中，所述编码和解码过程，由两层循环神经网络完成，将其中一层循环神经网络作为所述编码器执行编码过程，另一层循环神经网络作为所述解码器执行解码过程，所述预先在所述预设解码器内设置两层前馈神经网络，具体为：将两层所述前馈神经网络设置在执行解码过程的所述循环神经网络的最后一个隐藏层之前。
75.继续参考图3，示出了根据本技术的基于单调性约束函数进行序列语音合成的方法的一个实施例的执行架构图。所述的基于单调性约束函数进行序列语音合成的方法，具体包括：基于循环神经网络编码器对所述序列文本进行编码，获取其映射在隐状态下的编码序列；通过循环神经网络解码器对所述编码序列进行特征值提取，获取特征序列；预先在执行解码过程的所述循环神经网络的最后一个隐藏层之前设置两层前馈神经网络；通过其中一层前馈神经网络，获取所述特征序列中两个相邻特征值间的变量值；通过另一层前馈神经网络，获取所述特征序列中包括当前特征值在内的之前所有特征值的标准差；基于softplus函数对所述变量值和所述标准差分别进行正值化处理，将经正值化处理后的所述变量值和所述标准差作为参数，依次传入预设第一算法公式和预设第二算法公式；将所述第一算法公式和第二算法公式的运算结果作为相对参数,分别传入所述sigmoid函数，并进行差值运算，获取差值运算结果作为所述注意力权重值；将所述特征序列中各特征值与其对应的注意力权重值进行加权平均，获取上下文向量；将所述特征序列中各特征值和所述特征值对应的上下文向量作为序列语音合成参数，进行序列语音合成。
76.本技术通过softplus函数对特征值进行正值化处理，再将sigmoid函数作为约束函数引入注意力机制，通过获取待合成序列文本；基于编码器获取编码序列；通过解码器获取特征序列；通过具有单调性约束的注意力机制，保证文本对应关系是单调的情况下，获取各特征值对应的注意力权重值；将各特征值与其对应的注意力权重值进行加权平均，获取
上下文向量；将各特征值和其对应的上下文向量作为序列语音合成参数，进行序列语音合成，相较于传统序列语音合成方法，便于在训练过程简单的情况下，既能减少对齐问题，也能提高序列语音合成稳定性和对齐速度。
77.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
78.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本技术可应用于序列语音合成领域中，从而保证文本对应关系是单调的，便于在训练过程简单的情况下，既能减少对齐问题，也能提高序列语音合成稳定性和对齐速度。
79.本技术属于序列语音合成领域，通过本方案能够保证注意力的单调性，从而保证文本对应关系是单调的。
80.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
81.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
82.进一步参考图4，作为对上述图2所示方法的实现，本技术提供了一种基于单调性约束函数进行序列语音合成的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
83.如图4所示，本实施例所述的基于单调性约束函数进行序列语音合成的装置400包括：序列文本获取模块401、编码序列获取模块402、特征序列获取模块403、注意力权重值获取模块404、上下文向量获取模块405以及序列语音合成模块406。其中：
84.序列文本获取模块401，用于获取待进行语音合成的序列文本其中，l为正整数，表示序列文本的长度，j为所述序列文本中当前元素的下标值，j的初始值为1，j≤l；
85.编码序列获取模块402，用于基于预设编码器对所述序列文本进行编码，获取其映射在隐状态下的编码序列其中，l为正整数，表示编码序列的长度，j为所述编码序列中当前元素的下标值，j的初始值为1，j≤l；
86.特征序列获取模块403，用于通过预设解码器对所述编码序列进行特征值提取，获
card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如基于单调性约束函数进行序列语音合成的方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
97.所述处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述基于单调性约束函数进行序列语音合成的方法的计算机可读指令。
98.所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
99.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
100.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。