一种虚拟形象的调整方法、装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种虚拟形象的调整方法、装置、电子设备及存储介质。


背景技术：

2.在网络游戏中，玩家通过对角色模型参数的调整，可实现自定义虚拟角色的虚拟形象，这种调整统称为“捏”脸。“捏”脸是对虚拟角色样貌进行自助式、个性化的数据操作，比如调整眼睛大小，眉毛高低等。
3.一些游戏中提供的捏脸系统，需要玩家在图形用户界面上手动调整角色模型中部位对应的参数，由于玩家很难把控每个参数的具体含义，为了达到预期效果就会出现玩家反复调整参数的情况。所以，在虚拟形象调整过程中会花费玩家大量的时间成本。


技术实现要素：

4.有鉴于此，本技术实施例至少提供一种虚拟形象的调整方法、装置、电子设备及存储介质，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
5.本技术主要包括以下几个方面：
6.第一方面，本技术实施例提供一种虚拟形象的调整方法，通过终端设备的图形用户界面显示当前虚拟形象，所述调整方法包括：
7.监测第一语音指令；所述第一语音指令包含对所述当前虚拟形象的否定性意向和/或形象调整意向；
8.确定与所述第一语音指令对应的目标调参数据；所述目标调参数据用于对所述当前虚拟形象的变更；
9.基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
10.第二方面，本技术实施例还提供一种虚拟形象的调整装置，通过终端设备的图形用户界面显示当前虚拟形象，所述调整装置包括：
11.监听模块，用于监测第一语音指令；所述第一语音指令包含对所述当前虚拟形象的否定性意向和/或形象调整意向；
12.确定模块，用于确定与所述第一语音指令对应的目标调参数据；所述目标调参数据用于对所述当前虚拟形象的变更；
13.调整模块，用于基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
14.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面所述的虚拟形象的调整方法的步骤。
15.第四方面，本技术实施例还提供了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运行时执行上述第一方面所述的虚拟形象的调整方法的步骤。
16.本技术实施例中，通过获取的当前用户包含对当前虚拟形象的否定性意向和/或形象调整意向的第一语音指令，来确定出与第一语音指令对应的目标调参数据，进而，基于目标调参数据对当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象，与相关技术中需要玩家手动反复调整角色模型中部位对应的参数，导致在虚拟形象调整过程中花费了玩家大量的时间成本相比，本技术通过语音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
17.进一步地，本技术将第一语音指令作为样本语音信息，以及将第一语音指令对应的目标调参数据作为调参数据标签，对机器学习模型中的网络参数进行更新，可以提升机器学习模型输出与第一语音指令对应的目标调参数据的准确性，进而，可以大大降低最终呈现的目标虚拟形象与玩家预期的形象效果之间的偏差。
18.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
20.图1示出了本技术实施例所提供的一种虚拟形象的调整方法的流程图；
21.图2示出了本技术实施例所提供的图形用户界面的示意图；
22.图3示出了本技术实施例所提供的另一种虚拟形象的调整方法的流程图；
23.图4示出了本技术一个具体实施例所提供的虚拟形象的调整方法的流程图；
24.图5示出了本技术实施例所提供的一种虚拟形象的调整装置的功能模块图之一；
25.图6示出了本技术实施例所提供的一种虚拟形象的调整装置的功能模块图之二；
26.图7示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
27.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
28.另外，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。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因
此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
29.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“捏脸”，给出以下实施方式，对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
30.本技术实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行捏脸的场景，本技术实施例并不对具体的应用场景作限制，任何使用本技术实施例提供的虚拟形象的调整方法、装置、电子设备及存储介质的方案均在本技术保护范围内。
31.值得注意的是，在本技术提出之前，一些游戏中提供的捏脸系统，需要玩家在图形用户界面上手动调整角色模型中部位对应的参数，由于玩家很难把控每个参数的具体含义，为了达到预期效果就会出现玩家反复调整参数的情况，所以，在虚拟形象调整过程中会花费玩家大量的时间成本。
