CN110992920A - 直播合唱方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于直播合唱方法、装置、电子设备及存储介质，涉及数据处理技术领域。该方法包括：通过获取主播端的网络抖动值，作为第一抖动值，根据所述第一抖动值设置主播端的抖动缓冲区的延时时长，使得所述主播端的抖动缓冲区的延时时长大于所述第一抖动值，根据预设伴奏延时对主播端的伴奏进行处理，得到目标伴奏，从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间数据，根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个和目标伴奏对齐后的歌唱音频，将各个和目标伴奏对齐后的歌唱音频和目标伴奏进行混音处理，得到混音音频。根据本公开的技术方案，实现了在直播合唱时，提高音频质量，提高观众和主播的体验。

Description

直播合唱方法、装置、电子设备及存储介质

技术领域

本公开涉及数据处理领域，尤其涉及直播合唱方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展，网络直播越来越普及，在直播业务中，网络主播和观众的互动也日益丰富，目前，在直播间中，为了丰富主播与观众间的互动体验，产生了直播连麦业务，主播可以邀请多个嘉宾连麦，从而可以进行音频互动，具体的，连麦的嘉宾可以合唱唱歌，合唱音频可以被主播和其他观众收听。由于网络抖动的存在，参与连麦的客户端都需要一个jitter buffer(音频抖动缓冲区)来平滑网络的抖动。

现有技术中，会计算网络抖动值，将网络抖动值设置为抖动缓冲区的延时时长，但是实际场景中，会出现网络的实际延时大于网络抖动值的情况，此时主播端基于网络抖动值从抖动缓冲区获取的各嘉宾的音频数据会出现抖动的情况，从而导致主播端播放的合唱音频音质变差，使得观众的体验变差。

发明内容

本公开提供一种直播合唱方法、装置、电子设备及存储介质，以实现在直播合唱时，提高音频质量，提高用户的体验。

本公开的技术方案如下：

根据本公开实施例的第一方面，本公开提供一种直播合唱方法，应用于主播端，所述方法包括：

获取所述主播端的网络抖动值，作为第一抖动值；

根据所述第一抖动值设置所述主播端的抖动缓冲区的延时时长，其中，所述主播端的抖动缓冲值大于所述第一抖动值；

根据预设伴奏延时对所述主播端的伴奏进行处理，得到目标伴奏，所述预设伴奏延时是根据所述主播端的设备性能预先设定的；

从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，所述伴奏时间偏差为所述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差；

根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个目标歌唱音频；

将各个所述目标歌唱音频和所述目标伴奏进行混音处理，得到混音音频。

可选的，所述获取所述主播端的网络抖动值，包括：

获取所述主播端接收的各个数据包的到达时间；

根据各个所述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个所述到达时间差，生成所述到达时间差的概率密度分布；

根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为所述主播端的网络抖动值。

可选的，所述根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为主播端的网络抖动值，包括：

根据所述概率密度分布，选取所述概率密度分布的95分位数位置作为所述主播端的网络抖动值。

可选的，所述主播端的抖动缓冲区的延时时长为所述第一抖动值的二倍。

可选的，所述得到混音音频的步骤之后，所述方法还包括：

向观众端发送所述混音音频，以使所述观众端播放所述混音音频。

根据本公开实施例的第二方面，本公开提供一种直播合唱方法，应用于嘉宾端，所述方法包括：

获取所述嘉宾端的网络抖动值，作为第二抖动值；

根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长，其中，所述嘉宾端的抖动缓冲区的延时时长小于所述第二抖动值；

从所述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据；

播放所述其他嘉宾端的歌唱音频数据。

可选的，所述获取所述嘉宾端的网络抖动值，包括：

获取所述嘉宾端接收的各个数据包的到达时间；

根据各个所述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个所述到达时间差，生成所述到达时间差的概率密度分布；

