CN113365146A - 用于处理视频的方法、装置、设备、介质和产品 - Google Patents

Abstract

本申请公开了用于处理视频的方法、装置、设备、介质和产品，涉及计算机领域，进一步涉及增强现实技术领域。具体实现方案为：获取当前视频的状态信息；响应于确定状态信息满足预设的状态条件，基于当前视频的目标人脸数据，确定虚拟形象；基于当前音频数据确定针对虚拟形象的配置参数；基于当前音频数据、配置参数和虚拟形象，处理当前视频。本实现方式可以提高音频与画面的匹配度。

Description

用于处理视频的方法、装置、设备、介质和产品

技术领域

本公开涉及计算机领域，进一步涉及增强现实技术领域，尤其涉及用于处理视频的方法、装置、设备、介质和产品。

背景技术

目前，文本、语音、视频均已成为日常生活中常用的沟通形式。对于视频而言，经常会采用视频通话或者视频直播实现与他人的交互。

在实践中发现，由于设备故障、系统权限等问题，存在着无法录制视频数据、但可以录制音频数据的情况。此种情况下，通常会输出黑屏等非正常显示画面，从而导致音频与画面不相匹配的问题。

发明内容

本公开提供了一种用于处理视频的方法、装置、设备、介质和产品。

根据第一方面，提供了一种用于处理视频的方法，包括：获取当前视频的状态信息；响应于确定状态信息满足预设的状态条件，基于当前视频的目标人脸数据，确定虚拟形象；基于当前音频数据确定针对虚拟形象的配置参数；基于当前音频数据、配置参数和虚拟形象，处理当前视频。

根据第二方面，提供了一种用于处理视频的装置，包括：状态获取单元，被配置成获取当前视频的状态信息；形象确定单元，被配置成响应于确定状态信息满足预设的状态条件，基于当前视频的目标人脸数据，确定虚拟形象；参数确定单元，被配置成基于当前音频数据确定针对虚拟形象的配置参数；视频处理单元，被配置成基于当前音频数据、配置参数和虚拟形象，处理当前视频。

根据第三方面，提供了一种执行用于处理视频的方法的电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于处理视频的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上任意一项用于处理视频的方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于处理视频的方法。

根据本申请的技术，提供一种用于处理视频的方法，能够在当前视频的状态信息满足预设的状态条件时，基于当前视频的目标人脸数据，确定虚拟形象，并基于音频数据确定针对虚拟形象的配置参数，基于当前音频数据、配置参数和虚拟形象，处理当前视频。这一过程能够实现检测视频状态，在特定状态对应的场景下，采用虚拟形象作为当前视频的画面，并基于当前音频数据驱动、配置虚拟形象，实现了当前视频中音频与画面之间的匹配，提高了音频与画面的匹配度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理视频的方法的一个实施例的流程图；

图3是根据本申请的用于处理视频的方法的一个应用场景的示意图；

图4是根据本申请的用于处理视频的方法的另一个实施例的流程图；

图5是根据本申请的用于处理视频的装置的一个实施例的结构示意图；

图6是用来实现本公开实施例的用于处理视频的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请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申请。

图1是根据本公开第一实施例的示例性系统架构示意图，其示出了可以应用本申请的用于处理视频的方法的实施例的示例性系统架构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、服务器105、网络106以及终端设备107、108、109。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106用以在终端设备107、108、109和服务器105之间提供通信链路的介质。网络104、网络106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A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。用户B可以使用终端设备107、108、109通过网络106与服务器105交互，以接收或发送消息等。终端设备101、102、103、107、108、109可以为手机、电脑以及平板等电子设备。用户A可以和用户B基于系统架构100实现信息交互，如用户A和用户B进行视频通话。此时，用户A和用户B的视频数据通过终端101、102、103、网络104、服务器105、网络106、终端设备107、108、109进行传输。

