CN108337558A - 音视频剪辑方法及终端 - Google Patents

音视频剪辑方法及终端 Download PDF

Info

Publication number
CN108337558A
CN108337558A CN201711432778.XA CN201711432778A CN108337558A CN 108337558 A CN108337558 A CN 108337558A CN 201711432778 A CN201711432778 A CN 201711432778A CN 108337558 A CN108337558 A CN 108337558A
Authority
CN
China
Prior art keywords
audio
video
voice messaging
file
video segment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711432778.XA
Other languages
English (en)
Inventor
程瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nubia Technology Co Ltd
Original Assignee
Nubia Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nubia Technology Co Ltd filed Critical Nubia Technology Co Ltd
Priority to CN201711432778.XA priority Critical patent/CN108337558A/zh
Publication of CN108337558A publication Critical patent/CN108337558A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/435—Processing of additional data, e.g. decrypting of additional data, reconstructing software from modules extracted from the transport stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects

Abstract

本发明公开了一种终端，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音视频剪辑程序，音视频剪辑程序被处理器执行时实现如下步骤：接收对音视频中特定目标的配音指令，确定需要配音的音视频片段；录制音视频片段对应的配音文件；识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；判断所述第一语音信息和所述第二语音信息是否相同；若相同，则将音视频片段中的音频文件替换成所述配音文件；相比于现有技术，本发明基于语音识别技术，对特定目标的音频文件和配音文件进行识别，若相同，则将音频文件和配音文件进行替换，达到对音视频中特定目标的音频文件自动剪辑目的。

Description

音视频剪辑方法及终端
技术领域
本发明涉及音视频处理技术领域，尤其涉及一种音视频剪辑方法及终端。
背景技术
随着电子技术的不断发展，用户通过电子终端(如：电视、电脑、智能手机等)观看音视频(包括音频文件和视频文件，如：影视剧、综艺节目、短视频等)时，对音视频中的音频文件要求也在不断变化和提高，不愿被动接受音视频所提供的音频文件(配音)，而是希望可以获得视频文件本身所携带的音频文件之外的其他音频文件，更有甚者加入自己主动制作音频文件中，即自己对视频文件配音；现在很多的短视频用户，都喜欢给自己感兴趣的视频文件配音。
而现有的音视频配音方法一般是在终端播放视频的过程中，录制配音文件，此后将视频文件和配音文件进行合成，得到配音后的音视频；但是这种配音方法更适用于对视频完整配音；在用户仅需要对音视频中的某一特定人物或者某一特定语句进行配音时，这种配音方法完全不适合。而目前也还没有一种针对音视频中特定人物或者特定语句进行配音剪辑的方法。
发明内容
本发明的主要目的在于提出一种基于语音识别的音视频剪辑方法及终端，旨在解决对音视频中的特定人物或者特定语句进行配音剪辑的方法，以达到自动剪辑音频文件的效果。
首先，为实现上述目的，本发明提供一种终端，所述终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音视频剪辑程序，所述音视频剪辑程序被所述处理器执行时实现如下步骤：
接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；
播放音视频，录制所有所述音视频片段对应的所有配音文件；
识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；
判断所述第一语音信息和所述第二语音信息是否相同；
若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件。
可选地，所述“判断所述第一语音信息和所述第二语音信息是否相同”包括以下步骤：
设定所述第一语音信息和所述第二语音信息之间的相似度阈值；
判断所述第一语音信息和所述第二语音信息之间的相似度是否大于所述相似度阈值；
若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；
若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。
可选地，所述第一语音信息包括第一文本信息，所述第二语音信息包括第二文本信息；
所述“判断所述第一语音信息和所述第二语音信息是否相同”包括以下步骤：
判断所述第一文本信息和所述第二文本信息是否相同。
可选地，所述“判断所述第一文本信息和所述第二文本信息是否相同”包括以下步骤：
设定所述第一文本信息和所述第二文本信息之间的相似度阈值；
判断所述第一文本信息和所述第二文本信息之间的相似度是否大于所述相似度阈值；
若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；
若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。
可选地，所述“将所述音视频片段中的音频文件替换成所述配音文件”包括以下步骤：
消除所述音视频片段中的所述音频文件；
将所述配音文件和消除了所述音频文件的所述音视频片段合成特定音视频片段。
可选地，所述“将所述音视频片段中的音频文件替换成所述配音文件”包括以下步骤：
提取所述音视频片段中的视频文件；
将所述视频文件和所述配音文件合成特定音视频片段。
可选地，所述“将所述音视频片段中的音频文件替换成所述配音文件”还包括以下步骤：
将所述音视频中的所述音视频片段替换成所述特定音视频片段。