根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为所述嘉宾端的网络抖动值。

可选的，所述根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为嘉宾端的网络抖动值，包括：

根据所述概率密度分布，选取所述概率密度分布的95分位数位置作为所述嘉宾端的网络抖动值。

可选的，所述嘉宾端的抖动缓冲区的延时时长为所述第二抖动值的0.5倍。

可选的，所述根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长的步骤之后，所述方法还包括：

根据所述嘉宾端的伴奏，计算所述嘉宾端的歌唱音频数据相对于所述嘉宾端的伴奏的开始时刻的伴奏时间偏差；

向主播端发送所述歌唱音频数据及所述伴奏时间偏差，以使所述主播端根据所述伴奏时间偏差将所述歌唱音频数据与目标伴奏对齐，得到目标伴歌唱音频数据，并且将所述目标歌唱音频数据与目标伴奏对齐，进行混音处理，得到混音音频，所述目标伴奏是所述主播端根据预设伴奏延时对主播端的伴奏进行处理得到的。

根据本公开实施例的第三方面，本公开提供一种直播合唱装置，应用于主播端，所述装置包括：

采集模块，被配置为获取所述主播端的网络抖动值，作为第一抖动值；

设置模块，被配置为根据所述第一抖动值设置所述主播端的抖动缓冲区的延时时长，其中，所述主播端的抖动缓冲区的延时时长大于所述第一抖动值；

处理模块，被配置为根据预设伴奏延时对所述主播端的伴奏进行处理，得到目标伴奏，所述预设伴奏延时是根据所述主播端的设备性能预先设定的；

获取模块，被配置为从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，所述伴奏时间偏差为所述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差；

对齐模块，被配置为根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个目标歌唱音频；

混音模块，被配置为将各个所述目标歌唱音频和所述目标伴奏进行混音处理，得到混音音频。

可选的，所述采集模块具体用于：

获取所述主播端接收的各个数据包的到达时间；

根据各个所述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个所述到达时间差，生成所述到达时间差的概率密度分布；

根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为所述主播端的网络抖动值。

可选的，所述采集模块具体用于：

根据所述概率密度分布，选取所述概率密度分布的95分位数位置作为所述主播端的网络抖动值。

可选的，所述主播端的抖动缓冲区的延时时长为所述第一抖动值的二倍。

可选的，所述装置还包括：

发送模块，被配置为向观众端发送所述混音音频，以使所述观众端播放所述混音音频。

根据本公开实施例的第四方面，本公开提供一种直播合唱装置，应用于嘉宾端，所述装置包括：

嘉宾端采集模块，被配置为获取所述嘉宾端的网络抖动值，作为第二抖动值；

嘉宾端设置模块，被配置为根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长，其中，所述嘉宾端的抖动缓冲区的延时时长小于所述第二抖动值；

嘉宾端接收模块，被配置为从所述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据；

嘉宾端播放模块，被配置为播放所述其他嘉宾端的歌唱音频数据。

可选的，所述嘉宾端采集模块具体用于：

获取所述嘉宾端接收的各个数据包的到达时间；

根据各个所述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个所述到达时间差，生成所述到达时间差的概率密度分布；

根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为所述嘉宾端的网络抖动值。

可选的，所述嘉宾端采集模块具体用于：

根据所述概率密度分布，选取所述概率密度分布的95分位数位置作为所述嘉宾端的网络抖动值。

可选的，所述嘉宾端的抖动缓冲区的延时时长为所述第二抖动值的0.5倍。

可选的，所述装置还包括：

嘉宾端计算模块，被配置为根据所述嘉宾端的伴奏，计算所述嘉宾端的歌唱音频数据相对于所述嘉宾端的伴奏的开始时刻的伴奏时间偏差；

嘉宾端发送模块，被配置为向主播端发送所述歌唱音频数据及所述伴奏时间偏差，以使所述主播端根据所述伴奏时间偏差将所述歌唱音频数据与目标伴奏对齐，得到目标歌唱音频数据，并且将所述主播端将所述目标歌唱音频数据与目标伴奏对齐，进行混音处理，得到混音音频。

根据本公开实施例的第五方面，本公开提供一种电子设备，

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现上述第一方面任一项所述的应用于主播端的直播合唱方法或上述第二方面任一项所述的应用于嘉宾端的直播合唱方法。

根据本公开实施例的第六方面，提供一种存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的应用于主播端的直播合唱方法或上述第二方面任一项所述的应用于嘉宾端的直播合唱方法。

根据本公开实施例的第七方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的应用于主播端的直播合唱方法或上述第二方面任一项所述的应用于嘉宾端的直播合唱方法。

