CN109257659A - 字幕添加方法、装置、电子设备及计算机可读存储介质 - Google Patents
字幕添加方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109257659A CN109257659A CN201811367918.4A CN201811367918A CN109257659A CN 109257659 A CN109257659 A CN 109257659A CN 201811367918 A CN201811367918 A CN 201811367918A CN 109257659 A CN109257659 A CN 109257659A
- Authority
- CN
- China
- Prior art keywords
- information
- audio
- subtitle
- caption
- voice environment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001201614 Prays Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- H04N21/47—End-user applications
- H04N21/488—Data services, e.g. news ticker
- H04N21/4884—Data services, e.g. news ticker for displaying subtitles
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
- H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
- H04N21/4312—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations
- H04N21/4314—Generation of visual interfaces for content selection or interaction; Content or additional data rendering involving specific graphical features, e.g. screen layout, special fonts or colors, blinking icons, highlights or animations for fitting data in a restricted space on the screen, e.g. EPG data in a rectangular grid
-
- 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
- H04N5/278—Subtitling
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开实施例提供了一种字幕添加方法、装置、电子设备及计算机可读存储介质，应用于视频处理技术领域，其中该方法包括：提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求。
Description
技术领域
本公开涉及视频处理技术领域，具体而言，本公开涉及一种字幕添加方法、装置、电子设备及计算机可读存储介质。
背景技术
随着视频拍摄技术的成熟发展，电视娱乐节目视频、教学课程视频、短视频等不同类型的视频，由于其传播的信息内容的直观性、丰富性而成为了一种重要的信息传递媒介。在视频中，视频拍摄制作者通常会同步加上字幕信息，使视频观看者能更好的理解、把握视频传递的信息内容。
目前，视频字幕信息的添加是通过人工添加的方式实现的，即字幕添加人员通过观看视频，同时人工记录观看的视频对应的文字信息，然后将记录的文字信息添加至视频中。然而，根据现有的人工添加视频字幕信息的方式，由于视频中相应人物的语速较快、字幕添加人员的文字记录速度慢等原因，字幕添加人员需要不断重复的回放观看视频，花费较长时间才能得到视频对应的文字信息，且人工添加的字幕仅包括文字信息，形式较单一。因此，现有的人工添加视频字幕信息的方式存在添加效率低、人工成本高的问题，以及存在添加的字幕形式较单一的问题。
发明内容
本公开提供了一种字幕添加方法、装置、电子设备及计算机可读存储介质，用于实现字幕信息的高效、自动添加，以及用于提升添加的字幕的形式的丰富性，本公开采用的技术方案如下：
第一方面，提供了一种字幕添加方法，该方法包括，
提取待添加字幕的视频文件中的音频信息；
对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征；
依据得到的文本信息及语音环境特征，生成相应的字幕信息；
将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。
第二方面，提供了一种字幕添加装置，该装置包括，
第一提取模块，用于提取待添加字幕的视频文件中的音频信息；
第一识别模块，用于对第一提取模块提取的音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征；
生成模块，用于依据第一识别模块识别得到的文本信息及语音环境特征，生成相应的字幕信息；
添加模块，用于将生成模块生成的字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面所示的字幕添加方法。
