CN114245171B - 视频编辑方法、装置、电子设备、介质 - Google Patents

视频编辑方法、装置、电子设备、介质 Download PDF

Info

Publication number
CN114245171B
CN114245171B CN202111536505.6A CN202111536505A CN114245171B CN 114245171 B CN114245171 B CN 114245171B CN 202111536505 A CN202111536505 A CN 202111536505A CN 114245171 B CN114245171 B CN 114245171B
Authority
CN
China
Prior art keywords
segment
tag
segments
determining
singing
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.)
Active
Application number
CN202111536505.6A
Other languages
English (en)
Other versions
CN114245171A (zh
Inventor
陈妙
廖玺举
贠挺
李远杭
宁宇鹏
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111536505.6A priority Critical patent/CN114245171B/zh
Publication of CN114245171A publication Critical patent/CN114245171A/zh
Priority to EP22839978.8A priority patent/EP4221241A4/en
Priority to JP2022581589A priority patent/JP2024503957A/ja
Priority to PCT/CN2022/104740 priority patent/WO2023109103A1/zh
Application granted granted Critical
Publication of CN114245171B publication Critical patent/CN114245171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/02—Editing, e.g. varying the order of information signals recorded on, or reproduced from, record carriers
    • G11B27/031—Electronic editing of digitised analogue information signals, e.g. audio or video 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/10—Indexing; Addressing; Timing or synchronising; Measuring tape travel
    • G11B27/19—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier
    • G11B27/28—Indexing; Addressing; Timing or synchronising; Measuring tape travel by using information detectable on the record carrier by using information signals recorded by the same method as the main recording
    • 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8455—Structuring of content, e.g. decomposing content into time segments involving pointers to the content, e.g. pointers to the I-frames of the video stream
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals
    • G10L25/81—Detection of presence or absence of voice signals for discriminating voice from music

Abstract

本公开提供了一种视频编辑方法、装置、电子设备和介质，涉及数据处理领域，尤其涉及视频处理与人工智能领域。一种视频编辑方法包括获取第一视频；切割第一视频以获得多个片段；确定与多个片段分别对应的多个标签，多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，第一标签指示唱歌的片段，第二标签指示说话的片段，第三标签指示背景音乐的片段，以及第四标签指示与第一标签、第二标签和第三标签均不对应的片段；基于多个标签确定唱歌片段集，唱歌片段集包括多个片段中的连续的两个或更多个具有第一标签的片段；以及基于唱歌片段集生成第二视频。

