语音合成方法、装置、电子设备及存储介质

技术领域

本公开涉及语音合成技术领域，尤其涉及一种语音合成方法、装置、电子设备及存储介质。

背景技术

随着语音合成技术的不断发展和完善，语音合成技术被广泛应用于各个领域。在相关技术的语音合成方法中，通过使用高质量录音数据对声学模型进行训练，使其能对用户输入的任意文本进行语音合成，但是合成后的语音仅能使用模型中预设的目标发音人的语音属性，用户无法自由控制合成语音的语音属性。

发明内容

有鉴于此，本公开提供一种语音合成方法、装置、电子设备及存储介质，可以自由控制合成的目标语音的语音属性。

第一方面，提供一种语音合成方法，包括：获取待合成文本和与待合成文本对应的声音描述信息，声音描述信息用于示出与待合成文本对应的目标语音的语音属性；提取声音描述信息中的声音特征；根据待合成文本和声音特征，合成目标语音。

在一些实施例中，语音属性包括语音的音色和韵律。

在一些实施例中，声音描述信息包括声音描述文本和/或声音描述语音，声音描述文本包括描述目标语音的音色和韵律的文本数据，声音描述语音包括与目标语音的音色和韵律相同的语音数据。

在一些实施例中，声音特征包括文本语义特征和/或语音属性特征；提取声音描述信息中的声音特征，包括：将声音描述文本输入文本提取模型，得到文本语义特征；和/或将声音描述语音输入语音提取模型，得到语音属性特征；语音提取模型基于语音训练数据训练得到，文本提取模型基于对语音训练数据中音色和韵律进行描述的描述文本训练得到。

在一些实施例中，语音合成方法还包括：在文本提取模型和语音提取模型的训练过程中，对文本提取模型和语音提取模型进行双向对比学习，以使文本语义特征的表征空间与语音属性特征的表征空间对齐。

在一些实施例中，根据待合成文本和声音特征，合成目标语音，包括：将待合成文本输入声学模型，并结合声音特征，合成目标语音；声学模型基于语音样本和与语音样本对应的文本样本训练得到。

在一些实施例中，声学模型的训练过程，包括：基于语音提取模型，提取语音样本的语音属性特征；将语音样本的语音属性特征与文本样本输入声学模型，合成与文本样本对应的目标训练语音；基于语音提取模型，提取目标训练语音的语音属性特征；对语音样本的语音属性特征和目标训练语音的语音属性特征进行一致性约束，以完成声学模型的训练。

在一些实施例中，声学模型包括编码器和解码器；将待合成文本输入声学模型，并结合声音特征，合成目标语音，包括：将待合成文本输入编码器，得到待合成文本的文本编码特征；将文本编码特征结合声音特征共同输入解码器，得到目标语音。

第二方面，提供一种语音合成装置，包括：获取模块，用于获取待合成文本和与待合成文本对应的声音描述信息，声音描述信息用于示出与待合成文本对应的目标语音的语音属性；提取模块，用于提取声音描述信息中的声音特征；合成模块，用于根据待合成文本和声音特征，合成目标语音。

第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述第一方面的方法。

第四方面，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上述第一方面的方法。

本公开实施例提供的语音合成方法，通过获取待合成文本和与待合成文本对应的声音描述信息，随后提取声音描述信息中的声音特征，即可根据待合成文本和声音特征，合成目标语音。由于本公开实施例中的声音描述信息可以示出与待合成文本对应的目标语音的语音属性，因此通过修改声音描述信息，即可实现对目标语音的语音属性的自由控制，从而合成具有任意指定语音属性的语音，提升了语音合成的自由度。

附图说明

图1示出本公开实施例中一种语音合成方法的系统架构示意图。

图2示出本公开实施例中一种语音合成方法的流程示意图。

图3示出本公开实施例中文本提取模型和语音提取模型的训练过程示意图。

图4示出本公开实施例中声学模型的训练过程示意图。

图5示出本公开实施例中基于声学模型进行语音合成的具体过程示意图。

图6示出本公开实施例中一种语音合成装置的结构示意图。

图7示出本公开实施例中一种电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

随着近年来技术效果提升，语音合成被广泛应用于智能助手、音箱、车载、小说、阅读等场景，这些开放领域的合成需求，对语音合成系统的控制力和多样性提出了新的要求。相关技术中的语音合成系统仅使用高质量录音数据进行训练，用户虽然能对待合成文本进行自由合成，但是只能对合成语音中的语音属性进行有限的控制，即从多种预设的语音属性中进行选择，无法自由地控制语音的语音属性。