第四方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面所示的字幕添加方法。
本公开实施例提供了一种字幕添加方法、装置、电子设备及计算机可读存储介质，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕信息的个性化需求，进而提升视频观看者的兴趣度。
本公开附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例的一种字幕添加方法的流程示意图；
图2为本公开实施例的一种字幕添加装置的结构示意图；
图3为本公开实施例的另一种字幕添加装置的结构示意图；
图4为本公开实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本公开的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能解释为对本公开的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本公开的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。
本公开实施例提供了一种字幕添加方法，如图1所示，该方法可以包括以下步骤：
步骤S101，提取待添加字幕的视频文件中的音频信息；
对于本公开实施例，通过相应的音频提取技术，如FFmpeg技术，提取待添加字幕的视频文件中的音频信息，其中，待添加字幕的视频可以是录制的电视节目视频、教学课程视频、短视频等，此处不做限定。
其中，还可以对提取到的音频信息进行相应转换处理，转成成非压缩的纯波形文件来处理，比如Windows PCM文件，即俗称的Wav文件。
步骤S102，对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征；
对于本公开实施例，通过相应的语音识别技术对提取到的音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，其中，对音频信息进行语音识别之前，可以对音频信息进行预处理，如通过消除噪声和信道失真对语音进行增强、通过VAD(VoiceActivity Detection，语音活动检测)技术进行首尾段的静音切除等。
步骤S103，依据得到的文本信息及语音环境特征，生成相应的字幕信息；
对于本公开实施例，不同的音频信息对应有不同的语音环境特征，基于得到的语音环境特征，对得到的文本信息进行相应处理，生成与语音环境特征相对应的字幕信息。
步骤S104，将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。
对于本公开实施例，将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息，其中字幕信息可以是内嵌到视频文件中，也可以是以外挂字幕的形式存在，其中包含字幕信息的外挂文件的格式可以是srt、smi、ssa等。
其中，外挂字幕文件可以是基于字幕信息与对应的视频的时间信息，进行播放控制处理后得到的，相应的播放控制处理用于使得字幕信息与视频能够同步播放。
本公开实施例提供了一种字幕添加方法，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求，进而提升视频观看者的兴趣度。
本公开实施例提供了一种可能的实现方式，其中，步骤S102中的对音频信息进行语音识别，得到音频信息对应的文本信息，包括：
步骤S1021(图中未示出)，基于预训练的语言识别模型对音频信息进行语音识别，得到音频信息对应的文本信息。
对于本公开实施例，预先通过多个音频样本及对应的文本信息训练语音识别模型，然后通过预先训练的语音识别模型对音频信息进行语音识别得到音频信息对应的文本信息。其中，预训练的语音识别模型可以是基于RNN(Recurrent Neural Network，循环神经网络)网络的语音识别模型，也可以是基于LSTM(Long short-term memory，长短期记忆模型)网络的语音识别模型，其中基于LSTM网络的语音识别模型能很好解决语音识别中的长期信息依赖问题。
对于本公开实施例，通过预训练的语音识别模型得到音频信息对应的文本信息，解决了音频信息对应的文本信息的自动获取问题，从而节省了人工执行将音频信息转换成对应的文本信息的人力成本及时间成本，为后续快速进行字幕信息添加的提供了前提保证。
本公开实施例提供了一种可能的实现方式，其中，步骤S102中的对音频信息进行语音识别，得到音频信息对应的语音环境特征，包括：
步骤S1022(图中未示出)，对音频信息进行声学特征提取，得到音频信息对应的语音环境特征。
对于本公开实施例，通过相应的声学特征提取技术提取音频信息中的声学特征，其中，该声学特征可以是PLP(Perceptual Linear Predictive，感知线性预测)特征、LLPC(Linear PredictionCepstrum Coefficient，线性预测倒谱系数)特征与MFCC(Mel-scaleFrequencyCepstral Coefficients，美尔频率倒谱系数)特征中的任一种，并对提取的声学特征进行分析处理得到音频信息对应的语音环境特征，其中，对提取的声学特征的分析处理可以是通过预训练的语音环境特征识别模型对提取的声学特征进行识别。
对于本公开实施例，通过提取音频信息的声学特征，得到音频信息对应的语音环境特征，从而解决了语音环境特征的获取问题。
其中，语音环境特征包括但不限于以下至少一项：
语调；语速；节奏；语音强度。
