CN110534085A - 用于生成信息的方法和装置 - Google Patents

Abstract

本公开实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列；根据原始音频对应的文本生成合成语音，并确定合成语音对应的合成音素序列；基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，处理后语音帧标识序列的长度与合成音素序列对应的合成语音帧标识序列长度相等；根据处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列；使用合成语音和处理后视频帧序列，生成合成视频。该实施方式保证了合成视频中的合成语音和处理后视频帧序列同步。

Description

用于生成信息的方法和装置

技术领域

本公开实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

随着移动互联网的不断发展，视频类的应用也越来越广泛。在相关技术中，为原始视频更换声音是一个热点。如果直接使用通过TTS(Text To Speech，从文本到语音)技术合成的语音替换原视频的音频，可能会遇到由于合成语音的节奏问题，导致音视频不同步的问题。

发明内容

本公开实施例提出了用于生成信息的方法和装置。

第一方面，本公开实施例提供了一种用于生成信息的方法，该方法包括：获取待处理视频中原始音频对应的原始音素序列，以及上述待处理视频的原始视频帧序列；根据上述原始音频对应的文本生成合成语音，并确定上述合成语音对应的合成音素序列；基于上述合成音素序列对应的合成语音帧标识序列，对上述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，上述处理后语音帧标识序列的长度与上述合成音素序列对应的合成语音帧标识序列长度相等；根据上述处理后语音帧标识序列，从上述原始视频帧序列中提取出视频帧生成处理后视频帧序列；使用上述合成语音和上述处理后视频帧序列，生成合成视频。

在一些实施例中，上述方法还包括：将上述合成视频存储到预设的、用于训练机器学习模型的样本集合中，其中，上述机器学习模型用于实现语音和视频的同步。

在一些实施例中，上述基于上述合成音素序列对应的合成语音帧标识序列，对上述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，包括：从上述合成语音帧标识序列和上述原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列；对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行以下操作：判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同；如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列；使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

在一些实施例中，上述调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列，包括：响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在一些实施例中，上述调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列，还包括：响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。

第二方面，本公开实施例提供了一种用于生成信息的装置，上述装置包括：获取单元，被配置成获取待处理视频中原始音频对应的原始音素序列，以及上述待处理视频的原始视频帧序列；合成单元，被配置成根据上述原始音频对应的文本生成合成语音，并确定上述合成语音对应的合成音素序列；处理单元，被配置成基于上述合成音素序列对应的合成语音帧标识序列，对上述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，上述处理后语音帧标识序列的长度与上述合成音素序列对应的合成语音帧标识序列长度相等；提取单元，被配置成根据上述处理后语音帧标识序列，从上述原始视频帧序列中提取出视频帧生成处理后视频帧序列；生成单元，被配置成使用上述合成语音和上述处理后视频帧序列，生成合成视频。

在一些实施例中，上述装置还包括：存储单元，被配置成将上述合成视频存储到预设的、用于训练机器学习模型的样本集合中，其中，上述机器学习模型用于实现语音和视频的同步。

在一些实施例中，上述处理单元包括：序列获取单元，被配置成从上述合成语音帧标识序列和上述原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列；执行单元，被配置成对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行预设操作，其中，上述执行单元包括：判断单元，被配置成判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同；调整单元，被配置成如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列；序列生成单元，被配置成使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

在一些实施例中，上述调整单元进一步被配置成：响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在一些实施例中，上述调整单元进一步被配置成：响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。

第三方面，本公开实施例提供了一种设备，该设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开实施例提供的用于生成信息的方法和装置，首先，获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列。其次，根据原始音频对应的文本生成合成语音，并确定合成语音对应的合成音素序列。之后，基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，处理后语音帧标识序列的长度与合成音素序列对应的合成语音帧标识序列长度相等。然后，根据处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列。最后，使用合成语音和处理后视频帧序列，生成合成视频。从而保证合成视频中的合成语音和处理后视频帧序列同步，使合成视频更加准确。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成信息的方法的一个实施例的流程图；

图3是根据本公开的用于生成信息的方法的一个应用场景的示意图；

图4是根据本公开的用于生成信息的方法的又一个实施例的流程图；

图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开实施例的用于生成信息的方法或用于生成信息的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持视频处理的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上呈现的视频提供支持的后台服务器。后台服务器可以对接收到的待处理视频等数据进行分析等处理，并将处理结果(例如合成视频)反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要说明的是，本公开实施例所提供的用于生成信息的方法可以通过终端设备101、102、103执行，也可以通过服务器105执行。相应地，用于生成信息的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