可选地，所述音视频片段包括时间戳，所述时间戳包括所述音视频片段在所述音视频的播放进度条中的起始时间和/或结束时间。
一种音视频剪辑方法，其包括以下步骤：
接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；
播放音视频，录制所有所述音视频片段对应的所有配音文件；
识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；
判断所述第一语音信息和所述第二语音信息是否相同；
若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件。
可选地，所述特定目标包括特定人物和/或者特定语句。
为实现上述目的，本发明还提供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音视频剪辑程序，所述音视频剪辑程序被处理器执行时实现如上述音视频剪辑方法的步骤。
相较于现有技术，本发明所提出的音视频剪辑方法、终端及计算机可读存储介质，通过接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；播放音视频，录制所有所述音视频片段对应的所有配音文件；识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；判断所述第一语音信息和所述第二语音信息是否相同；若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件；基于语音识别技术，对特定目标的音频文件和配音文件进行识别，若音频文件和配音文件相同，则将音频文件和配音文件进行替换，达到对音视频中特定目标的音频文件自动剪辑目的；解决了现有技术中只能对已有的完整视频进行配音，不利于用户的主动参与，方便用户能简单、有效地对特定目标的配音，提高用户的体验。
附图说明
图1为实现本发明各个实施例一可选的终端的硬件结构示意图；
图2为本发明实施例提供的一种通信网络系统架构图；
图3为本发明音视频剪辑程序第一实施例的功能模块示意图；
图4为本发明音视频剪辑程序中判断模块所包括的功能模块示意图；
图5为本发明音视频剪辑方法第一实施例的实施流程示意图；
图6为本发明音视频剪辑方法第二实施例的实施流程示意图；
图7为本发明音视频剪辑方法第三实施例的实施流程示意图；
图8为本发明终端接受用户配音指令时一实施例的示意图；
图9为本发明终端在设定相似度阈值时一实施例的示意图。
附图标记：
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。
后续描述中将以终端为例进行说明，本领域技术人员将理解的是，本发明的实施方式的构造除了能够应用于固定类型的终端，也能用于移动终端，特别是在添加特别用于移动目的的元件之后。
请参阅图1，其为实现本发明各个实施例的一种终端的硬件结构示意图，该终端100可以包括：RF(Radio Frequency，射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对终端的各个部件进行具体的介绍：
射频单元101可用于收发信息或通话过程中，信号的接收和发送，具体的，将基站的下行信息接收后，给处理器110处理；另外，将上行的数据发送给基站。通常，射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，应用于移动终端中，射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobilecommunication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA2000(Code Division Multiple Access 2000，码分多址2000)、WCDMA(Wideband Code Division Multiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous Code Division Multiple Access，时分同步码分多址)、FDD-LTE(FrequencyDivision Duplexing-Long Term Evolution，频分双工长期演进)和TDD-LTE(TimeDivision Duplexing-Long Term Evolution，分时双工长期演进)等。
WiFi属于短距离无线传输技术，终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102，但是可以理解的是，其并不属于终端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将射频单元101或 WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元103还可以提供与终端100执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头) 获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风 1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据)，并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
终端100还包括至少一种传感器105，比如光传感器、温度传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度，应用在移动终端中，光传感器可在终端100移动到耳边时，关闭显示面板1061和/或背光。此外，在移动终端中一般还添加有运动传感器，作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作)，并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器110，并能接收处理器110发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071，用户输入单元107还可以包括其他输入设备1072。具体地，其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种，具体此处不做限定。
