白话文与文言文互译及语音合成方法、装置、设备及介质

摘要

本申请涉及人工智能技术领域，揭示了一种白话文与文言文互译及语音合成方法、装置、设备及介质，其中方法包括：获取目标文本；将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。实现了自动化进行白话文与文言文互译及语音合成。本申请还涉及区块链技术。

说明书

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种白话文与文言文互译及语音合成方法、装置、设备及介质。

背景技术

文言文是用“文言”这种古代书面语写成的文章。几千年中华文化的核心都蕴含在文言文中，它是中华文化数千年延绵不断的主要原因之一，也是中国古人的信仰、价值观的载体。可以说，文言文就是中华文化基因图谱。然而，近代以来，人们多以白话文进行书写、表达、著书立说，普通人每天接触的都是白话文，丧失了对文言文的阅读、书写、表达的能力，从而使白话文与文言文互译及语音合成成为一种需求。因白话文转换为文言文需要考虑诸如文言文韵律、对仗工整等诸多方面，文言文语音合成更是需要把握语音节奏、韵律等方面，导致现有技术的语音合成系统已不能满足白话文与文言文互译及语音合成的需求。

发明内容

本申请的主要目的为提供一种白话文与文言文互译及语音合成方法、装置、设备及介质，旨在解决现有技术的语音合成系统已不能满足白话文与文言文互译及语音合成的需求的技术问题。

为了实现上述发明目的，本申请提出一种白话文与文言文互译及语音合成方法，所述方法包括：

获取目标文本；

将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；

当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；

当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

进一步的，所述根据所述待处理的文言文文本进行语音生成，得到目标文言文语音的步骤，包括：

将所述待处理的文言文文本输入文言文韵律情感学习模型进行韵律情感学习，得到文言文韵律情感学习结果，将所述待处理的文言文文本输入音节转换模型进行音节序列转换，得到音节序列数据，将所述文言文韵律情感学习结果和所述音节序列数据输入文言文语音特征预测模型进行语音特征预测，得到文言文语音特征预测结果，将所述文言文语音特征预测结果输入文言文语音合成模型进行语音合成，得到目标文言文语音；

所述根据所述待处理的白话文文本进行语音生成，得到目标白话文语音的步骤，包括：

将所述待处理的白话文文本输入白话文韵律情感学习模型进行韵律情感学习，得到白话文韵律情感学习结果，将所述白话文韵律情感学习结果输入白话文语音特征预测模型进行语音特征预测，得到白话文语音特征预测结果，将所述白话文语音特征预测结果输入白话文语音合成模型进行语音合成，得到目标白话文语音。

进一步的，所述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

获取多个第一训练样本，所述多个第一训练样本中每个第一训练样本包括：原始文本样本和语言标定值；

采用所述多个第一训练样本，对第一初始模型进行训练，将训练结束的所述第一初始模型作为所述白话文与文言文判断模型；

其中，所述第一初始模型依次包括：第一词向量生成模块和二分类模块，所述第一词向量生成模块是基于预训练Bert模型得到的模块，所述二分类模块采用线性层和Sigmoid激活函数。

进一步的，所述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

获取多个第二训练样本，所述多个第二训练样本中每个第二训练样本包括：第一白话文文本样本和文言文标定值；

获取第二初始模型作为文言文翻译初始模型，采用所述多个第二训练样本，对所述文言文翻译初始模型进行训练，将训练结束的所述文言文翻译初始模型作为所述文言文翻译模型；

获取多个第三训练样本，所述多个第三训练样本中每个第三训练样本包括：第一文言文文本样本和白话文标定值；

获取所述第二初始模型作为白话文翻译初始模型，采用所述多个第三训练样本，对所述白话文翻译初始模型进行训练，将训练结束的所述白话文翻译初始模型作为所述白话文翻译模型；

其中，所述第二初始模型是基于Transformer网络得到的模型，所述Transformer网络包括：编码组件和解码组件，所述编码组件包括6个编码器，所述解码组件包括6个解码器。

进一步的，所述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

获取多个第四训练样本，所述多个第四训练样本中每个第四训练样本包括：第二文言文文本样本和文言文韵律情感标定值；

获取第三初始模型作为文言文韵律情感学习初始模型，采用所述多个第四训练样本和多任务学习方法，对所述文言文韵律情感学习初始模型进行训练，将训练结束的所述文言文韵律情感学习初始模型作为所述文言文韵律情感学习模型；

获取多个第五训练样本，所述多个第五训练样本中每个第五训练样本包括：第二白话文文本样本和白话文韵律情感标定值；

获取所述第三初始模型作为白话文韵律情感学习初始模型，采用所述多个第五训练样本和所述多任务学习方法，对所述白话文韵律情感学习初始模型进行训练，将训练结束的所述白话文韵律情感学习初始模型作为所述白话文韵律情感学习模型；

