本次调用的模型名称：DeepSeek-R1
对比文件名称：2008-04-17_US2008091428A_发明申请_US20080091428A1 Methods and apparatus related to pruning for concatenative text-to-speech synthesis
目标专利名称：用于非平稳数据的凝聚群集的并行方法CN105247487B
## 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| 技术特征A：包括：接收所述数据点流《未被公开》 | 未找到对应内容。 | 目标专利的技术特征A涉及接收一个动态的、来自传感器的“数据点流”。对比文件涉及处理一个静态的、预先录制并存储的语音单元数据库（“voice table”）。例如，说明书[0025]段描述“Recorded speech from a professional speaker is input at block 106... After segmentation, a raw voice table 110 is generated”。其处理的是已存储的数据库条目，而非实时、持续到达的数据流。因此，对比文件未公开“接收数据点流”这一技术特征。 |
| 技术特征B：确定多个群集质心《直接公开》 | [0051]段：“...clustering the voice samples on a machine perception space, then removing the voice samples clustering around a cluster centroid or other locus, keeping only the centroid sample.” <br> [0057]段：“...cluster units in that space using a suitable similarity measure... all units in a given cluster are closely related... and can be replaced by a single instance.” <br> [0063]段：“The word vectors are then clustered using bottom-up clustering. The outcome was 3 distinct clusters...” | 对比文件明确公开了在特征空间中对语音样本（单元）进行聚类，并确定了“cluster centroid”（聚类质心）。说明书[0051]和[0057]段描述了聚类过程以及用质心代表簇内单元的思想。[0063]段给出了具体的聚类操作实例。这与目标专利中“确定多个群集质心”的技术特征相同。因此，该技术特征被对比文件直接公开。 |
| 技术特征C：将所述多个群集质心划分成多个群集质心群，其中每个群集质心群包含所述多个群集质心的子集并由多个线程和/或处理器中不同的线程和/或处理器独立地采用《隐含公开》 | [0012]段：“Each unit can be processed in parallel, and the algorithm is totally scalable...” <br> [0051]段：“...clustering the voice samples on a machine perception space...” | 目标专利的特征C核心在于将质心集划分为子集（群）并由不同的处理器/线程独立处理这些子集，以实现并行化。对比文件在[0012]段明确提到了“每个单元可以并行处理，并且算法是完全可扩展的”。虽然对比文件未明确描述将“质心”划分成子集，但其整个聚类算法的目的是对大量语音单元进行分组（即形成以质心为代表的簇）。本领域技术人员可以理解，为了实现[0012]段所述的“并行处理”和“完全可扩展”，一个合理且常见的技术手段就是将待处理的数据集（在这里，可以理解为待聚类的单元集合，聚类后即形成质心集合）划分成多个子集，分配给不同的处理器或线程独立处理。因此，对比文件隐含公开了将数据集（其处理结果即质心集）划分并由不同处理器独立采用的技术方案。 |
| 技术特征D：向所述多个线程和/或处理器中的每个线程和/或处理器指派所述数据点流的一部分《未被公开》 | 未找到对应内容。 | 目标专利的特征D涉及将动态到达的“数据点流”的不同部分分配给不同的处理器或线程。对比文件处理的是静态的语音单元数据库，其并行处理（[0012]段）的对象是数据库中的“单元”（units），而非一个持续的“流”。对比文件没有描述任何将数据“流”进行划分并指派给不同处理器的机制。因此，该技术特征未被公开。 |
| 技术特征E：以及组合由所述多个线程和/或处理器生成的多个群集以生成全局群集域。《未被公开》 | [0057]段：“...cluster units in that space using a suitable similarity measure. Since all units in a given cluster are closely related... and can be replaced by a single instance.” | 对比文件描述了聚类操作并最终得到一个经过剪枝的语音单元集合（用质心代表每个簇）。然而，目标专利的特征E特指“组合由所述多个线程和/或处理器生成的多个群集以生成全局群集域”，这隐含了一个分布式或并行处理架构，其中多个处理单元各自生成局部群集结果，然后需要被整合。对比文件虽然提到了并行处理（[0012]段），但并未描述任何将多个独立处理器生成的中间聚类结果进行“组合”以形成一个全局域的步骤。其聚类过程（无论是串行还是并行）的最终输出直接就是全局的聚类结果（即质心集合）。因此，该“组合”步骤未被公开。 |
