CN112995749A - 视频字幕的处理方法、装置、设备和存储介质 - Google Patents

视频字幕的处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112995749A
CN112995749A CN202110168920.4A CN202110168920A CN112995749A CN 112995749 A CN112995749 A CN 112995749A CN 202110168920 A CN202110168920 A CN 202110168920A CN 112995749 A CN112995749 A CN 112995749A
Authority
CN
China
Prior art keywords
subtitle
video
target
candidate
caption
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.)
Granted
Application number
CN202110168920.4A
Other languages
English (en)
Other versions
CN112995749B (zh
Inventor
苏再卿
焦少慧
张清源
赵世杰
詹亘
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202110168920.4A priority Critical patent/CN112995749B/zh
Publication of CN112995749A publication Critical patent/CN112995749A/zh
Application granted granted Critical
Publication of CN112995749B publication Critical patent/CN112995749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04N21/435—Processing of additional data, e.g. decrypting of additional data, reconstructing software from modules extracted from the transport stream
    • H04N21/4355—Processing of additional data, e.g. decrypting of additional data, reconstructing software from modules extracted from the transport stream involving reformatting operations of additional data, e.g. HTML pages on a television screen
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • 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
    • 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
    • H04N21/4398—Processing of audio elementary streams involving reformatting operations of audio signals
    • 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
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video 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
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • 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
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440218—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display by transcoding between formats or standards, e.g. from MPEG-2 to MPEG-4
    • 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
    • H04N21/485—End-user interface for client configuration
    • H04N21/4858—End-user interface for client configuration for modifying screen layout parameters, e.g. fonts, size of the windows
    • 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
    • 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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8547—Content authoring involving timestamps for synchronizing content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Studio Circuits (AREA)

Abstract