Description

视频编辑方法、装置、电子设备、介质
技术领域
本公开涉及数据处理技术领域，尤其涉及视频处理与人工智能，具体涉及一种视频编辑方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
作为信息媒介的一种，视频形式的信息受到越来越多的关注。尤其是，较短的视频形式受到观众的关注与欢迎。基于此，如何能够对视频进行编辑以提取精彩有效的较短视频变的很有意义。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种视频编辑方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种视频编辑方法，包括：获取所述第一视频；切割所述第一视频以获得多个片段；确定与所述多个片段分别对应的多个标签，所述多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，所述第一标签指示唱歌的片段，所述第二标签指示说话的片段，所述第三标签指示背景音乐的片段，以及所述第四标签指示与所述第一标签、所述第二标签和所述第三标签均不对应的片段；基于所述多个标签确定唱歌片段集，所述唱歌片段集包括所述多个片段中的连续的两个或更多个具有所述第一标签的片段；以及基于所述唱歌片段集生成所述第二视频。
根据本公开的另一方面，提供了一种视频编辑装置，包括：第一视频获取单元，用于获取所述第一视频；片段获取单元，用于切割所述第一视频以获得多个片段；标签确定单元，用于确定与所述多个片段分别对应的多个标签，所述多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，所述第一标签指示唱歌的片段，所述第二标签指示说话的片段，所述第三标签指示背景音乐的片段，以及所述第四标签指示与所述第一标签、所述第二标签和所述第三标签均不对应的片段；片段集确定单元，用于基于所述多个标签确定唱歌片段集，所述唱歌片段集包括所述多个片段中的连续的两个或更多个具有所述第一标签的片段；以及第二视频生成单元，用于基于所述唱歌片段集生成所述第二视频。
根据本公开的另一方面，提供了一种电子设备，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根据本公开的一个或多个实施例的视频编辑方法。
根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行根据本公开的一个或多个实施例的视频编辑方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的一个或多个实施例的视频编辑方法。
根据本公开的一个或多个实施例，可以准确地对视频进行编辑以获得与唱歌有关的视频。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的视频编辑方法的流程图；
图3示出了根据本公开的实施例的视频编辑方法的数据流示意图。
图4示出了根据本公开的实施例的视频编辑装置的结构框图；
图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的视频编辑方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来查看视频、编辑视频、对视频编辑的结果进行反馈等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
下面参考图2描述根据本公开的示例性实施例的视频编辑方法200。
在步骤S201处，获取第一视频。
在步骤S202处，切割第一视频以获得多个片段。
在步骤S203处，确定与多个片段分别对应的多个标签，多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，第一标签指示唱歌的片段，第二标签指示说话的片段，第三标签指示背景音乐的片段，以及第四标签指示与第一标签、第二标签和第三标签均不对应的片段。
在步骤S204处，基于多个标签确定唱歌片段集，唱歌片段集包括多个片段中的连续的两个或更多个具有第一标签的片段。
在步骤S205处，基于唱歌片段集生成第二视频。
根据本公开的实施例的方法，能够准确地对视频进行编辑以获得与唱歌有关的视频。具体地，通过上述方法200，能够通过区分唱歌与其他人声(说话等)以及唱歌与背景音乐部分，准确地获得唱歌的边界以获得更准确更灵活的视频编辑效果。