| 技术特征F：其特征在于，所述接收包括：从一个或多个传感器接收所述数据点流。《未被公开》 | [0025]段：“Recorded speech from a professional speaker is input at block 106.” <br> [0074]段：“...a microphone input 83 (for recording audio inputs, such as the speech input 106) is also coupled to the I/O controller 67.” | 对比文件提及的输入是“录制的语音”，其来源可以是专业录音或通过麦克风（一种传感器）录入。然而，目标专利的特征F将“从一个或多个传感器接收所述数据点流”作为对接收方式的进一步限定，其上下文（参见说明书[0080]-[0081]段）明确指向移动设备（如UE）从加速计、陀螺仪等传感器实时生成数据流的场景。对比文件中麦克风录入语音的目的是为了构建一个静态的语音数据库以供后续TTS合成查询，而非对传感器产生的持续数据流进行实时在线聚类。两者技术领域、数据性质和处理目的均不同。因此，对比文件未公开该限定特征。 |
| 技术特征G：其特征在于，所述一个或多个传感器是加速计、陀螺仪、磁力计、或话筒中的一者或多者。《未被公开》 | [0074]段：“...a microphone input 83 (for recording audio inputs, such as the speech input 106) is also coupled to the I/O controller 67.” | 对比文件仅公开了“话筒”（microphone）作为一种可能的音频输入设备。目标专利的特征G明确列举了加速计、陀螺仪、磁力计等运动或环境传感器，这些与对比文件公开的用于语音录制的“话筒”在技术领域和应用场景上存在本质区别。对比文件完全没有提及加速计、陀螺仪、磁力计等传感器。因此，该技术特征未被公开。 |
| 技术特征H：其特征在于，所述数据点流按循环方式被指派给所述多个线程和/或处理器。《未被公开》 | 未找到对应内容。 | 对比文件未提及任何关于数据指派方式（如循环方式、随机方式等）的内容。因此，该技术特征未被公开。 |
| 技术特征I：其特征在于，所述数据点流按阶层式方式被指派给所述多个线程和/或处理器。《未被公开》 | 未找到对应内容。 | 对比文件未提及任何关于数据指派方式（如阶层式方式）的内容。因此，该技术特征未被公开。 |
| 技术特征J：其特征在于，指派所述数据点流的一部分包括：将接收到的数据点指派给所述多个群集质心中的一个群集质心《隐含公开》 | [0057]段：“The idea is to map all instances of a particular voice (e.g. word) unit onto an appropriate feature space, and cluster units in that space using a suitable similarity measure.” <br> [0063]段：“The word vectors are then clustered using bottom-up clustering.” | 目标专利的特征J描述了将数据点指派给一个群集质心的过程，这本质上是聚类算法中“分配”步骤的核心：根据距离或相似度，将每个数据点分配给最近的质心。对比文件[0057]和[0063]段明确描述了在特征空间中对单元（即数据点）进行聚类。聚类过程必然隐含了将每个数据点（语音单元实例）分配到一个簇（及其质心）的操作。虽然对比文件没有使用“指派给一个群集质心”的表述，但该操作是聚类算法的固有组成部分，本领域技术人员可以直接且毫无疑义地得出。因此，该技术特征被对比文件隐含公开。 |
| 技术特征K：以及将所述接收到的数据点指派给与所述多个群集质心中的这一个群集质心相对应的线程或处理器。《未被公开》 | 未找到对应内容。 | 目标专利的特征K是特征J的延续，特指在阶层式分发中，根据数据点被分配到的质心，进一步将该数据点指派给与该质心相关联的特定线程或处理器。对比文件虽然公开了聚类（隐含了数据点分配给质心），但完全没有涉及任何将数据点与特定处理器或线程进行关联或指派的机制。因此，该技术特征未被公开。 |
| 技术特征L：其特征在于，所述多个群集质心中的群集质心数目对应于线程和/或处理器数目。《未被公开》 | 未找到对应内容。 | 对比文件未讨论群集质心数目与线程或处理器数目之间的对应关系。因此，该技术特征未被公开。 |
| 技术特征M：其特征在于，所述多个群集质心中的群集质心数目大于线程和/或处理器数目，并且其中所述接收到的数据点基于与所述多个群集质心中的每个群集质心相关联的数据点计数被指派给线程或处理器。《未被公开》 | 未找到对应内容。 | 对比文件未讨论质心数目与处理器数目的关系，也未提及基于质心关联的数据点计数来指派数据点给处理器的机制。因此，该技术特征未被公开。 |
| 技术特征N：其特征在于，所述数据点流基于所述多个线程和/或处理器中的每个线程和/或处理器的速度被指派给所述多个线程和/或处理器。《未被公开》 | 未找到对应内容。 | 对比文件未提及在数据指派时考虑处理器速度。因此，该技术特征未被公开。 |