32.针对上述问题，本技术实施例通过监测包含对当前虚拟形象的否定性意向和/或形象调整意向的第一语音指令，并确定出与所述第一语音指令对应的目标调参数据，进而，基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。这样，通过语音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
33.需要说明的是，本技术中的“用户”和“玩家”可以进行互换，两者表征的含义相同，都是使用终端设备的服务使用方。
34.为便于对本技术进行理解，下面结合具体实施例对本技术提供的技术方案进行详细说明。
35.在本技术其中一种实施例中的虚拟形象的调整方法可以运行于本地终端设备或者是服务器。当虚拟形象的调整方法运行于服务器时，该方法则可以基于云交互系统来实现与执行，其中，云交互系统包括服务器和客户端设备。
36.在一可选的实施方式中，云交互系统下可以运行各种云应用，例如：云游戏。以云游戏为例，云游戏是指以云计算为基础的游戏方式。在云游戏的运行模式下，游戏程序的运行主体和游戏画面呈现主体是分离的，游戏加载方法的储存与运行是在云游戏服务器上完成的，客户端设备的作用用于数据的接收、发送以及游戏画面的呈现，举例而言，客户端设备可以是靠近用户侧的具有数据传输功能的显示设备，如，移动终端、电视机、计算机、掌上电脑等；但是进行信息处理的为云端的云游戏服务器。在进行游戏时，玩家操作客户端设备向云游戏服务器发送操作指令，云游戏服务器根据操作指令运行游戏，将游戏画面等数据进行编码压缩，通过网络返回客户端设备，最后，通过客户端设备进行解码并输出游戏画面。
37.在一可选的实施方式中，以游戏为例，本地终端设备存储有游戏程序并用于呈现游戏画面。本地终端设备用于通过图形用户界面与玩家进行交互，即，常规的通过电子设备下载安装游戏程序并运行。该本地终端设备将图形用户界面提供给玩家的方式可以包括多种，例如，可以渲染显示在终端的显示屏上，或者，通过全息投影提供给玩家。举例而言，本地终端设备可以包括显示屏和处理器，该显示屏用于呈现图形用户界面，该图形用户界面
包括游戏画面，该处理器用于运行该游戏、生成图形用户界面以及控制图形用户界面在显示屏上的显示。
38.在一种可能的实施方式中，本发明实施例提供了一种虚拟形象的调整方法，通过终端设备提供图形用户界面，其中，终端设备可以是前述提到的本地终端设备，也可以是前述提到的云交互系统中的客户端设备。
39.图1为本技术实施例所提供的一种虚拟形象的调整方法的流程图。如图1所示，本技术实施例提供的虚拟形象的调整方法，通过终端设备的图形用户界面显示当前虚拟形象，包括以下步骤：
40.s101：监测第一语音指令。
41.在具体实施中，本技术可以实现通过语音交互来完成对虚拟形象的调整，具体地，当用户对当前虚拟形象不满意想要调整时，可以发出语音输入指令，通过语音输入指令中携带的第一语音指令来实现对当前虚拟形象的调整。
42.这里，虚拟形象(virtual character)可以是指合成的形像。从虚拟形象的结构来说，虚拟形象可以是三维模型的形象，也可以是平面图像的形象。从虚拟形象的类型来说，虚拟形象可以是模拟人物形象来形成的虚拟形象，也可以是模拟动物形象来形成的虚拟形象，还可以是基于卡通、漫画中的形象来形成的虚拟形象。虚拟形象一般为虚拟角色形象，虚拟角色可以为人物、动物等。
43.其中，当前虚拟形象可以是初始化的模板虚拟形象，也可以是用户在模板虚拟形象上经过编辑后得到的当前时刻对应的形象。
44.需要说明的是，第一语音指令包含对当前虚拟形象的否定性意向和/或形象调整意向的评价信息，也可以将该评价信息理解为对虚拟形象效果的评价，举例来说，否定性意向比如“脸太大了”、“嘴巴太小了”等，形象调整意向比如“将脸部调整成瓜子型”、“将表情调整成开心表情”等。
45.这里，用户可以通过操作终端设备来发出语音输入指令，具体地，通过终端设备提供一图形用户界面，图形用户界面显示有语音控件和当前虚拟形象，用户通过触发语音控件的语音输入功能来实现发出语音输入指令，该语音输入指令中携带有第一语音指令，当然，若用户想要手动调整角色模型中各个部位的参数对应的数值，也可以选择关闭语音控件的输入功能，使用手动调整功能，也就是说，本技术提供的方案既可以选择手动调整角色模型中各个部位的参数对应的数值，也可以使用发出语音信息来调整任意一个部位的参数。
46.需要说明的是，若本技术提供的虚拟形象的调整方法的执行主体为终端设备，终端设备可以直接获取到用户发出的第一语音指令；若本技术提供的虚拟形象的调整方法的执行主体为服务器，服务器可以接收终端设备发送的第一语音指令。
47.这里，以执行主体为终端设备为例，根据以下步骤获取用户对当前虚拟形象进行形象调整的第一语音指令：响应针对所述图形用户界面中语音控件的语音输入操作，监测所述第一语音指令。
48.需要说明的是，相关技术中提供的捏脸系统，需要玩家在图形用户界面上手动调整角色模型中部位对应的参数，由于玩家很难把控每个参数的具体含义，为了达到预期效果就会出现玩家反复挨个调整参数的情况，而且玩家一次只能调整一个参数，因此，在最终
的目标虚拟形象生成过程中需要花费玩家大量的时间成本。针对上述情况，发明人经过研究发现，玩家虽然对角色模型中部位的参数没有准确的概念上的理解，不能掌握具体参数值对应的虚拟形象的形象效果，但是，玩家对于捏脸效果也就是虚拟形象的形象效果是有判断的，形象效果例如“脸太胖了”、“嘴太大了”、“笑的太夸张了”，对此，本技术提供一种利用包括形象效果评价的也就是带有对当前虚拟形象的否定性意向和/或形象调整意向的第一语音指令来实现对虚拟角色的调整，可以通过少量的语音交互就可能完成对虚拟形象的调整，而无需手动反复调整参数，也无需知晓每个参数的具体含义，而且可以实现一次同时调整多个参数，这样，可以大大降低玩家在虚拟形象调整过程中所花费的时间成本。