本公开的实施例提供的直播合唱方法、装置、电子设备及存储介质，至少带来以下有益效果：

通过将主播端的网络抖动值作为第一抖动值，根据所述第一抖动值设置主播端的抖动缓冲区的延时时长，使得所述主播端的抖动缓冲区的延时时长大于所述第一抖动值，根据预设伴奏延时对主播端的伴奏进行处理，得到目标伴奏，从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个目标歌唱音频，将各个所述目标歌唱音频和所述目标伴奏进行混音处理，得到混音音频，以实现在直播合唱时，提高音频质量，提高观众和主播的体验。

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，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种应用于主播端的直播合唱方法的示意图；

图2是根据一示例性实施例示出的一种应用于嘉宾端的直播合唱方法的示意图；

图3是根据一示例性实施例示出的直播合唱系统的示意图；

图4是根据一示例性实施例示出的一种应用于主播端的直播合唱装置的示意图；

图5是根据一示例性实施例示出的一种应用于嘉宾端的直播合唱装置的示意图；

图6是根据一示例性实施例示出的第一种电子设备的示意图；

图7是根据一示例性实施例示出的第二种电子设备的示意图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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是根据一示例性实施例示出的一种应用于主播端的直播合唱方法的示意图，如图1所示，应用于主播端的直播合唱方法包括以下步骤：

在步骤110中，获取上述主播端的网络抖动值，作为第一抖动值。

本公开实施例的应用于主播端的直播合唱方法可以通过电子设备实现，具体的，该电子设备可以是个人电脑或智能手机等。

在直播过程中，主播可以邀请多个嘉宾进行连麦，主播播放伴奏后，连麦的多个嘉宾可以进行说唱、绕口令等活动。例如，主播邀请多个嘉宾进行连麦唱歌。由于网络抖动的存在，主播端需要一个抖动缓冲区来平滑网络的抖动，抖动缓冲区可以根据网络抖动值进行设置，具体的，实时获取上述主播端的网络抖动值，将上述主播端的网络抖动值作为第一抖动值，例如，上述主播端的网络抖动值为10ms，则第一抖动值为10ms。

在步骤120中，根据上述第一抖动值设置上述主播端的抖动缓冲区的延时时长，上述主播端的抖动缓冲区的延时时长大于上述第一抖动值。

为了使上述主播端接收到各个嘉宾端的歌唱音频数据，根据上述第一抖动值设置上述主播端的抖动缓冲区的延时时长，上述主播端的抖动缓冲区的延时时长大于上述第一抖动值，例如，上述主播端的网络抖动值为10ms，上述主播端的抖动缓冲区的延时时长为20ms，使得上述主播端接收到各个嘉宾端的歌唱音频数据，以此提高音视频质量。

在步骤130中，根据预设伴奏延时对上述主播端的伴奏进行处理，得到目标伴奏，上述预设伴奏延时是根据上述主播端的设备性能预先设定的。

主播端播放了主播端的伴奏后，根据主播端的设备性能，主播端的伴奏会有一定的延时，延时时长过大时听到的音频会有重叠声音，主播端的伴奏延时设置为预设伴奏延时，例如预设伴奏延时为10ms，根据预设伴奏延时对上述主播端的伴奏进行处理，得到目标伴奏，以使主播端根据上述目标伴奏对接收到的各个歌唱音频数据进行处理。

在步骤140中，从上述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，上述伴奏时间偏差为上述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差。

从上述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，伴奏时间偏差为歌唱音频数据相对于上述嘉宾端的伴奏的开始时刻的时间偏差。因为各个嘉宾端网络状态不同，各个嘉宾端网络延迟不一样，各个嘉宾唱歌起始时间不定，各个嘉宾可以在相应的嘉宾端伴奏开始后，进行歌唱，诵读旁白或者朗诵等，也可以在相应的嘉宾端伴奏开始前进行说唱，诵读旁白或者朗诵等，例如，A嘉宾端伴奏起始时间为0s，嘉宾用户1开始唱歌的时间为A嘉宾端伴奏起始时间之后的5s，则A嘉宾端获取嘉宾用户1的伴奏时间偏差为伴奏起始时间之后的5s。或者上述B嘉宾端的伴奏开始时刻为0s，嘉宾用户2开始唱歌的时间为上述B嘉宾端的伴奏开始时刻之前的1s，则B嘉宾端获取嘉宾用户2的伴奏时间偏差为伴奏开始时刻之前的1s，例如，嘉宾用户2在伴奏开始前，进行了说唱，诵读旁白或者朗诵等，上述主播端可以在抖动缓冲区接收各个嘉宾端发送的伴奏时间偏差和歌唱音频数据。