其中，所述第三初始模型包括：第二词向量生成模块、韵律词边界预测模块、韵律短语边界预测模块、语调短语边界预测模块和字在词位置预测模块，所述第二词向量生成模块分别与所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块和所述字在词位置预测模块连接，所述第二词向量生成模块是基于预训练Bert模型得到的模块，所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块和所述字在词位置预测模块均采用softmax层。

进一步的，所述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

获取多个第六训练样本，所述多个第六训练样本中每个第六训练样本包括：第三文言文文本样本和音节序列标定值；

采用所述多个第六训练样本，对音节转换初始模型进行训练，将训练结束的所述音节转换初始模型作为所述音节转换模型；

其中，所述音节转换初始模型包括：拼音转换模块和音节拆分模块，所述拼音转换模块是基于G2P模型得到的模块，所述音节拆分模块依次包括：音节拆分子模块和序列输出子模块。

进一步的，所述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

获取多个第七训练样本，所述多个第七训练样本中每个第七训练样本包括：文言文韵律情感样本、音节序列样本和文言文语音特征标定值；

获取第四初始模型作为文言文语音特征预测初始模型，采用所述多个第七训练样本，对所述文言文语音特征预测初始模型进行训练，将训练结束的所述文言文语音特征预测初始模型作为所述文言文语音特征预测模型；

获取多个第八训练样本，所述多个第八训练样本中每个第八训练样本包括：白话文韵律情感样本和白话文语音特征标定值；

获取所述第四初始模型作为白话文语音特征预测初始模型，采用所述多个第八训练样本，对所述白话文语音特征预测初始模型进行训练，将训练结束的所述白话文语音特征预测初始模型作为所述白话文语音特征预测模型；

其中，所述第四初始模型包括：输入模块、语音特征预测模块，所述输入模块用于进行一维向量拼接，所述语音特征预测模块是基于Tacotron2得到的模块。

本申请还提出了一种白话文与文言文互译及语音合成装置，所述装置包括：

文本获取模块，用于获取目标文本；

语言判断模块，用于将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；

目标文言文语音确定模块，用于当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；

目标白话文语音确定模块，用于当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提出了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执行时实现上述任一项所述的方法的步骤。

本申请的白话文与文言文互译及语音合成方法、装置、设备及介质，通过获取目标文本，将目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果，当语言判断结果为白话文时，将目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据待处理的文言文文本进行语音生成，得到目标文言文语音，当语言判断结果为文言文时，将目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据待处理的白话文文本进行语音生成，得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

附图说明

图1为本申请一实施例的白话文与文言文互译及语音合成方法的流程示意图；

图2为本申请一实施例的白话文与文言文互译及语音合成装置的结构示意框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

为了解决现有技术的语音合成系统已不能满足白话文与文言文互译及语音合成的需求的技术问题，本申请提出了一种白话文与文言文互译及语音合成方法，该方法应用于人工智能技术领域，该方法进一步应用于人工智能的语音处理技术领域。所述白话文与文言文互译及语音合成方法，先将目标文本进行语言判断，当语言判断为白话文时先将目标文本转换为文言文，根据转换的文言文进行韵律情感学习和音节序列，将韵律情感学习和音节序列的结果进行语音特征预测和语音合成得到目标文言文语音，当语言判断为文言文时先将目标文本转换为白话文，将转换得到的白话文进行韵律情感学习、语音特征预测和语音合成得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

参照图1，本申请实施例中提供一种白话文与文言文互译及语音合成方法，所述方法包括：

S1：获取目标文本；

S2：将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；

S3：当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；

S4：当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

本实施例通过获取目标文本，将目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果，当语言判断结果为白话文时，将目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据待处理的文言文文本进行语音生成，得到目标文言文语音，当语言判断结果为文言文时，将目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据待处理的白话文文本进行语音生成，得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

对于S1，可以从数据库中获取目标文本，也可以获取用户输入的目标文本，还可以从第三方应用系统中获取目标文本。

目标文本，也就是需要合成语音的文本数据。

可以理解的是，目标文本可以是白话文的文本数据，也可以是文言文的文本数据。

白话文，又称语体文、俗语，指的是以现代汉语口语为基础，经过加工的书面语。

文言文，是中国古代的一种汉语书面语言组成的文章，“五四”运动以前汉民族所使用的语言。

对于S2，将所述目标文本输入白话文与文言文判断模型进行语言判断，以用于判断所述目标文本是白话文还是文言文。

其中，白话文与文言文判断模型是基于预训练Bert(Bert是Google AI研究院提出的一种预训练模型)模型和二分类器训练得到的模型。

所述语言判断结果包括一个值，该值可以是白话文，也可以是文言文。

对于S3，当所述语言判断结果为白话文时，意味着需要将目标文本合成为文言文语音，此时先将所述目标文本输入文言文翻译模型进行文言文翻译，将文言文翻译得到的数据作为待处理的文言文文本。

文言文翻译模型用于将白话文翻译为文言文。文言文翻译模型是基于Transformer(Transformer是Google的团队在2017年提出的一种NLP经典模型)网络训练得到的模型。可以理解的是，文言文翻译模型还可以采用其他网络训练得到，在此不做具体限定。