49.这里，形象效果方面的评价可以是关于脸型、表情的效果评价等等，脸型可以是脸部整体，可以是脸部部位。其中，第一语音指令包括以下评价信息中的至少一种：脸型评价指令、表情评价指令。举例来说，脸型评价指令比如“脸太胖了”、“脸太瘦了”、“脸太尖了”、“嘴巴太小了”、“眼睛太大了”、“鼻子太低了”等；表情评价指令比如“笑容太夸张了”、“表情太严肃了”、“没有笑容”等。
50.s102：确定与所述第一语音指令对应的目标调参数据。
51.在具体实施中，在获取到用户发出的第一语音指令之后，可以基于第一语音指令中包含对当前虚拟形象的否定性意向和/或形象调整意向的形象效果评价的评价信息，来确定与第一语音指令匹配的目标调参数据，其中，目标调参数据用于对当前虚拟形象的变更。需要说明的是，第一语音指令和目标调参数据之间是存在关联关系的，这里，目标调参数据可以是某个部位对应的一个或多个参数对应的数据，目标调参数据也可以是多个部位的多个参数对应的数据。具体地，若第一语音指令包含的是针对角色模型的某个部位的评价信息(包括否定性意向和/或形象调整意向)，则目标调参数据为该角色模型中该部位对应的至少一个参数的目标数值或调整幅度值，例如，第一语音指令为“脸太大了”，对应的目标调参数据包括“脸的凹度+2、脸的倾斜度-3、额头高度+6”；若第一语音指令包含的是针对角色模型的表情的评价信息，则目标调参数据为该角色模型中该表情对应的至少一个参数的目标数值或调整幅度值，并使用目标调参数据对当前虚拟形象进行调整。
52.其中，额头部位的调整参数，比如，额头上下、额头前后、额头角度、额头宽度、额头长度、额头饱满等；印堂部位的调整参数，比如，印堂上下、印堂前后、印堂角度、印堂宽度、印堂长度、印堂饱满等；颧骨部位的调整参数，比如，颧骨左右、颧骨上下、颧骨角度、颧骨饱满等；下颌部位的调整参数，比如，下颌角左右、下颌角上下、下颌角前后、下颌角角度、下颌角倾斜、下颌角外翻、下颌角厚度、下颌角饱满、下颌左右、下颌上下、下颌前后、下颌角度、下颌倾斜、下颌外翻、下颌厚度、下颌饱满等；下巴部位的调整参数，比如，下巴两侧左右、下巴两侧上下、下巴两侧前后、下巴两侧角度、下巴两侧倾斜、下巴两侧外翻、下巴两侧厚度、下巴两侧饱满等；眼眉部位的调整参数，比如，眼眉左右、眼眉上下、眼眉前后、眼眉角度、眼眉高低、眼眉长度、眼眉宽度、眼眉饱满等；眼睛部位的调整参数，比如，眼睛虹膜、眼睛瞳孔、眼睛左右、眼睛上下、眼睛前后、眼睛角度、眼睛高低、眼睛眼距等；鼻子部位的调整参数，比如，鼻梁参数、鼻头参数、鼻翼参数等；嘴唇部位的调整参数，比如，上唇参数、下唇参数等。
53.这里，目标调参数据可以理解成是用来对当前虚拟形象进行调整的数据，目标调参数据可以是至少一个部位的一个或多个参数对应的数据或数据组合。第一语音指令和目
标调参数据之间的关系可以是事先预设好的，比如，事先准备一个映射关系表，在获取到第一语音指令后，从该映射关系表中直接查询到该第一语音指令对应的目标调参数据；也可以事先训练出一个机器学习模型，通过将该第一语音指令输入该机器学习模型，得到与第一语音指令对应的目标调参数据。
54.需要说明的是，相关技术中提供的捏脸系统，由于玩家很难把控每个参数的具体含义，所以更难在角色模型中的众多参数中选择要调整的合适的参数组合，更不用说还要确定这些参数的调整值，因此玩家很难捏出自己想要的虚拟形象，即，导致最终呈现的目标虚拟形象与玩家预期的形象效果之间存在较大偏差。针对上述情况，本技术通过给出带有形象效果评价(对当前虚拟形象的否定性意向和/或形象调整意向)的语音信息，可以直接确定与该形象效果评价相匹配的要进行调整的参数组合，还可以确定出要调整的参数的数值，这样，可以大大降低最终呈现的目标虚拟形象与玩家预期的形象效果之间的偏差。
55.这里，可以提供多组候选调参数据供用户来选择出目标调参数据，以此提升用户选择的自由度，具体地，步骤s102包括：
56.步骤1021：确定与所述第一语音指令对应的至少一组第一候选调参数据，并在所述图形用户界面上显示出每一组第一候选调参数据，和/或每一组第一候选调参数据对应的虚拟形象效果图。
57.在具体实施中，先根据第一语音指令确定出与该第一语音指令匹配的至少一组第一候选调参数据，并在终端设备提供的图形用户界面上可以显示出各个组第一候选调参数据，或是，在图形用户界面上显示出各个组第一候选调参数据分别对应的虚拟形象效果图，也可以在图形用户界面上同时显示出各个组第一候选调参数据，以及每一组第一候选调参数据对应的虚拟形象效果图。这些第一候选调参数据和虚拟形象效果图都可以以弹窗的形式显示在图形用户界面上。不同组第一候选调参数据中包含的参数可以相同也可以不同，不同组第一候选调参数据中相同参数对应的数值可以相同也可以不同，只要保证不同组第一候选调参数据存在差异即可。
58.图2示出了本技术实施例所提供的图形用户界面的示意图，该图形用户界面中显示有语音控件、三个组别的第一候选调参数据，以及每个组第一候选调参数据对应的虚拟形象效果图。图2中每组第一候选调参数据中包括的参数不同，且各个参数对应的数值也有所差异，各个虚拟形象效果图之间也存在差异。这里，在用户选择其中一个虚拟形象效果图之后，会将该虚拟形象效果图作为目标虚拟形象显示在图形用户界面上，此时，取消显示其他未被选中的虚拟形象效果图。
59.步骤1022：响应在所述图形用户界面上针对任一组所述第一候选调参数据或任一个所述虚拟形象效果图的选取操作，确定与所述第一语音指令对应的所述目标调参数据。
60.在具体实施中，用户可以通过在图形用户界面上选取任意一组第一候选调参数据，或是在图形用户界面上选取任意一个虚拟形象效果图，来确定出用于调整当前虚拟形象的目标调参数据。
61.这里，用户还可以对任意一组或多组第一候选调参数据进行调整，图形界面上会显示出调整后的候选调参数据对应的虚拟形象效果图，用户在查看到这些调整后的虚拟形象效果图后，选择一组调整后的第一候选调参数据作为目标调参数据。