进一步的，触控面板1071可覆盖显示面板1061，当触控面板1071检测到在其上或附近的触摸操作后，传送给处理器110以确定触摸事件的类型，随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中，触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到终端100内的一个或多个元件或者可以用于在终端 100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器109可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器109内的软件程序和/或模块，以及调用存储在存储器109内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。处理器110可包括一个或多个处理单元；优选的，处理器 110可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。
终端100还可以包括给各个部件供电的电源111(比如电池)，优选的，电源111可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出，终端100还可以包括蓝牙模块等，在此不再赘述。
为了便于理解本发明实施例，下面对本发明的终端，特别是移动终端所基于的通信网络系统进行描述。
请参阅图2，图2为本发明实施例提供的一种通信网络系统架构图，该通信网络系统为通用移动通信技术的LTE系统，该LTE系统包括依次通讯连接的UE(User Equipment，用户设备)201，E-UTRAN(Evolved UMTS Terrestrial Radio Access Network，演进式UMTS陆地无线接入网)202，EPC(Evolved Packet Core，演进式分组核心网)203和运营商的IP业务204。
具体地，UE201可以是上述终端100，此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中， eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接，eNodeB2021连接到EPC203，eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity，移动性管理实体) 2031，HSS(Home Subscriber Server，归属用户服务器)2032，其它 MME2033，SGW(Serving GateWay，服务网关)2034，PGW(PDN Gate Way，分组数据网络网关)2035和PCRF(Policy andCharging Rules Function，政策和资费功能实体)2036等。其中，MME2031是处理UE201和EPC203之间信令的控制节点，提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能，并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送，PGW2035可以提供UE 201的IP地址分配以及其它功能，PCRF2036 是业务数据流和IP承载资源的策略与计费控制策略决策点，它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem，IP 多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍，但本领域技术人员应当知晓，本发明不仅仅适用于LTE系统，也可以适用于其他无线通信系统，例如GSM、 CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等，此处不做限定。
基于上述终端100硬件结构以及通信网络系统，提出本发明方法各个实施例。
首先，本发明提出一种终端，所述终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音视频剪辑程序300。其中本发明所称的模块是指一种能够完成特定功能的一系列计算机程序指令段，比计算机程序更适合于描述软件在所述终端100中的执行过程。
如图3所示，是本发明音视频剪辑程序300第一实施例的功能模块示意图。在本实施例中，所述音视频剪辑程序300可以被分割成一个或多个模块，所述一个或多个模块存储于所述终端100的存储器109中，并由一个或多个处理器 (本实施例中为所述控制器110)所执行，以完成本发明。例如，在图3中，所述音视频剪辑程序300可以被分割成指令接受模块301、录制配音模块302、语音识别模块303、判断模块304以及替换模块305。以下将就上述各功能模块301-305的具体功能进行详细描述。其中：
指令接受模块301，用于接收对音视频中特定目标的配音指令，并根据所述配音指令确定需要配音的所有音视频片段。
本实施例中，接受对音视频中特定目标的配音指令，实际是用户在观看视频时选取的特定目标作为配音对象，这里的特定目标可以是音视频中的某一个人，或者某一句话，在音视频中即体现为特定人物或特定语句；如果特定目标为指定的某一个人，那么就是对该被指定的人在音视频中进行相应的配音；如果特定目标是某一句话，则是在该句话每次在音视频中被不同的角色提起时，进行相应的配音。根据所述配音指令确定需要配音的所有音视频片段，具体地，在某一音视频中，用户指定其中的角色A为配音的特定目标，而角色A在该段音视频中有四段说台词的音视频片段，每段音视频片段在所述音视频播放进度条中均有起始时间和结束时间，如图7所示，第一段音视频片段的起始时间和结束时间分别在41秒和1分20秒，第二段音视频片段的起始时间和结束时间分别在4分30秒和4分50秒，第三段音视频片段的起始时间和结束时间分别在6分18秒和6分52秒，第四段音视频片段的起始时间和结束时间分别在8分15秒和8分46秒，这四段音视频片段即为用户即将要配音的音视频文件。
在这里需要说明的是，这里的所有的所述音视频片段均包括时间戳，时间戳可以为所确定的音视频片段在所述音视频的播放进度条中的起始时刻、结束时刻或中间时刻中的一种或几种；具体还是以接续上面的例子，用户所指定角色A为配音的特定目标，如图8所示，接受配音指令，角色A的四段音视频片段均会包括一个标记，即时间戳，这个时间戳可以是这段音视频片段中的起始时刻、也可以是结束时刻、也可以是起始时刻和结束时刻中的某一中间时刻，或者是这三个时刻中的其中两个时刻，甚至可以是这三个时刻，以第一段音视频片段来说，其包括时间戳，时间戳可以是41秒、可以是1分 20秒，也可以是1分2秒，也可以是41秒和1分20秒之间(包括41秒和1 分20秒)的任一一个时刻、两个时刻或者几个时刻，具体地，用户在这里将第一段音视频片段的时间戳记为41秒。在此时间戳主要是方便在其他模块运行时的作为标记，防止出现进程混乱。
录制配音模块302，用于在播放音视频，录制所有所述音视频片段对应的所有配音文件。
需要说明的是，我们在对音视频片段进行配音时，可以在所述音视频播放中，直接对所有所述音视频片段对在音视频播放过程进行配音，形成配音文件，也可以是将所有的所述音视频片段单独剪辑出来，对每一段音视频片段进行一一配音并录制成配音文件，这里就涉及到音视频的剪辑，当然采用现有的剪辑方法即可；需要说明的是，不管是直接对所有的所述音视频片段在音视频播放过程中进行配音，还是将所有的音视频剪辑出来后配音，这里的配音内容均是和原有的音视频片段中的音频文件内容相同的；比如这里的音视频片段中的音频文件内容是“Life was a box of chocolates,you never know whatyou're gonna get.”那么用户在对该音视频片段进行配音时，配音的台词也是“Life wasa box of chocolates,you never know what you're gonna get.”这样后续的判断模块303才能对第一语音信息和第二语音信息进行比较继而判断他们是否相同。