本发明公开了一种视频字幕的处理方法、装置、设备和存储介质。该方法包括：确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；对所述原始视频的音频信息进行语音识别，得到第二候选字幕；根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。在对原始视频的字幕进行处理的过程中，不仅结合了原始视频中字幕区域内的原始字幕信息，还结合了原始视频中的音频信息，即利用多种不同模态的信息来生成目标字幕，使得经过字幕处理后的目标视频的字幕与实际更相符，从而提高了字幕信息的准确性。

Description

视频字幕的处理方法、装置、设备和存储介质
技术领域
本发明实施例涉及视频处理技术领域，尤其涉及一种视频字幕的处理方法、装置、设备和存储介质。
背景技术
随着互联网技术的不断发展，对于视频的二次创作的需求越来越广泛。例如，老电影的字幕泛白，导致用户无法看清字幕，此时需要对老电影的字幕进行二次处理。因此，为了满足用户的需求，对于视频字幕进行处理是很有必要的。但是，目前一些常规视频字幕的处理方法较为粗犷，往往导致最终得到的字幕与实际不符，准确性较低。
发明内容
针对传统技术导致最终得到的字幕与实际不符，准确性较低的技术问题，本发明提供一种视频字幕的处理方法、装置、设备和存储介质。
第一方面，本发明实施例提供一种视频字幕的处理方法，包括：
确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
第二方面，本发明实施例提供一种视频字幕的处理装置，包括：
第一识别模块，用于确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
第二识别模块，用于对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
字幕生成模块，用于根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
视频生成模块，用于将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
第三方面，本发明实施例提供一种视频字幕的处理设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的视频字幕的处理方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的视频字幕的处理方法的步骤。
本发明实施例提供的视频字幕的处理方法、装置、设备和存储介质，在确定原始视频中各视频帧的字幕区域之后，识别各字幕区域内的字幕信息，得到第一候选字幕，并对原始视频的音频信息进行语音识别，得到第二候选字幕，接着，根据第一候选字幕和第二候选字幕生成目标字幕，再将目标字幕和原始视频的视频数据结合，生成包含该目标字幕的目标视频。在对原始视频的字幕进行处理的过程中，不仅结合了原始视频中字幕区域内的原始字幕信息，还结合了原始视频中的音频信息，即利用多种不同模态的信息来生成目标字幕，使得经过字幕处理后的目标视频的字幕与实际更相符，从而提高了字幕信息的准确性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例提供的视频字幕的处理方法的一种流程示意图；
图2为本发明实施例提供的多模态字幕的融合过程的一种流程示意图；
图3为本发明实施例提供的目标视频的生成过程的一种流程示意图；
图4为本发明实施例提供的原始视频中原始字幕的消除过程的一种原理示意图；
图5为本发明实施例提供的视频字幕的处理方法的一种原理示意图；
图6为本发明实施例提供的视频字幕的处理装置的一种结构示意图；
图7为本发明实施例提供的视频字幕的处理设备的一种结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。
需要说明的是，下述方法实施例的执行主体可以是视频字幕的处理装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为视频字幕的处理设备(以下简称电子设备)的部分或者全部。可选地，该电子设备可以为客户端，包括但不限于智能手机、平板电脑、电子书阅读器以及车载终端等。当然，该电子设备也可以为独立的服务器或者服务器集群，本发明实施例对电子设备的具体形式不做限定。下述方法实施例以执行主体是电子设备为例进行说明。
图1为本发明实施例提供的视频字幕的处理方法的一种流程示意图。本实施例涉及的是电子设备如何对原始视频的字幕进行处理的具体过程。如图1所示，该方法可以包括：
S101、确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕。
具体的，上述原始视频可以是实时拍摄的视频，也可以是本地所存储的预先拍摄的视频，还可以是从外部其它设备中获取的视频，如从云端中所获取的视频。其中，该原始视频携带原始字幕。在某些情况下，需要对原始视频的原始字幕进行处理，例如，原始字幕泛白不清楚、需要将原始字幕进行语种翻译或者对原始字幕进行艺术化处理等。
为了对原始视频的字幕进行处理，一方面，电子设备可以从原始视频中确定出各视频帧的字幕区域，以识别字幕区域内的字幕信息。其中，上述字幕区域可以理解为视频帧中的文字区域，即原始字幕所在的区域。在实际应用中，由于通常情况下文本区域有着较高的边缘密度，字符边缘与背景有着较为明显的颜色差别。因此，可以通过预设的边缘检测算法对视频帧进行边缘检测，以检测视频帧中的字符的边缘。在进行边缘检测之后，边缘检测后的视频帧中不可避免地产生了噪声，这些噪声会影响文本定位的准确性。接着，可以对边缘检测后的视频帧中的噪声进行去除长直线、去除孤立的噪声点以及形态学操作等，以减少噪声对文本定位的影响。进一步地，可以利用连通域标记算法对去除噪声后的视频帧进行标记，再用先验知识进行连通域分析来剔除非文本区域，从而得到最终的文本区域，即字幕区域。
在确定出各视频帧的字幕区域之后，电子设备通过预设的文字识别算法识别字幕区域内的字幕信息，从而得到第一候选字幕。作为一种可选地实施方式，在字幕信息识别过程中，电子设备可以对字幕区域进行预处理，包括去噪、图像增强以及缩放等，以去除字幕区域内的背景或者噪点，突出文字部分，并缩放图像为适于处理的大小；接着，可以提取字幕区域内的文字的边缘特征、笔画特征以及结构特征，基于所提取的文字特征识别字幕区域内的字幕信息，以得到第一候选字幕。