其中，根据所述待处理的文言文文本进行进行语音特征预测和语音生成，将生成的语音作为目标文言文语音。

目标文言文语音，也就是目标文本对应的文言文的语音数据。

对于S4，当所述语言判断结果为文言文时，意味着需要将目标文本合成为白话文语音，此时先将所述目标文本输入白话文翻译模型进行白话文翻译，将白话文翻译得到的数据作为待处理的白话文文本。

白话文翻译模型用于将文言文翻译为白话文。白话文翻译模型是基于Transformer网络训练得到的模型。可以理解的是，白话文翻译模型还可以采用其他网络训练得到，在此不做具体限定。

其中，根据所述待处理的白话文文本进行进行语音特征预测和语音生成，将生成的语音作为目标白话文语音。

目标白话文语音，也就是目标文本对应的白话文的语音数据。

可以理解的是，可以将步骤S1至步骤S41封装成一个系统，从而使用户只需要采用一个系统即可实现白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

需要强调的是，为进一步保证上述目标文言文语音和目标白话文语音私密和安全性，上述目标文言文语音还可以存储至区块链系统的区块链上，上述目标白话文语音还可以存储至区块链系统的区块链上。

所述区块链，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。

在一个实施例中，上述根据所述待处理的文言文文本进行语音生成，得到目标文言文语音的步骤，包括：

S31：将所述待处理的文言文文本输入文言文韵律情感学习模型进行韵律情感学习，得到文言文韵律情感学习结果，将所述待处理的文言文文本输入音节转换模型进行音节序列转换，得到音节序列数据，将所述文言文韵律情感学习结果和所述音节序列数据输入文言文语音特征预测模型进行语音特征预测，得到文言文语音特征预测结果，将所述文言文语音特征预测结果输入文言文语音合成模型进行语音合成，得到目标文言文语音；

所述根据所述待处理的白话文文本进行语音生成，得到目标白话文语音的步骤，包括：

S41：将所述待处理的白话文文本输入白话文韵律情感学习模型进行韵律情感学习，得到白话文韵律情感学习结果，将所述白话文韵律情感学习结果输入白话文语音特征预测模型进行语音特征预测，得到白话文语音特征预测结果，将所述白话文语音特征预测结果输入白话文语音合成模型进行语音合成，得到目标白话文语音。

因白话文转换为文言文需要考虑诸如文言文韵律、对仗工整等诸多方面，文言文语音合成更是需要把握语音节奏、韵律等方面，本实施例实现将文言文进行韵律情感学习和音节序列转换之后进行语音特征预测，将白话文进行韵律情感学习之后进行语音特征预测，从而提高了目标文言文语音的准确性，也提高了目标白话文语音的准确性。

对于S31，首先将所述待处理的文言文文本输入文言文韵律情感学习模型进行韵律情感学习，将韵律情感学习的得到的数据作为文言文韵律情感学习结果，并且，将所述待处理的文言文文本输入音节转换模型进行音节序列转换，将音节序列转换得到的数据作为音节序列数据，然后将所述文言文韵律情感学习结果和所述音节序列数据同时输入文言文语音特征预测模型进行语音特征预测，将语音特征预测得到的数据作为文言文语音特征预测结果，最后将所述文言文语音特征预测结果输入文言文语音合成模型进行语音合成，将语音合成得到的语音作为目标文言文语音。通过所述文言文韵律情感学习结果和所述音节序列数据同时进行语音特征预测，使提取的语音特征更能体现文言文的语音节奏、韵律，从而提高了目标文言文语音的准确性。

文言文韵律情感学习模型用于对文言文进行韵律情感的学习，从而使最终合成的语音更符合人们读文言文的韵律节奏。文言文韵律情感学习模型是基于预训练Bert模型和softmax层(分类输出层)训练得到的模型。可以理解的是，文言文韵律情感学习模型还可以采用其他网络训练得到，在此不做具体限定。

音节转换模型用于将文言文进行转换为拼音、音节拆分、生成音节序列。音节转换模型是基于G2P(单词到音素)模型训练得到的模型。可以理解的是，音节转换模型还可以采用其他网络训练得到，在此不做具体限定。

文言文语音特征预测模型用于对文言文的韵律情感和音节序列进行语音特征的预测。文言文语音特征预测模型是基于Tacotron2(声谱预测网络)训练得到的模型。可以理解的是，文言文语音特征预测模型还可以采用其他网络训练得到，在此不做具体限定。

文言文语音合成模型用于将文言文的语音特征转换为语音。文言文语音合成模型是基于WaveGlow(WaveGlow是基于流的网络,可以从梅尔频谱生成高质量的语音,其中梅尔频谱是声音的声学时频表示)的声码器训练得到的模型。可以理解的是，文言文语音合成模型还可以采用其他网络训练得到，在此不做具体限定。