语音识别模块303，用于识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息。
本发明即是基于语音识别而来的，通过语音识别所述音视频片段中的音频文件的第一语音信息和所述配音文件的第二语音信息，语音识别技术并非本发明的特定技术，其在现有的终端应用中已经普及，但是在音视频的处理上还涉及不多，特别是本发明将语音识别利用在识别音频文件的第一语音信息和所述配音文件中的第二语音信息，从录制配音模块302中，我们知道音频文件的文字内容(台词)和配音文件的台词是一样的，区别在于音频文件是由所述音视频原来的配音人员录制的，其更专业，而配音文件是用户专门为该音视频中的特定目标而录制的，更有互动性，更能提高用户的体验，那么语音识别模块303在对所述音频文件和所述配音文件进行识别时，由于所述配音文件和所述音频文件的配音人员不同，考虑到配音人员和用户之间的发音方式、习惯等，可能识别出的第一语音信息和第二语音信息会稍有差异，这样我们在进行后续处理时就要考虑到第一语音信息和第二语音信息的差异。
判断模块304，用于判断所述第一语音信息和所述第二语音信息是否相同。
在本实施例中，直接比较所述第一语音信息和所述第二语音信息的内容是否相同，具体地，在上述语音识别模块303中已经说明，考虑到配音人员和用户之间的发音方式、习惯等，语音识别模块识别配音人和用户之间的相同台词时，也会存在细微差异，导致得到的所述第一语音信息和第二语音信息会稍有差异，这样，我们就需要对其进一步的处理，具体地，如图4所示，所述判断模块304包括阈值设定模块401，用于设定所述第一语音信息和所述第二语音信息之间的相似度阈值；相似度判断模块402，用于判断所述第一语音信息和所述第二语音信息之间的相似度是否大于所述相似度阈值；结果认定模块403，若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则用于认定所述第一语音信息和所述第二语音信息相同；若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则用于认定所述第一语音信息和所述第二语音信息不相同。在这里，相似度阈值是可以是用户自己设定的，如图9所述，在配音开始时，用户即可以在配音设置中设置相似度阈值，最高可以设置为100％，当然，用户也可以选择比100％低的数据，如90％，这里当然也可以由系统默认设置，系统可以根据用户的历史数据或者数据库中的历史大数据来设定相似度阈值。另外，所述第一语音信息和所述第二语音信息之间的相似度可以根据语音相似度来对比，所述第一语音信息与所述第二语音信息之间的差别越小，两者之间相似度越高，大于了相似度阈值，若设定的相似度阈值为90％，两者之间相似度大于90％，则判断第一语音信息与第二语音信息相同。
作为本发明实施例的进一步改进，还可以将第一语音信息和第二语音信息文字化，即所述第一语音信息包括第一文本信息，所述第二语音信息包括第二文本信息；而所述判断模块304'用于所述“判断所述第一语音信息和所述第二语音信息是否相同”在这里可以为所述判断模块304'用于判断所述第一文本信息和所述第二文本信息是否相同；而用于判断所述第一文本信息和所述第二文本信息是否相同的所述判断模块304'同样包括如上所述的模块，如图4 所述，阈值设定模块401'，用于设定所述第一文本信息和所述第二文本信息之间的相似度阈值；相似度判断模块402'，判断所述第一文本信息和所述第二文本信息之间的相似度是否大于所述相似度阈值；结果认定模块403'，若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。在此，我们举例说明，若在这里，用户设定的相似度阈值是90％，其中音频文件的第一语音信息包括的第一文本信息内容是“Life was a box of chocolates,you never know what you're gonna get.”而配音文件的第二语音信息包括的第二文本信息内容是“Life was a box of chocolates,younever know what you're gonn get.”两者之间的相似度是大于90％，这样即说明第一语音信息和第二语音信息是相同的，则可以进入替换模块305。
另外，还需要说明的是，本实施例中，判断所述第一语音信息和所述第二语音信息是否相同，还是以上面的例子来说明，在某一音视频中，用户指定其中的角色A为配音的特定目标，而角色A在该段音视频中有四段说台词的音视频片段，第一段音视频片段的起始时间和结束时间分别在41秒和1分 20秒，第二段音视频片段的起始时间和结束时间分别在4分30秒和4分50 秒，第三段音视频片段的起始时间和结束时间分别在6分18秒和6分52秒，第四段音视频片段的起始时间和结束时间分别在8分15秒和8分46秒，这四段音视频片段即为用户即将要配音的音视频文件。这也预示着，这里的所述第一语音信息和所述第二语音信息并不是只有单独的一条，判断模块304在此，不仅是对配音文件与音频文件的一一对应比对，举例说明，是将第一段音视频片段的配音文件的第二语音信息和音频文件的第一语音信息进行比对，还涉及配音文件和音频文件的不对应比对，即是将第一段音视频片段的配音文件的第二语音信息和第二段音视频片段或第三、第四段音视频的音频文件的第一语音信息进行比对。
替换模块305，若所述第一语音信息和所述第二语音信息相同，则用于将所述音视频片段中的音频文件替换成所述配音文件。
在本实施例中，将所述音视频片段中的音频文件替换成所述配音文件，可以先通过音视频消音工具消除所述音视频片段中的所述音频文件；再将所述配音文件和消除了所述音频文件的所述音视频片段合成特定音视频片段，最后将所述音视频中的所述音视频片段替换成所述特定音视频片段。继续举例来说明，先将第一、第二、第三和第四段音视频片段中的音频文件消除，留下视频文件，然后将配音文件和第一、第二、第三、第四端音视频片段留下视频文件分别对应，将配音文件和视频文件合成特定音视频片段，然后根据音视频片段中的时间戳，将特定的音视频片段添加到原音视频文件中，这样就达到将原音视频中的音视频片段替换成特定音视频片段的目的，达到用户请求，当接收到用户的剪辑指令，即开始进行文件替换，完成对特定目标的剪辑。
此外，作为本发明实施例的进一步改进，还可以通过提取所述音视频片段中的视频文件；将所述视频文件和所述配音文件合成特定音视频片段；将所述音视频中的所述音视频片段替换成所述特定音视频片段。还是举例来说明，先将第一、第二、第三和第四段音视频片段中的视频文件提取出来，然后将配音文件和第一、第二、第三、第四端音视频片段留下的视频文件分别对应，将配音文件和视频文件合成特定音视频片段，然后根据音视频片段中的时间戳，将特定的音视频片段添加到原音视频文件中，这样就达到将原音视频中的音视频片段替换成特定音视频片段的目的，达到用户请求。