终端设备101、102、103、107、108、109可以是硬件，也可以是软件。当终端设备101、102、103、107、108、109为硬件时，可以是各种电子设备，包括但不限于电视、智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103、107、108、109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，例如可以为终端设备101、102、103提供视频通话服务。服务器105可以获取用户A基于终端设备101、102、103和网络104发送的视频数据，视频数据包括视频画面和视频音频。再基于网络106将用户A的视频数据传输给终端设备107、108、109，以使用户B所使用的终端设备107、108、109基于该视频数据呈现视频，实现视频通话。其中，如果服务器105获取到的用户A的视频数据不存在画面数据，此时，可以确定当前视频的状态信息满足预设的状态条件。此时获取当前视频的用户A的人脸数据，确定虚拟形象，并基于用户A传输的当前音频数据确定针对虚拟形象的配置参数。利用配置参数渲染虚拟形象，再将渲染后的虚拟形象和当前音频数据合成，将合成后的视频确定为当前视频输出的内容，再将处理后的当前视频通过网络106传输给终端设备107、108、109，以使用户B的终端设备侧呈现的视频为合成处理后的视频，也即是，渲染后的虚拟形象和当前音频数据合成的视频。

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。

需要说明的是，本申请实施例所提供的用于处理视频的方法可以由终端设备101、102、103、107、108、109执行，也可以由服务器105执行。相应地，用于处理视频的装置可以设置于终端设备101、102、103、107、108、109中，也可以设置于服务器105中。

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。

继续参考图2，示出了根据本申请的用于处理视频的方法的一个实施例的流程200。本实施例的用于处理视频的方法，包括以下步骤：

步骤201，获取当前视频的状态信息。

在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103、107、108、109)可以在视频通话场景下，获取当前进行视频通话的视频的状态信息，也可以在视频直播场景下，获取当前进行视频直播的视频的状态信息。此时，当前视频可以为当前进行视频通话的视频、当前进行视频直播的视频等，本实施例对此不做限定。其中，当前视频是当前时刻对应的实时视频，当前视频的状态信息至少包括在当前时刻该实时视频的状态信息，可选的，还可以包括在当前时刻以前的各个时刻该实时视频的状态信息。其中，状态信息用于描述当前视频的视频数据传输状态，视频数据包括画面数据和音频数据。具体的，执行主体可以从运行该当前视频的应用软件中获取状态信息。

步骤202，响应于确定状态信息满足预设的状态条件，基于当前视频的目标人脸数据，确定虚拟形象。

在本实施例中，如果状态信息满足预设的状态条件，则说明当前视频的视频数据传输异常。其中，预设的状态条件可以设置为视频数据传输中画面数据未接收到、视频数据传输中画面数据接收为残缺画面、视频数据传输中音频数据包含预设的视频处理指令等，本实施例对此不做限定。由于当前视频的状态信息中包含当前视频的视频数据传输状态，如画面数据传输状态、音频数据传输状态。进一步的，画面数据传输状态又可以包括画面数据传输速率、画面数据传输内容完整性指标、画面数据传输正常或异常标识等，音频数据传输状态也可以包括音频数据传输速率、音频数据传输正常或异常标识等，本实施例对此不做限定。基于状态信息中的各类参数和预设的状态条件之间的对应关系，执行主体可以判断状态信息是否满足预设状态条件。如果确定状态信息满足预设的状态条件，则可以基于当前视频的目标人脸数据，生成与该目标人脸数据相匹配的虚拟形象。其中可以采用现有的虚拟形象生成技术，生成与目标人脸数据匹配的虚拟形象，例如将目标人脸数据建模生成三维形式的虚拟形象。这里的目标人脸数据指的是当前视频需要传输的画面数据中的人脸对应的人脸数据。

