CN108322673A - 视频生成方法和视频生成装置 - Google Patents

Abstract

本公开是关于视频生成方法，基于AVFoundation框架，所述方法包括：对获取到的音频数据和视频数据进行初始化；将初始化后的音频数据和视频数据添加至AVCaptureSession；从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；对缓存的视频文件进行合成。根据本公开的实施例，通过图像采集设备可以采集多段图像，并根据本实施例所述的步骤，每采集一段图像可以生成一份具有音频的视频文件并缓存，进而可以对缓存的多段视频文件进行合成，生成一个视频文件，从而实现分段视频的拍摄和分段视频的合成。

Description

视频生成方法和视频生成装置

技术领域

本公开涉及视频技术领域，尤其涉及视频生成方法、视频生成装置、电子设备和计算机可读存储介质。

背景技术

GPUImage是相关技术中一种常用开源框架，可以实现图像的输入、处理、输出等功能。GPUImage采用链式方法来处理图像，当一个目标(target)处理完图片，将图片传输至下一个目标，由下一个目标继续处理，从而形成GPUImage处理链。

GPUImage基于GPU(Graphics Processing Unit，图形处理器)虽然对图像具有高效的处理能力，但是仍然存在部分关于图像处理的功能是GPUImage不能实现的，例如针对多段视频文件的合成等功能。

发明内容

本公开提供视频生成方法、视频生成装置、电子设备和计算机可读存储介质，以解决相关技术中的不足。

根据本公开实施例的第一方面，提供一种视频生成方法，基于AVFoundation框架，所述方法包括：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

可选地，所述方法还包括：

将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象；

通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成。

可选地，在对缓存的视频文件进行合成之前，还包括：

根据接收到的删除指令删除缓存中指定的视频文件。

可选地，在对缓存的视频文件进行合成之前，还包括：

根据接收到的调整指令调整缓存的视频文件的顺序；

所述对缓存的视频文件进行合成包括：

根据调整后的顺序对缓存的视频文件进行合成。

根据本公开实施例的第二方面，提供一种视频生成装置，基于AVFoundation框架，所述装置包括：

初始化模块，被配置为对获取到的音频数据和视频数据进行初始化；

添加模块，被配置为将初始化后的音频数据和视频数据添加至AVCaptureSession；

样本获取模块，被配置为从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

文件生成模块，被配置为在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

文件合成模块，被配置为对缓存的视频文件进行合成。

可选地，所述初始化模块还被配置为将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象；

所述文件合成模块还被配置为通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成。

可选地，所述装置还包括：

文件删除模块，被配置为根据接收到的删除指令删除缓存中指定的视频文件。

可选地，所述装置还包括：

顺序调整模块，被配置为根据接收到的调整指令调整缓存的视频文件的顺序；

其中，所述文件合成模块被配置为根据调整后的顺序对缓存的视频文件进行合成。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为基于AVFoundation框架：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时基于AVFoundation框架实现以下步骤：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

本公开的实施例提供的技术方案可以包括以下有益效果：

由上述实施例可知，通过图像采集设备可以采集多段图像，并根据本实施例所述的步骤，每采集一段图像可以生成一份具有音频的视频文件并缓存，进而可以对缓存的多段视频文件进行合成，生成一个视频文件，从而实现分段视频的拍摄和分段视频的合成。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据本发明的实施例示出的一种视频生成方法的示意流程图。

图2是根据本发明的实施例示出的另一种视频生成方法的示意流程图。

图3是根据本发明的实施例示出的又一种视频生成方法的示意流程图。

图4是根据本发明的实施例示出的又一种视频生成方法的示意流程图。

图5是根据本发明的实施例示出的一种对缓存的视频文件进行合成的示意图。

图6是根据本发明的实施例示出的又一种视频生成方法的示意流程图。

图7是根据本发明的实施例示出的一种视频生成装置的示意框图。

图8是根据本发明的实施例示出的另一种视频生成装置的示意框图。

图9是根据本发明的实施例示出的又一种视频生成装置的示意框图。

图10是根据一示例性实施例示出的一种用于视频生成的装置的示意框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据本发明的实施例示出的一种视频生成方法的示意流程图。图2是根据本发明的实施例示出的另一种视频生成方法的示意流程图。本实施例所示的方法可以应用于图像采集设备，例如照相机、录像机、智能手机等电子设备。