对于本公开实施例，语音环境特征包括但不限于语调(如升调、降调、升降调、降升调以及平调)、语速(如快语速、慢语速)、节奏(如轻缓、高亢、低沉、凝重等)、语音强度(如重读、轻读)等的至少一项。
对于本公开实施例，实现了可基于不同的应用需求，设定获取不同的语音环境特征。
本公开实施例提供了一种可能的实现方式，其中，步骤S103可以包括以下步骤：
步骤S1031(图中未示出)，依据语音环境特征，确定与语音环境特征相匹配的字幕显示配置信息；
步骤S1032(图中未示出)，依据字幕显示配置信息，生成与文本信息相应的字幕信息。
对于本公开实施例，不同的语音环境特征对应不同的字幕显示配置信息(如区别语速的快与慢，分别设定相应的字幕显示配置信息)，可以预先设置语音环境特征与字幕显示配置信息的对应关系列表，根据得到的语音环境特征，可以基于该对应关系列表，确定相匹配的字幕显示配置信息，然后依据字幕显示配置信息，对得到的文本信息进行相应处理得到字幕信息。
对于本公开实施例，依据得到的语音环境特征确定相匹配的字幕显示配置信息，然后依据字幕显示配置信息生成与文本信息相应的字幕信息，解决了如何根据语音环境特征的不同确定字幕信息的问题。
本公开实施例提供了一种可能的实现方式，其中，步骤S103可以包括以下步骤：
步骤1033(图中未示出)，基于文本信息及语音环境特征确定音频信息对应的情感特征类型和/或语气类型；
对于本公开实施例，根据文本信息的内容与语音环境特征确定音频信息对应的情感特征类型和/或语气类型，其中，情感特征类型可以包括但不限于高兴、伤心、生气、愤怒等的至少一种，语气类型可以包括但不限于陈述，疑问，祈使，感叹中的至少一种。
例如，根据音频信息对应的文本信息中的“对于这件事，我非常生气”与对应的语音强度(语音环境特征)，确定音频信息对应的情感特征类型为生气；根据音频信息对应的文本信息中的“我今天实在是太开心了”与对应的语音强度、节奏等语音环境特征，确定音频信息对应的语气情感特征类型为感叹。
步骤1034(图中未示出)，依据情感特征类型和/或语气类型，确定与情感特征类型和/或语气类型相匹配的字幕显示配置信息；
对于本公开实施例，对于不同的情感特征类型和/或语气类型设定相应的不同的字幕显示配置信息，可以预先设置情感特征类型和/或语气类型与字幕显示配置信息的对应关系列表，根据得到的情感特征类型和/或语气类型，可以基于该对应关系列表，确定相匹配的字幕显示配置信息。
步骤1035(图中未示出)，依据字幕显示配置信息，生成与文本信息相应的字幕信息。
对于本公开实施例，依据字幕显示配置信息，可以对文本信息进行相应的处理操作，得到相应的字幕信息。
对于本公开实施例，基于文本信息及语音环境特征确定音频信息对应的情感特征类型和/或语气类型，然后依据得到的情感特征类型和/或语气类型确定相匹配的字幕显示配置信息，继而依据字幕显示配置信息生成与文本信息相应的字幕信息，解决了如何依据情感特征类型和/或语气类型的不同确定字幕信息的问题。
其中，字幕显示配置信息包括但不限于以下至少一项：
字幕文字属性信息；字幕特效信息；字幕显示位置。
对于本公开实施例，字幕显示配置信息包括但不限于以下至少一项：字幕文字的属性信息(如字幕文字的字体、颜色、大小、粗细等)；字幕特效信息(如字幕的淡入、淡出效果、闪烁显示等)、字幕显示位置(如在视频的靠下位置显示、居中显示等)。
对于本公开实施例，设定不同的字幕显示配置信息，提升了字幕信息显示的个性化，从而增强了视频观看者的兴趣度。
本公开实施例提供了另一种可能的实现方式，该方法还包括，
步骤S105(图中未示出)，提取视频文件的图像帧；
步骤S106(图中未示出)，通过图像识别技术对图像帧进行识别得到图像帧中相应人物的人体部位信息；
步骤S107(图中未示出)，基于人体部位信息调整字幕信息的字幕显示位置。
对于本公开实施例，可以通过图像识别技术对提取的视频文件中的图像帧进行识别，得到图像帧中相应人物的人体部位信息，然后基于得到的相应人物的人体部位信息调整字幕信息的字幕显示位置，如通过图像识别技术识别确定出相应人物的头部的位置信息，然后根据该头部的位置信息对字幕信息的字幕显示位置进行调整。
对于本公开实施例，通过图像识别技术识别确定出视频中相应人物的人体部位信息，然后调整字幕信息的字幕显示位置，实现了字幕信息与视频中相应人物人体部位信息的关联显示，提升了字幕信息显示的个性化。
图2为本公开实施例提供的一种字幕添加装置，该装置20包括：第一提取模块201、第一识别模块202、生成模块203及添加模块204，其中，
第一提取模块201，用于提取待添加字幕的视频文件中的音频信息；
第一识别模块202，用于对第一提取模块201提取的音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征；
生成模块203，用于依据第一识别模块202识别得到的文本信息及语音环境特征，生成相应的字幕信息；
添加模块204，用于将生成模块203生成的字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。
本公开实施例提供了一种字幕添加装置，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求，进而提升视频观看者的兴趣度。
本实施例的字幕添加装置可执行本公开上述实施例中提供的一种字幕添加方法，其实现原理相类似，此处不再赘述。
本公开实施例提供了另一种字幕添加装置，该装置30包括：第一提取模块301、第一识别模块302、生成模块303及添加模块304，其中，
第一提取模块301，用于提取待添加字幕的视频文件中的音频信息；
其中，图3中的第一提取模块301与图2中的第一提取模块201的功能相同或者相似。