目前，各类真人直播如唱歌跳舞类主播具有很大的市场，因此利用此类资源生成完整版的唱歌片段，对于资源分发引流极具帮助。根据本公开的实施例，能够基于音频、视频、语音等模态信息实现视频剪辑，可以应用于短视频或者直播流的处理等技术领域。根据本公开的实施例，能够不依赖于歌曲固定时长，并且能够区分是否说话等，从而获得一种具有清晰唱歌边界的短视频检测算法。尤其是，通过区分唱歌类型和说话类型，并且对于不是唱歌也不是说话的片段中区分“背景音乐”和其他类型，能够更精确地筛选出真正唱歌的片段，从而准确获得唱歌的短视频。
根据一些实施例，基于唱歌片段集生成第二视频可以包括：响应于确定唱歌片段集具有至少一个相邻的、具有第三标签的片段，基于至少一个相邻的、具有第三标签的片段确定扩展片段集；以及基于唱歌片段集和扩展片段集生成第二视频。
在这样的实施例中，可以将唱歌的片段与背景音乐的片段进行更灵活的融合。作为一个具体的非限制性示例场景，在一个较长视频中的某段唱歌视频的前面和/或后面可以有一段无人声的音乐，在这种情况下音乐往往是这段唱歌的前奏或后奏，并且处于这样的考虑，可以将唱歌片段前后紧邻的、具有“第三标签”也即背景音乐标签的片段包括在内。
根据一些实施例，基于至少一个相邻的、具有第三标签的片段确定扩展片段集可以包括以下各项中的至少一项：响应于确定多个片段中的、唱歌片段集的起始片段的前一片段具有第三标签，确定第一片段，第一片段在多个片段中在起始片段之前，第一片段具有第三标签，第一片段的前一片段具有第四标签，并且第一片段与起始片段之间不存在标签不是第三标签的片段，以及确定扩展片段集以包括从第一片段到起始片段的两个或更多个片段；以及响应于确定多个片段中的、唱歌片段集的结束片段的后一片段具有第三标签，确定第二片段，第二片段在多个片段中在结束片段之后，第二片段具有第三标签，第二片段的后一片段具有第四标签，并且第二片段与结束片段之间不存在标签不是第三标签的片段，以及确定扩展片段集以包括从结束片段到第二片段的两个或更多个片段。
在这样的实施例中，可以更精确地基于背景音乐对第二视频的边界进行扩展。也即，仅对标签的转换包括从第四标签到第三标签再到第一标签的邻接片段组(或者，对于唱歌片段后的边界扩展，从第一标签到第三标签再到第四标签，可以理解的是这里的顺序并不对本公开的内容进行限制)进行扩展。作为一个非限制性示例，如果唱歌视频的前面和/或后面有一段无人声的音乐，并且再往前/往后是“说话”，例如，先说话，再放音乐，再唱歌，则中间的音乐很可能与唱歌无关，也即，很可能是这样一种情况，先在背景音乐中说话，之后再开始唱歌。因此，在这样的情况下，可以将背景音乐片段判断为不是前奏或后奏，则不对边界进行扩充。
根据一些实施例，基于唱歌片段集生成第二视频可以包括：响应于确定唱歌片段集的起始片段与结束片段中的至少一个片段不满足置信度要求，确定唱歌片段集的边界调整量；以及基于唱歌片段集和边界调整量确定第二视频。
在这样的实施例中，当标签可靠性不满足的时候，可以对边界进行细粒度的调整。具体地，假设边界上的片段不满足置信度要求(不是很确定是不是真正的唱歌)，这样场景的出现可能是因为现有的片段粒度也即长度过大并且涵盖了混合场景。例如，假设片段长度是3秒钟，并且其实涵盖了前两秒说话，后一秒唱歌。在这种情况下，需要进行二次边界确认以确定边界调正量(例如，调整到只涵盖一秒的唱歌)，从而获得更精确的边界。
根据一些实施例，多个片段中的每个片段可以具有第一长度，并且确定唱歌片段集的边界调整量可以包括，对于起始片段与结束片段中的不满足置信度要求的每一个待调整片段：获取与待调整片段关联的两个调整片段，两个调整片段的每个调整片段具有第一长度，两个调整片段在第一调整时刻邻接，并且第一调整时刻落在待调整片段期间；为两个调整片段分别确定标签，每个标签选自第一标签、第二标签、第三标签和第四标签中的一个；以及响应于与两个调整片段分别对应的标签满足分界条件，确定唱歌片段集的边界调整量以将唱歌片段集的对应边界调整到第一调整时刻。
作为一个非限制性示例，假设第一长度是3s，也即每个片段长3s。将原本的边界记为时刻0，边界片段(假设是起始边界片段)的时间长度记为[0,3]，并且例如利用长度3s、步长1s的时间窗在边界片段附近进行切割，或者可以采用其他切割方式，可以产生两个关联的调整片段，分别记为[-2,1]和[-1,2]。之后，对着两个调整片段后分别进行标签分类。例如，如果确定第二个调整片段[-1,2]是唱歌或背景音乐，并且第一个调整片段[-2,1]是说话或其他场景，则可以认为更新后的边界是t＝-1，从而实现更细的边界粒度。可以理解的是，以上均为示例，并且本领域技术人员能够想到的其他片段长度、步长、切割方式、粒度等均可以用来实现本公开的实施例的方法。