S102、对所述原始视频的音频信息进行语音识别，得到第二候选字幕。
具体的，在字幕处理过程中，另一方面，电子设备还可以结合原始视频的音频信息，来获取与音频信息对应的字幕数据。为此，可选地，在S102之前，电子设备还需要提取原始视频的音频信息。可以理解的是，原始视频可以包括由多帧图像构成的视频流和音频流，也就是说上述原始视频可以按照预设封装格式封装了视频流和音频流。在一些应用场景中，可以对封装了视频流和音频流的原始视频进行解复用，从原始视频中分离出音频信息。上述视频流和音频流复用相同的时间轴。
在另一些应用场景中，可以在原始视频预播放过程中对视频的音频内容进行录制，从而得到原始视频的音频信息。
接着，在得到原始视频的音频信息之后，电子设备可以采用预设的语音识别技术对原始视频的音频信息进行语音识别，根据语音识别结果生成字幕数据，得到第二候选字幕。在一些可选地实施方式中，可以利用预设的语音库来对音频信息进行语音识别。其中，语音库中可以包括多个文字，以及每一个文字对应的至少一个标准发音。在将音频信息输入至预设的语音库中之后，电子设备便可以基于输入的语音，从语音库中查找到相应的文字组成通顺的语句，将音频信息转换为文本信息，从而从音频信息中获取到对应的第二候选字幕。
S103、根据所述第一候选字幕和所述第二候选字幕，生成目标字幕。
其中，在得到第一候选字幕和第二候选字幕之后，电子设备可以基于第一候选字幕和第二候选字幕，生成原始视频的目标字幕。在实际应用中，原始视频的各视频帧和各语音帧通过时间戳来对应，因此，可以通过原始视频的各视频帧对应的时间戳以及各音频帧对应的时间戳，将第一候选字幕以及第二候选字幕进行对应融合，从而得到目标字幕。在此过程中，既考虑了各视频帧的字幕区域内的字幕信息，还考虑了各视频帧对应的音频信息的字幕识别结果，使得所生成的目标字幕比利用单一信息生成的字幕更准确。
S104、将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
其中，原始视频的视频数据中所封装的视频流和音频流可以复用相同的时间轴。因此，电子设备可以基于上述时间轴将目标字幕与原始视频的视频数据相结合，生成包含目标字幕的目标视频。可选地，可以将目标字幕重新嵌入至原始视频的视频数据中，从而覆盖原始视频的原始字幕，以得到包含目标字幕的目标视频。还可以将目标字幕生成独立的文件，并将字幕数据文件与原始视频中去除了原始字幕信息的视频数据打包成包含目标字幕的目标视频。
在一种可选地实施方式中，可以基于原始视频中各视频帧以及各音频帧对应的时间戳，将目标字幕与原始视频的视频数据进行结合，生成包括目标字幕的目标视频。也就是说，将目标字幕按照音频帧的开始时间点和结束时间点与该音频帧对应的视频图像帧进行结合，保证了所生成的目标视频的视频流和字幕数据之间的同步。这样，在播放目标视频时，目标视频的视频数据和字幕数据可以同步播放。
本发明实施例提供的视频字幕的处理方法，在确定原始视频中各视频帧的字幕区域之后，识别各字幕区域内的字幕信息，得到第一候选字幕，并对原始视频的音频信息进行语音识别，得到第二候选字幕，接着，根据第一候选字幕和第二候选字幕生成目标字幕，再将目标字幕和原始视频的视频数据结合，生成包含该目标字幕的目标视频。在对原始视频的字幕进行处理的过程中，不仅结合了原始视频中字幕区域内的原始字幕信息，还结合了原始视频中的音频信息，即利用多种不同模态的信息来生成目标字幕，使得经过字幕处理后的目标视频的字幕与实际更相符，从而提高了字幕信息的准确性。
在实际应用中，可以根据实际需求，对融合后的目标字幕进行处理。例如，将目标字幕转换为其它语种或者进行艺术化处理等。为此，在上述实施例的基础上，可选地，该方法还可以包括：获取用户输入的字幕设置参数。对应地，上述S104的过程可以为：根据所述字幕设置参数对所述目标字幕进行处理；将处理后的目标字幕和所述原始视频的视频数据结合，生成包含所述处理后的目标字幕的目标视频。
其中，字幕设置参数是指用于对目标字幕进行处理所需的参数。用户可以根据实际需求对字幕的参数进行设置。例如，为了将目标字幕翻译为其它语种，该参数可以为翻译后的语种类型(如英语、法语、日语或者多语种等)；为了对目标字幕进行艺术化处理，该参数可以为目标字幕的字体大小、字体样式、字体颜色等，还可以设置字幕显示位置以及字幕区背景颜色等。
在实际应用中，可以预先在视频编辑界面内插入一参数设置控件，用户通过该参数设置控件对字幕参数进行设置。当然，电子设备也可以直接在视频编辑界面中输出提示信息，以提示用户对字幕参数进行设置。用户可以根据提示在视频编辑界面中输入字幕设置参数。在获取到用户输入的字幕设置参数之后，电子设备基于该字幕设置参数对目标字幕进行处理，并将处理后的目标字幕和原始视频的视频数据进行结合，从而得到包含处理后的目标字幕的目标视频。
可选地，上述字幕设置参数可以包括用于进行多语言字幕显示所需的参数。这样，电子设备便可以基于多语言字幕显示所需的参数对目标字幕进行翻译，得到多语言字幕，并将多语言字幕和原始视频的视频数据进行结合。示例性的，假设字幕设置参数中包括的多语言为中文和英文，这样，在得到目标字幕之后，电子设备将目标字幕翻译为中文字幕和英文字幕，形成双语字幕，并将双语字幕与原始视频的视频数据进行结合，从而得到包含双语字幕的目标视频。
需要说明的是，上述将处理后的目标字幕和原始视频的视频数据进行结合的过程可以参照上述S104中的具体描述，本实施例在此不再赘述。
在本实施例中，电子设备能够基于用户输入的字幕设置参数对目标字幕进行处理，并将处理后的目标字幕和原始视频的视频数据进行结合，从而可以得到更具个性化的字幕数据，实现了字幕数据的多样化。
进一步地，参考图2，其示出了目标字幕的生成过程。需要说明的是，下述S201为上述S101中识别字幕区域内的字幕信息的一种可选地实施方式，下述S202为上述S102的一种可选地实施方式，下述S203为上述S103的一种可选地实施方式。如图2所示，目标字幕的生成过程可以包括：
S201、识别各视频帧的字幕区域内的字幕信息，得到第一候选字幕和所述第一候选字幕中各文字的第一置信度。