通过上述模块301-305，相较于现有技术，本实施例所提出的终端及终端中的音视频剪辑程序，通过接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；播放音视频，录制所有所述音视频片段对应的所有配音文件；识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；判断所述第一语音信息和所述第二语音信息是否相同；若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件；基于语音识别技术，对特定目标的音频文件和配音文件进行识别，若音频文件和配音文件相同，则将音频文件和配音文件进行替换，在整个音视频的剪辑中，除了录制配音模块 302需要手动操作，其他均可以实现自动话剪辑，达到对音视频中特定目标的音频文件自动剪辑目的；解决了现有技术中只能对已有的完整视频进行配音，不利于用户的主动参与，方便用户能简单、有效地对特定目标的配音，提高用户的体验。
此外，本发明提出一种音视频剪辑方法，该音视频剪辑方法应用于图1 至图2所示终端，所述终端包括存储器和处理器。
如图5所示，是本发明音视频剪辑方法第一实施例的实施流程图。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。所述音视频剪辑方法包括：
步骤S501，接收对音视频中特定目标的配音指令，并根据所述配音指令确定需要配音的所有音视频片段。
本实施例中，接受对音视频中特定目标的配音指令，实际是用户在观看视频时选取的特定目标作为配音对象，这里的特定目标可以是音视频中的某一个人，或者某一句话，在音视频中即体现为特定人物或特定语句；如果特定目标为指定的某一个人，那么就是对该被指定的人在音视频中进行相应的配音；如果特定目标是某一句话，则是在该句话每次在音视频中被不同的角色提起时，进行相应的配音。根据所述配音指令确定需要配音的所有音视频片段，具体地，在某一音视频中，用户指定其中的角色A为配音的特定目标，如图8所示，接受配音指令，而角色A在该段音视频中有四段说台词的音视频片段，每段音视频片段在所述音视频播放进度条中均有起始时间和结束时间，第一段音视频片段的起始时间和结束时间分别在41秒和1分20秒，第二段音视频片段的起始时间和结束时间分别在4分30秒和4分50秒，第三段音视频片段的起始时间和结束时间分别在6分18秒和6分52秒，第四段音视频片段的起始时间和结束时间分别在8分15秒和8分46秒，这四段音视频片段即为用户即将要配音的音视频文件。
在这里需要说明的是，这里的所有的所述音视频片段均包括时间戳，时间戳可以为所确定的音视频片段在所述音视频的播放进度条中的起始时刻、结束时刻或中间时刻中的一种或几种；具体还是以接续上面的例子，用户所指定角色A为配音的特定目标，角色A的四段音视频片段均会包括一个标记，即时间戳，这个时间戳可以是这段音视频片段中的起始时刻、也可以是结束时刻、也可以是起始时刻和结束时刻中的某一中间时刻，或者是这三个时刻中的其中两个时刻，甚至可以是这三个时刻，以第一段音视频片段来说，其包括时间戳，时间戳可以是41秒、可以是1分20秒，也可以是1分2秒，也可以是41秒和1分20秒之间(包括41秒和1分20秒)的任一一个时刻、两个时刻或者几个时刻，具体地，用户在这里将第一段音视频片段的时间戳记为41秒。在此时间戳主要是方便在其他模块运行时的作为标记，防止出现进程混乱。
步骤S502，播放音视频，录制所有所述音视频片段对应的所有配音文件。
需要说明的是，我们在对音视频片段进行配音时，可以在所述音视频播放中，直接对所有所述音视频片段对在音视频播放过程进行配音，形成配音文件，也可以是将所有的所述音视频片段单独剪辑出来，对每一段音视频片段进行一一配音并录制成配音文件，这里就涉及到音视频的剪辑，当然采用现有的剪辑方法即可；需要说明的是，不管是直接对所有的所述音视频片段在音视频播放过程中进行配音，还是将所有的音视频剪辑出来后配音，这里的配音内容均是和原有的音视频片段中的音频文件内容相同的；比如这里的音视频片段中的音频文件内容是“Life was a box of chocolates,you never know whatyou're gonna get.”那么用户在对该音视频片段进行配音时，配音的台词也是“Life wasa box of chocolates,you never know what you're gonna get.”这样后续的步骤才能对第一语音信息和第二语音信息进行比较继而判断他们是否相同。
步骤S503，识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息。
本发明即是基于语音识别而来的，通过语音识别所述音视频片段中的音频文件的第一语音信息和所述配音文件的第二语音信息，语音识别技术并非本发明的特定技术，其在现有的终端应用中已经普及，但是在音视频的处理上还涉及不多，特别是本发明将语音识别利用在识别音频文件的第一语音信息和所述配音文件中的第二语音信息，从录制配音模块302中，我们知道音频文件的文字内容(台词)和配音文件的台词是一样的，区别在于音频文件是由所述音视频原来的配音人员录制的，其更专业，而配音文件是用户专门为该音视频中的特定目标而录制的，更有互动性，更能提高用户的体验，那么步骤S503在对所述音频文件和所述配音文件进行识别时，由于所述配音文件和所述音频文件的配音人员不同，考虑到配音人员和用户之间的发音方式、习惯等，可能识别出的第一语音信息和第二语音信息会稍有差异，这样我们在进行后续处理时就要考虑到第一语音信息和第二语音信息的差异。
步骤S504，用于判断所述第一语音信息和所述第二语音信息是否相同。
在本实施例中，直接比较所述第一语音信息和所述第二语音信息的内容是否相同，具体地，在上述步骤中已经说明，考虑到配音人员和用户之间的发音方式、习惯等，语音识别模块识别配音人和用户之间的相同台词时，也会存在细微差异，导致得到的所述第一语音信息和第二语音信息会稍有差异，这样，我们就需要对其进一步的处理，具体地，如图6所示，所述步骤S504 包括步骤S514，设定所述第一语音信息和所述第二语音信息之间的相似度阈值；步骤S524，判断所述第一语音信息和所述第二语音信息之间的相似度是否大于所述相似度阈值；步骤S534，若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；步骤S544，若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则用于认定所述第一语音信息和所述第二语音信息不相同。在这里，相似度阈值是可以是用户自己设定的，如图9所述，在配音开始时，用户即可以在配音设置中设置相似度阈值，最高可以设置为100％，当然，用户也可以选择比100％低的数据，如90％，这里当然也可以由系统默认设置，系统可以根据用户的历史数据或者数据库中的历史大数据来设定相似度阈值。另外，所述第一语音信息和所述第二语音信息之间的相似度可以根据语音相似度来对比，所述第一语音信息与所述第二语音信息之间的差别越小，两者之间相似度越高，大于了相似度阈值，若设定的相似度阈值为90％，两者之间相似度大于90％，则判断第一语音信息与第二语音信息相同。