因此，相关技术中的语音合成方法通常难以同时满足各个应用场景的需求，每当需要加入新的韵律和音色时，即需要对语音合成模型重新进行训练。

有鉴于此，本公开提供的方案，通过获取待合成文本和与待合成文本对应的声音描述信息，提取声音描述信息中的声音特征，进而能够根据待合成文本和声音特征，合成目标语音。由于声音描述信息可以示出与待合成文本对应的目标语音的语音属性，因此本公开实施例能够基于声音描述信息，合成具有任意指定语音属性的语音，提升了语音合成的自由度。

本公开实施例提供了一种语音合成方法、装置、电子设备及存储介质。该语音合成装置具体可以集成在电子设备中，该电子设备可以是终端或服务器等设备。

可以理解的是，本实施例的语音合成方法可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本公开的限制。

示例性地，图1示出了可以应用于本公开实施例的语音合成方法或语音合成装置的示例性系统架构示意图。

如图1所示，该系统架构100包括终端101和服务器102。终端101与服务器102之间通过网络连接，比如，通过有线或无线网络连接等，其中，语音合成装置可以集成在服务器中。

服务器102，可以用于：获取待合成文本和与待合成文本对应的声音描述信息；提取声音描述信息中的声音特征；根据待合成文本和声音特征，合成目标语音。其中，声音描述信息可以示出与待合成文本对应的目标语音的语音属性。

服务器102可以是单台服务器，也可以是由多个服务器组成的服务器集群或云服务器。例如，服务器可以为多个异构系统之间的互通服务器或者后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。如本公开所公开的语音合成方法或装置，其中多个服务器可组成为一区块链，而服务器为区块链上的节点。

终端101可以向服务器102发送待合成文本以及声音描述信息，或是接收服务器102生成的目标语音。其中，终端101可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC，Personal Computer)等。终端101上还可以设置客户端，该客户端可以是应用程序客户端或者浏览器客户端等等。

此外，上述服务器102生成目标语音的步骤，也可以由终端101执行。

本领域技术人员可以知晓，图1中示出的终端和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端和服务器，本公开对此不做限制。

下面将结合附图及实施例对本示例实施方式进行详细说明。

首先，本公开实施例中提供了一种语音合成方法，该方法可以由任意具备计算处理能力的电子设备执行。

图2示出本公开实施例中一种语音合成方法的流程示意图，如图2所示，本公开实施例中提供的语音合成方法包括如下步骤。

S201，获取待合成文本和与待合成文本对应的声音描述信息。

需要说明的是，语音中包含的语音属性可以分为三部分：文本内容、音色、韵律。其中，文本内容传递的是语音中的文本信息；音色是语音中发音人本身属性相关的信息，包括发音人的性别、年龄、方言口音、声音特点等；韵律是语音中发音人说话状态相关的信息，包括发音人说话时的情绪、停顿等。相关技术中的语音合成方法主要实现的是对文本内容以及有限的音色、韵律的控制，本公开提供的方法可以实现对语音中包含的文本内容、音色及韵律的自由控制。

在一些实施例中，待合成文本可以是任意形式的文本数据，用于控制与待合成文本对应的目标语音中的文本内容。

在一些实施例中，声音描述信息可以示出目标语音的语音属性。当然，声音描述信息还可以示出目标语音中的其他信息，例如，声纹信息，从而更好的模拟特定发音人的声音。

具体地，声音描述信息可以是声音描述文本，可以是声音描述语音，也可以同时采用声音描述文本和声音描述语音。其中，声音描述文本可以包含描述目标语音的音色和韵律的文本数据，例如，“一个可爱的四川小女孩，高兴地说”。声音描述语音可以包含与目标语音的音色和韵律相同的语音数据，例如，可爱的四川小女孩高兴地说出的任意语音。此外，当声音描述信息中记录有特定发音人的声纹信息时，声音描述文本可以以该特定发音人的姓名示出，声音描述语音可以是该特定发音人的语音数据。