其中，第一置信度用于表示文字识别结果的可靠程度，其可以通过一概率值来体现。在确定原始视频中各视频帧的字幕区域之后，电子设备通过预设的文字识别算法识别字幕区域内的字幕信息，得到文字识别结果。该文字识别结果不仅包括第一候选字幕，还包括第一候选字幕中各文字的置信度。
S202、对原始视频的音频信息进行语音识别，得到第二候选字幕和所述第二候选字幕中各文字的第二置信度。
其中，第二置信度用于表示语音识别结果的可靠程度，其可以通过一概率值来体现。电子设备通过预设的语音识别技术对原始视频的音频信息进行语音识别，得到语音识别结果。该语音识别结果中不仅包括第二候选字幕，还包括第二候选字幕中各文字的置信度。
S203、根据所述第一置信度和所述第二置信度，对所述第一候选字幕和所述第二候选字幕进行融合，得到目标字幕。
其中，在得到第一置信度和第二置信度之后，电子设备便可以基于第一置信度和第二置信度，将通过不同方式得到的第一候选字幕和第二候选字幕进行融合，从而生成目标字幕。可选地，电子设备可以将第一候选字幕和第二候选字幕进行比对，当第一候选字幕和第二候选字幕中同一位置上的文字不相同时，可以选择置信度较高的文字作为该位置上的目标文字；当第一候选字幕和第二候选字幕中同一位置上的文字相同时，直接选择该文字作为该同一位置上的目标文字，并将各位置上的目标文字进行组合，得到目标字幕。
作为另一种可选地实施方式，上述S203的过程可以为：逐一比较所述第一候选字幕和所述第二候选字幕中同一位置上的文字的置信度；将各位置上置信度最高的文字进行组合，形成融合字幕，将所述融合字幕确定为目标字幕。可选地，上述将所述融合字幕确定为目标字幕的过程可以为：对所述融合字幕进行语义校验；若校验通过，则将所述融合字幕确定为目标字幕；若校验不通过，则对所述融合字幕进行修正，并将修正后的融合字幕确定为目标字幕。
其中，在得到第一置信度和第二置信度之后，电子设备可以逐一比较第一候选字幕和第二候选字幕中同一位置上的文字的置信度，选择各位置上置信度最高的文字进行组合，形成融合字幕。可选地，还可以结合通用字库的语言模型，对融合字幕进行语义校验。该通用字库的语言模型中包含了常用的词语组合，因此，可以通过该通用字库的语言模型，并结合前后语句的语义环境，校验融合字幕中各文字之间的搭配是否正确，对于不正确的词语组合可以基于语义环境进行修改。
示例性的，假设第一候选字幕为“多谢了”，第二候选字幕为“多好了”，此时，电子设备可以逐一比较第一候选字幕和第二候选字幕中同一位置上的文字的置信度，并将各位置上置信度最高的文字进行组合，由于同一位置上的文字“谢”的置信度高于文字“好”的置信度，因此，选择文字“谢”作为该位置上的目标文字，从而得到融合字幕“多谢了”。再将融合字幕“多谢了”输入至通用字库的语言模型中进行语义校验，若通过语义校验，则将融合字幕“多谢了”作为目标字幕。若未通过语义校验，则可以结合常用词语搭配以及前后语句的语义环境对融合字幕进行修改。例如，假设上述得到的融合字幕为“多好了”，通过通用字库的语言模型对“多好了”进行校验，由于其逻辑不连贯，不符合常用用语习惯，因此，语义校验未通过。此时，可以基于通用字库的语言模型中对于“多”、“了”以及其它文字之间的常用组合，并结合该融合字幕“多好了”的前后字幕数据，对“多好了”进行纠正。假设该融合字幕之前的字幕数据为“请帮忙”，基于该该融合字幕之前的字幕数据“请帮忙”，并结合上述常用组合，将融合字幕“多好了”中的“好”纠正为“谢”，得到目标字幕“多谢了”。也就是说，即使在字幕数据融合过程中，所得到的融合字幕不是很准确，也可以通过后续的语言模型得到纠正，使得所得到的目标字幕更准确。
在本实施例中，电子设备可以基于第一候选字幕的置信度和第二候选字幕的置信度，对第一候选字幕和第二候选字幕进行融合，充分结合了置信度较高的字幕信息，使得通过多种不同模态的信息融合后的字幕比利用单一信息生成的字幕更准确。同时，还进一步对融合后的字幕进行语义校验，从而进一步提高了目标字幕的准确性。
在实际应用中，由于上述原始视频的视频数据中内嵌有原始字幕信息，为了提高原始视频的字幕处理效果，在上述实施例的基础上，可选地，如图3所示，上述S104的过程可以包括：
S301、消除所述原始视频的原始字幕，得到无字幕视频。
其中，无字幕视频是指视频数据中不包含字幕信息的视频。原始视频中会具有一些原始字幕。例如，这些原始字幕可以是电视剧或电影中角色之间的对白、综艺节目中主持人或嘉宾说的话等。为了能够将目标字幕与原始视频进行结合，电子设备需要采用一定的字幕消除技术消除原始视频中的原始字幕。
作为一种可选地实施方式，上述S301的过程可以为：根据所述字幕区域的位置信息，擦除所述原始视频中各视频帧的所述字幕区域中的内容；根据当前帧以及所述当前帧的相邻帧的图像信息，对所述当前帧中已擦除内容的字幕区域进行信息重建，直至所有视频帧处理完毕，得到无字幕视频。
具体的，上述位置信息可以为字幕区域的具体坐标。在识别出原始视频中各视频帧的字幕区域之后，电子设备基于各字幕区域的位置信息，对各字幕区域内的图像所表征的字幕进行擦除处理。其中，可以使用一些擦除工具或抠图工具将图像所表征的字幕擦除。擦除之后，字幕区域会存在内容缺失，需要对其进行背景填充。因此，接下来，电子设备对各视频帧中字幕擦除后所导致的缺失区域进行内容填充。在实际应用中，字幕区域往往具有前后视频帧关联性较强的特点。经过对常见视频进行统计，相同字幕往往会持续相邻的15-40个视频帧。随着镜头的移动，某些视频帧中被字幕所遮挡住的部分会显现出来。基于此，电子设备可以利用当前帧以及当前帧的相邻帧的图像信息，对当前帧中已擦除内容的字幕区域进行信息重建。其中，当前帧的相邻帧可以是当前帧之前的最邻近的指定数量的视频帧，也可以是当前帧之后的最邻近的指定数量的视频帧。上述指定数量可以基于实际情况进行设置。
在一个具体的示例中，电子设备可以基于当前帧以及当前帧的相邻帧中目标区域的图像信息，采用线性插值的方式，对当前帧中已擦除内容的字幕区域进行信息重建。其中，该目标区域可以为与字幕区域满足预设距离条件的区域，即可以将目标区域理解为字幕区域的周边区域。