第一识别模块302，用于对提取模块301提取的音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征；
其中，图3中的第一识别模块302与图2中的第一识别模块202的功能相同或者相似。
生成模块303，用于依据第一识别模块302识别得到的文本信息及语音环境特征，生成相应的字幕信息；
其中，图3中的生成模块303与图2中的生成模块203的功能相同或者相似。
添加模块304，用于将生成模块303生成的字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。
其中，图3中的添加模块304与图2中的添加模块204的功能相同或者相似。
本公开实施例提供了一种可能的实现方式，具体地，
第一识别模块302用于基于预训练的语言识别模型对音频信息进行语音识别，得到音频信息对应的文本信息。
对于本公开实施例，通过预训练的语音识别模型得到音频信息对应的文本信息，解决了音频信息对应的文本信息的自动获取问题，从而节省了人工执行将音频信息转换成对应的文本信息的人力成本及时间成本，为后续快速进行字幕信息添加的提供了前提保证。
本公开实施例提供了一种可能的实现方式，具体地，第一识别模块302用于对音频信息进行声学特征提取，得到音频信息对应的语音环境特征。
对于本公开实施例，通过提取音频信息的声学特征，得到音频信息对应的语音环境特征，从而解决了语音环境特征的获取问题。
其中，语音环境特征包括以下至少一项：
语调；语速；节奏；语音强度。
对于本公开实施例，实现了可基于不同的应用需求，设定获取不同的语音环境特征。
本公开实施例提供了一种可能的实现方式，其中，生成模块303包括第一确定单元3031及第一生成单元3032；
第一确定单元3031，用于依据语音环境特征，确定与语音环境特征相匹配的字幕显示配置信息；
第一生成单元3032，用于依据第一确定单元3031确定的字幕显示配置信息，生成与文本信息相应的字幕信息。
对于本公开实施例，依据得到的语音环境特征确定相匹配的字幕显示配置信息，然后依据字幕显示配置信息生成与文本信息相应的字幕信息，解决了如何根据语音环境特征的不同确定字幕信息的问题。
本公开实施例提供了一种可能的实现方式，其中，生成模块303包括第二确定单元3033、第三确定单元3034及第二生成单元3035；
第二确定单元3033，用于基于文本信息及语音环境特征确定音频信息对应的情感特征类型和/或语气类型；
第三确定单元3034，用于依据第二确定单元3033确定的情感特征类型和/或语气类型，确定与情感特征类型和/或语气类型相匹配的字幕显示配置信息；
第二生成单元3035，用于依据第三确定单元3034确定的字幕显示配置信息，生成与文本信息相应的字幕信息。
对于本公开实施例，基于文本信息及语音环境特征确定音频信息对应的情感特征类型和/或语气类型，然后依据得到的情感特征类型和/或语气类型确定相匹配的字幕显示配置信息，继而依据字幕显示配置信息生成与文本信息相应的字幕信息，解决了如何依据情感特征类型和/或语气类型的不同确定字幕信息的问题。
其中，字幕显示配置信息包括以下至少一项：
字幕文字属性信息；字幕特效信息；字幕显示位置。
对于本公开实施例，设定不同的字幕显示配置信息，提升了字幕信息显示的个性化，从而增强了视频观看者的兴趣度。
本公开实施例提供了一种可能的实现方式，该装置30还包括第二提取模块305、第二识别模块306及调整模块307；
第二提取模块305，用于提取视频文件的图像帧；
第二识别模块306，用于通过图像识别技术对第二提取模块305提取得到的图像帧进行识别得到图像帧中相应人物的人体部位信息；
调整模块307，用于基于第二识别模块306识别得到的人体部位信息调整字幕信息的字幕显示位置。
对于本公开实施例，通过图像识别技术识别确定出视频中相应人物的人体部位信息，然后调整字幕信息的字幕显示位置，实现了字幕信息与视频中相应人物人体部位信息的关联显示，提升了字幕信息显示的个性化。
本公开实施例提供了一种字幕添加装置，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求，进而提升视频观看者的兴趣度。
本公开实施例提供了一种字幕添加装置，适用于上述实施例所示的方法，在此不再赘述。
本公开实施例提供了一种电子设备，如图4所示，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)40的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
本公开实施例提供了一种电子设备，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求，进而提升视频观看者的兴趣度。
本公开实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机可读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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本公开实施例提供了一种计算机可读存储介质，与现有技术通过人工方式添加视频字幕信息相比，本公开实施例通过提取待添加字幕的视频文件中的音频信息，并对音频信息进行语音识别，得到音频信息对应的文本信息及语音环境特征，然后依据得到的文本信息及语音环境特征，生成相应的字幕信息，继而将字幕信息添加至视频文件中，以使得视频文件在播放时携带字幕信息。即本公开实施例通过对音频信息进行语音识别得到对应的文本信息及语音环境特征，实现了视频对应的文本信息的自动获取，减少了获取视频对应的文本信息的时间，从而提升了添加视频字幕信息的效率；此外，根据得到的对应的文本信息及语音环境特征生成相应的字幕信息，即基于语音环境特征可设定对应的字幕显示方式，从而实现了字幕的个性化需求，进而提升视频观看者的兴趣度。