对于S41，首先将所述待处理的白话文文本输入白话文韵律情感学习模型进行韵律情感学习，将韵律情感学习的得到的数据作为白话文韵律情感学习结果，然后将所述白话文韵律情感学习结果输入白话文语音特征预测模型进行语音特征预测，将语音特征预测得到的数据白话文语音特征预测结果，最后将所述白话文语音特征预测结果输入白话文语音合成模型进行语音合成，将语音合成得到的语音作为目标白话文语音。通过对所述白话文韵律情感学习结果进行语音特征预测，使提取的语音特征更能体现白话文的韵律，从而提高了目标文言文语音的准确性。

白话文韵律情感学习模型用于对白话文进行韵律情感的学习，从而使最终合成的语音更符合人们读白话文的韵律节奏。白话文韵律情感学习模型是基于预训练Bert模型和softmax层训练得到的模型。可以理解的是，白话文韵律情感学习模型还可以采用其他网络训练得到，在此不做具体限定。

白话文语音特征预测模型用于对白话文的韵律情感进行语音特征的预测。白话文语音特征预测模型是基于Tacotron2训练得到的模型。可以理解的是，白话文语音特征预测模型还可以采用其他网络训练得到，在此不做具体限定。

白话文语音合成模型用于将白话文的语音特征转换为语音。白话文语音合成模型是基于WaveGlow的声码器训练得到的模型。可以理解的是，白话文语音合成模型还可以采用其他网络训练得到，在此不做具体限定。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S211：获取多个第一训练样本，所述多个第一训练样本中每个第一训练样本包括：原始文本样本和语言标定值；

S212：采用所述多个第一训练样本，对第一初始模型进行训练，将训练结束的所述第一初始模型作为所述白话文与文言文判断模型；

其中，所述第一初始模型依次包括：第一词向量生成模块和二分类模块，所述第一词向量生成模块是基于预训练Bert模型得到的模块，所述二分类模块采用线性层和Sigmoid激活函数。

本实施例实现了基于预训练Bert模型和二分类器训练得到的白话文与文言文判断模型，从而实现了对语言类别进行准确判断。

对于S211，可以从数据库中获取多个第一训练样本，也可以获取用户输入的多个第一训练样本，还可以从第三方应用系统中获取多个第一训练样本。

每个第一训练样本包括一个原始文本样本和一个语言标定值。

原始文本样本，可以是白话文的文本数据，也可以是文言文的文本数据。

在同一个第一训练样本中，语言标定值是对原始文本样本的语言类别的标定结果。

对于S212，将第一训练样本的原始文本样本输入所述第一初始模型的第一词向量生成模块进行词向量生成，得到词向量预测值；采用所述第一初始模型的二分类模块，根据所述词向量预测值进行语言类别分类预测，得到语言类别预测值；根据所述语言类别预测值和所述语言标定值对第一初始模型进行训练，将训练结束的所述第一初始模型作为所述白话文与文言文判断模型。

根据所述语言类别预测值和所述语言标定值对第一初始模型进行训练的方法步骤在此不做赘述。

Sigmoid激活函数，具有非常好的对称性，该函数对输入超过一定范围就会不敏感，该函数输出的数据在0和1之间。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S221：获取多个第二训练样本，所述多个第二训练样本中每个第二训练样本包括：第一白话文文本样本和文言文标定值；

S222：获取第二初始模型作为文言文翻译初始模型，采用所述多个第二训练样本，对所述文言文翻译初始模型进行训练，将训练结束的所述文言文翻译初始模型作为所述文言文翻译模型；

S223：获取多个第三训练样本，所述多个第三训练样本中每个第三训练样本包括：第一文言文文本样本和白话文标定值；

S224：获取所述第二初始模型作为白话文翻译初始模型，采用所述多个第三训练样本，对所述白话文翻译初始模型进行训练，将训练结束的所述白话文翻译初始模型作为所述白话文翻译模型；

其中，所述第二初始模型是基于Transformer网络得到的模型，所述Transformer网络包括：编码组件和解码组件，所述编码组件包括6个编码器，所述解码组件包括6个解码器。

本实施例实现了基于Transformer网络训练得到的文言文翻译模型和白话文翻译模型，文言文翻译模型和白话文翻译模型采用相同的模型结构，采用不同的训练样本训练，使文言文翻译模型和白话文翻译模型的参数的值不同，从而提高了翻译的准确性，提高了语音合成的准确性。