62.步骤1023：若所述图形用户界面中的全部所述第一候选调参数据，或全部所述虚
拟形象效果图均未被选中，则将全部所述第一候选调参数据添加到用户个性化拒绝列表中。
63.在具体实施中，若用户未选择图形用户界面上的任意一组第一候选调参数据，也没有选择任意一个虚拟形象效果图，说明用户对当前提供的所有第一候选调参数据都不满意，此时，可以向用户提供其他的第二调参数据来作为目标调参数据，并将此次没有选择的各个组第一候选调参数据都添加到用户个性化拒绝列表中，这样，在收到用户发送的同样的第一语音指令时，不再向用户提供已经添加至用户个性化拒绝列表中的调参数据。
64.步骤1024：监测第二语音指令，并通过机器学习模型确定第二语音指令对应的第二候选调参数据；所述第二候选调参数据的匹配概率大于或等于预设匹配概率阈值。
65.其中，所述第二候选调参数据是所述机器学习模型排除所述用户个性化拒绝列表中的第一候选调参数据之后选取的候选调参数据。需要说明的是，本技术中用户通过输入带有对当前虚拟形象的否定性意向和/或形象调整意向的第一语音指令，就可以得到针对形象效果评价对应的用于调整当前虚拟形象的目标调参数据，这样，用户无需理解角色模型中部位对应的各个参数的具体含义，更无需手动调整参数，只需输入针对当前虚拟形象的第一语音指令，就能达到对当前虚拟形象进行调整的目的。也就是说，本技术将复杂的捏脸调参过程转换为简单的对当前虚拟形象的形象效果的评价上了，所以这个调整可以完全遵照自己的意愿和预期来进行调整，使得最终呈现的目标虚拟形象与用户预期的形象效果之间尽可能地接近。通过采用本技术的方案，可以同时调整多个参数，可以大大加快调参过程，因此，可以在虚拟形象调整过程中减少用户所花费的时间成本，并且可以大大降低最终形成的目标虚拟形象与用户预期的形象效果之间的偏差。
66.s103：基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
67.在具体实施中，在确定出用于调整当前虚拟形象的目标调参数据之后，也就是得到与用户给出的针对当前虚拟形象的形象效果评价对应的调参数据之后，可以直接使用目标调参数据对当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。具体地，若目标调参数据为角色模型中该部位对应的至少一个参数的目标数值，则可以将对应的参数的当前数值调整到目标数值，来实现对当前虚拟角色的调整；若目标调参数据为角色模型中该部位对应的至少一个参数的调整幅度值，则可以将对应的参数的当前数值与调整幅度值相加得到目标数值，将对应的参数的当前数值调整到目标数值，来实现对当前虚拟角色的调整。
68.还需要说明的是，在最终的目标虚拟形象生成过程中，可以有至少一次的形象调整，用户每次都可以采用发送语音指令确定出的调参数据来对虚拟形象进行调整。如果是多次调整，在这多次调整过程中，如果用户每次发出的语音指令相同，说明用户觉得虚拟形象调整的幅度不够，每次都会提供对应部位参数的相同或不同的幅度调整值，也可以是提供该部位参数对应的不同目标值，这样，最终得到的目标虚拟形象可以达到用户的预期形象。另外，只要用户还没有结束对虚拟形象的调整过程，就可以一直发出语音指令，直至用户对调整出的虚拟角色感到满意为止。
69.在本技术实施例中，通过获取用户对当前虚拟形象进行形象效果评价的第一语音指令，并确定出与所述第一语音指令对应的目标调参数据，进而，基于所述目标调参数据对
所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。这样，通过语音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
70.图3为本技术实施例所提供的另一种虚拟形象的调整方法的流程图。
71.如图3所示，本技术实施例提供的虚拟形象的调整方法，包括以下步骤：
72.s301：监测第一语音指令。
73.s302：将所述第一语音指令输入训练好的机器学习模型中，通过所述机器学习模型确定出与所述第一语音指令对应的所述目标调参数据。
74.在具体实施中，可以预先训练好一个机器学习模型，将第一语音指令输入到该机器学习模型中，可以得到与该第一语音指令相匹配的目标调参数据。
75.这里，机器学习模型可以为一种深度学习模型，该机器学习模型包括嵌入层、卷积层、至少两个注意力层、全连接层和输出层。下面对该机器学习模型的工作原理进行说明，也即，步骤s302将所述第一语音指令输入训练好的机器学习模型中，通过所述机器学习模型确定出与所述第一语音指令对应的所述目标调参数据，包括以下步骤：
76.步骤3021：将所述第一语音指令输入所述嵌入层中，得到语音特征信息。
77.在具体实施中，机器学习模型的第一网络层是嵌入层(embedding)，将第一语音指令输入该嵌入层进行语音特征提取，得到第一语音指令的语音特征信息。这里，嵌入层实质是对语音信息中的特征数据进行提取。
78.步骤3022：将所述语音特征信息输入所述卷积层中，得到语义特征信息。
79.在具体实施中，机器学习模型的第二网络层是卷积层，将嵌入层输出的语音特征信息作为卷积层的输入进行语义特征提取，得到第一语音指令的语义特征信息，具体地，该卷积层通过捕获相邻音量间的一些信息，比如“29毫秒到31毫秒”与“121毫秒到125毫秒”之间是否有相似的音量变化模式，以此提取到语义特征。
80.步骤3023：将所述语义特征信息依次输入所述至少两个注意力层中，得到至少两个注意力特征信息。