其中，目标人脸数据可以基于以下步骤获取得到：从当前视频的状态信息中，确定视频数据传输正常的历史时刻；确定历史时刻对应的画面数据；将历史时刻对应的画面数据中的人脸数据确定为上述的目标人脸数据。采用这种方式可以基于用户的历史视频画面数据，确定目标人脸数据，从而生成匹配用户的历史视频画面数据的虚拟形象，实现了虚拟形象与历史视频画面数据之间的贴合。

步骤203，基于当前音频数据确定针对虚拟形象的配置参数。

在本实施例中，执行主体可以在确定出虚拟形象之后，进一步的基于当前音频数据确定针对虚拟形象的配置参数。其中，当前音频数据是指当前视频正在传输的音频数据。例如在视频通话场景中，当前音频数据指的是当前时间所传输的、当前视频的音频。配置参数指的是用于配置虚拟形象的表情参数、口型参数、动作参数、声音参数等各类参数。其中，可以采用现有的语音驱动虚拟形象的驱动技术实现各类参数的配置，也可以在预设的数据库中预先存储有与音频特征对应的配置参数，基于当前音频数据和数据库中存储的音频特征进行匹配，可以得到相应的配置参数，如预先存储有各个音频特征对应的动作参数，将当前音频数据的音频特征对应的动作参数确定为上述配置参数。其中，不同的动作参数对应着不同的虚拟形象动作。例如，音频特征为“兴高采烈”，相应的对应有“手舞足蹈”的动作参数。

步骤204，基于当前音频数据、配置参数和虚拟形象，处理当前视频。

在本实施例中，执行主体可以基于上述的配置参数对虚拟形象进行配置，以使虚拟形象按照配置参数中的表情参数、动作参数、口型参数等参数进行输出。通过将当前音频数据和按照配置参数处理后的虚拟形象共同输出为当前视频，能够实现基于适配音频数据和目标人脸数据的虚拟形象，输出视频。具体的，执行主体在获取当前音频数据、配置参数和虚拟形象之后，可以将当前音频数据作为当前视频对应的音频，以及将按照配置参数处理后的虚拟形象作为当前视频对应的画面。此时优选的，按照配置参数处理后的虚拟形象为动态的虚拟形象，随着音频时间点的变化，虚拟形象可以呈现不同的表情、动作、口型。

继续参见图3，其示出了根据本申请的用于处理视频的方法的一个应用场景的示意图。在图3的应用场景中，使用终端设备301的用户A和使用终端设备302的用户B在进行视频通话，终端设备301在11:00进行视频通话时，视频通话软件3011处于前台运行状态，此时当前视频的状态信息指示视频数据传输正常，在终端设备302的视频通话软件3011中输出与终端设备301同样的画面，即，用户A的用户人脸画面。在11:05时，终端设备301的用户A点击另一应用软件3012，将前台运行软件切换为该应用软件3012，此时当前视频的状态信息指示视频数据传输异常，即，只能接收到音频数据不能接收到包含用户A的用户人脸画面的画面数据。执行主体确定此时当前视频的状态信息满足预设的状态条件，并基于终端设备301的用户人脸，确定相应的虚拟形象。再基于音频数据确定针对虚拟形象的配置参数。利用配置参数配置虚拟形象，在终端设备302的视频通话软件中输出配置后的虚拟形象作为当前视频的视频画面，以及将音频数据作为当前视频的音频。最终在终端设备302端呈现音频数据驱动的、与终端设备301的用户人脸相匹配的虚拟形象，以使用户B能够看到音频驱动用户A的虚拟形象的视频画面。

本申请上述实施例提供的用于处理视频的方法，能够在当前视频的状态信息满足预设的状态条件时，基于当前视频的目标人脸数据，确定虚拟形象，并基于音频数据确定针对虚拟形象的配置参数，基于当前音频数据、配置参数和虚拟形象，处理当前视频。这一过程能够实现检测视频状态，在特定状态对应的场景下，采用虚拟形象作为当前视频的画面，并基于当前音频数据驱动、配置虚拟形象，实现了当前视频中音频与画面之间的匹配，提高了音频与画面的匹配度。