对于S221，可以从数据库中获取多个第二训练样本，也可以获取用户输入的多个第二训练样本，还可以从第三方应用系统中获取多个第二训练样本。

每个第二训练样本包括一个第一白话文文本样本和一个文言文标定值。

第一白话文文本样本，也就是白话文的文本数据。

在同一个第二训练样本中，文言文标定值是对第一白话文文本样本转换为文言文的标定结果。

对于S222，可以从数据库中获取第二初始模型，也可以获取用户输入的第二初始模型，还可以从第三方应用系统中获取第二初始模型。

采用所述多个第二训练样本，对所述文言文翻译初始模型进行训练的方法在此不做赘述。

对于S223，可以从数据库中获取多个第三训练样本，也可以获取用户输入的多个第三训练样本，还可以从第三方应用系统中获取多个第三训练样本。

每个第三训练样本包括一个第一文言文文本样本和一个白话文标定值。

第一文言文文本样本，也就是文言文的文本数据。

在同一个第三训练样本中，白话文标定值是对第一文言文文本样本转换为白话文的标定结果。

对于S224，可以从数据库中获取第二初始模型，也可以获取用户输入的第二初始模型，还可以从第三方应用系统中获取第二初始模型。

采用所述多个第三训练样本，对所述白话文翻译初始模型进行训练的方法在此不做赘述。

编码组件中6个编码器的结构相同，6个编码器之间没有共享参数。编码器依次包括：自注意力层和前馈神经网络，其中，自注意力层用于帮助编码器在对每个单词进行编码时同时关注到输入的句子的其他单词，前馈神经网络用于学习特征。

解码组件依次包括：自注意力层、编码-解码注意力层和前馈神经网络，其中，自注意力层用于关注更适合的特征以对特征分配权重，编码-解码注意力层用于关注输入句子的相关部分，前馈神经网络用于进行特征融合。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S231：获取多个第四训练样本，所述多个第四训练样本中每个第四训练样本包括：第二文言文文本样本和文言文韵律情感标定值；

S232：获取第三初始模型作为文言文韵律情感学习初始模型，采用所述多个第四训练样本和多任务学习方法，对所述文言文韵律情感学习初始模型进行训练，将训练结束的所述文言文韵律情感学习初始模型作为所述文言文韵律情感学习模型；

S233：获取多个第五训练样本，所述多个第五训练样本中每个第五训练样本包括：第二白话文文本样本和白话文韵律情感标定值；

S234：获取所述第三初始模型作为白话文韵律情感学习初始模型，采用所述多个第五训练样本和所述多任务学习方法，对所述白话文韵律情感学习初始模型进行训练，将训练结束的所述白话文韵律情感学习初始模型作为所述白话文韵律情感学习模型；

其中，所述第三初始模型包括：第二词向量生成模块、韵律词边界预测模块、韵律短语边界预测模块、语调短语边界预测模块和字在词位置预测模块，所述第二词向量生成模块分别与所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块和所述字在词位置预测模块连接，所述第二词向量生成模块是基于预训练Bert模型得到的模块，所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块和所述字在词位置预测模块均采用softmax层。

本实施例实现了基于预训练Bert模型和softmax层训练得到韵律情感学习模型，文言文韵律情感学习模型和白话文韵律情感学习模型采用相同的模型结构，采用不同的训练样本训练，使文言文韵律情感学习模型和白话文韵律情感学习模型的参数的值不同，从而提高了韵律情感学习的准确性，提高了语音合成的准确性。

对于S231，可以从数据库中获取多个第四训练样本，也可以获取用户输入的多个第四训练样本，还可以从第四方应用系统中获取多个第四训练样本。

每个第四训练样本包括一个第二文言文文本样本和一个文言文韵律情感标定值。

第二文言文文本样本，也就是文言文的文本数据。

文言文韵律情感标定值包括：文言文韵律词边界标定值、文言文韵律短语边界标定值、文言文语调短语边界标定值和文言文字在词位置标定值。

在同一个第四训练样本中，文言文韵律情感标定值是对第二文言文文本样本的韵律情感的标定结果。文言文韵律词边界标定值是第二文言文文本样本中每个字对应的韵律词边界的标定结果，韵律词边界包括：NB、B、O，NB是指非韵律词边界边界，B是代表韵律词边界，O代表句子中的停止符号[SEP]。文言文韵律短语边界标定值第二文言文文本样本中每个字对应的韵律短语边界的标定结果，韵律短语边界包括：NB、B、O，NB是指非韵律短语边界，B是代表韵律短语边界，O代表句子中的停止符号[SEP]。文言文语调短语边界标定值第二文言文文本样本中每个字对应的语调短语边界的标定结果，语调短语边界包括：NB、B、O，NB是指非语调短语边界，B是代表语调短语边界，O代表句子中的停止符号[SEP]。文言文字在词位置标定值第二文言文文本样本中每个字在词中对应的位置的标定结果，字在词位置包括：开头、中间、结束和单字。比如，第二文言文文本样本中总共有6个字，文言文韵律词边界标定值标识为[NB NB B NB B O]，在此举例不做具体限定。

在同一个第四训练样本中，第二文言文文本样本、文言文韵律词边界标定值、文言文韵律短语边界标定值、文言文语调短语边界标定值和文言文字在词位置标定值中每个标定值的序列长度相同。

对于S232，可以从数据库中获取第三初始模型，也可以获取用户输入的第三初始模型，还可以从第四方应用系统中获取第三初始模型。

在采用所述多个第四训练样本和多任务学习方法对所述文言文韵律情感学习初始模型进行训练时是四个任务同时预测，四个任务分别是所述文言文韵律情感学习初始模型的韵律词边界预测模块、韵律短语边界预测模块、语调短语边界预测模块、字在词位置预测模块。