本公开实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种字幕添加方法，其特征在于，包括，
提取待添加字幕的视频文件中的音频信息；
对所述音频信息进行语音识别，得到所述音频信息对应的文本信息及语音环境特征；
依据得到的所述文本信息及语音环境特征，生成相应的字幕信息；
将所述字幕信息添加至所述视频文件中，以使得所述视频文件在播放时携带所述字幕信息。
2.根据权利要求1所述的方法，其特征在于，对所述音频信息进行语音识别，得到所述音频信息对应的文本信息，包括：
基于预训练的语言识别模型对所述音频信息进行语音识别，得到所述音频信息对应的文本信息。
3.根据权利要求1所述的方法，其特征在于，对所述音频信息进行语音识别，得到所述音频信息对应的语音环境特征，包括：
对所述音频信息进行声学特征提取，得到所述音频信息对应的语音环境特征。
4.根据权利要求3所述的方法，其特征在于，所述语音环境特征包括以下至少一项：
语调；语速；节奏；语音强度。
5.根据权利要求1所述的方法，其特征在于，所述依据得到的所述文本信息及语音环境特征，生成相应的字幕信息，包括：
依据所述语音环境特征，确定与所述语音环境特征相匹配的字幕显示配置信息；
依据所述字幕显示配置信息，生成与所述文本信息相应的字幕信息。
6.根据权利要求1所述的方法，其特征在于，所述依据得到的所述文本信息及语音环境特征，生成相应的字幕信息，包括：
基于所述文本信息及语音环境特征确定所述音频信息对应的情感特征类型和/或语气类型；
依据所述情感特征类型和/或语气类型，确定与所述情感特征类型和/或语气类型相匹配的字幕显示配置信息；
依据所述字幕显示配置信息，生成与所述文本信息相应的字幕信息。
7.根据权利要求1所述的方法，其特征在于，所述字幕显示配置信息包括以下至少一项：
字幕文字属性信息；字幕特效信息；字幕显示位置。
8.根据权利要求7所述的方法，其特征在于，该方法还包括，
提取所述视频文件的图像帧；
通过图像识别技术对所述图像帧进行识别得到所述图像帧中相应人物的人体部位信息；
基于所述人体部位信息调整所述字幕信息的字幕显示位置。
9.一种字幕添加装置，其特征在于，包括，
第一提取模块，用于提取待添加字幕的视频文件中的音频信息；
第一识别模块，用于对所述第一提取模块提取的所述音频信息进行语音识别，得到所述音频信息对应的文本信息及语音环境特征；
生成模块，用于依据所述第一识别模块识别得到的所述文本信息及语音环境特征，生成相应的字幕信息；
添加模块，用于将所述生成模块生成的所述字幕信息添加至所述视频文件中，以使得所述视频文件在播放时携带所述字幕信息。
10.根据权利要求9所述的装置，其特征在于，所述第一识别模块用于基于预训练的语言识别模型对所述音频信息进行语音识别，得到所述音频信息对应的文本信息。
11.根据权利要求9所述的装置，其特征在于，所述第一识别模块用于对所述音频信息进行声学特征提取，得到所述音频信息对应的语音环境特征。
12.根据权利要求9所述的装置，其特征在于，所述语音环境特征包括以下至少一项：
语调；语速；节奏；语音强度。
13.根据权利要求9所述的装置，其特征在于，所述生成模块包括第一确定单元及第一生成单元；
所述第一确定单元，用于依据所述语音环境特征，确定与所述语音环境特征相匹配的字幕显示配置信息；
所述第一生成单元，用于依据所述第一确定单元确定的所述字幕显示配置信息，生成与所述文本信息相应的字幕信息。
14.根据权利要求9所述的装置，其特征在于，所述生成模块包括第二确定单元、第三确定单元及第二生成单元；
所述第二确定单元，用于基于所述文本信息及语音环境特征确定所述音频信息对应的情感特征类型和/或语气类型；
所述第三确定单元，用于依据所述第二确定单元确定的所述情感特征类型和/或语气类型，确定与所述情感特征类型和/或语气类型相匹配的字幕显示配置信息；
所述第二生成单元，用于依据所述第三确定单元确定的所述字幕显示配置信息，生成与所述文本信息相应的字幕信息。
15.根据权利要求9所述的装置，其特征在于，所述字幕显示配置信息包括以下至少一项：
字幕文字属性信息；字幕特效信息；字幕显示位置。
16.根据权利要求15所述的装置，其特征在于，该装置还包括第二提取模块、第二识别模块及调整模块；
所述第二提取模块，用于提取所述视频文件的图像帧；
所述第二识别模块，用于通过图像识别技术对所述第二提取模块提取得到的所述图像帧进行识别得到所述图像帧中相应人物的人体部位信息；
所述调整模块，用于基于所述第二识别模块识别得到的所述人体部位信息调整所述字幕信息的字幕显示位置。
17.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至8任一项所述的字幕添加方法。
18.一种计算机可读存储介质，其特征在于，所述计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至8中任一项所述的字幕添加方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811367918.4A CN109257659A (zh) | 2018-11-16 | 2018-11-16 | 字幕添加方法、装置、电子设备及计算机可读存储介质 |