继续参见图4，其示出了根据本申请的用于处理视频的方法的另一个实施例的流程400。如图4所示，本实施例的用于处理视频的方法可以包括以下步骤：

步骤401，获取当前视频的状态信息。

在本实施例中，对于步骤401的详细描述请参照对于步骤201的详细描述，在此不再赘述。

步骤402，响应于确定状态信息指示存在画面数据，基于当前音频数据和画面数据处理当前视频。

在本实施例中，画面数据指的是用于渲染当前视频的画面的数据。执行主体可以基于状态信息中的各类参数确定是否存在画面数据，如果存在，则根据当前音频数据和画面数据处理当前视频，如合并渲染当前视频，以使当前视频按照画面数据对应的画面进行显示，以及按照当前音频数据对应的音频进行语音输出。

步骤403，响应于确定状态信息指示存在音频数据且不存在画面数据，基于当前视频的目标人脸数据，确定人脸关键点骨骼信息。

在本实施例中，如果基于状态信息中的各类参数确定存在音频数据且不存在画面数据，则认为状态信息满足预设的状态条件。此时，预设的状态条件为：存在音频数据且不存在画面数据。进一步的，执行主体可以基于当前视频的目标人脸数据确定相对应的人脸关键点骨骼信息。具体的，执行主体可以采用深度卷积神经网络、迁移学习算法等技术实现人脸关键点骨骼信息的提取，具体的提取过程为现有技术，在此不再赘述。其中，人脸关键点骨骼信息为目标人脸数据对应的人脸的关键点信息以及人脸的骨骼信息。

步骤404，对人脸关键点骨骼信息进行人脸三维重建，得到三维形式的虚拟形象。

在本实施例中，执行主体可以采用预设的3D Morphable Model(三维形变模型)对上述人脸关键点骨骼信息进行人脸三维重建，执行主体也可以采用其他现有的人脸三维重建方式进行人脸重建，本实施例对此不做限定。

步骤405，基于当前音频数据确定针对虚拟形象的配置参数。

在本实施例中，执行主体还可以基于当前音频数据，确定针对虚拟形象的配置参数，配置参数可以包括但不限于表情参数、口型参数、动作参数等，本实施例对此不做限定。

在本实施例的一些可选的实现方式中，配置参数包括口型参数和表情参数；以及，基于当前音频数据确定针对虚拟形象的配置参数，包括：确定与当前音频数据对应的参数配置模型；基于当前音频数据和参数配置模型，确定当前音频数据的各个音频时间点对应的口型参数和表情参数。

在本实现方式中，在执行主体获取当前音频数据之后，可以确定当前音频数据对应的方言类别，再确定该方言类别对应的预训练模型，预训练模型可以采用LSTM-RNN模型(长短期记忆循环神经网络模型)。基于LSTM-RNN模型确定当前音频数据的各个音频时间点对应的口型参数和表情参数。其中，采用LSTM-RNN模型实现音频实时驱动口型和表情属于现有技术，在此不再赘述。

在本实施例的一些可选的实现方式中，配置参数包括口型参数；以及，基于当前音频数据确定针对虚拟形象的配置参数，包括：确定与当前音频数据对应的口型变形系数；基于口型变形系数确定口型参数。

在本实现方式中，执行主体可以通过对当前音频数据进行语音识别，基于识别结果确定当前音频数据的各个语音时间点对应的口型变形系数，并将该口型变形系数确定为口型参数。对于口型变形系数的确定可以采用现有的语音驱动口型的同步算法实现，在此不再赘述。