作为本发明实施例的进一步改进，还可以将第一语音信息和第二语音信息文字化，即所述第一语音信息包括第一文本信息，所述第二语音信息包括第二文本信息；而所述步骤S504'“判断所述第一语音信息和所述第二语音信息是否相同”在这里可以为判断所述第一文本信息和所述第二文本信息是否相同；而用于判断所述第一文本信息和所述第二文本信息是否相同的所述步骤S504'同样包括如上所述的步骤，如图7所述，步骤S514'，设定所述第一文本信息和所述第二文本信息之间的相似度阈值；步骤S524'，判断所述第一文本信息和所述第二文本信息之间的相似度是否大于所述相似度阈值；步骤 S534'，若所述第一文本信息和所述第二文本信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；步骤S544'，若所述第一文本信息和所述第二文本信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。在此，我们举例说明，若在这里，用户设定的相似度阈值是90％，其中音频文件的第一语音信息包括的第一文本信息内容是“Life was a box of chocolates,you never know whatyou're gonna get.”而配音文件的第二语音信息包括的第二文本信息内容是“Life was abox of chocolates,you never know what you're gonn get.”两者之间的相似度是大于90％，这样即说明第一语音信息和第二语音信息是相同的，则可以进入替换模块305。
另外，还需要说明的是，本实施例中，判断所述第一语音信息和所述第二语音信息是否相同，还是以上面的例子来说明，在某一音视频中，用户指定其中的角色A为配音的特定目标，而角色A在该段音视频中有四段说台词的音视频片段，第一段音视频片段的起始时间和结束时间分别在41秒和1分 20秒，第二段音视频片段的起始时间和结束时间分别在4分30秒和4分50 秒，第三段音视频片段的起始时间和结束时间分别在6分18秒和6分52秒，第四段音视频片段的起始时间和结束时间分别在8分15秒和8分46秒，这四段音视频片段即为用户即将要配音的音视频文件。这也预示着，这里的所述第一语音信息和所述第二语音信息并不是只有单独的一条，判断模块304在此，不仅是对配音文件与音频文件的一一对应比对，举例说明，是将第一段音视频片段的配音文件的第二语音信息和音频文件的第一语音信息进行比对，还涉及配音文件和音频文件的不对应比对，即是将第一段音视频片段的配音文件的第二语音信息和第二段音视频片段或第三、第四段音视频的音频文件的第一语音信息进行比对。
步骤S505，若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件。
在本实施例中，将所述音视频片段中的音频文件替换成所述配音文件，可以先通过音视频消音工具消除所述音视频片段中的所述音频文件；再将所述配音文件和消除了所述音频文件的所述音视频片段合成特定音视频片段，最后将所述音视频中的所述音视频片段替换成所述特定音视频片段。继续举例来说明，先将第一、第二、第三和第四段音视频片段中的音频文件消除，留下视频文件，然后将配音文件和第一、第二、第三、第四端音视频片段留下视频文件分别对应，将配音文件和视频文件合成特定音视频片段，然后根据音视频片段中的时间戳，将特定的音视频片段添加到原音视频文件中，这样就达到将原音视频中的音视频片段替换成特定音视频片段的目的，达到用户请求，当接收到用户的剪辑指令，即开始进行文件替换，完成对特定目标的剪辑。
此外，作为本发明实施例的进一步改进，还可以通过提取所述音视频片段中的视频文件；将所述视频文件和所述配音文件合成特定音视频片段；将所述音视频中的所述音视频片段替换成所述特定音视频片段。还是举例来说明，先将第一、第二、第三和第四段音视频片段中的视频文件提取出来，然后将配音文件和第一、第二、第三、第四端音视频片段留下的视频文件分别对应，将配音文件和视频文件合成特定音视频片段，然后根据音视频片段中的时间戳，将特定的音视频片段添加到原音视频文件中，这样就达到将原音视频中的音视频片段替换成特定音视频片段的目的，达到用户请求。
通过上述步骤S501-505，相较于现有技术，本实施例所提出的终端及终端中的音视频剪辑程序，通过接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；播放音视频，录制所有所述音视频片段对应的所有配音文件；识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；判断所述第一语音信息和所述第二语音信息是否相同；若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件；基于语音识别技术，对特定目标的音频文件和配音文件进行识别，若音频文件和配音文件相同，则将音频文件和配音文件进行替换，在整个音视频的剪辑中，除了录制配音文件外要手动操作，其他均可以实现自动话剪辑，达到对音视频中特定目标的音频文件自动剪辑目的；解决了现有技术中只能对已有的完整视频进行配音，不利于用户的主动参与，方便用户能简单、有效地对特定目标的配音，提高用户的体验。
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、方法、物品或者装置不仅包括那些要素，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、方法、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种音视频剪辑方法，应用于终端，其特征在于，所述音视频剪辑方法包括以下步骤：
接收对音视频中特定目标的配音指令，根据所述配音指令确定需要配音的所有音视频片段；
播放音视频，录制所有所述音视频片段对应的所有配音文件；
识别所述音视频片段中的音频文件的第一语音信息和所述配音文件中的第二语音信息；
判断所述第一语音信息和所述第二语音信息是否相同；
若所述第一语音信息和所述第二语音信息相同，则将所述音视频片段中的音频文件替换成所述配音文件。
2.如权利要求1所述的音视频剪辑方法，其特征在于，所述“判断所述第一语音信息和所述第二语音信息是否相同”包括以下步骤：
设定所述第一语音信息和所述第二语音信息之间的相似度阈值；
判断所述第一语音信息和所述第二语音信息之间的相似度是否大于所述相似度阈值；
若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；
若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。