| PCT/CN2018/125397 WO2020098115A1 (zh) | 2018-11-16 | 2018-12-29 | 字幕添加方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811367918.4A CN109257659A (zh) | 2018-11-16 | 2018-11-16 | 字幕添加方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109257659A true CN109257659A (zh) | 2019-01-22 |
Family
ID=65043671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811367918.4A Pending CN109257659A (zh) | 2018-11-16 | 2018-11-16 | 字幕添加方法、装置、电子设备及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109257659A (zh) |
| WO (1) | WO2020098115A1 (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110297941A (zh) * | 2019-07-10 | 2019-10-01 | 北京中网易企秀科技有限公司 | 一种音频文件处理方法及装置 |
| CN110798636A (zh) * | 2019-10-18 | 2020-02-14 | 腾讯数码（天津）有限公司 | 字幕生成方法及装置、电子设备 |
| CN110827825A (zh) * | 2019-11-11 | 2020-02-21 | 广州国音智能科技有限公司 | 语音识别文本的标点预测方法、系统、终端及存储介质 |
| CN111818279A (zh) * | 2019-04-12 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 字幕的生成方法、展示方法及交互方法 |
| CN111970577A (zh) * | 2020-08-25 | 2020-11-20 | 北京字节跳动网络技术有限公司 | 字幕编辑方法、装置和电子设备 |
| CN112579826A (zh) * | 2020-12-07 | 2021-03-30 | 北京字节跳动网络技术有限公司 | 视频显示及处理方法、装置、系统、设备、介质 |
| CN112714355A (zh) * | 2021-03-29 | 2021-04-27 | 深圳市火乐科技发展有限公司 | 音频可视化的方法、装置、投影设备及存储介质 |
| CN112752047A (zh) * | 2019-10-30 | 2021-05-04 | 北京小米移动软件有限公司 | 视频录制方法、装置、设备及可读存储介质 |
| CN113660536A (zh) * | 2021-09-28 | 2021-11-16 | 北京七维视觉科技有限公司 | 一种字幕显示方法和装置 |
| CN114007145A (zh) * | 2021-10-29 | 2022-02-01 | 青岛海信传媒网络技术有限公司 | 一种字幕显示方法及显示设备 |
| CN114095782A (zh) * | 2021-11-12 | 2022-02-25 | 广州博冠信息科技有限公司 | 一种视频处理方法、装置、计算机设备及存储介质 |
| CN115150631A (zh) * | 2021-03-16 | 2022-10-04 | 北京有竹居网络技术有限公司 | 字幕处理方法、装置、电子设备和存储介质 |
| WO2022237448A1 (zh) * | 2021-05-08 | 2022-11-17 | 京东科技控股股份有限公司 | 语音识别训练集的生成方法及装置 |
| CN116916085A (zh) * | 2023-09-12 | 2023-10-20 | 飞狐信息技术（天津）有限公司 | 一种端到端字幕生成方法、装置、电子设备和存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110305432A1 (en) * | 2010-06-15 | 2011-12-15 | Yoshihiro Manabe | Information processing apparatus, sameness determination system, sameness determination method, and computer program |
| CN105025378A (zh) * | 2014-04-22 | 2015-11-04 | 百步升股份公司 | 字幕添加系统和方法 |
| CN105245917A (zh) * | 2015-09-28 | 2016-01-13 | 徐信 | 一种多媒体语音字幕生成的系统和方法 |
| CN106506335A (zh) * | 2016-11-10 | 2017-03-15 | 北京小米移动软件有限公司 | 分享视频文件的方法及装置 |
| CN107172485A (zh) * | 2017-04-25 | 2017-09-15 | 北京百度网讯科技有限公司 | 一种用于生成短视频的方法与装置 |
| CN108063722A (zh) * | 2017-12-20 | 2018-05-22 | 北京时代脉搏信息技术有限公司 | 视频数据生成方法、计算机可读存储介质和电子设备 |
| CN108184135A (zh) * | 2017-12-28 | 2018-06-19 | 泰康保险集团股份有限公司 | 字幕生成方法及装置、存储介质及电子终端 |