81.在具体实施中，机器学习模型的第三网络层是注意力层，该机器学习模型可以有至少两个注意力层，不同注意力层关注的特征信息不同，这里，以两个注意力层为例进行说明，第一注意力层和第二注意力层，其中，第一注意力层关注的是时域信息，第二注意力层关注的是频域信息，将卷积层输出的语音特征信息输入到第一注意力层得到关于时域方面的第一注意力特征，将卷积层输出的语音特征信息输入到第二注意力层得到关于频域方面的第二注意力特征。这样，可以得到至少两个方面的注意力特征信息。
82.步骤3024：将所述至少两个注意力特征信息一同输入所述全连接层中，得到融合特征信息。
83.在具体实施中，机器学习模型的第四网络层是全连接层，将至少两个注意力层一共输出的至少两个注意力特征信息作为全连接层的输入进行特征融合，得到第一语音指令的融合特征信息。这里，该全连接层的作用是建立不同特征维度之间的连接，说就是让机器学习模型关注于特定的交叉维度上。
84.步骤3025：将所述融合特征信息输入所述输出层中，得到与所述第一语音指令对应的所述目标调参数据。
85.在具体实施中，机器学习模型的第五网络层是输出层，将全连接层一共输出的融合特征信息作为输出层的输入进行输出概率计算，得到第一语音指令对应的目标调参数据。
86.这里，下面对输出层的工作原理进行具体说明，也即，步骤3025中将所述融合特征信息输入所述输出层中，得到与所述第一语音指令对应的所述目标调参数据，包括以下步骤：
87.步骤a1：通过所述机器学习模型确定多组候选调参数据，以及每一组候选调参数据对应的匹配概率。
88.在具体实施中，输出层中包括一个激活函数，该激活函数用来计算出每个候选调参数据对应的匹配概率，每个候选调参数据对应的匹配概率用于表征该候选调参数据与第一语音指令之间的匹配程度，例如，[(候选调参数据1，0.999)、(候选调参数据2，0.023)、(候选调参数据3，0.977)、(候选调参数据4，0.721)]。
[0089]
步骤a2：将多组候选调参数据中匹配概率大于或等于预设匹配概率阈值的候选调参数据作为所述目标调参数据。
[0090]
在具体实施中，可以从多组候选调参数据中，可以选取对应的匹配概率排名在前面预设位数的候选调参数据作为目标调参数据，也可以选取对应的匹配概率大于预设概率值的候选调参数据作为目标调参数据。
[0091]
这里，机器学习模型可以部署在服务器上，也可以部署在本地终端设备上，该机器学习模型可以理解为一个黑匣子，将第一语音指令输入到该机器学习模型中，就可以得到用于调整当前虚拟形象的目标调参数据。
[0092]
还需要说明的是，机器学习模型的训练过程，以便更能明确该机器学习模型能够输出目标调整数据的工作原理。下面对步骤s302中提到的机器学习模型的训练过程进行说明，也即，根据以下步骤训练出所述机器学习模型：
[0093]
步骤b1：获取多个样本语音信息，以及每个样本语音信息对应的调参数据标签。
[0094]
在具体实施中，获取大量样本语音信息，这些样本语音信息都是包含对虚拟形象的否定性意向和/或形象调整意向的评价信息，具体地，这些样本语音信息可以是游戏测试过程中用户对一些虚拟形象进行的语音评价信息(也可以理解为是捏脸效果)。
[0095]
其中，所述调参数据标签表征所述样本语音信息对应的真实调参数据。
[0096]
另外，针对每个样本语音信息，可以请专业人员来为每个样本语音信息配置一个调参组合数据，并将该调参组合数据作为该样本语音信息对应的调参数据标签；也可以是事先设置一个预设调参组合模板，通过该预设调参组合模板先初步给每个样本语音信息匹配至少一组调参组合数据，再请专业人员对该调参组合数据进行调整，得到每个样本语音信息对应的调参数据标签，具体地，针对每个样本语音信息，根据以下步骤确定所述样本语音信息对应的调参数据标签：
[0097]
将所述样本语音信息转化为样本文本信息；对所述样本文本信息进行分词，得到多个关键词；从预设调参组合模板库中，查询出与每个关键词存在映射关系的调参组合数据；响应针对所述调参组合数据的更改指令，得到所述样本语音信息对应的调参数据标签。
[0098]
在具体实施中，在为每个样本语音信息匹配调参数据标签时，针对每个样本语音信息，先将该样本语音信息转化为样本文本信息，然后再对该样本文本信息进行分词处理，
得到多个关键词，并利用每个关键词在预设调参组合模板中查询出与该关键词对应的调参组合数据，这里，预设调参组合模板中存储的是多个关键词，以及每个关键词相关联的调参组合数据，关键词和调参组合数据之间的关联可以从游戏测试中用户输入的语音信息以及选择的调参组合数据来确定出的，进一步地，再对每个调参数据进行微调整，就可以得到每个样本语音信息对应的调参数据标签，这样，可以在保证准确率的前提下，可以大大提升确定每个样本语音信息对应的调参数据标签的效率。
[0099]
步骤b2：基于多个样本语音信息、各个样本语音信息对应的调参数据标签对初始学习模型进行训练，得到所述机器学习模型。
[0100]
在具体实施中，在获取到足够数量的样本语音信息，以及每个样本语音信息对应的调参数据标签之后，可以通过这些样本语音信息、每个样本语音信息对应的调参数据标签对初始学习模型进行训练，从而得到机器学习模型。
[0101]
这里，下面对步骤b2中基于多个样本语音信息、各个样本语音信息对应的调参数据标签对初始学习模型进行训练，得到所述机器学习模型的过程进行进一步说明，以便更能明确机器学习模型的训练原理，具体地，包括以下步骤：
[0102]
步骤b21：将每个样本语音信息输入所述初始学习模型中，得到所述样本语音信息对应的预测调参数据。
[0103]
步骤b22：确定每个样本语音信息对应的所述预测调参数据和所述调参数据标签之间的交叉熵损，当所述交叉熵损满足模型训练截止条件时，生成训练好的所述机器学习模型。
[0104]
在具体实施中，训练截止条件可以是交叉熵损小于或等于预设阈值，这里，预设阈值可以根据机器学习模型实际需求的精度进行设置。
[0105]