3.如权利要求1所述的音视频剪辑方法，其特征在于，所述第一语音信息包括第一文本信息，所述第二语音信息包括第二文本信息；
所述“判断所述第一语音信息和所述第二语音信息是否相同”包括以下步骤：
判断所述第一文本信息和所述第二文本信息是否相同。
4.如权利要求3所述的音视频剪辑方法，其特征在于，所述“判断所述第一文本信息和所述第二文本信息是否相同”包括以下步骤：
设定所述第一文本信息和所述第二文本信息之间的相似度阈值；
判断所述第一文本信息和所述第二文本信息之间的相似度是否大于所述相似度阈值；
若所述第一语音信息和所述第二语音信息之间的相似度大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息相同；
若所述第一语音信息和所述第二语音信息之间的相似度不大于所述相似度阈值，则认定所述第一语音信息和所述第二语音信息不相同。
5.如权利要求1所述的音视频剪辑方法，其特征在于，所述“将所述音视频片段中的音频文件替换成所述配音文件”包括以下步骤：
消除所述音视频片段中的所述音频文件；
将所述配音文件和消除了所述音频文件的所述音视频片段合成特定音视频片段。
6.如权利要求1所述的音视频剪辑方法，其特征在于，所述“将所述音视频片段中的音频文件替换成所述配音文件”包括以下步骤：
提取所述音视频片段中的视频文件；
将所述视频文件和所述配音文件合成特定音视频片段。
7.如权利要求5或6所述的音视频剪辑方法，其特征在于，所述“将所述音视频片段中的音频文件替换成所述配音文件”还包括以下步骤：
将所述音视频中的所述音视频片段替换成所述特定音视频片段。
8.如权利要求1所述的音视频剪辑方法，其特征在于，所述音视频片段包括时间戳，所述时间戳为所述音视频片段在所述音视频的播放进度条中的起始时刻、结束时刻或中间时刻中的一种或几种。
9.一种终端，其特征在于，所述终端包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音视频剪辑程序，所述音视频剪辑程序被所述处理器执行时实现如权利要求1至8任一项所述的音视频剪辑方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有音视频剪辑程序，所述音视频剪辑程序被处理器执行时实现如权利要求1至8中任一项所述的音视频剪辑方法的步骤。
CN201711432778.XA 2017-12-26 2017-12-26 音视频剪辑方法及终端 Pending CN108337558A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711432778.XA CN108337558A (zh) 2017-12-26 2017-12-26 音视频剪辑方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711432778.XA CN108337558A (zh) 2017-12-26 2017-12-26 音视频剪辑方法及终端

Publications (1)

Publication Number Publication Date
CN108337558A true CN108337558A (zh) 2018-07-27

Family

ID=62923738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711432778.XA Pending CN108337558A (zh) 2017-12-26 2017-12-26 音视频剪辑方法及终端

Country Status (1)

Country Link
CN (1) CN108337558A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109218849A (zh) * 2018-10-30 2019-01-15 广州虎牙科技有限公司 一种直播数据的处理方法、装置、设备和存储介质
CN109379633A (zh) * 2018-11-08 2019-02-22 北京微播视界科技有限公司 视频编辑方法、装置、计算机设备及可读存储介质
CN109474849A (zh) * 2018-11-12 2019-03-15 广东乐心医疗电子股份有限公司 多媒体数据处理方法、系统、终端和计算机可读存储介质
CN109587543A (zh) * 2018-12-27 2019-04-05 秒针信息技术有限公司 音频同步方法和装置及存储介质
CN109788308A (zh) * 2019-02-01 2019-05-21 腾讯音乐娱乐科技（深圳）有限公司 音视频处理方法、装置、电子设备及存储介质
CN110366032A (zh) * 2019-08-09 2019-10-22 腾讯科技（深圳）有限公司 视频数据处理方法、装置和视频播放方法、装置
CN110753263A (zh) * 2019-10-29 2020-02-04 腾讯科技（深圳）有限公司 视频配音方法、装置、终端及存储介质
CN111048094A (zh) * 2019-11-26 2020-04-21 珠海格力电器股份有限公司 音频信息调整方法、装置、设备和介质
CN111212323A (zh) * 2020-01-13 2020-05-29 北京大米未来科技有限公司 音视频合成的方法、装置、电子设备及介质
CN111554329A (zh) * 2020-04-08 2020-08-18 咪咕音乐有限公司 音频剪辑方法、服务器及存储介质
CN111866582A (zh) * 2019-04-26 2020-10-30 广州声活圈信息科技有限公司 一种用户匹配对手戏的演绎秀及演绎秀合成方法
CN112019923A (zh) * 2020-09-02 2020-12-01 深圳爱卓软科技有限公司 视频剪切处理方法
CN112216275A (zh) * 2019-07-10 2021-01-12 阿里巴巴集团控股有限公司 一种语音信息的处理方法、装置及电子设备
CN114257862A (zh) * 2020-09-24 2022-03-29 北京字跳网络技术有限公司 一种视频生成方法、装置、设备及存储介质
CN114598898A (zh) * 2022-03-14 2022-06-07 北京高途云集教育科技有限公司 视频处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100042705A (ko) * 2008-10-17 2010-04-27 주식회사 케이티 오디오 컨텐츠 검색 방법 및 장치
CN105959773A (zh) * 2016-04-29 2016-09-21 魔方天空科技（北京）有限公司 多媒体文件的处理方法和装置
CN106293347A (zh) * 2016-08-16 2017-01-04 广东小天才科技有限公司 一种人机交互的学习方法及装置、用户终端