在一些应用场景中，待合成文本和声音描述信息均可由用户自由输入，从而使本公开可以针对任意文本内容，以任意的音色和韵律将其合成为语音。

S202，提取声音描述信息中的声音特征。

需要说明的是，声音特征是声音描述信息的特征化表示。

示例性地，当声音描述信息为声音描述文本时，通过预训练的文本提取模型，可以提取到声音描述文本的文本语义特征。当声音描述信息为声音描述语音时，通过预训练的语音提取模型，可以提取到声音描述语音的语音属性特征。其中，语音提取模型基于语音训练数据训练得到，文本提取模型基于对语音训练数据中音色和韵律进行描述的描述文本训练得到。

由于文本提取模型和语音提取模型在训练过程中使用双向对比学习，因此文本语义特征的表征空间与语音属性特征的表征空间可以预先对齐，即不论通过描述指定音色和韵律的声音描述文本，还是通过包含指定音色和韵律的声音描述语音，均可使合成后得到的目标语音具有指定音色和韵律。也就是说，将描述同一种音色和韵律的声音描述文本或声音描述语音分别用于语音合成，可以得到相同音色和韵律的合成结果，即声音描述信息的类型对语音合成的结果不具有影响。

S203，根据待合成文本和声音特征，合成目标语音。

在一些实施例中，目标语音可以基于预训练的声学模型合成，该声学模型基于预先采集的语音样本和与语音样本对应的文本样本训练得到。

具体地，将待合成文本输入声学模型，并结合声音特征，可以合成目标语音。

在一些实施例中，用于目标语音合成的声学模型可以包括编码器和解码器。上述合成目标语音的方式可以是：将待合成文本输入编码器，得到待合成文本的文本编码特征，随后将文本编码特征结合声音特征共同输入解码器，可以得到目标语音。

在一些实施例中，声学模型的输出可能是频谱信息，例如，梅尔频谱。此时，借由神经声音编码器(neural vocoder)，例如WaveRNN，可以将频谱信息转换为声音的时域波形，进而完成目标语音的合成。

本公开实施例提供的语音合成方法，通过获取待合成文本和与待合成文本对应的声音描述信息，随后提取声音描述信息中的声音特征，即可根据待合成文本和声音特征，合成目标语音。由于本公开实施例中的声音描述信息可以示出与待合成文本对应的目标语音的语音属性，因此通过修改声音描述信息，即可实现对目标语音的语音属性的自由控制，从而合成具有任意指定语音属性的语音，提升了语音合成的自由度。

以上结合图2详细介绍了本公开实施例提供的语音合成方法，下面将结合图3和图4，介绍以上语音合成方法中涉及的文本提取模型、语音提取模型以及声学模型的训练过程。

示例性地，图3示出了本公开实施例中文本提取模型和语音提取模型的训练过程示意图。

本公开中的文本提取模型和语音提取模型使用对比学习准则进行训练。具体地，首先获取用于模型训练的语音训练数据以及对语音训练数据中音色和韵律进行描述的描述文本，随后提取语音训练数据中的语音属性特征(characteristic code，c-code)和训练文本的文本语义特征(semantic code，s-code)，接下来将语音属性特征的表征空间和文本语义特征的表征空间通过双向对比学习进行对齐，从而完成文本提取模型和语音提取模型的训练。

具体地，针对文本提取模型和语音提取模型的训练，对语音训练数据的质量要求不高，但需要考虑对多种音色和韵律的覆盖。训练用的语音训练数据的获取来源可以通过录制获取或从网络上爬取。

示例性地，录制环境可采用专业录音棚或者安静的房间、会议室，录音设备可采用专业录音设备或手机等简易录音设备。网络爬取则需要使用降噪等手段，保证音频质量。

示例性地，语音训练数据需要覆盖多种不同的发音人的音色和韵律。音色包括：性别、年龄、口音、声音特点等。这里性别包括男女，年龄包括儿童、青少年、青年、中年、中老年、老年，口音包括全国各省市方言口音，声音特点包括磁性、温柔、甜美、沙哑、浑厚等。韵律指发音人的情绪和发音状态，情绪包括：高兴、悲伤、生气、害怕等常见情感，发音状态包括激动、平静、疲惫、困倦等常见状态。