在步骤150中，根据各个上述伴奏时间偏差将对应的歌唱音频数据和上述目标伴奏对齐，得到各个目标歌唱音频。

基于上述主播端的抖动缓冲区的延时时长，按照各个上述伴奏时间偏差，将各个上述歌唱音频数据和上述主播端的伴奏进行混音处理，例如，主播端获得A嘉宾端发送的伴奏时间偏差为伴奏起始时间之后的5s，B嘉宾端发送的伴奏时间偏差为伴奏开始时刻之前的1s，则主播端根据A嘉宾端的伴奏时间偏差为伴奏起始时间之后的5s，将A嘉宾端发送的歌唱音频数据和上述主播端的伴奏之后的5s位置进行对齐，得到A目标歌唱音频，根据B嘉宾端的伴奏时间偏差为伴奏起始时间之前的1s，将B嘉宾端发送的歌唱音频数据和上述主播端的伴奏之前的1s位置进行对齐，得到B目标歌唱音频，以使主播端对上述目标歌唱音频和上述目标伴奏进行混音处理，这样可以实现在直播合唱过程中，提高音视频质量，以提高观众和主播的体验。

在步骤160中，将各个上述目标歌唱音频和上述目标伴奏进行混音处理，得到混音音频。

得到各个上述目标歌唱音频和上述目标伴奏之后，将各个上述目标歌唱音频和上述目标伴奏进行混音处理，从而得到混音音频。

通过获取上述主播端的网络抖动值，作为第一抖动值，根据上述第一抖动值设置上述主播端的抖动缓冲区的延时时长，上述主播端的抖动缓冲区的延时时长大于上述第一抖动值，接收各上述嘉宾端发送伴奏时间偏差和歌唱音频数据，基于上述主播端的抖动缓冲区的延时时长，按照各上述伴奏时间偏差，将各上述歌唱音频数据和上述主播端的伴奏进行混音处理，得到混音音频，以实现在直播合唱时，提高音视频质量，以提高观众和主播的体验。

在一种可能的实施方式中，上述获取上述主播端的网络抖动值，包括：

获取上述主播端接收的各个数据包的到达时间；

根据各个上述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个上述到达时间差，生成上述到达时间差的概率密度分布；

根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为上述主播端的网络抖动值。

主播端需要实时获取上述主播端的网络抖动值，因为主播端接收数据的频率为一定的，例如，主播端每20ms接收一个数据包，则主播端获取上述主播端接收的各个数据包的到达时间，根据各个上述数据包的到达时间，计算各个相邻数据包的到达时间差，例如，数据包1和数据包2为相邻的数据包，数据包1到达的时间为2ms，数据包2到达的时间为42ms，二者的到达时间差为40ms，其中40ms大于主播端数据接收频率，即，每20ms接收一个数据包，则主播端存在20ms的网络延时，则，主播端存在网络抖动。例如，主播端计算了5个到达时间差，分别为，20ms，40ms，40ms，60ms，80ms，则20ms到达时间差出现的概率为0.2，40ms到达时间差出现的概率为0.4，60ms到达时间差出现的概率为0.2，80ms到达时间差出现的概率为0.2，根据各个上述到达时间差，生成上述到达时间差的概率密度分布，选取上述概率密度分布的指定分位数位置作为上述主播端的网络抖动值，例如，选取上述概率密度分布的95分位数位置作为上述主播端的网络抖动值，即，上述概率密度分布中不大于这一分位数的概率为95％。例如，20ms，40ms，40ms，60ms，80ms中，80分位数为60ms。指定分位数位置可根据需要进行设定任一分位数，比如设置60分位数，65分位数，70分位数，75分位数，80分位数，85分位数，90分位数或者95分位数等。

在一种可能的实施方式中，上述根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为主播端的网络抖动值，包括：