s303：基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
[0106]
s304：将所述第一语音指令作为样本语音信息，以及将所述目标调参数据作为调参数据标签，并基于所述第一语音指令和所述目标调参数据更新所述机器学习模型中的网络参数。
[0107]
需要说明的是，在用户进行“捏脸”过程中，也就是在生成最终的目标虚拟形象的过程中，可能经历多次的语音信息输入，使用多次调参数据作为用于调整中间虚拟形象的调整数据，这里，可以将用户每次从多个候选调参数据选择的目标调参数据作为调参数据标签，并将该目标调参数据对应的第一语音指令作为样本语音信息，来继续对机器学习模型进行训练，也即，以对机器学习模型中的网络参数进行更新，这样，可以大大提升机器学习模型输出调参数据的准确性。
[0108]
另外，在步骤s303基于所述目标调参数据，对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象之后，也可以进行关于用户个性化的记录，也就是针对用户每次选取目标调参数据的偏好来向当前用户推送调参数据，具体地，包括以下步骤：
[0109]
步骤c1：统计各个所述目标调参数据分别被选取的次数。
[0110]
步骤c2：根据每个所述目标调参数据分别被选取的次数，为每个所述目标调参数据分配权重。
[0111]
步骤c3：基于每个所述目标调参数据对应的权重和所述机器学习模型，向当前用户推送调参数据。
[0112]
在具体实施中，也可以参考语音信息的内容，来向用户推送调参数据，比如，用户偏好输入语音信息1，以及对应偏好选择调参数据2，所以，可以加大该调参数据2的权重，在机器学习模型输出多个候选调参数据，以及每个候选调参数据对应的匹配概率时，增加该调参数据的权重，来相用户推送最终的目标调参数据。
[0113]
其中，s301、s303的描述可以参照s101、s103的描述，并且能达到相同的技术效果，对此不做赘述。
[0114]
图4示出了本技术一个具体实施例所提供的虚拟形象的调整方法的流程图，包括以下步骤：
[0115]
s401：构建训练集。
[0116]
具体地，测试玩家给出大量对捏脸效果评价的语音信息，并将这些语音信息作为样本语音信息；专业人员给每个样本语音信息匹配出一组调参组合数据作为调参数据标签；将多个样本语音信息和每个样本语音信息对应的调参数据标签作为训练集。
[0117]
s402：训练初始学习模型。
[0118]
具体地，利用多个样本语音信息和每个样本语音信息对应的调参数据标签训练初始学习模型，训练得到机器学习模型。
[0119]
s403：机器学习模型的部署。
[0120]
具体地，将机器学习模型部署在服务器端。
[0121]
s404：玩家捏脸过程。
[0122]
s405：客户端设备采集语音信息。
[0123]
s406：确定候选调参数据。
[0124]
具体地，利用服务器端部署的机器学习模型，根据第一语音指令给出排名前n位的候选调参数据，n大于或等于1。
[0125]
s407：得到多个候选虚拟形象效果图。
[0126]
具体地，在客户端设备上显示每个候选调参数据对应的虚拟形象效果图。
[0127]
s408：生成目标虚拟形象效果图。
[0128]
具体地，目标玩家从n个虚拟形象效果图中选择其中1个或取消选择，若取消仍显示调整前的虚拟形象效果图。
[0129]
s409：结束捏脸过程。
[0130]
基于同一申请构思，本技术实施例中还提供了与上述实施例提供的虚拟形象的调整方法对应的虚拟形象的调整装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例的虚拟形象的调整方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0131]
如图5、图6所示，图5为本技术实施例提供的一种虚拟形象的调整装置500的功能模块图之一，图6为本技术实施例提供的一种虚拟形象的调整装置500的功能模块图之二。如图5所示，所述虚拟形象的调整装置500包括：
[0132]
监听模块510，用于监测第一语音指令；所述第一语音指令包含对所述当前虚拟形象的否定性意向和/或形象调整意向；
[0133]
确定模块520，用于确定与所述第一语音指令对应的目标调参数据；所述目标调参数据用于对所述当前虚拟形象的变更；
[0134]
调整模块530，用于基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
[0135]
在一种可能的实施方式中，如图5所示，所述确定模块520，用于根据以下步骤确定与所述第一语音指令对应的目标调参数据：
[0136]
将所述第一语音指令输入训练好的机器学习模型中，通过所述机器学习模型确定出与所述第一语音指令对应的所述目标调参数据。
[0137]
在一种可能的实施方式中，如图5所示，所述机器学习模型包括嵌入层、卷积层、至少两个注意力层、全连接层和输出层；所述确定模块520具体用于：
[0138]
将所述第一语音指令输入所述嵌入层中，得到语音特征信息；
[0139]
将所述语音特征信息输入所述卷积层中，得到语义特征信息；
[0140]
将所述语义特征信息依次输入所述至少两个注意力层中，得到至少两个注意力特征信息；
[0141]
将所述至少两个注意力特征信息一同输入所述全连接层中，得到融合特征信息；
[0142]
将所述融合特征信息输入所述输出层中，得到与所述第一语音指令对应的所述目标调参数据。
[0143]
在一种可能的实施方式中，如图6所示，所述确定模块520包括确定单元521；所述确定单元521用于：
[0144]
通过所述机器学习模型确定多组候选调参数据，以及每一组候选调参数据对应的匹配概率；
[0145]