继续参考图2，示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法，包括以下步骤：

步骤201，获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列。

在本实施例中，用于生成信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列。作为示例，执行主体首先可以使用各种视频处理工具对待处理视频进行处理，以从待处理视频中提取原始音频和原始视频帧序列。之后，执行主体可以对原始音频进行识别，获得原始音频对应的原始音素序列。

这里，待处理视频的原始音频和原始视频帧序列在时间上同步，即，原始音频的播放时间和原始视频帧序列的播放时间是同步的。实践中，在语音识别过程中，可以根据实际需要设定帧长度，并依据设定的帧长度对原始音频进行分帧，即把原始音频切分成多个小段，每个小段称为一个语音帧，从而得到原始音频对应的原始语音帧序列。此外，还可以对切分得到的每一语音帧标注一个标识，进而得到原始音频对应的原始语音帧标识序列。由于原始音频和原始视频帧序列在时间上同步，因此，原始音频对应的原始语音帧标识序列与原始视频帧序列之间存在对应关系。即在播放原始语音帧标识序列中的某一段子序列对应的原始语音帧时，同步播放原始视频帧序列中、与该子序列对应的原始视频帧。实践中，原始音频对应的原始音素序列和原始音频对应的原始语音帧标识序列之间存在对应关系。即原始音素序列中的某一个音素与原始语音帧标识序列中的某一个子序列之间存在一一对应关系。这里，音素(phoneme)是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素。

步骤202，根据原始音频对应的文本生成合成语音，并确定合成语音对应的合成音素序列。

在本实施例中，执行主体可以首先获取原始音频对应的文本，这里，原始视频对应的文本可以是指待处理视频的台词文本。作为一个示例，执行主体可以直接从外部获取待处理视频的台词文本。作为另一个示例，执行主体可以对原始音频进行语音识别，从而得到原始音频对应的文本。之后，执行主体可以根据原始音频对应的文本，通过TTS技术生成合成语音。然后，执行主体可以通过各种方式确定合成语音对应的合成音素序列。此外，执行主体可以依据设定的帧长度对合成语音进行分帧，即把合成语音切分成一小段一小段，每小段称为一语音帧，从而得到合成语音对应的合成语音帧序列。此外，还可以对切分得到的每一语音帧标注一个标识，进而得到合成语音对应的合成语音帧标识序列。实践中，合成语音的合成音素序列和合成语音的合成语音帧标识序列之间存在对应关系。

步骤203，基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列。

在本实施例中，执行主体可以基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，从而得到处理后语音帧标识序列。这里，处理后语音帧标识序列的长度与合成音素序列对应的合成语音帧标识序列长度相等。由于处理后语音帧标识序列和合成语音帧标识序列长度相等，因此，处理后语音帧标识序列对应的语音帧数量与合成语音帧标识序列对应的语音帧数量相同。作为示例，合成语音是基于原始音频对应的文本合成的，所以原始音素序列和合成音素序列对应的文本相同，原始音素序列和合成音素序列之间的音素相同。因此，执行主体可以基于音素和合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理。

在本实施例的一些可选的实现方式中，上述步骤203可以具体如下进行：

步骤S1，从合成语音帧标识序列和原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列。

在本实现方式中，合成音素序列和原始音素序列之间存在多对相同位置音素，例如，合成音素序列中的第3个音素与原始音素序列中的第3个音素组成一对相同位置音素。执行主体可以从合成语音帧标识序列和原始语音帧标识序列中分别获取每一对相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列。

步骤S2，对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行以下操作步骤S21和步骤S22。

在本实现方式中，对于每一个相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行主体可以执行以下操作步骤S21和步骤S22。

步骤S21，判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同。

在本实现方式中，执行主体可以判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同。

步骤S22，如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在本实现方式中，如果该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度不相同，则执行主体可以调整该待对齐原始语音帧标识序列的长度，从而得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

这里，如果该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度相同，则执行主体不对该待对齐原始语音帧标识序列进行处理，也不对该待对齐合成语音帧标识序列进行处理。

步骤S3，使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

在本实现方式中，执行主体可以使用基于各个相同位置音素得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。具体的，执行主体可以根据各个音素在合成语音对应的合成音素序列中的位置，确定得到的各个调整后原始语音帧标识序列的位置，并根据确定的位置，将各个调整后原始语音帧标识序列进行组成，从而生成处理后语音帧标识序列。

在一些可选的实现方式中，上述步骤S22可以具体如下进行：响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在本实现方式中，如果判断该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，则执行主体可以对该待对齐原始语音帧标识序列进行插值，从而得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。作为示例，执行主体可以使用各种差值方式对待对齐原始语音帧标识序列进行差值，例如，线行插值、最近邻插值、非线性插值等方式。