根据上述概率密度分布，选取上述概率密度分布的95分位数位置作为上述主播端的网络抖动值。

根据上述概率密度分布，可以选取上述概率密度分布的95分位数位置作为上述主播端的网络抖动值。

在一种可能的实施方式中，上述主播端的抖动缓冲区的延时时长为上述第一抖动值的二倍。

例如，第一抖动值为10ms，则上述主播端的抖动缓冲区的延时时长设置为上述第一抖动值的2倍，即上述主播端的抖动缓冲区的延时时长设置为20ms。主播端的抖动缓冲区的延时时长大于网络抖动值，因为引入了较大的延迟，使得主播端可以完整的获取各嘉宾端的歌唱音频数据以及伴奏时间偏差，以此进行后续混音操作，实现在直播合唱过程中，提高音视频质量，以提高观众和主播的体验。

在一种可能的实施方式中，上述方法还包括：

向观众端发送上述混音音频，以使上述观众端播放上述混音音频。

得到上述混音音频后，将上述混音音频发送至观众端，以使观众端接收并播放上述混音音频，使得观众和主播收听到上述混音音频。以提高观众和主播的体验。

图2是根据一示例性实施例示出的一种应用于嘉宾端的直播合唱方法的示意图，如图2所示，应用于嘉宾端的直播合唱方法包括以下步骤：

在步骤210中，获取上述嘉宾端的网络抖动值，作为第二抖动值。

本公开实施例的应用于嘉宾端的直播合唱方法可以通过电子设备实现，具体的，该电子设备可以是个人电脑或智能手机等。

在直播过程中，主播可以邀请多个嘉宾进行连麦，主播播放伴奏，连麦的多个嘉宾可以进行说唱、绕口令等活动。例如，主播邀请多个嘉宾进行连麦唱歌。由于网络抖动的存在，嘉宾端需要一个抖动缓冲区来平滑网络的抖动，当嘉宾端的抖动缓冲区的延时时长设置过大时，会引入较大的延迟，严重影响合唱效果，甚至无法进行合唱，为了提高合唱嘉宾的体验，获取嘉宾端的网络抖动值，作为第二抖动值。

在步骤220中，根据上述第二抖动值设置上述嘉宾端的抖动缓冲区的延时时长，其中，上述嘉宾端的抖动缓冲区的延时时长小于上述第二抖动值。

根据上述第二抖动值设置上述嘉宾端010的抖动缓冲区的延时时长，其中，上述嘉宾端010的抖动缓冲区的延时时长小于上述第二抖动值，例如，A嘉宾端的第二抖动值为10ms，则可以设置A嘉宾端的抖动缓冲区的延时时长为5ms，以此使延迟较小，降低对合唱效果的影响。

在步骤230中，从上述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据。

在连麦合唱过程中，嘉宾端可以接收其他嘉宾端的歌唱音频数据，每个嘉宾端之间的歌唱音频数据时可以进行交互的，例如，A嘉宾端接收B嘉宾端、C嘉宾端及D嘉宾端的歌唱音频数据，这样，在合唱过程中，每个合唱嘉宾可以接收到其他合唱嘉宾的歌唱声音。

在步骤240中，播放上述其他嘉宾端的歌唱音频数据。

例如，A嘉宾端的第二抖动值为10ms，则可以设置A嘉宾端的抖动缓冲区的延时时长为5ms，这样A嘉宾端引入较小的延迟，基于上述嘉宾端的抖动缓冲区的延时时长，其他嘉宾端的歌唱音频数据可以先缓存在A嘉宾端的抖动缓冲区中，在到达抖动缓冲区的延时时长后，在从抖动缓冲区中读取歌唱音频数据，播放其他嘉宾端的歌唱音频数据，使得其他合唱嘉宾的歌唱音频数据不影响自身歌唱效果，从而不影响合唱效果，提高合唱嘉宾用户的体验。

通过获取上述嘉宾端的网络抖动值，作为第二抖动值，根据上述第二抖动值设置上述嘉宾端的抖动缓冲区的延时时长，其中，上述嘉宾端的抖动缓冲区的延时时长小于上述第二抖动值，接收其他嘉宾端的歌唱音频数据，基于上述嘉宾端的抖动缓冲区的延时时长，播放其他嘉宾端的歌唱音频数据，使得其他合唱嘉宾的歌唱音频数据不影响自身歌唱效果，从而不影响合唱效果，提高合唱嘉宾用户的体验。

在一种可能的实施方式中，上述获取上述嘉宾端的网络抖动值，包括：

获取上述嘉宾端接收的各个数据包的到达时间；

根据各个上述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个上述到达时间差，生成上述到达时间差的概率密度分布；