步骤406，按照配置参数对虚拟形象进行配置，得到配置后的虚拟形象。

在本实施例中，配置参数可以包括与当前音频数据各个音频时间点对应的口型参数、表情参数、动作参数等，在执行主体按照配置参数对虚拟形象进行配置时，可以按照当前音频数据各个音频时间点进行配置。对于当前音频数据的每个音频时间点，按照该音频时间点对应的口型参数、表情参数、动作参数渲染虚拟形象，得到该音频时间点对应的虚拟形象。基于各个音频时间点对应的虚拟形象，确定配置后的虚拟形象。其中，配置后的虚拟形象指的是与各个音频时间点对应的虚拟形象集合，虚拟形象集合包含每个音频时间点渲染得到的虚拟形象。

步骤407，基于配置后的虚拟形象，确定当前画面数据。

在本实施例中，由于配置后的虚拟形象包含多个渲染得到的形象图像，将多个渲染得到的形象图像确定为当前画面数据，也即是当前视频的多个图像帧。

步骤408，基于当前音频数据和当前画面数据，输出当前视频。

在本实施例中，执行主体可以将当前音频数据作为当前视频的音频，以及将当前画面数据作为当前视频的画面，输出当前视频。可选的，在输出当前视频之后，可以实时检测当前视频的状态信息，如果状态信息指示存在画面数据，则执行步骤402，即停止虚拟形象输出，恢复正常视频传输。

本申请的上述实施例提供的用于处理视频的方法，还可以在存在音频数据且不存在画面数据的情况下，基于音频数据驱动目标人脸数据对应的虚拟形象做出相应的表情、口型、动作等，实现画面数据的自动生成，提高了视频通话、视频直播等场景下的画面丰富度。以及还可以采用人脸三维重建技术生成三维形式的虚拟形象，进一步提高了虚拟形象的显示效果，用户体验更佳。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理视频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服务器或者终端设备中。

如图5所示，本实施例的用于处理视频的装置500包括：状态获取单元501、形象确定单元502、参数确定单元503、视频处理单元504。

状态获取单元501，被配置成获取当前视频的状态信息。

形象确定单元502，被配置成响应于确定状态信息满足预设的状态条件，基于当前视频的目标人脸数据，确定虚拟形象。

参数确定单元503，被配置成基于当前音频数据确定针对虚拟形象的配置参数。

视频处理单元504，被配置成基于当前音频数据、配置参数和虚拟形象，处理当前视频。

在本实施例的一些可选的实现方式中，预设的状态条件为：存在音频数据且不存在画面数据。

在本实施例的一些可选的实现方式中，视频处理单元504进一步被配置成：响应于确定状态信息指示存在画面数据，基于当前音频数据和画面数据处理当前视频。

在本实施例的一些可选的实现方式中，视频处理单元504进一步被配置成：按照配置参数对虚拟形象进行配置，得到配置后的虚拟形象；基于配置后的虚拟形象，确定当前画面数据；基于当前音频数据和当前画面数据，输出当前视频。

在本实施例的一些可选的实现方式中，配置参数包括口型参数和表情参数；以及，参数确定单元503进一步被配置成：确定与当前音频数据对应的参数配置模型；基于当前音频数据和参数配置模型，确定当前音频数据的各个音频时间点对应的口型参数和表情参数。

在本实施例的一些可选的实现方式中，配置参数包括口型参数；以及，参数确定单元503进一步被配置成：确定与当前音频数据对应的口型变形系数；基于口型变形系数确定口型参数。

在本实施例的一些可选的实现方式中，形象确定单元502进一步被配置成：基于目标人脸数据，确定人脸关键点骨骼信息；对人脸关键点骨骼信息进行人脸三维重建，得到三维形式的虚拟形象。

应当理解，用于处理视频的装置500中记载的单元501至单元504分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用处理视频的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本申请的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了用来实现本公开实施例的用于处理视频的方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理视频。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用于处理视频的方法。例如，在一些实施例中，用于处理视频的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用于处理视频的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于处理视频的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种用于处理视频的方法，包括：