其中，将第四训练样本输入所述文言文韵律情感学习初始模型进行韵律情感学习，获得所述文言文韵律情感学习初始模型的韵律词边界预测模块输出的文言文韵律词边界预测值，获得所述文言文韵律情感学习初始模型的韵律短语边界预测模块输出的文言文韵律短语边界预测值，获得所述文言文韵律情感学习初始模型的语调短语边界预测模块输出的文言文语调短语边界预测值，获得所述文言文韵律情感学习初始模型的字在词位置预测模块输出的文言文字在词位置预测值，根据文言文韵律词边界预测值和文言文韵律词边界标定值输入第一损失函数得到第一损失值，根据文言文韵律短语预测值和文言文韵律短语标定值输入第二损失函数得到第二损失值，根据文言文语调短语边界预测值和文言文语调短语边界标定值输入第三损失函数得到第三损失值，根据文言文字在词位置预测值和文言文字在词位置标定值输入第四损失函数得到第四损失值，将第一损失值、第二损失值、第三损失值、第四损失值进行相加得到第一目标损失值，根据第一目标损失值更新所述文言文韵律情感学习初始模型的参数。第一损失函数、第二损失函数、第三损失函数、第四损失函数均采用交叉熵损失函数。

根据第一目标损失值更新所述文言文韵律情感学习初始模型的参数的方法在此不做赘述。

对于S233，可以从数据库中获取多个第五训练样本，也可以获取用户输入的多个第五训练样本，还可以从第四方应用系统中获取多个第五训练样本。

每个第五训练样本包括一个第二白话文文本样本和一个白话文韵律情感标定值。

第二白话文文本样本，也就是白话文的文本数据。

白话文韵律情感标定值包括：白话文韵律词边界标定值、白话文韵律短语边界标定值、白话文语调短语边界标定值和白话文字在词位置标定值。

在同一个第五训练样本中，白话文韵律情感标定值是对第二白话文文本样本的韵律情感的标定结果。

在同一个第五训练样本中，第二白话文文本样本、白话文韵律词边界标定值、白话文韵律短语边界标定值、白话文语调短语边界标定值和白话文字在词位置标定值中每个标定值的序列长度相同。

对于S234，可以从数据库中获取第三初始模型，也可以获取用户输入的第三初始模型，还可以从第四方应用系统中获取第三初始模型。

在采用所述多个第五训练样本和多任务学习方法对所述白话文韵律情感学习初始模型进行训练时是四个任务同时预测，四个任务分别是所述白话文韵律情感学习初始模型的韵律词边界预测模块、韵律短语边界预测模块、语调短语边界预测模块、字在词位置预测模块。通过多任务学习方法减少占用的内存，而且通过多任务学习方法能有效的建模各个任务的相关关系。

其中，将第五训练样本输入所述白话文韵律情感学习初始模型进行韵律情感学习，获得所述白话文韵律情感学习初始模型的韵律词边界预测模块输出的白话文韵律词边界预测值，获得所述白话文韵律情感学习初始模型的韵律短语边界预测模块输出的白话文韵律短语边界预测值，获得所述白话文韵律情感学习初始模型的语调短语边界预测模块输出的白话文语调短语边界预测值，获得所述白话文韵律情感学习初始模型的字在词位置预测模块输出的白话文字在词位置预测值，根据白话文韵律词边界预测值和白话文韵律词边界标定值输入第五损失函数得到第五损失值，根据白话文韵律短语预测值和白话文韵律短语标定值输入第六损失函数得到第六损失值，根据白话文语调短语边界预测值和白话文语调短语边界标定值输入第七损失函数得到第七损失值，根据白话文字在词位置预测值和白话文字在词位置标定值输入第八损失函数得到第八损失值，将第五损失值、第六损失值、第七损失值、第八损失值进行相加得到第二目标损失值，根据第二目标损失值更新所述白话文韵律情感学习初始模型的参数。第五损失函数、第六损失函数、第七损失函数、第八损失函数均采用交叉熵损失函数。

根据第二目标损失值更新所述白话文韵律情感学习初始模型的参数的方法在此不做赘述。

其中，所述第二词向量生成模块分别与所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块和所述字在词位置预测模块连接，也就是说，所述第二词向量生成模块输出数据给所述韵律词边界预测模块，所述第二词向量生成模块输出数据给所述韵律短语边界预测模块，所述第二词向量生成模块输出数据给所述语调短语边界预测模块，所述第二词向量生成模块输出数据给所述字在词位置预测模块。

因韵律词与韵律短语是建立在语法词的基础上的，以字为建模单位虽然可以避免对前端分词系统的依赖及其造成的负面影响，但是使模型内缺乏词边界的信息，增加了建模的难度，因此本申请引入字在词位置预测模块，以通过共享隐含层中的高级特征在韵律边界预测任务中获得词边界的信息，在所述第二词向量生成模块分别、所述韵律词边界预测模块、所述韵律短语边界预测模块、所述语调短语边界预测模块形成的韵律情感预测框架的基础上加入一个softmax层(也就是字在词位置预测模块)判断每个字在词中位置。也就是说，字在词位置预测模块预测的是字在词中的位置。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S241：获取多个第六训练样本，所述多个第六训练样本中每个第六训练样本包括：第三文言文文本样本和音节序列标定值；