如图1和图2所示，本实施例的视频生成方法基于AVFoundation框架，可以包括以下步骤：

在步骤S1中，对获取到的音频数据和视频数据进行初始化。

在一个实施例中，图2中一个AVCaptureDevice可以为摄像头，另一个AVCaptureDevice可以麦克风，可以通过摄像头采集视频数据，通过麦克风采集音频数据。然后将采集到的视频数据和音频数据分别初始化，例如初始化为AVCaptureDeviceInput对象。

在步骤S2中，将初始化后的音频数据和视频数据添加至AVCaptureSession。

在一个实施例中，AVCaptureSession是可以用于调配音视频输入与输出的数据流的类，在该步骤中，可以对音频数据和视频数据的参数进行配置，例如配置视频数据的分辨率、比特率等。

在步骤S3中，从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存。

在一个实施例中，可以从AVCaptureVideoDataOutput输出的对象中获取视频数据的元数据，可以从AVCaptureAudioDataOutput输出的对象中获取音频数据的元数据。

在一个实施例中，缓存元数据可以是将元数据传输至缓存代理，例如，id<AVCaptureAudioDataOutputSampleBufferDelegate，AVCaptureVideoDataOutputSampleBufferDelegate>。

在一个实施例中，针对缓存的元数据，可以对其进行处理，例如在其中添加滤镜，识别其中的人脸；也可以进行实时预览或写入文件，其中，关于写入文件的方式，在后续步骤进行说明。

在步骤S4中，在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存。其中，针对视频数据的样本，可以通过AVAssetWriterInput(video)输入AVAssetWriter，针对音频数据的样本，可以通过AVAssetWriterInput(audio)输入AVAssetWriter。

在一个实施例中，可以在同步的两个线程上分别通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，其中，容器文件的类型可以根据需要进行设置，例如可以是.mov格式，从而使得视频文件具有声音。

在步骤S5中，对缓存的视频文件进行合成。其中，缓存中的视频文件可以是指缓存中的所有视频文件，也可以是根据接收到的指令在缓存中确定的若干个视频文件。

在一个实施例中，通过图像采集设备可以采集多段图像，并根据本实施例所述的步骤，每采集一段图像可以生成一份具有音频的视频文件并缓存，进而可以对缓存的多段视频文件进行合成，生成一个视频文件，从而实现分段视频的拍摄和分段视频的合成。

图3是根据本发明的实施例示出的又一种视频生成方法的示意流程图。如图3所示，所述视频生成方法还可以包括以下步骤：

在步骤S6中，将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象。

在步骤S7中，通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCom positionTrack对象进行合成。

在一个实施例中，可以根据需要将视频文件初始化为AVMutableCompositionTrack对象，也可以将视频数据的样本初始化为AVMutableCompositionTrack对象。

以将视频数据的样本初始化为AVMutableCompositionTrack对象为例，那么通过AVMutableComposition对视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成，使得生成的视频文件具有声音，且声音与预设音频文件相对应。据此，可以实现通过预设音频文件对视频数据的样本进行配音。

以将视频文件初始化为AVMutableCompositionTrack对象为例，那么通过AVMutableComposition对视频文件AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成，使得所述视频文件原有的声音发生改变，且改变后的声音与预设音频文件相对应。据此，可以实现通过预设音频文件对视频文件进行变声。

图4是根据本发明的实施例示出的又一种视频生成方法的示意流程图。图5是根据本发明的实施例示出的一种对缓存的视频文件进行合成的示意图。如图4所示，在图1所示实施例的基础上，在对缓存的视频文件进行合成之前，所述方法还包括：