获取当前视频的状态信息；

响应于确定所述状态信息满足预设的状态条件，基于所述当前视频的目标人脸数据，确定虚拟形象；

基于当前音频数据确定针对所述虚拟形象的配置参数；

基于所述当前音频数据、所述配置参数和所述虚拟形象，处理所述当前视频。

2.根据权利要求1所述的方法，其中，所述预设的状态条件为：

存在音频数据且不存在画面数据。

3.根据权利要求2所述的方法，其中，所述方法还包括：

响应于确定所述状态信息指示存在所述画面数据，基于所述当前音频数据和所述画面数据处理所述当前视频。

4.根据权利要求1所述的方法，其中，所述基于所述当前音频数据、所述配置参数和所述虚拟形象，处理所述当前视频，包括：

按照所述配置参数对所述虚拟形象进行配置，得到配置后的虚拟形象；

基于所述配置后的虚拟形象，确定当前画面数据；

基于所述当前音频数据和所述当前画面数据，输出所述当前视频。

5.根据权利要求1所述的方法，其中，所述配置参数包括口型参数和表情参数；以及

所述基于当前音频数据确定针对所述虚拟形象的配置参数，包括：

确定与所述当前音频数据对应的参数配置模型；

基于所述当前音频数据和所述参数配置模型，确定所述当前音频数据的各个音频时间点对应的所述口型参数和所述表情参数。

6.根据权利要求1所述的方法，其中，所述配置参数包括口型参数；以及

所述基于当前音频数据确定针对所述虚拟形象的配置参数，包括：

确定与所述当前音频数据对应的口型变形系数；

基于所述口型变形系数确定所述口型参数。

7.根据权利要求1所述的方法，其中，所述基于所述当前视频的目标人脸数据，确定虚拟形象，包括：

基于所述目标人脸数据，确定人脸关键点骨骼信息；

对所述人脸关键点骨骼信息进行人脸三维重建，得到三维形式的所述虚拟形象。

8.一种用于处理视频的装置，包括：

状态获取单元，被配置成获取当前视频的状态信息；

形象确定单元，被配置成响应于确定所述状态信息满足预设的状态条件，基于所述当前视频的目标人脸数据，确定虚拟形象；

参数确定单元，被配置成基于当前音频数据确定针对所述虚拟形象的配置参数；

视频处理单元，被配置成基于所述当前音频数据、所述配置参数和所述虚拟形象，处理所述当前视频。

9.根据权利要求8所述的装置，其中，所述预设的状态条件为：

存在音频数据且不存在画面数据。

10.根据权利要求9所述的装置，其中，所述视频处理单元进一步被配置成：

响应于确定所述状态信息指示存在所述画面数据，基于所述当前音频数据和所述画面数据处理所述当前视频。

11.根据权利要求8所述的装置，其中，所述视频处理单元进一步被配置成：

按照所述配置参数对所述虚拟形象进行配置，得到配置后的虚拟形象；

基于所述配置后的虚拟形象，确定当前画面数据；

基于所述当前音频数据和所述当前画面数据，输出所述当前视频。

12.根据权利要求8所述的装置，其中，所述配置参数包括口型参数和表情参数；以及

所述参数确定单元进一步被配置成：

确定与所述当前音频数据对应的参数配置模型；

基于所述当前音频数据和所述参数配置模型，确定所述当前音频数据的各个音频时间点对应的所述口型参数和所述表情参数。

13.根据权利要求8所述的装置，其中，所述配置参数包括口型参数；以及

所述参数确定单元进一步被配置成：

确定与所述当前音频数据对应的口型变形系数；

基于所述口型变形系数确定所述口型参数。

14.根据权利要求8所述的装置，其中，所述形象确定单元进一步被配置成：

基于所述目标人脸数据，确定人脸关键点骨骼信息；

对所述人脸关键点骨骼信息进行人脸三维重建，得到三维形式的所述虚拟形象。

15.一种执行用于处理视频的方法的电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。

Images