| CN108259971A (zh) * | 2018-01-31 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 字幕添加方法、装置、服务器及存储介质 |
| CN108289244A (zh) * | 2017-12-28 | 2018-07-17 | 努比亚技术有限公司 | 视频字幕处理方法、移动终端及计算机可读存储介质 |
| CN108401192A (zh) * | 2018-04-25 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 视频流处理方法、装置、计算机设备及存储介质 |
| CN108419141A (zh) * | 2018-02-01 | 2018-08-17 | 广州视源电子科技股份有限公司 | 一种字幕位置调整的方法、装置、存储介质及电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106328146A (zh) * | 2016-08-22 | 2017-01-11 | 广东小天才科技有限公司 | 一种视频的字幕生成方法及装置 |
| CN106504754B (zh) * | 2016-09-29 | 2019-10-18 | 浙江大学 | 一种根据音频输出的实时字幕生成方法 |
| JP6696878B2 (ja) * | 2016-10-17 | 2020-05-20 | 本田技研工業株式会社 | 音声処理装置、ウェアラブル端末、携帯端末、および音声処理方法 |
-
2018
- 2018-11-16 CN CN201811367918.4A patent/CN109257659A/zh active Pending
- 2018-12-29 WO PCT/CN2018/125397 patent/WO2020098115A1/zh active Application Filing
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110305432A1 (en) * | 2010-06-15 | 2011-12-15 | Yoshihiro Manabe | Information processing apparatus, sameness determination system, sameness determination method, and computer program |
| CN105025378A (zh) * | 2014-04-22 | 2015-11-04 | 百步升股份公司 | 字幕添加系统和方法 |
| CN105245917A (zh) * | 2015-09-28 | 2016-01-13 | 徐信 | 一种多媒体语音字幕生成的系统和方法 |
| CN106506335A (zh) * | 2016-11-10 | 2017-03-15 | 北京小米移动软件有限公司 | 分享视频文件的方法及装置 |
| CN107172485A (zh) * | 2017-04-25 | 2017-09-15 | 北京百度网讯科技有限公司 | 一种用于生成短视频的方法与装置 |
| CN108063722A (zh) * | 2017-12-20 | 2018-05-22 | 北京时代脉搏信息技术有限公司 | 视频数据生成方法、计算机可读存储介质和电子设备 |
| CN108184135A (zh) * | 2017-12-28 | 2018-06-19 | 泰康保险集团股份有限公司 | 字幕生成方法及装置、存储介质及电子终端 |
| CN108289244A (zh) * | 2017-12-28 | 2018-07-17 | 努比亚技术有限公司 | 视频字幕处理方法、移动终端及计算机可读存储介质 |
| CN108259971A (zh) * | 2018-01-31 | 2018-07-06 | 百度在线网络技术（北京）有限公司 | 字幕添加方法、装置、服务器及存储介质 |
| CN108419141A (zh) * | 2018-02-01 | 2018-08-17 | 广州视源电子科技股份有限公司 | 一种字幕位置调整的方法、装置、存储介质及电子设备 |
| CN108401192A (zh) * | 2018-04-25 | 2018-08-14 | 腾讯科技（深圳）有限公司 | 视频流处理方法、装置、计算机设备及存储介质 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111818279A (zh) * | 2019-04-12 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 字幕的生成方法、展示方法及交互方法 |
| CN110297941A (zh) * | 2019-07-10 | 2019-10-01 | 北京中网易企秀科技有限公司 | 一种音频文件处理方法及装置 |
| CN110798636A (zh) * | 2019-10-18 | 2020-02-14 | 腾讯数码（天津）有限公司 | 字幕生成方法及装置、电子设备 |
| CN110798636B (zh) * | 2019-10-18 | 2022-10-11 | 腾讯数码（天津）有限公司 | 字幕生成方法及装置、电子设备 |