S242：采用所述多个第六训练样本，对音节转换初始模型进行训练，将训练结束的所述音节转换初始模型作为所述音节转换模型；

其中，所述音节转换初始模型包括：拼音转换模块和音节拆分模块，所述拼音转换模块是基于G2P模型得到的模块，所述音节拆分模块依次包括：音节拆分子模块和序列输出子模块。

本实施例实现了基于G2P模型训练得到音节转换初始模型，从而实现了对文言文进行转换为拼音、音节拆分、生成音节序列。

对于S241，可以从数据库中获取多个第六训练样本，也可以获取用户输入的多个第六训练样本，还可以从第三方应用系统中获取多个第六训练样本。

每个第六训练样本包括一个第三文言文文本样本和一个音节序列标定值。

第三文言文文本样本，是文言文的文本数据。

在同一个第六训练样本中，音节序列标定值是对第三文言文文本样本的音节序列的标定结果。

比如，第三文言文文本样本为“中国大学”，“中国大学”的拼音序列为“zhong1guo2da4xue2”,音节序列标定值为[zh,ong1,g,uo2d,a4,x,ue2],在此举例不做具体限定。

对于S242，采用所述多个第六训练样本，对音节转换初始模型进行训练，的方法在此不做赘述。

可以理解的是，拼音转换模块将每个字的声调放在拼音的最末尾。比如，“中”经过拼音转换模块得到“zhong1”，在此举例不做具体限定。

音节拆分子模块，根据声母韵母表，将输入的拼音序列拆分成音节。音节可以是声母，也可以是韵母，还可以是韵母和声调的组合。比如，“zhong1”拆分成音节得到[zh,ong1]，在此举例不做具体限定。

音节拆分模块，用于根据输入音节拆分模块的拼音的顺序，将音节拆分子模块输出的音节组成一个序列。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S251：获取多个第七训练样本，所述多个第七训练样本中每个第七训练样本包括：文言文韵律情感样本、音节序列样本和文言文语音特征标定值；

S252：获取第四初始模型作为文言文语音特征预测初始模型，采用所述多个第七训练样本，对所述文言文语音特征预测初始模型进行训练，将训练结束的所述文言文语音特征预测初始模型作为所述文言文语音特征预测模型；

S253：获取多个第八训练样本，所述多个第八训练样本中每个第八训练样本包括：白话文韵律情感样本和白话文语音特征标定值；

S254：获取所述第四初始模型作为白话文语音特征预测初始模型，采用所述多个第八训练样本，对所述白话文语音特征预测初始模型进行训练，将训练结束的所述白话文语音特征预测初始模型作为所述白话文语音特征预测模型；

其中，所述第四初始模型包括：输入模块、语音特征预测模块，所述输入模块用于进行一维向量拼接，所述语音特征预测模块是基于Tacotron2得到的模块。

本实施例基于Tacotron2的声码器训练得到语音特征预测模型，文言文语音特征预测模型和白话文语音特征预测模型采用相同的模型结构，采用不同的训练样本训练，使文言文语音特征预测模型和白话文语音特征预测模型的参数的值不同，从而提高了语音特征预测的准确性，提高了语音合成的准确性。

对于S251，可以从数据库中获取多个第七训练样本，也可以获取用户输入的多个第七训练样本，还可以从第三方应用系统中获取多个第七训练样本。

每个第七训练样本包括一个文言文韵律情感样本、一个音节序列样本和一个文言文语音特征标定值。

文言文韵律情感样本，是文言文的韵律情感。

音节序列样本，是文言文的音节序列。

在同一个第七训练样本中，文言文语音特征标定值是对文言文韵律情感样本和音节序列样本对应文本数据的语音特征的标定结果。

对于S252，可以从数据库中获取第四初始模型，也可以获取用户输入的第四初始模型，还可以从第三方应用系统中获取第四初始模型。

采用所述多个第七训练样本，对所述文言文语音特征预测初始模型进行训练的方法步骤在此不做赘述。

对于S253，可以从数据库中获取多个第八训练样本，也可以获取用户输入的多个第八训练样本，还可以从第三方应用系统中获取多个第八训练样本。

每个第八训练样本包括一个白话文韵律情感样本和一个白话文语音特征标定值。

白话文韵律情感样本，是白话文的韵律情感。

在同一个第八训练样本中，白话文语音特征标定值是对白话文韵律情感样本对应的文本数据的语音特征的标定结果。

对于S254，可以从数据库中获取第四初始模型，也可以获取用户输入的第四初始模型，还可以从第三方应用系统中获取第四初始模型。

采用所述多个第八训练样本，对所述白话文语音特征预测初始模型进行训练的方法步骤在此不做赘述。

因为需要将文言文韵律情感样本、音节序列样本同时输入文言文语音特征预测初始模型，因此对文言文语音特征预测初始模型采用独立的输入模块，将Tacotron2的去掉输入层后作为所述语音特征预测模块。