在另一个具体的示例中，电子设备还可以通过机器学习的方式对各视频帧中已擦除内容的字幕区域进行信息重建。具体地，可以构建一编码器-解码器模型，并采用大量的样本视频数据对该编码器-解码器模型进行训练。其中，样本视频数据包括待重建的样本视频帧、该待重建的样本视频帧对应的样本相邻帧以及重建后的样本视频帧。在该编码器-解码器模型训练结束之后，电子设备便可以将当前帧以及当前帧的相邻帧输入至编码器-解码器模型中，通过该模型中的编码器提取当前帧以及相邻帧中的特征信息，然后通过该模型中的解码器以及上述特征信息完成对当前视频帧缺失部分的信息重建，从而得到没有字幕的当前帧。重复按照上述方式对原始视频中的其它视频帧进行处理，进而可得到无字幕视频。
示例性的，如图4所示，以原始视频中的第t帧为例进行介绍，可以选择第t帧之前的最邻近i个视频帧以及第t帧之后的最邻近i个视频帧，并将第t帧之前的最邻近i个视频帧、第t帧之后的最邻近i个视频帧以及第t帧输入至编码器-解码器模型中，通过该编码器-解码器模型中的编码器提取第t帧以及第t帧前后最邻近的i个视频帧中的特征信息，然后通过该编码器-解码器模型中的解码器对提取到的特征信息进行解码，从而实现对第t帧中字幕区域内的信息重建，得到重建后的第t帧。其中，上述i可以基于实际需求进行选取，i为大于或等于1的自然数。
S302、将所述目标字幕和所述无字幕视频的视频数据结合，生成包含所述目标字幕的目标视频。
其中，在得到无字幕视频之后，电子设备可以将目标字幕嵌入至无字幕视频的视频数据中，得到包含目标字幕的目标视频。电子设备还可以将目标字幕生成独立的字幕数据文件，并将字幕数据文件与无字幕视频的视频数据打包成包含目标字幕的目标视频。
在本实施例中，电子设备能够将原始视频中的原始字幕消除之后，再将融合后的目标字幕与消除字幕后的视频数据进行结合，保证了视频字幕的处理效果。同时，在消除原始视频中的原始字幕的过程中，能够结合当前帧以及当前帧的相邻帧的图像信息，对当前帧中的缺失部分进行像素级信息重建，提高了字幕消除效果，也进一步提高了目标字幕与原始视频的结合效果。
在实际应用中，视频中的对白一般能够体现所要表达的主要内容，为了能够获知视频中的精华部分，下述实施例还提供了一种对目标视频进行对白剪辑的具体过程。在上述实施例的基础上，可选地，该方法还包括：接收用户输入的对白剪辑指令；根据所述对白剪辑指令和所述目标字幕对应的起止时间，对所述目标视频进行剪辑，得到对白集锦。
其中，电子设备可以预先在视频编辑界面内插入对白剪辑控件，该对白剪辑控件用于获取对白剪辑参数。用户可以通过该对白剪辑控件触发视频剪辑操作，生成对白集锦，如此用户可以通过对白集锦获知目标视频中的精华部分。可选地，该对白剪辑控件可以通过多种方式触发，如鼠标点击、触摸或者语音指令等。在检测到用户对该对白剪辑控件的触发操作之后，电子设备接收用户的对白剪辑指令，基于对白剪辑指令以及目标字幕的起始时间和终止时间，剪辑目标视频，得到多个具有对白的视频数据。接着，将多个具有对白的视频数据按照时间的先后顺序重新进行组合，从而生成对白集锦。
在本实施例中，电子设备可以基于用户输入的对白剪辑指令以及目标字幕对应的起止时间，剪辑目标视频生成对白集锦，实现了目标视频中精华部分的提取，满足了用户的个性化需求，提高了人机交互的智能性。
为了便于本领域技术人员的理解，以下以图5所示的过程为例介绍本发明实施例提供的视频字幕的处理过程，具体的：
在获取到原始视频之后，一方面，电子设备确定原始视频中各视频帧的字幕区域，并识别字幕区域内的原始字幕信息，得到第一候选字幕，另一方面，电子设备对原始视频的音频信息进行语音识别，得到第二候选字幕。接着，电子设备根据第一候选字幕和第二候选字幕进行多模态字幕融合，生成目标字幕。同时，电子设备基于字幕区域的位置信息，消除原始视频的原始字幕，得到无字幕视频。进一步地，电子设备将目标字幕和无字幕视频的视频数据结合，生成包含目标字幕的目标视频。
图6为本发明实施例提供的视频字幕的处理装置的一种结构示意图。如图6所示，该装置可以包括：第一识别模块601、第二识别模块602、字幕生成模块603和视频生成模块604；
具体的，第一识别模块601用于确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
第二识别模块602用于对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
字幕生成模块603用于根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
视频生成模块604用于将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
本发明实施例提供的视频字幕的处理装置，在确定原始视频中各视频帧的字幕区域之后，识别各字幕区域内的字幕信息，得到第一候选字幕，并对原始视频的音频信息进行语音识别，得到第二候选字幕，接着，根据第一候选字幕和第二候选字幕生成目标字幕，再将目标字幕和原始视频的视频数据结合，生成包含该目标字幕的目标视频。在对原始视频的字幕进行处理的过程中，不仅结合了原始视频中字幕区域内的原始字幕信息，还结合了原始视频中的音频信息，即利用多种不同模态的信息来生成目标字幕，使得经过字幕处理后的目标视频的字幕与实际更相符，从而提高了字幕信息的准确性。
在上述实施例的基础上，可选地，第一识别模块601具体用于识别所述字幕区域内的字幕信息，得到第一候选字幕和所述第一候选字幕中各文字的第一置信度；
第二识别模块602具体用于对所述原始视频的音频信息进行语音识别，得到第二候选字幕和所述第二候选字幕中各文字的第二置信度；
对应地，字幕生成模块603具体用于根据所述第一置信度和所述第二置信度，对所述第一候选字幕和所述第二候选字幕进行融合，得到目标字幕。
在上述实施例的基础上，可选地，字幕生成模块603包括：比较单元、融合单元和确定单元；
具体的，比较单元用于逐一比较所述第一候选字幕和所述第二候选字幕中同一位置上的文字的置信度；
融合单元用于将各位置上置信度最高的文字进行组合，形成融合字幕；
确定单元用于将所述融合字幕确定为目标字幕。
在上述实施例的基础上，可选地，确定单元具体用于对所述融合字幕进行语义校验；在语义校验通过时，将所述融合字幕确定为目标字幕；在语义校验不通过时，对所述融合字幕进行修正，并将修正后的融合字幕确定为目标字幕。
在上述实施例的基础上，可选地，视频生成模块604包括：字幕消除单元和结合单元；
具体的，字幕消除单元用于消除所述原始视频的原始字幕，得到无字幕视频；
结合单元用于将所述目标字幕和所述无字幕视频的视频数据结合，生成包含所述目标字幕的目标视频。