CN106911900A (zh) * 2017-04-06 2017-06-30 腾讯科技（深圳）有限公司 视频配音方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100042705A (ko) * 2008-10-17 2010-04-27 주식회사 케이티 오디오 컨텐츠 검색 방법 및 장치
CN105959773A (zh) * 2016-04-29 2016-09-21 魔方天空科技（北京）有限公司 多媒体文件的处理方法和装置
CN106293347A (zh) * 2016-08-16 2017-01-04 广东小天才科技有限公司 一种人机交互的学习方法及装置、用户终端
CN106911900A (zh) * 2017-04-06 2017-06-30 腾讯科技（深圳）有限公司 视频配音方法及装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109218849A (zh) * 2018-10-30 2019-01-15 广州虎牙科技有限公司 一种直播数据的处理方法、装置、设备和存储介质
CN109379633B (zh) * 2018-11-08 2020-01-10 北京微播视界科技有限公司 视频编辑方法、装置、计算机设备及可读存储介质
CN109379633A (zh) * 2018-11-08 2019-02-22 北京微播视界科技有限公司 视频编辑方法、装置、计算机设备及可读存储介质
US11164604B2 (en) 2018-11-08 2021-11-02 Beijing Microlive Vision Technology Co., Ltd. Video editing method and apparatus, computer device and readable storage medium
CN109474849A (zh) * 2018-11-12 2019-03-15 广东乐心医疗电子股份有限公司 多媒体数据处理方法、系统、终端和计算机可读存储介质
CN109587543A (zh) * 2018-12-27 2019-04-05 秒针信息技术有限公司 音频同步方法和装置及存储介质
CN109587543B (zh) * 2018-12-27 2021-04-02 秒针信息技术有限公司 音频同步方法和装置及存储介质
CN109788308A (zh) * 2019-02-01 2019-05-21 腾讯音乐娱乐科技（深圳）有限公司 音视频处理方法、装置、电子设备及存储介质
CN109788308B (zh) * 2019-02-01 2022-07-15 腾讯音乐娱乐科技（深圳）有限公司 音视频处理方法、装置、电子设备及存储介质
CN111866582A (zh) * 2019-04-26 2020-10-30 广州声活圈信息科技有限公司 一种用户匹配对手戏的演绎秀及演绎秀合成方法
CN112216275A (zh) * 2019-07-10 2021-01-12 阿里巴巴集团控股有限公司 一种语音信息的处理方法、装置及电子设备
CN110366032A (zh) * 2019-08-09 2019-10-22 腾讯科技（深圳）有限公司 视频数据处理方法、装置和视频播放方法、装置
CN110753263A (zh) * 2019-10-29 2020-02-04 腾讯科技（深圳）有限公司 视频配音方法、装置、终端及存储介质
CN111048094A (zh) * 2019-11-26 2020-04-21 珠海格力电器股份有限公司 音频信息调整方法、装置、设备和介质
CN111212323A (zh) * 2020-01-13 2020-05-29 北京大米未来科技有限公司 音视频合成的方法、装置、电子设备及介质
CN111554329A (zh) * 2020-04-08 2020-08-18 咪咕音乐有限公司 音频剪辑方法、服务器及存储介质
CN112019923A (zh) * 2020-09-02 2020-12-01 深圳爱卓软科技有限公司 视频剪切处理方法
CN114257862A (zh) * 2020-09-24 2022-03-29 北京字跳网络技术有限公司 一种视频生成方法、装置、设备及存储介质
CN114598898A (zh) * 2022-03-14 2022-06-07 北京高途云集教育科技有限公司 视频处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108337558A (zh) 音视频剪辑方法及终端
CN108540854A (zh) 直播视频剪辑方法、终端及计算机可读存储介质
CN108255970A (zh) 一种视频查找方法、终端及计算机可读存储介质
CN108572764A (zh) 一种文字输入控制方法、设备及计算机可读存储介质
CN108174236A (zh) 一种媒体文件处理方法、服务器及移动终端
CN109743504A (zh) 一种辅助拍照方法、移动终端和存储介质
CN108573064A (zh) 信息推荐方法、移动终端、服务器及计算机可读存储介质
CN108198162A (zh) 照片处理方法、移动终端、服务器、系统、存储介质
CN108307043A (zh) 语音消息转换方法、移动终端及计算机可读存储介质
CN108762631A (zh) 一种移动终端控制方法、移动终端及计算机可读存储介质
CN108418948A (zh) 一种提醒方法、移动终端以及计算机存储介质
CN108241752A (zh) 照片显示方法、移动终端及计算机可读存储介质
CN109947248A (zh) 振动控制方法、移动终端及计算机可读存储介质
CN108282578A (zh) 拍摄提醒方法、移动终端及计算机可读存储介质
CN110180181A (zh) 精彩时刻视频的截图方法、装置及计算机可读存储介质
WO2019024237A1 (zh) 信息推荐方法、移动终端及计算机可读存储介质
CN108521500A (zh) 一种语音场景控制方法、设备及计算机可读存储介质
CN108597512A (zh) 移动终端控制方法、移动终端及计算机可读存储介质
CN108197206A (zh) 表情包生成方法、移动终端及计算机可读存储介质
CN108334302A (zh) 一种声音传输方法、移动终端以及计算机可读存储介质
CN109686359A (zh) 语音输出方法、终端及计算机可读存储介质
CN108228301A (zh) 屏幕界面长截图的方法、装置及计算机可读存储介质
CN109350961A (zh) 一种内容处理方法、终端及计算机可读存储介质
CN108771870A (zh) 基于游戏的语音传输方法、终端及计算机可读存储介质
CN107577448A (zh) 一种闹钟闹铃方法、设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180727

RJ01 Rejection of invention patent application after publication