根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为上述嘉宾端的网络抖动值。

本方法步骤与上述应用于主播端的直播合唱方法相同，在此不再赘述。

在一种可能的实施方式中，上述根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为嘉宾端的网络抖动值，包括：

根据上述概率密度分布，选取上述概率密度分布的95分位数位置作为上述嘉宾端的网络抖动值。

本方法步骤与上述应用于主播端的直播合唱方法相同，在此不再赘述。

在一种可能的实施方式中，上述嘉宾端的抖动缓冲区的延时时长为上述第二抖动值的0.5倍。

例如，第二抖动值为10ms，则上述嘉宾端的抖动缓冲区的延时时长设置为上述第二抖动值的0.5倍，即上述嘉宾端的抖动缓冲区的延时时长设置为5ms。上述嘉宾端的抖动缓冲区的延时时长小于上述第二抖动值，接收其他嘉宾端的歌唱音频数据，基于上述嘉宾端的抖动缓冲区的延时时长，播放其他嘉宾端的歌唱音频数据，使得其他合唱嘉宾的歌唱音频数据不影响自身歌唱效果，从而不影响合唱效果，提高合唱嘉宾用户的体验。

在一种可能的实施方式中，上述根据上述第二抖动值设置上述嘉宾端的抖动缓冲区的延时时长的步骤之后，上述方法还包括：

根据上述嘉宾端的伴奏，计算上述嘉宾端的歌唱音频数据相对于上述嘉宾端的伴奏的开始时刻的伴奏时间偏差；

向主播端发送上述歌唱音频数据及上述伴奏时间偏差，以使上述主播端根据上述伴奏时间偏差将上述歌唱音频数据与目标伴奏对齐，得到目标伴歌唱音频数据，并且将上述目标歌唱音频数据与目标伴奏对齐，进行混音处理，得到混音音频，上述目标伴奏是上述主播端根据预设伴奏延时对主播端的伴奏进行处理得到的。

嘉宾用户在嘉宾端参与合唱时，上述嘉宾用户的歌唱音频数据相对于上述嘉宾端的伴奏开始时刻具有一定的时间差，例如，A嘉宾端伴奏起始时间为0s，嘉宾用户1开始唱歌的时间为A嘉宾端伴奏起始时间之后的5s，则A嘉宾端获取嘉宾用户1的伴奏时间偏差为伴奏起始时间之后的5s。或者上述B嘉宾端的伴奏开始时刻为0s，嘉宾用户2开始唱歌的时间为上述B嘉宾端的伴奏开始时刻之前的1s，则B嘉宾端获取嘉宾用户2的伴奏时间偏差为伴奏开始时刻之前的1s，例如，嘉宾用户2在伴奏开始前，进行了说唱，旁白或者朗诵等。嘉宾端获取嘉宾用户的歌唱音频数据及伴奏时间偏差，并向上述主播端发送上述歌唱音频数据及上述伴奏时间偏差。以使上述主播端获取各嘉宾端的歌唱音频数据及上述伴奏时间偏差，以使主播端利用上述歌唱音频数据及上述伴奏时间偏差进行混音合成，以此兼顾网络延时及音质问题，提高用户体验。

更进一步的，可以将上述主播端和上述嘉宾端组成直播合唱系统，图3是根据一示例性实施例示出的直播合唱系统的示意图，参见图3，包括：多个嘉宾端010及主播端020。其中，上述嘉宾端010用于实现上述实施例示出的应用于嘉宾端的直播合唱方法步骤，上述主播端020用于实现上述实施例示出的应用于主播端的直播合唱方法步骤，以实现在直播合唱过程中，提高音频质量，以提高观众、合唱嘉宾和主播的体验。

图4为是根据一示例性实施例示出的一种应用于主播端的直播合唱装置的示意图，参见图4，该装置包括：采集模块310，设置模块320，处理模块330，获取模块340，对齐模块350，混音模块360。

采集模块310，被配置为获取上述主播端的网络抖动值，作为第一抖动值；

设置模块320，被配置为根据上述第一抖动值设置上述主播端的抖动缓冲区的延时时长，其中，上述主播端的抖动缓冲区的延时时长大于上述第一抖动值；

处理模块330，被配置为根据预设伴奏延时对上述主播端的伴奏进行处理，得到目标伴奏，上述预设伴奏延时是根据上述主播端的设备性能预先设定的；

获取模块340，被配置为从上述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，上述伴奏时间偏差为上述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差；