在步骤S8中，根据接收到的删除指令删除缓存中指定的视频文件。

在一个实施例中，针对缓存中具有音频的视频文件，可以根据接收到的删除指令从缓存中删除指定的视频文件，例如图5所示，生成了4个具有音频的视频文件，分别为0.mov、1.mov、2.mov和3.mov，若根据删除指令删除其中的文件1.mov，那么在后续步骤中，只需将对0.mov、2.mov和3.mov进行合成得到final.mov。据此，可以实现对分段视频的删除。

图6是根据本发明的实施例示出的又一种视频生成方法的示意流程图。如图6所示，在图1所示实施例的基础上，在对缓存的视频文件进行合成之前，所述方法还包括：

在步骤S9中，根据接收到的调整指令调整缓存的视频文件的顺序；

所述对缓存的视频文件进行合成包括：

在步骤S501中，根据调整后的顺序对缓存的视频文件进行合成。

在一个实施例中，在一个实施例中，针对缓存中具有音频的视频文件，可以根据接收到的调整指令调整视频文件的顺序。

例如缓存中存在4个具有音频的视频文件，默认按照拍摄时间的先后顺序，排序为0.mov、1.mov、2.mov和3.mov，那么在此基础上合成的视频文件的时间轴按对应0.mov、1.mov、2.mov和3.mov的顺序。

而若根据调整指令调整缓存的视频文件的顺序，例如调整后的顺序为1.mov、0.mov、2.mov和3.mov，那么在此基础上合成的视频文件的时间轴按对应1.mov、0.mov、2.mov和3.mov的顺序。

在一个实施例中，所述方法还可以包括以下步骤：

初始化OpenGL ES环境，编译以及链接顶点着色器和片元着色器；

缓存视频文件中的图像数据，例如顶点、纹理坐标数据，将图像数据传输至GPU，通过GPU绘制图元到特定的帧缓存，在帧缓存得到特定的图像进行显示。据此，可以实现对视频的处理。

上述通过OpenGL对图像数据进行处理的过程，也可以使用苹果的Core Image框架中CIFilter来替代执行部分简易的处理工作步骤，例如将视频文件对应的样本数据转换为CIImage后，通过CIFilter组建的管线处理。

与前述的视频生成方法的实施例相对应，本公开还提供了视频生成装置的实施例。

图7是根据本发明的实施例示出的一种视频生成装置的示意框图。本实施例所示的方法可以应用于图像采集设备，例如照相机、录像机、智能手机等电子设备。

如图7所示，本实施例的视频生成方法可以包括：

初始化模块1，被配置为对获取到的音频数据和视频数据进行初始化；

添加模块2，被配置为将初始化后的音频数据和视频数据添加至AVCaptureSession；

样本获取模块3，被配置为从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

文件生成模块4，被配置为在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

文件合成模块5，被配置为对缓存的视频文件进行合成。

可选地，所述初始化模块还被配置为将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象；

所述文件合成模块还被配置为通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成。

图8是根据本发明的实施例示出的另一种视频生成装置的示意框图。如图8所示，在图7所示实施例的基础上，所述装置还包括：

文件删除模块6，被配置为根据接收到的删除指令删除缓存中指定的视频文件。

图9是根据本发明的实施例示出的又一种视频生成装置的示意框图。如图9所示，在图7所示实施例的基础上，所述装置还包括：

顺序调整模块7，被配置为根据接收到的调整指令调整缓存的视频文件的顺序；

其中，所述文件合成模块5被配置为根据调整后的顺序对缓存的视频文件进行合成。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在相关方法的实施例中进行了详细描述，此处将不做详细阐述说明。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本公开的实施例还提出一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为基于AVFoundation框架：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

本公开的实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时基于AVFoundation框架实现以下步骤：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