| CN112752047A (zh) * | 2019-10-30 | 2021-05-04 | 北京小米移动软件有限公司 | 视频录制方法、装置、设备及可读存储介质 |
| CN110827825A (zh) * | 2019-11-11 | 2020-02-21 | 广州国音智能科技有限公司 | 语音识别文本的标点预测方法、系统、终端及存储介质 |
| CN111970577A (zh) * | 2020-08-25 | 2020-11-20 | 北京字节跳动网络技术有限公司 | 字幕编辑方法、装置和电子设备 |
| CN111970577B (zh) * | 2020-08-25 | 2023-07-25 | 北京字节跳动网络技术有限公司 | 字幕编辑方法、装置和电子设备 |
| CN112579826A (zh) * | 2020-12-07 | 2021-03-30 | 北京字节跳动网络技术有限公司 | 视频显示及处理方法、装置、系统、设备、介质 |
| CN115150631A (zh) * | 2021-03-16 | 2022-10-04 | 北京有竹居网络技术有限公司 | 字幕处理方法、装置、电子设备和存储介质 |
| CN112714355A (zh) * | 2021-03-29 | 2021-04-27 | 深圳市火乐科技发展有限公司 | 音频可视化的方法、装置、投影设备及存储介质 |
| WO2022237448A1 (zh) * | 2021-05-08 | 2022-11-17 | 京东科技控股股份有限公司 | 语音识别训练集的生成方法及装置 |
| CN113660536A (zh) * | 2021-09-28 | 2021-11-16 | 北京七维视觉科技有限公司 | 一种字幕显示方法和装置 |
| CN114007145A (zh) * | 2021-10-29 | 2022-02-01 | 青岛海信传媒网络技术有限公司 | 一种字幕显示方法及显示设备 |
| CN114095782A (zh) * | 2021-11-12 | 2022-02-25 | 广州博冠信息科技有限公司 | 一种视频处理方法、装置、计算机设备及存储介质 |
| CN116916085A (zh) * | 2023-09-12 | 2023-10-20 | 飞狐信息技术（天津）有限公司 | 一种端到端字幕生成方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020098115A1 (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109257659A (zh) | 字幕添加方法、装置、电子设备及计算机可读存储介质 | |
| CN109615682A (zh) | 动画生成方法、装置、电子设备及计算机可读存储介质 | |
| CN108737872A (zh) | 用于输出信息的方法和装置 | |
| CN109147800A (zh) | 应答方法和装置 | |
| CN108882032A (zh) | 用于输出信息的方法和装置 | |
| CN107705783A (zh) | 一种语音合成方法及装置 | |
| CN108012173A (zh) | 一种内容识别方法、装置、设备和计算机存储介质 | |
| CN108847214A (zh) | 语音处理方法、客户端、装置、终端、服务器和存储介质 | |
| CN106796496A (zh) | 显示设备及其操作方法 | |
| CN106488311B (zh) | 音效调整方法及用户终端 | |
| CN110867177A (zh) | 音色可选的人声播放系统、其播放方法及可读记录介质 | |
| CN107437413A (zh) | 语音播报方法及装置 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN109410918A (zh) | 用于获取信息的方法及装置 | |
| CN113205793B (zh) | 音频生成方法、装置、存储介质及电子设备 | |
| KR20190084809A (ko) | 전자 장치 및 전자 장치에 의한 자막 표현 방법 | |
| CN109346057A (zh) | 一种智能儿童玩具的语音处理系统 | |
| Müller et al. | Interactive fundamental frequency estimation with applications to ethnomusicological research | |
| CN111369968A (zh) | 声音复制方法、装置、可读介质及电子设备 | |
| CN109949793A (zh) | 用于输出信息的方法和装置 | |
| CN113113040B (zh) | 音频处理方法及装置、终端及存储介质 | |
| CN110324702B (zh) | 视频播放过程中的信息推送方法和装置 | |
| US11967338B2 (en) | Systems and methods for a computerized interactive voice companion | |
| KR20100028748A (ko) | 광고 제공 시스템 및 방법 | |
| CN115858850A (zh) | 内容推荐方法、装置、车辆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: 20190122 |
|
| RJ01 | Rejection of invention patent application after publication |