对齐模块350，被配置为根据各个上述伴奏时间偏差将对应的歌唱音频数据和上述目标伴奏对齐，得到各个目标歌唱音频；

混音模块360，被配置为将各个上述目标歌唱音频和上述目标伴奏进行混音处理，得到混音音频。

在一种可能的实施方式中，上述采集模块310具体用于：

获取上述主播端接收的各个数据包的到达时间；

根据各个上述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个上述到达时间差，生成上述到达时间差的概率密度分布；

根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为上述主播端的网络抖动值。

在一种可能的实施方式中，上述采集模块310具体用于：

根据上述概率密度分布，选取上述概率密度分布的95分位数位置作为上述主播端的网络抖动值。

在一种可能的实施方式中，上述主播端的抖动缓冲区的延时时长为上述第一抖动值的二倍。

在一种可能的实施方式中，上述装置还包括：

发送模块，被配置为向观众端发送上述混音音频，以使上述观众端播放上述混音音频。

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有关该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。

图5为是根据一示例性实施例示出的一种应用于嘉宾端的直播合唱装置的示意图，参见图5，该装置包括：嘉宾端采集模块410，嘉宾端设置模块420，嘉宾端接收模块430，嘉宾端播放模块440。

嘉宾端采集模块410，被配置为获取上述嘉宾端的网络抖动值，作为第二抖动值；

嘉宾端设置模块420，被配置为根据上述第二抖动值设置上述嘉宾端的抖动缓冲区的延时时长，其中，上述嘉宾端的抖动缓冲区的延时时长小于上述第二抖动值；

嘉宾端接收模块430，被配置为从上述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据；

嘉宾端播放模块440，被配置为播放上述其他嘉宾端的歌唱音频数据。

在一种可能的实施方式中，上述嘉宾端采集模块410具体用于：

获取上述嘉宾端接收的各个数据包的到达时间；

根据各个上述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个上述到达时间差，生成上述到达时间差的概率密度分布；

根据上述概率密度分布，选取上述概率密度分布的指定分位数位置作为上述嘉宾端的网络抖动值。

在一种可能的实施方式中，上述嘉宾端采集模块410具体用于：

根据上述概率密度分布，选取上述概率密度分布的95分位数位置作为上述嘉宾端的网络抖动值。

在一种可能的实施方式中，上述嘉宾端的抖动缓冲区的延时时长为上述第二抖动值的0.5倍。

在一种可能的实施方式中，上述装置还包括：

嘉宾端计算模块，被配置为根据上述嘉宾端的伴奏，计算上述嘉宾端的歌唱音频数据相对于上述嘉宾端的伴奏的开始时刻的伴奏时间偏差；

嘉宾端发送模块，被配置为向主播端发送上述歌唱音频数据及上述伴奏时间偏差，以使上述主播端根据上述伴奏时间偏差将上述歌唱音频数据与目标伴奏对齐，得到目标歌唱音频数据，并且将上述主播端将上述目标歌唱音频数据与目标伴奏对齐，进行混音处理，得到混音音频。

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有关该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。

图6是根据一示例性实施例示出的第一种电子设备的示意图，参见图6，例如，电子设备800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6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在上述电子设备800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。上述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与上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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800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804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802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814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如上述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816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，上述通信组件816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，电子设备800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，用于执行上述实施例中任一上述的应用于主播端的直播合唱方法或上述实施例中任一上述的应用于嘉宾端的直播合唱方法。

图7是根据一示例性实施例示出的第二种电子设备的示意图。例如，电子设备900可以被提供为一服务器。参照图7，电子设备900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述实施例中任一上述的应用于主播端的直播合唱方法或上述实施例中任一上述的应用于嘉宾端的直播合唱方法。

电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理，一个有线或无线网络接口950被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似操作系统。

在本公开实施例中，还提供了一种存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一上述的应用于主播端的直播合唱方法或上述实施例中任一上述的应用于嘉宾端的直播合唱方法。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。可选地，例如，存储介质可以是非临时性计算机可读存储介质，例如，上述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在本公开实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一上述的应用于主播端的直播合唱方法或上述实施例中任一上述的应用于嘉宾端的直播合唱方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，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)