在一些可选的实现方式中，上述步骤S22还可以具体如下进行：响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在本实现方式中，如果确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，则执行主体可以对该待对齐原始语音帧标识序列进行采样，从而使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。作为示例，执行主体可以使用各种采样方式对该待对齐原始语音帧标识序列进行采样，例如，等间隔采样、加权采样、非线性采样等方式。

步骤204，根据处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列。

在本实施例中，原始语音帧标识序列与原始视频帧序列之间存在对应关系。根据该对应关系，执行主体可以根据上述处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列。

步骤205，使用合成语音和处理后视频帧序列，生成合成视频。

在本实施例中，执行主体可以使用合成语音和上述处理后视频帧序列，生成合成视频。

继续参见图3，图3是根据本实施例的用于生成信息的方法的应用场景的一个示意图。在图3的应用场景中，终端设备301首先获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列。其次，终端设备301根据原始音频对应的文本生成合成语音，并确定合成语音对应的合成音素序列。之后，终端设备301基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列。然后，终端设备301根据处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列。最后，终端设备301使用合成语音和处理后视频帧序列，生成合成视频。

本公开的上述实施例提供的方法基于合成音素序列对应的合成语音帧标识序列对原始音素序列对应的原始语音帧标识序列进行处理，并根据处理后语音帧标识序列从原始视频帧序列中提取出视频帧生成处理后视频帧序列，因此，可以保证合成视频中的合成语音和处理后视频帧序列同步，从而使合成视频更加准确。

进一步参考图4，其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400，包括以下步骤：

步骤401，获取待处理视频中原始音频对应的原始音素序列，以及待处理视频的原始视频帧序列。

在本实施例中，步骤401与图2所示实施例的步骤201类似，此处不再赘述。

步骤402，根据原始音频对应的文本生成合成语音，并确定合成语音对应的合成音素序列。

在本实施例中，步骤402与图2所示实施例的步骤202类似，此处不再赘述。

步骤403，基于合成音素序列对应的合成语音帧标识序列，对原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列。

在本实施例中，步骤403与图2所示实施例的步骤203类似，此处不再赘述。

步骤404，根据处理后语音帧标识序列，从原始视频帧序列中提取出视频帧生成处理后视频帧序列。

在本实施例中，步骤404与图2所示实施例的步骤204类似，此处不再赘述。

步骤405，使用合成语音和处理后视频帧序列，生成合成视频。

在本实施例中，步骤405与图2所示实施例的步骤205类似，此处不再赘述。

步骤406，将合成视频存储到预设的、用于训练机器学习模型的样本集合中。

在本实施例中，执行主体可以将合成视频作为样本存储到预设的、用于训练机器学习模型的样本集合中。这里，上述机器学习模型可以用于实现语音和视频的同步。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了将合成视频存储到样本集合的步骤。由此，本实施例描述的方案所生成的合成视频可以用于训练机器学习模型，从而使样本集合中的样本更加丰富，进而使训练得到的机器学习模型更加准确。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成信息的装置500包括：获取单元501、合成单元502、处理单元503、提取单元504和生成单元505。其中，获取单元501被配置成获取待处理视频中原始音频对应的原始音素序列，以及所述待处理视频的原始视频帧序列；合成单元502被配置成根据所述原始音频对应的文本生成合成语音，并确定所述合成语音对应的合成音素序列；处理单元503被配置成基于所述合成音素序列对应的合成语音帧标识序列，对所述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，所述处理后语音帧标识序列的长度与所述合成音素序列对应的合成语音帧标识序列长度相等；提取单元504被配置成根据所述处理后语音帧标识序列，从所述原始视频帧序列中提取出视频帧生成处理后视频帧序列；生成单元505被配置成使用所述合成语音和所述处理后视频帧序列，生成合成视频。

在本实施例中，用于生成信息的装置500的获取单元501、合成单元502、处理单元503、提取单元504和生成单元505。的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，所述装置500还包括：存储单元(图中未示出)，被配置成将所述合成视频存储到预设的、用于训练机器学习模型的样本集合中，其中，所述机器学习模型用于实现语音和视频的同步。

在本实施例的一些可选的实现方式中，所述处理单元503包括：序列获取单元(图中未示出)，被配置成从所述合成语音帧标识序列和所述原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列；执行单元(图中未示出)，被配置成对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行预设操作，其中，所述执行单元包括：判断单元(图中未示出)，被配置成判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同；调整单元(图中未示出)，被配置成如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列；序列生成单元(图中未示出)，被配置成使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