图10是根据一示例性实施例示出的一种用于视频生成的装置1000的示意框图。例如，装置1000可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，装置1000可以包括以下一个或多个组件：处理组件1002，存储器1004，电源组件1006，多媒体组件1008，音频组件1010，输入/输出(I/O)的接口1012，传感器组件1014，以及通信组件1016。

处理组件1002通常控制装置1000的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1002可以包括一个或多个处理器1020来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1002可以包括一个或多个模块，便于处理组件1002和其他组件之间的交互。例如，处理组件1002可以包括多媒体模块，以方便多媒体组件1008和处理组件1002之间的交互。

存储器1004被配置为存储各种类型的数据以支持在装置1000的操作。这些数据的示例包括用于在装置1000上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1004可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1006为装置1000的各种组件提供电力。电源组件1006可以包括电源管理系统，一个或多个电源，及其他与为装置1000生成、管理和分配电力相关联的组件。

多媒体组件1008包括在所述装置1000和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1008包括一个前置摄像头和/或后置摄像头。当装置1000处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1010被配置为输出和/或输入音频信号。例如，音频组件1010包括一个麦克风(MIC)，当装置1000处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1004或经由通信组件1016发送。在一些实施例中，音频组件1010还包括一个扬声器，用于输出音频信号。

I/O接口1012为处理组件1002和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1014包括一个或多个传感器，用于为装置1000提供各个方面的状态评估。例如，传感器组件1014可以检测到装置1000的打开/关闭状态，组件的相对定位，例如所述组件为装置1000的显示器和小键盘，传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变，用户与装置1000接触的存在或不存在，装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1014还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1016还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置1000可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述任一实施例所述的方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1004，上述指令可由装置1000的处理器1020执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请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下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种视频生成方法，其特征在于，基于AVFoundation框架，所述方法包括：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

2.根据权利要求1所述的方法，其特征在于，还包括：

将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象；

通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成。

3.根据权利要求1或2所述的方法，其特征在于，在对缓存的视频文件进行合成之前，还包括：

根据接收到的删除指令删除缓存中指定的视频文件。

4.根据权利要求1或2所述的方法，其特征在于，在对缓存的视频文件进行合成之前，还包括：

根据接收到的调整指令调整缓存的视频文件的顺序；

所述对缓存的视频文件进行合成包括：

根据调整后的顺序对缓存的视频文件进行合成。

5.一种视频生成装置，其特征在于，基于AVFoundation框架，所述装置包括：

初始化模块，被配置为对获取到的音频数据和视频数据进行初始化；

添加模块，被配置为将初始化后的音频数据和视频数据添加至AVCaptureSession；

样本获取模块，被配置为从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

文件生成模块，被配置为在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

文件合成模块，被配置为对缓存的视频文件进行合成。

6.根据权利要求5所述的装置，其特征在于，所述初始化模块还被配置为将所述视频文件或视频数据的样本初始化为AVMutableCompositionTrack对象，将预设音频文件分别初始化为AVMutableCompositionTrack对象；

所述文件合成模块还被配置为通过AVMutableComposition对所述视频文件的或视频数据的样本AVMutableCompositionTrack对象和所述预设音频文件的AVMutableCompositionTrack对象进行合成。

7.根据权利要求5或6所述的装置，其特征在于，还包括：

文件删除模块，被配置为根据接收到的删除指令删除缓存中指定的视频文件。

8.根据权利要求5或6所述的装置，其特征在于，还包括：

顺序调整模块，被配置为根据接收到的调整指令调整缓存的视频文件的顺序；

其中，所述文件合成模块被配置为根据调整后的顺序对缓存的视频文件进行合成。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为基于AVFoundation框架：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时基于AVFoundation框架实现以下步骤：

对获取到的音频数据和视频数据进行初始化；

将初始化后的音频数据和视频数据添加至AVCaptureSession；

从AVCaptureSession中获取音频数据和视频数据的元数据作为样本并缓存；

在同步线程上通过AVAssetWriter将音频数据的样本和视频数据的样本写入容器文件，以生成具有音频的视频文件并缓存；

对缓存的视频文件进行合成。