所述输入模块用于进行一维向量拼接，也就是说，在对所述文言文语音特征预测初始模型进行训练时，所述输入模块将输入的文言文韵律情感样本、音节序列样本拼接成一个一维向量。

在一个实施例中，上述将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果的步骤之前，还包括：

S261：获取多个第九训练样本，所述多个第九训练样本中每个第九训练样本包括：文言文语音特征样本和文言文语音标定值；

S262：获取第五初始模型作为文言文语音合成初始模型，采用所述多个第九训练样本，对所述文言文语音合成初始模型进行训练，将训练结束的所述文言文语音合成初始模型作为所述文言文语音合成模型；

S263：获取多个第十训练样本，所述多个第十训练样本中每个第十训练样本包括：白话文语音特征样本和白话文语音标定值；

S264：获取所述第五初始模型作为白话文语音合成初始模型，采用所述多个第十训练样本，对所述白话文语音合成初始模型进行训练，将训练结束的所述白话文语音合成初始模型作为所述白话文语音合成模型；

其中，所述第五初始模型是基于采用WaveGlow的声码器得到的模型。

本实施例基于WaveGlow的声码器训练得到语音合成模型，文言文语音合成模型和白话文语音合成模型采用相同的模型结构，采用不同的训练样本训练，使文言文语音合成模型和白话文语音合成模型的参数的值不同，从而提高了语音合成的准确性，提高了语音合成的准确性。

对于S261，可以从数据库中获取多个第九训练样本，也可以获取用户输入的多个第九训练样本，还可以从第三方应用系统中获取多个第九训练样本。

每个第九训练样本包括一个文言文语音特征样本和一个文言文语音标定值。

文言文语音特征样本，是白话文的语音特征。

在同一个第九训练样本中，文言文语音标定值是对文言文语音特征样本的语音合成的标定结果。

对于S262，可以从数据库中获取第五初始模型，也可以获取用户输入的第五初始模型，还可以从第三方应用系统中获取第五初始模型。

采用所述多个第九训练样本，对所述文言文语音合成初始模型进行训练的方法步骤在此不做赘述。

对于S263，可以从数据库中获取多个第十训练样本，也可以获取用户输入的多个第十训练样本，还可以从第三方应用系统中获取多个第十训练样本。

每个第十训练样本包括一个白话文语音特征样本和一个白话文语音标定值。

白话文语音特征样本，是白话文的语音特征。

在同一个第十训练样本中，白话文语音标定值是对白话文语音特征样本的语音合成的标定结果。

对于S264，可以从数据库中获取第五初始模型，也可以获取用户输入的第五初始模型，还可以从第三方应用系统中获取第五初始模型。

采用所述多个第十训练样本，对所述白话文语音合成初始模型进行训练的方法步骤在此不做赘述。

参照图2，本申请还提出了一种白话文与文言文互译及语音合成装置，所述装置包括：

文本获取模块100，用于获取目标文本；

语言判断模块200，用于将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；

目标文言文语音确定模块300，用于当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；

目标白话文语音确定模块400，用于当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

本实施例通过获取目标文本，将目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果，当语言判断结果为白话文时，将目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据待处理的文言文文本进行语音生成，得到目标文言文语音，当语言判断结果为文言文时，将目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据待处理的白话文文本进行语音生成，得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存白话文与文言文互译及语音合成方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种白话文与文言文互译及语音合成方法。所述白话文与文言文互译及语音合成方法，包括：获取目标文本；将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

本实施例通过获取目标文本，将目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果，当语言判断结果为白话文时，将目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据待处理的文言文文本进行语音生成，得到目标文言文语音，当语言判断结果为文言文时，将目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据待处理的白话文文本进行语音生成，得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

本申请一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，计算机程序被处理器执行时实现一种白话文与文言文互译及语音合成方法包括步骤：获取目标文本；将所述目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果；当所述语言判断结果为白话文时，将所述目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据所述待处理的文言文文本进行语音生成，得到目标文言文语音；当所述语言判断结果为文言文时，将所述目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据所述待处理的白话文文本进行语音生成，得到目标白话文语音。

上述执行的白话文与文言文互译及语音合成方法，通过获取目标文本，将目标文本输入白话文与文言文判断模型进行语言判断，得到语言判断结果，当语言判断结果为白话文时，将目标文本输入文言文翻译模型进行文言文翻译，得到待处理的文言文文本，根据待处理的文言文文本进行语音生成，得到目标文言文语音，当语言判断结果为文言文时，将目标文本输入白话文翻译模型进行白话文翻译，得到待处理的白话文文本，根据待处理的白话文文本进行语音生成，得到目标白话文语音，从而实现了自动化进行白话文与文言文互译及语音合成，不需要用户判断语言类别，提高了用户体验。

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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。