1.一种直播合唱方法，其特征在于，应用于主播端，所述方法包括：

获取所述主播端的网络抖动值，作为第一抖动值；

根据所述第一抖动值设置所述主播端的抖动缓冲区的延时时长，其中，所述主播端的抖动缓冲值大于所述第一抖动值；

根据预设伴奏延时对所述主播端的伴奏进行处理，得到目标伴奏，所述预设伴奏延时是根据所述主播端的设备性能预先设定的；

从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，所述伴奏时间偏差为所述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差；

根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个目标歌唱音频；

将各个所述目标歌唱音频和所述目标伴奏进行混音处理，得到混音音频。

2.根据权利要求1所述的方法，其特征在于，所述获取所述主播端的网络抖动值，包括：

获取所述主播端接收的各个数据包的到达时间；

根据各个所述数据包的到达时间，计算各个相邻数据包的到达时间差；

根据各个所述到达时间差，生成所述到达时间差的概率密度分布；

根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为所述主播端的网络抖动值。

3.根据权利要求2所述的方法，其特征在于，所述根据所述概率密度分布，选取所述概率密度分布的指定分位数位置作为主播端的网络抖动值，包括：

根据所述概率密度分布，选取所述概率密度分布的95分位数位置作为所述主播端的网络抖动值。

4.根据权利要求1所述的方法，其特征在于，所述主播端的抖动缓冲区的延时时长为所述第一抖动值的二倍。

5.一种直播合唱方法，其特征在于，应用于嘉宾端，所述方法包括：

获取所述嘉宾端的网络抖动值，作为第二抖动值；

根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长，其中，所述嘉宾端的抖动缓冲区的延时时长小于所述第二抖动值；

从所述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据；

播放所述其他嘉宾端的歌唱音频数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长的步骤之后，所述方法还包括：

根据所述嘉宾端的伴奏，计算所述嘉宾端的歌唱音频数据相对于所述嘉宾端的伴奏的开始时刻的伴奏时间偏差；

向主播端发送所述歌唱音频数据及所述伴奏时间偏差，以使所述主播端根据所述伴奏时间偏差将所述歌唱音频数据与目标伴奏对齐，得到目标伴歌唱音频数据，并且将所述目标歌唱音频数据与目标伴奏对齐，进行混音处理，得到混音音频，所述目标伴奏是所述主播端根据预设伴奏延时对主播端的伴奏进行处理得到的。

7.一种直播合唱装置，其特征在于，应用于主播端，所述装置包括：

采集模块，被配置为获取所述主播端的网络抖动值，作为第一抖动值；

设置模块，被配置为根据所述第一抖动值设置所述主播端的抖动缓冲区的延时时长，其中，所述主播端的抖动缓冲区的延时时长大于所述第一抖动值；

处理模块，被配置为根据预设伴奏延时对所述主播端的伴奏进行处理，得到目标伴奏，所述预设伴奏延时是根据所述主播端的设备性能预先设定的；

获取模块，被配置为从所述主播端的抖动缓冲区获取各个嘉宾端发送的伴奏时间偏差和歌唱音频数据，所述伴奏时间偏差为所述歌唱音频数据相对于所属嘉宾端的伴奏的开始时刻的时间偏差；

对齐模块，被配置为根据各个所述伴奏时间偏差将对应的歌唱音频数据和所述目标伴奏对齐，得到各个目标歌唱音频；

混音模块，被配置为将各个所述目标歌唱音频和所述目标伴奏进行混音处理，得到混音音频。

8.一种直播合唱装置，其特征在于，应用于嘉宾端，所述装置包括：

嘉宾端采集模块，被配置为获取所述嘉宾端的网络抖动值，作为第二抖动值；

嘉宾端设置模块，被配置为根据所述第二抖动值设置所述嘉宾端的抖动缓冲区的延时时长，其中，所述嘉宾端的抖动缓冲区的延时时长小于所述第二抖动值；

嘉宾端接收模块，被配置为从所述嘉宾端的抖动缓冲区接收其他嘉宾端的歌唱音频数据；

嘉宾端播放模块，被配置为播放所述其他嘉宾端的歌唱音频数据。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的直播合唱方法。

10.一种存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的直播合唱方法。

Images