在上述实施例的基础上，可选地，字幕消除单元具体用于根据所述字幕区域的位置信息，擦除所述原始视频中各视频帧的所述字幕区域中的内容；根据当前帧以及所述当前帧的相邻帧的图像信息，对所述当前帧中已擦除内容的字幕区域进行信息重建，直至所有视频帧处理完毕，得到无字幕视频。
在上述实施例的基础上，可选地，该装置还包括：第一获取模块；
具体的，第一获取模块用于获取用户输入的字幕设置参数；
视频生成模块604具体用于根据上述第一获取模块获取的字幕设置参数对所述目标字幕进行处理；将处理后的目标字幕和所述原始视频的视频数据结合，生成包含所述处理后的目标字幕的目标视频。
可选地，所述字幕设置参数包括用于进行多语言字幕显示所需的参数。
在上述实施例的基础上，可选地，该装置还包括：第二获取模块和剪辑模块；
具体的，第二获取模块用于接收用户输入的对白剪辑指令；
剪辑模块用于根据所述对白剪辑指令和所述目标字幕对应的起止时间，对所述目标视频进行剪辑，得到对白集锦。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的电子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7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7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置706加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置709；包括例如磁带、硬盘等的存储装置706；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。
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，其包括承载在非暂态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709从网络上被下载和安装，或者从存储装置706被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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但不限于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，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
在一个实施例中，还提供了一种视频字幕的处理设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
上述实施例中提供的视频字幕的处理装置、设备以及存储介质可执行本发明任意实施例所提供的视频字幕的处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的视频字幕的处理方法。
根据本公开的一个或多个实施例，提供一种视频字幕的处理方法，包括：
确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：识别所述字幕区域内的字幕信息，得到第一候选字幕和所述第一候选字幕中各文字的第一置信度；对所述原始视频的音频信息进行语音识别，得到第二候选字幕和所述第二候选字幕中各文字的第二置信度；根据所述第一置信度和所述第二置信度，对所述第一候选字幕和所述第二候选字幕进行融合，得到目标字幕。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：逐一比较所述第一候选字幕和所述第二候选字幕中同一位置上的文字的置信度；将各位置上置信度最高的文字进行组合，形成融合字幕，将所述融合字幕确定为目标字幕。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：对所述融合字幕进行语义校验；若校验通过，则将所述融合字幕确定为目标字幕；若校验不通过，则对所述融合字幕进行修正，并将修正后的融合字幕确定为目标字幕。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：消除所述原始视频的原始字幕，得到无字幕视频；将所述目标字幕和所述无字幕视频的视频数据结合，生成包含所述目标字幕的目标视频。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：根据所述字幕区域的位置信息，擦除所述原始视频中各视频帧的所述字幕区域中的内容；根据当前帧以及所述当前帧的相邻帧的图像信息，对所述当前帧中已擦除内容的字幕区域进行信息重建，直至所有视频帧处理完毕，得到无字幕视频。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：获取用户输入的字幕设置参数；根据所述字幕设置参数对所述目标字幕进行处理；将处理后的目标字幕和所述原始视频的视频数据结合，生成包含所述处理后的目标字幕的目标视频。
可选地，所述字幕设置参数包括用于进行多语言字幕显示所需的参数。
根据本公开的一个或多个实施例，提供了如上的视频字幕的处理方法，还包括：接收用户输入的对白剪辑指令；根据所述对白剪辑指令和所述目标字幕对应的起止时间，对所述目标视频进行剪辑，得到对白集锦。
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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种视频字幕的处理方法，其特征在于，包括：
确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
2.根据权利要求1所述的方法，其特征在于，所述识别所述字幕区域内的字幕信息，得到第一候选字幕，包括：
识别所述字幕区域内的字幕信息，得到第一候选字幕和所述第一候选字幕中各文字的第一置信度；
所述对所述原始视频的音频信息进行语音识别，得到第二候选字幕，包括：
对所述原始视频的音频信息进行语音识别，得到第二候选字幕和所述第二候选字幕中各文字的第二置信度；