| 技术特征O：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器生成围绕向所述多个线程和/或处理器中的每个线程和/或处理器置备的一个或多个质心的一个或多个群集。《隐含公开》 | [0051]段：“...clustering the voice samples on a machine perception space, then removing the voice samples clustering around a cluster centroid...” <br> [0012]段：“Each unit can be processed in parallel, and the algorithm is totally scalable...” | 目标专利的特征O描述了每个处理器/线程围绕其拥有的质心生成群集。对比文件[0051]段公开了“在机器感知空间中对语音样本进行聚类...然后移除聚类在聚类质心周围的语音样本”，这明确公开了生成围绕质心的群集这一行为。结合[0012]段公开的“每个单元可以并行处理”，本领域技术人员可以合理推断，在并行处理架构下，每个处理单元（线程/处理器）可以独立地对其分配到的数据子集执行聚类操作，从而生成围绕其处理范围内质心的（局部）群集。因此，该技术特征被对比文件隐含公开。 |
| 技术特征P：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在其开始接收所述数据点流的所述部分时开始生成所述一个或多个群集。《未被公开》 | 未找到对应内容。 | 对比文件描述的是对静态数据库的离线处理（例如“offline unit pruning”[0029]段），没有涉及“数据点流”或实时处理的概念。因此，不存在“开始接收数据点流时开始生成群集”这种在线处理的时序机制。该技术特征未被公开。 |
| 技术特征Q：其特征在于，所述多个线程和/或处理器中的每个线程和/或处理器在开始生成所述一个或多个群集之前缓冲所述部分的数据点中的一个或多个数据点。《未被公开》 | 未找到对应内容。 | 对比文件未提及任何关于缓冲数据点的操作。因此，该技术特征未被公开。 |
| 技术特征R：其特征在于，还包括：丢弃所述数据点流中的数据点以减少所述数据点流中的数据点数目。《未被公开》 | [0029], [0048], [0050]段等提到了“pruning”（剪枝）、“removing”（移除）单元。 | 对比文件公开的是从已建立的语音单元数据库中“剪枝”或“移除”冗余的单元，这是一种对静态数据集的事后优化操作。目标专利的特征R是指在接收实时数据点流的过程中“丢弃”数据点以减少待处理的数据量，这是一种在线数据筛选或降采样策略。两者目的（数据库优化 vs. 实时负载控制）、对象（静态数据库条目 vs. 动态数据流）和时机（离线后处理 vs. 在线处理）均不同。因此，该技术特征未被公开。 |
| 技术特征S：其特征在于，还包括：降低生成所述数据点流的一个或多个传感器的采样率以减少所述数据点流中的数据点数目。《未被公开》 | 未找到对应内容。 | 对比文件未提及任何调整传感器采样率的内容。因此，该技术特征未被公开。 |
| 技术特征T：其特征在于，还包括：对所述全局群集域执行后处理。《未被公开》 | 未找到对应内容。 | 对比文件描述了聚类和剪枝作为主要过程，但未提及在得到聚类结果（即质心集合或剪枝后的数据库）后，再对该结果执行额外的“后处理”。因此，该技术特征未被公开。 |
| 技术特征U：其特征在于，所述多个处理器和/或线程驻留在一用户装备上。《隐含公开》 | [0070]段：“The following description of FIGS. 7A and 7B is intended to provide an overview of computer hardware and other operating components suitable for performing the methods of the invention described above... including hand-held devices... cellular telephone...” | 目标专利的特征U限定处理器/线程驻留在“用户装备”上。对比文件[0070]段列举了可以实施该发明的硬件环境，包括“手持设备”和“蜂窝电话”，这些都属于“用户装备”的范畴。虽然对比文件没有明确说明“多个处理器和/或线程”具体驻留在这些设备上，但本领域技术人员可以理解，所描述的方法完全可以在这样的设备上执行，其硬件（如图7B中的处理器55、内存59）自然支持多线程或多处理器操作。因此，该技术特征被对比文件隐含公开。 |
| 技术特征V：其特征在于，所述多个处理器和/或线程驻留在多个用户装备上。《隐含公开》 | [0070]段：“The invention can also be practiced in distributed computing environments where tasks are performed, at least in parts, by remote processing devices that are linked through a communications network.” | 目标专利的特征V限定处理器/线程驻留在“多个用户装备”上。对比文件[0070]段明确提到了“分布式计算环境”，其中任务至少部分地由通过网络连接的“远程处理设备”执行。虽然“远程处理设备”可能包括服务器，但其同样可以涵盖通过网络互联的多个用户装备（如客户端计算机系统21, 25, 35, 37，见图7A和描述）。本领域技术人员可以合理推断，在分布式环境中，处理任务可以分布在多个这样的客户端设备上。因此，该技术特征被对比文件隐含公开。 |
<<<B>>><<<c>>><<<j>>><<<o>>><<<u>>><<<v>>>