在本实施例的一些可选的实现方式中，所述调整单元进一步被配置成：响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

在本实施例的一些可选的实现方式中，所述调整单元进一步被配置成：响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或者终端设备)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所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。在本公开的实施例中，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。而在本公开的实施例中，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：获取待处理视频中原始音频对应的原始音素序列，以及所述待处理视频的原始视频帧序列；根据所述原始音频对应的文本生成合成语音，并确定所述合成语音对应的合成音素序列；基于所述合成音素序列对应的合成语音帧标识序列，对所述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，所述处理后语音帧标识序列的长度与所述合成音素序列对应的合成语音帧标识序列长度相等；根据所述处理后语音帧标识序列，从所述原始视频帧序列中提取出视频帧生成处理后视频帧序列；使用所述合成语音和所述处理后视频帧序列，生成合成视频。

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实施例的操作的计算机程序代码，所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)。

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。

描述于本公开的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、合成单元、处理单元、提取单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待处理视频中原始音频对应的原始音素序列，以及所述待处理视频的原始视频帧序列的单元”。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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 (12)

1.一种用于生成信息的方法，包括：

获取待处理视频中原始音频对应的原始音素序列，以及所述待处理视频的原始视频帧序列；

根据所述原始音频对应的文本生成合成语音，并确定所述合成语音对应的合成音素序列；

基于所述合成音素序列对应的合成语音帧标识序列，对所述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，所述处理后语音帧标识序列的长度与所述合成音素序列对应的合成语音帧标识序列长度相等；

根据所述处理后语音帧标识序列，从所述原始视频帧序列中提取出视频帧生成处理后视频帧序列；

使用所述合成语音和所述处理后视频帧序列，生成合成视频。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述合成视频存储到预设的、用于训练机器学习模型的样本集合中，其中，所述机器学习模型用于实现语音和视频的同步。

3.根据权利要求1所述的方法，其中，所述基于所述合成音素序列对应的合成语音帧标识序列，对所述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，包括：

从所述合成语音帧标识序列和所述原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列；

对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行以下操作：判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同；如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列；

使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

4.根据权利要求3所述的方法，其中，所述调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列，包括：

响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

5.根据权利要求3所述的方法，其中，所述调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列，还包括：

响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。

6.一种用于生成信息的装置，包括：

获取单元，被配置成获取待处理视频中原始音频对应的原始音素序列，以及所述待处理视频的原始视频帧序列；

合成单元，被配置成根据所述原始音频对应的文本生成合成语音，并确定所述合成语音对应的合成音素序列；

处理单元，被配置成基于所述合成音素序列对应的合成语音帧标识序列，对所述原始音素序列对应的原始语音帧标识序列进行处理，得到处理后语音帧标识序列，其中，所述处理后语音帧标识序列的长度与所述合成音素序列对应的合成语音帧标识序列长度相等；

提取单元，被配置成根据所述处理后语音帧标识序列，从所述原始视频帧序列中提取出视频帧生成处理后视频帧序列；

生成单元，被配置成使用所述合成语音和所述处理后视频帧序列，生成合成视频。

7.根据权利要求6所述的装置，其中，所述装置还包括：

存储单元，被配置成将所述合成视频存储到预设的、用于训练机器学习模型的样本集合中，其中，所述机器学习模型用于实现语音和视频的同步。

8.根据权利要求6所述的装置，其中，所述处理单元包括：

序列获取单元，被配置成从所述合成语音帧标识序列和所述原始语音帧标识序列中分别获取相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列；

执行单元，被配置成对于相同位置音素对应的待对齐合成语音帧标识序列和待对齐原始语音帧标识序列，执行预设操作，其中，所述执行单元包括：判断单元，被配置成判断该待对齐合成语音帧标识序列和该待对齐原始语音帧标识序列的长度是否相同；调整单元，被配置成如果不相同，调整该待对齐原始语音帧标识序列的长度，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列；

序列生成单元，被配置成使用得到的调整后原始语音帧标识序列，生成处理后语音帧标识序列。

9.根据权利要求8所述的装置，其中，所述调整单元进一步被配置成：

响应于确定该待对齐合成语音帧标识序列的长度大于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行插值，得到长度与该待对齐合成语音帧标识序列长度相同的调整后原始语音帧标识序列。

10.根据权利要求8所述的装置，其中，所述调整单元进一步被配置成：

响应于确定该待对齐合成语音帧标识序列的长度小于该待对齐原始语音帧标识序列的长度，对该待对齐原始语音帧标识序列进行采样，使得调整后原始语音帧标识序列的长度与该待对齐合成语音帧标识序列长度相同。

11.一种设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。