对应地，所述根据所述第一候选字幕和所述第二候选字幕，生成目标字幕，包括：
根据所述第一置信度和所述第二置信度，对所述第一候选字幕和所述第二候选字幕进行融合，得到目标字幕。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一置信度和所述第二置信度，对所述第一候选字幕和所述第二候选字幕进行融合，得到目标字幕，包括：
逐一比较所述第一候选字幕和所述第二候选字幕中同一位置上的文字的置信度；
将各位置上置信度最高的文字进行组合，形成融合字幕，将所述融合字幕确定为目标字幕。
4.根据权利要求3所述的方法，其特征在于，所述将所述融合字幕确定为目标字幕，包括：
对所述融合字幕进行语义校验；
若校验通过，则将所述融合字幕确定为目标字幕；
若校验不通过，则对所述融合字幕进行修正，并将修正后的融合字幕确定为目标字幕。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频，包括：
消除所述原始视频的原始字幕，得到无字幕视频；
将所述目标字幕和所述无字幕视频的视频数据结合，生成包含所述目标字幕的目标视频。
6.根据权利要求5所述的方法，其特征在于，所述消除所述原始视频的原始字幕，得到无字幕视频，包括：
根据所述字幕区域的位置信息，擦除所述原始视频中各视频帧的所述字幕区域中的内容；
根据当前帧以及所述当前帧的相邻帧的图像信息，对所述当前帧中已擦除内容的字幕区域进行信息重建，直至所有视频帧处理完毕，得到无字幕视频。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
获取用户输入的字幕设置参数；
对应地，所述将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频，包括：
根据所述字幕设置参数对所述目标字幕进行处理；
将处理后的目标字幕和所述原始视频的视频数据结合，生成包含所述处理后的目标字幕的目标视频。
8.根据权利要求7所述的方法，其特征在于，所述字幕设置参数包括用于进行多语言字幕显示所需的参数。
9.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
接收用户输入的对白剪辑指令；
根据所述对白剪辑指令和所述目标字幕对应的起止时间，对所述目标视频进行剪辑，得到对白集锦。
10.一种视频字幕的处理装置，其特征在于，包括：
第一识别模块，用于确定原始视频中各视频帧的字幕区域，并识别所述字幕区域内的字幕信息，得到第一候选字幕；
第二识别模块，用于对所述原始视频的音频信息进行语音识别，得到第二候选字幕；
字幕生成模块，用于根据所述第一候选字幕和所述第二候选字幕，生成目标字幕；
视频生成模块，用于将所述目标字幕和所述原始视频的视频数据结合，生成包含所述目标字幕的目标视频。
11.一种视频字幕的处理设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
CN202110168920.4A 2021-02-07 2021-02-07 视频字幕的处理方法、装置、设备和存储介质 Active CN112995749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110168920.4A CN112995749B (zh) 2021-02-07 2021-02-07 视频字幕的处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110168920.4A CN112995749B (zh) 2021-02-07 2021-02-07 视频字幕的处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112995749A true CN112995749A (zh) 2021-06-18
CN112995749B CN112995749B (zh) 2023-05-26

Family

ID=76348942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110168920.4A Active CN112995749B (zh) 2021-02-07 2021-02-07 视频字幕的处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112995749B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361462A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 视频处理和字幕检测模型的方法及装置
CN114827745A (zh) * 2022-04-08 2022-07-29 海信集团控股股份有限公司 视频字幕的生成方法及电子设备
WO2023097446A1 (zh) * 2021-11-30 2023-06-08 深圳传音控股股份有限公司 视频处理方法、智能终端及存储介质
TWI830074B (zh) * 2021-10-20 2024-01-21 香港商冠捷投資有限公司 語音標示方法及其顯示裝置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160066055A1 (en) * 2013-03-24 2016-03-03 Igal NIR Method and system for automatically adding subtitles to streaming media content
CN106604125A (zh) * 2016-12-29 2017-04-26 北京奇艺世纪科技有限公司 一种视频字幕的确定方法及装置
US20180199111A1 (en) * 2017-01-11 2018-07-12 International Business Machines Corporation Real-time modifiable text captioning
CN109756788A (zh) * 2017-11-03 2019-05-14 腾讯科技（深圳）有限公司 视频字幕自动调整方法及装置、终端及可读存储介质