将多组候选调参数据中匹配概率大于或等于预设匹配概率阈值的候选调参数据作为所述目标调参数据。
[0146]
在一种可能的实施方式中，如图6所示，所述虚拟形象的调整装置500还包括训练模块540；所述训练模块540，用于根据以下步骤训练出所述机器学习模型：
[0147]
获取多个样本语音信息，以及每个样本语音信息对应的调参数据标签；所述调参数据标签表征所述样本语音信息对应的真实调参数据；
[0148]
将每个样本语音信息输入初始学习模型中，得到所述样本语音信息对应的预测调参数据；
[0149]
确定每个样本语音信息对应的所述预测调参数据和所述调参数据标签之间的交叉熵损，当所述交叉熵损满足模型训练截止条件时，生成训练好的所述机器学习模型。
[0150]
在一种可能的实施方式中，如图6所示，所述训练模块540，还用于针对每个样本语音信息，根据以下步骤确定所述样本语音信息对应的调参数据标签：
[0151]
将所述样本语音信息转化为样本文本信息；
[0152]
对所述样本文本信息进行分词，得到多个关键词；
[0153]
从预设调参组合模板库中，查询出与每个关键词存在映射关系的调参组合数据；
[0154]
响应针对所述调参组合数据的更改指令，得到所述样本语音信息对应的调参数据标签。
[0155]
在一种可能的实施方式中，如图6所示，所述虚拟形象的调整装置500还包括更新
模块550；所述更新模块550用于：
[0156]
将所述第一语音指令作为样本语音信息，以及将所述目标调参数据作为调参数据标签，并基于所述第一语音指令和所述目标调参数据更新所述机器学习模型中的网络参数。
[0157]
在一种可能的实施方式中，如图6所示，所述监听模块510，用于根据以下步骤获取所述第一语音指令：
[0158]
响应针对所述图形用户界面中语音控件的语音输入操作，监测所述第一语音指令。
[0159]
在一种可能的实施方式中，如图6所示，所述确定模块520，还用于根据以下步骤确定与所述第一语音指令对应的目标调参数据：
[0160]
确定与所述第一语音指令对应的至少一组第一候选调参数据，并在所述图形用户界面上显示出每一组第一候选调参数据，和/或每一组第一候选调参数据对应的虚拟形象效果图；
[0161]
响应在所述图形用户界面上针对任一组所述第一候选调参数据或任一个所述虚拟形象效果图的选取操作，确定与所述第一语音指令对应的所述目标调参数据。
[0162]
在一种可能的实施方式中，如图6所示，所述虚拟形象的调整装置500还包括添加模块560；所述添加模块560用于：
[0163]
若所述图形用户界面中的全部所述第一候选调参数据未被选中，或全部所述虚拟形象效果图均未被选中，则将全部所述第一候选调参数据添加到用户个性化拒绝列表中。在一种可能的实施方式中，如图6所示，所述添加模块560还用于：
[0164]
监测第二语音指令，并通过机器学习模型确定第二语音指令对应的第二候选调参数据；所述第二候选调参数据的匹配概率大于或等于预设匹配概率阈值；
[0165]
其中，所述第二候选调参数据是所述机器学习模型排除所述用户个性化拒绝列表中的第一候选调参数据之后选取的候选调参数据。
[0166]
在一种可能的实施方式中，如图6所示，所述虚拟形象的调整装置500还包括推送模块570；所述推送模块570用于：
[0167]
统计各个所述目标调参数据分别被选取的次数；
[0168]
根据每个所述目标调参数据分别被选取的次数，为每个所述目标调参数据分配权重；
[0169]
基于每个所述目标调参数据对应的权重和所述机器学习模型，向当前用户推送调参数据。
[0170]
在本技术实施例中，通过监听模块510获取用户对当前虚拟形象的否定性意向和/或形象调整意向的第一语音指令，并通过确定模块520确定出与所述第一语音指令对应的目标调参数据，进而，通过调整模块530基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。这样，通过语音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
[0171]
基于同一申请构思，参见图7所示，为本技术实施例提供的一种电子设备700的结构示意图，包括：处理器710、存储器720和总线730，所述存储器720存储有所述处理器710可执行的机器可读指令，当电子设备700运行时，所述处理器710与所述存储器720之间通过所
述总线730进行通信，所述机器可读指令被所述处理器710运行时执行如上述实施例中任一所述的虚拟形象的调整方法的步骤。
[0172]
具体地，所述机器可读指令被所述处理器710执行时可以执行如下处理：
[0173]
第一语音指令监测第一语音指令；所述第一语音指令包含对所述当前虚拟形象的否定性意向和/或形象调整意向；
[0174]
确定与所述第一语音指令对应的目标调参数据；所述第一语音指令包含对所述当前虚拟形象的否定性意向和/或形象调整意向；
[0175]
基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。
[0176]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0177]
将所述第一语音指令输入训练好的机器学习模型中，通过所述机器学习模型确定出与所述第一语音指令对应的所述目标调参数据。
[0178]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0179]
将所述第一语音指令输入所述嵌入层中，得到语音特征信息；
[0180]
将所述语音特征信息输入所述卷积层中，得到语义特征信息；
[0181]
将所述语义特征信息依次输入所述至少两个注意力层中，得到至少两个注意力特征信息；
[0182]