在获取到语音训练数据后，通过对语音训练数据的韵律和音色进行标注，即可得到与语音训练数据对应的描述文本。

具体地，对语音训练数据的标注可以采用人工标注的方式，标注者需要同时标注上述音色和韵律，并可根据语音特点增加其他描述文本。

请继续参考图3，语音训练数据经过语音编码网络提取帧级声学信息后，依次通过池化(pooling)模块和投影(projection)模块，从而得到句子级的语音属性特征。这里的语音编码网络可以使用常见的Transformer、卷积神经网络(Convolutional NeuralNetworks，CNN)或长短期记忆(Long short-termmemory,LSTM)网络等，也可以使用wave2vec等其他预训练模型进行初始化。池化模块可以使用平均(average)池化、LSTM池化或注意力(attention)池化。投影模块可以使用线性层投影。

类似地，描述文本在经过文本编码网络提取上下文特征后，同样依次通过池化模块和投影模块，从而得到句子级文本语义特征。上述文本编码网络可以使用常见的Transformer、CNN、LSTM等，也可以使用BERT等其他预训练模型进行初始化。池化模块可以使用average池化，LSTM池化或者是attention池化。投影模块可以使用线性层投影。

在分别得到句子级文本语义特征和语音属性特征后，通过双向对比学习将两种特征的表征空间对齐。具体地，正向对比学习将文本语义特征作为锚点，语音属性特征当作正负例，可以采用InfoNCE loss进行训练，从而得到文本提取模型和语音提取模型的正向损失函数：

其中，s

类似的，以语音属性特征当作锚点，文本语义特征当作正负例，可以得到文本提取模型和语音提取模型的反向损失函数为：

反向损失函数表达的物理意义是，在全部文本语义特征中，c

最终，文本提取模型和语音提取模型的在训练过程中的损失函数L

L

示例性地，图4示出了本公开实施例中声学模型的训练过程示意图。

需要说明的是，本公开实施例中用于声学模型训练的语音样本，可以采用专业发音人在录音棚采用专业设备采集的高品质语音数据。此外，用于声学模型训练的语音样本同样需要覆盖多种不同发音人的音色和韵律。

需要说明的是，与语音样本对应的文本样本，可以是语音样本中包含的文本内容，即发音人在语音样本中朗读的文本内容。为了使文本样本能够用于声学模型的训练，在将文本样本输入声学模型前，可以对文本样本进行切分以及音素化处理等。由于对文本样本的处理与相关技术中对声学模型的处理类似，故本公开实施例对此不再赘述。

示例性地，本公开实施例在对声学模型训练的过程中，首先可以利用上述经过训练后的语音提取模型提取语音样本的语音属性特征，随后将语音样本对应的文本样本输入声学模型，并结合语音样本的语音属性特征，合成目标训练语音。根据目标训练语音和语音样本计算声学模型的损失函数L

需要说明的是，声学模型可以使用Tacotron、FastSpeech、Delightful TTS、VITS等，声学模型训练的损失函数L

具体地，将语音样本对应的文本样本输入声学模型，并结合语音样本的语音属性特征，合成目标训练语音的过程如下：首先将语音样本对应的文本样本经过声学模型编码器编码，得到文本样本编码，随后将文本样本编码结合语音样本的语音属性特征共同输入声学模型的解码器，从而合成目标训练语音。

请继续参照图4，为进一步提升语音系统对语音属性特征的控制力，可以在声学模型的训练过程中增加针对语音属性特征的一致性约束。

示例性地，将通过声学模型合成的目标训练语音输入到语音提取模型中，可以提取出目标训练语音的语音属性特征，从而通过约束目标训练语音的语音属性特征与语音样本的语音属性特征之间的一致性，进一步提升语音合成中对韵律和音色控制的准确性。