CN110035326A (zh) * 2019-04-04 2019-07-19 北京字节跳动网络技术有限公司 字幕生成、基于字幕的视频检索方法、装置和电子设备
CN110516266A (zh) * 2019-09-20 2019-11-29 张启 视频字幕自动翻译方法、装置、存储介质及计算机设备
CN110769265A (zh) * 2019-10-08 2020-02-07 深圳创维－Rgb电子有限公司 一种同声字幕翻译方法、智能电视及存储介质
CN110796140A (zh) * 2019-10-17 2020-02-14 北京爱数智慧科技有限公司 一种字幕检测方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160066055A1 (en) * 2013-03-24 2016-03-03 Igal NIR Method and system for automatically adding subtitles to streaming media content
CN106604125A (zh) * 2016-12-29 2017-04-26 北京奇艺世纪科技有限公司 一种视频字幕的确定方法及装置
US20180199111A1 (en) * 2017-01-11 2018-07-12 International Business Machines Corporation Real-time modifiable text captioning
CN109756788A (zh) * 2017-11-03 2019-05-14 腾讯科技（深圳）有限公司 视频字幕自动调整方法及装置、终端及可读存储介质
CN110035326A (zh) * 2019-04-04 2019-07-19 北京字节跳动网络技术有限公司 字幕生成、基于字幕的视频检索方法、装置和电子设备
CN110516266A (zh) * 2019-09-20 2019-11-29 张启 视频字幕自动翻译方法、装置、存储介质及计算机设备
CN110769265A (zh) * 2019-10-08 2020-02-07 深圳创维－Rgb电子有限公司 一种同声字幕翻译方法、智能电视及存储介质
CN110796140A (zh) * 2019-10-17 2020-02-14 北京爱数智慧科技有限公司 一种字幕检测方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361462A (zh) * 2021-06-30 2021-09-07 北京百度网讯科技有限公司 视频处理和字幕检测模型的方法及装置
TWI830074B (zh) * 2021-10-20 2024-01-21 香港商冠捷投資有限公司 語音標示方法及其顯示裝置
WO2023097446A1 (zh) * 2021-11-30 2023-06-08 深圳传音控股股份有限公司 视频处理方法、智能终端及存储介质
CN114827745A (zh) * 2022-04-08 2022-07-29 海信集团控股股份有限公司 视频字幕的生成方法及电子设备
CN114827745B (zh) * 2022-04-08 2023-11-14 海信集团控股股份有限公司 视频字幕的生成方法及电子设备

Also Published As

Publication number Publication date
CN112995749B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN112995749B (zh) 视频字幕的处理方法、装置、设备和存储介质
KR101899530B1 (ko) 분산 광학 문자 인식 및 분산 기계 언어번역을 위한 기법들
CN109543058B (zh) 用于检测图像的方法、电子设备和计算机可读介质
KR101856119B1 (ko) 분산 광학 문자 인식 및 분산 기계 언어번역을 위한 기법들
CN111445902B (zh) 数据收集方法、装置、存储介质及电子设备
CN109309844B (zh) 视频台词处理方法、视频客户端及服务器
CN111368562B (zh) 翻译图片中的文字的方法、装置、电子设备、及存储介质
CN111107422B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
CN113297891A (zh) 视频信息处理方法、装置及电子设备
CN111783508A (zh) 用于处理图像的方法和装置
CN112084920B (zh) 提取热词的方法、装置、电子设备及介质
CN111753558B (zh) 视频翻译方法和装置、存储介质和电子设备
CN111898388A (zh) 视频字幕翻译编辑方法、装置、电子设备及存储介质
CN114495128B (zh) 字幕信息检测方法、装置、设备以及存储介质
CN111178056A (zh) 基于深度学习的文案生成方法、装置及电子设备
CN111860000A (zh) 文本翻译编辑方法、装置、电子设备及存储介质
CN110263218A (zh) 视频描述文本生成方法、装置、设备和介质
CN113255377A (zh) 一种翻译方法、装置、电子设备及存储介质
CN113205047A (zh) 药名识别方法、装置、计算机设备和存储介质
CN114937192A (zh) 图像处理方法、装置、电子设备及存储介质
CN112954453B (zh) 视频配音方法和装置、存储介质和电子设备
CN114286181A (zh) 一种视频优化方法、装置、电子设备和存储介质
CN114419621A (zh) 处理含有文字的图像的方法及装置
CN116229313A (zh) 标签构建模型的生成方法、装置、电子设备和存储介质
CN115454554A (zh) 文本描述的生成方法、装置、终端及存储介质

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
GR01 Patent grant
GR01 Patent grant