将所述至少两个注意力特征信息一同输入所述全连接层中，得到融合特征信息；
[0183]
将所述融合特征信息输入所述输出层中，得到与所述第一语音指令对应的所述目标调参数据。
[0184]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0185]
通过所述机器学习模型确定多组候选调参数据，以及每一组候选调参数据对应的匹配概率；
[0186]
将多组候选调参数据中匹配概率大于或等于预设匹配概率阈值的候选调参数据作为所述目标调参数据。
[0187]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0188]
获取多个样本语音信息，以及每个样本语音信息对应的调参数据标签；
[0189]
基于多个样本语音信息、各个样本语音信息对应的调参数据标签对深度学习模型进行训练，得到所述机器学习模型。
[0190]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0191]
将所述样本语音信息转化为样本文本信息；
[0192]
对所述样本文本信息进行分词，得到多个关键词；
[0193]
从预设调参组合模板库中，查询出与每个关键词存在映射关系的调参组合数据；
[0194]
响应针对所述调参组合数据的更改指令，得到所述样本语音信息对应的调参数据标签。
[0195]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0196]
将每个样本语音信息输入所述深度学习模型中，得到所述样本语音信息对应的预测调参数据；
[0197]
确定每个样本语音信息对应的所述预测调参数据和所述调参数据标签之间的交
叉熵损，当所述交叉熵损满足模型训练截止条件时，生成训练好的所述机器学习模型。
[0198]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0199]
将所述第一语音指令作为样本语音信息，以及将所述目标调参数据作为调参数据标签，并基于所述第一语音指令和所述目标调参数据更新所述机器学习模型中的网络参数。
[0200]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0201]
响应针对所述图形用户界面中语音控件的语音输入操作，监测所述第一语音指令。
[0202]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0203]
确定与所述第一语音指令对应的至少一组第一候选调参数据，并在所述图形用户界面上显示出每一组第一候选调参数据，和/或每一组第一候选调参数据对应的虚拟形象效果图；
[0204]
响应在所述图形用户界面上针对任一组所述第一候选调参数据或任一个所述虚拟形象效果图的选取操作，确定与所述第一语音指令对应的所述目标调参数据。
[0205]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0206]
若所述图形用户界面中的全部所述第一候选调参数据未被选中，或全部所述虚拟形象效果图均未被选中，则将全部的第一候选调参数据添加到用户个性化拒绝列表中。
[0207]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0208]
监测第二语音指令，并通过机器学习模型确定第二语音指令对应的第二候选调参数据；所述第二候选调参数据的匹配概率大于或等于预设匹配概率阈值；
[0209]
其中，所述第二候选调参数据是所述机器学习模型排除所述用户个性化拒绝列表中的第一候选调参数据之后选取的候选调参数据。
[0210]
进一步地，所述机器可读指令被所述处理器710执行时还可以执行如下处理：
[0211]
统计各个所述目标调参数据分别被选取的次数；
[0212]
根据每个所述目标调参数据分别被选取的次数，为每个所述目标调参数据分配权重；
[0213]
基于每个所述目标调参数据对应的权重和所述机器学习模型，向当前用户推送调参数据。
[0214]
本技术实施例中，通过获取用户对当前虚拟形象进行形象效果评价的第一语音指令，并确定出与所述第一语音指令对应的目标调参数据，进而，基于所述目标调参数据对所述当前虚拟形象进行调整，在所述图形用户界面上显示调整后的目标虚拟形象。这样，通过语音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
[0215]
基于同一申请构思，本技术实施例还提供了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运行时执行各实施例提供的虚拟形象的调整方法的步骤。
[0216]
具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述虚拟形象的调整方法，通过音交互完成对虚拟形象的调整，可以降低玩家在虚拟形象调整过程中所花费的时间成本。
[0217]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0218]
所述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。
[0219]
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。
[0220]
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0221]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。