具体地，一致性约束可以通过计算目标训练语音的语音属性特征与语音样本的语音属性特征之间的距离实现，即在语音合成的损失中增加针对语音属性特征的损失函数L

L

其中，c

综上考虑以上各部分损失函数可知，在本公开实施例提供的语音合成方法中，最终训练损失函数L

L

其中，L

为便于理解，下面将结合图5，说明基于本公开实施例中的声学模型进行语音合成的具体过程。

图5示出了本公开实施例中基于声学模型进行语音合成的具体过程示意图。

如图5所示，本公开实施例在进行语音合成时，可以基于待合成文本和声音描述文本进行语音合成，也可以基于待合成文本和声音描述语音进行语音合成。当然，还可以同时结合声音描述文本和声音描述语音，对待合成文本进行语音合成。本公开实施例对此不作限定。

示例性地，在使用声音描述文本进行语音合成时，首先需要利用通过上述方式预训练的文本提取模型提取声音描述文本的文本语义特征，随后将文本语义特征结合经过声音模型编码器编码的待合成文本一起输入到声音模型的解码器中，从而合成目标语音。

示例性地，在使用声音描述语音进行语音合成时，首先需要利用通过上述方式预训练的语音提取模型提取声音描述语音的语音属性特征，随后将语音属性特征结合经过声音模型编码器编码的待合成文本一起输入到声音模型的解码器中，从而合成目标语音。

类似地，在同时结合声音描述文本和声音描述语音对待合成文本进行语音合成时，具体实施方式可参照上述单独使用声音描述文本或声音描述语音进行语音合成的实施方式，本公开实施例对此不再赘述。

在本公开实施例中，由于文本语义特征和语音属性特征的表征空间一致，因此尽管本公开中的声学模型是结合语音属性特征训练得到的，但在实际应用时还可通过抽取声音描述文本中的文本语义特征，通过文本语义特征使声学模型合成出具有指定音色和韵律的语音，进而提升了音色和韵律控制的便捷性。

基于同一发明构思，本公开实施例中还提供了一种语音合成装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图6示出本公开实施例中一种语音合成装置的结构示意图，如图6所示，该语音合成装置600包括：获取模块601、提取模块602和合成模块603。

具体地，获取模块601用于，获取待合成文本和与待合成文本对应的声音描述信息，声音描述信息用于示出与待合成文本对应的目标语音的语音属性。提取模块602用于，提取声音描述信息中的声音特征。合成模块603用于，根据待合成文本和声音特征，合成目标语音。

在一些实施例中，语音属性包括语音的音色和韵律。

在一些实施例中，声音描述信息包括声音描述文本和/或声音描述语音，声音描述文本包括描述目标语音的音色和韵律的文本数据，声音描述语音包括与目标语音的音色和韵律相同的语音数据。

在一些实施例中，声音特征包括文本语义特征和/或语音属性特征。提取模块602还用于，将声音描述文本输入文本提取模型，得到文本语义特征，和/或，将声音描述语音输入语音提取模型，得到语音属性特征。语音提取模型基于语音训练数据训练得到，文本提取模型基于对语音训练数据中音色和韵律进行描述的描述文本训练得到。

在一些实施例中，提取模块602还用于，在文本提取模型和语音提取模型的训练过程中，对文本提取模型和语音提取模型进行双向对比学习，以使文本语义特征的表征空间与语音属性特征的表征空间对齐。

在一些实施例中，合成模块603还用于，将待合成文本输入声学模型，并结合声音特征，合成目标语音；声学模型基于语音样本和与语音样本对应的文本样本训练得到。

在一些实施例中，合成模块603还用于，基于语音提取模型，提取语音样本的语音属性特征；将语音样本的语音属性特征与文本样本输入声学模型，合成与文本样本对应的目标训练语音；基于语音提取模型，提取目标训练语音的语音属性特征；对语音样本的语音属性特征和目标训练语音的语音属性特征进行一致性约束，以完成声学模型的训练。

在一些实施例中，声学模型包括编码器和解码器。合成模块603还用于，将待合成文本输入编码器，得到待合成文本的文本编码特征；将文本编码特征结合声音特征共同输入解码器，得到目标语音。

需要说明的是，上述实施例提供的语音合成装置在用于语音合成时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的语音合成装置与语音合成方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和适用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。

其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

在一些实施例中，处理单元710可以执行上述方法实施例的如下步骤：获取待合成文本和与待合成文本对应的声音描述信息，声音描述信息用于示出与待合成文本对应的目标语音的语音属性；提取声音描述信息中的声音特征；根据待合成文本和声音特征，合成目标语音。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。