根据一些实施例，分界条件可以包括以下各项中的至少一项：响应于确定待调整片段关联是起始片段，两个调整片段中的前一调整片段具有第二标签或第四标签，并且后一调整片段具有第一标签或第三标签；以及响应于确定待调整片段关联是结束片段，两个调整片段中的前一调整片段具有第一标签或第三标签，并且后一调整片段具有第二标签或第四标签。换言之，分界条件可以包括对在置信度不够时，对边界音频进行细粒度的分割，获取更新的边界。例如，可能在当前粒度的片段中，前一秒在说话，后两秒在唱歌等。
进一步，可以将标签为第三标签也即“背景音乐”的调整片段包括在更新后的分界内，也即可以对背景音乐进行适当的扩充。作为一个具体的非限制性示例，当边界片段(仍然假设长度为3秒)中两秒包含背景音乐，且剩下一秒是“其他场景”时，可以将这两秒的背景音乐包括在内以作为对唱歌片段的前奏或后奏的扩充；但是对于其他类型例如第二标签和第四标签的片段，则不进行扩充。
根据一些实施例，确定与多个片段分别对应的多个标签可以包括：针对多个片段中的每个片段，针对第一标签、第二标签、第三标签和第四标签中的每个标签确定置信度，并且将置信度最高的标签确定为该片段的标签。在这样的实施例中，片段的置信度要求可以包括以下各项中的至少一项：片段的第一标签的置信度与第二标签的置信度的差大于第一阈值，或片段的第一标签的置信度与第四标签的置信度的差大于第二阈值。置信度要求可以包括两种标签的置信度差异太小，则可以认为涵盖了混合场景，例如前两秒说话，后一秒唱歌等。可以理解的是，以上仅为示例，并且本公开不限于此。
根据一些实施例，确定与多个片段分别对应的多个标签可以包括：对多个片段中的每个片段，基于该片段的音频特征和画面特征确定标签。
由此，能够基于音频和画面两方面的特征来确定是否唱歌/说话/背景音乐等。音频特征提取可以是基于梅尔频谱图的音频事件特征提取，例如可以是基于局部(local)特征的bottom-up方法进行音频的特征提取。此外，为了区分是不是主播放歌但是自己没唱歌的场景，可以在音频信息之外还利用视频中的图像信息进行进一步的特征提取和分类。
根据一些实施例，画面特征可以包括人脸特征和嘴唇区域的时序特征。人脸可以确定主播是否在画面中，用于避免主播离开画面但音频在播放的情况；嘴唇动作特征可以区分主播真人唱歌、放歌等情况。由此，可以获得更准确的标签，进而获得更准确的边界。
下面结合图3描述根据本公开的一个实施例的、用于确定标签和特征提取的示例实施方式中的数据流示意图。
将第一视频310切割成多个具有相同长度(例如，3s)的片段。长度的选取可以考虑信息量丰富程度和需要的准确性粒度。例如，较长的视频片段会包括更多的信息量，较短的视频片段会在起始点选择时时间粒度更加准确，因此可以按照需求而定，例如0.5s、1s、3s、5s、10s等，并且本公开不限于此。分别获取视频帧数据也即画面数据312和音频数据314。
对于画面数据312，可以例如按照每秒1帧或者其他频率进行抽取以获得图像。之后，将图像输入到人脸特征提取部320，例如CNN或其他神经网络。人脸特征提取部320可以输出人脸特征，提取的人脸特征可以用于判断主播是否在画面中，用于避免主播离开画面但音频在播放的情况。人脸特征提取部320可以是或者可以包括多任务卷积神经网络(Multi-task convolutional neural network，MTCNN)，但本公开不限于此。
人脸特征提取部320还可以输出人脸关键点中的唇部特征区域位置。将唇部特征输出到唇部时序特征提取部330。唇部时序特征提取部330将人脸唇部区域的特征在时间维度内进行聚合，提取嘴唇动作的特征。该特征可以识别是否是视频中的主播再唱歌，以用于区分主播真人唱歌、放歌等情况。唇部时序特征提取部330可以是或者可以包括时间分片网络(Temporal Segment Networks，TSN)，但本公开不限于此。
对于音频数据312，提取梅尔频谱特征进行转换变成图像信息，然后利用音频特征提取340，例如采用神经网络(例如，CNN)来进行音频特征提取。
将提取的人脸、唇部和音频特征输入到特征融合部350，以用于将语音的特征、人脸特征、嘴唇动作特征进行聚合，例如将特征进行拼接(concat)。之后，可以通过分类单元360，例如可以通过通过长短期记忆网络(LSTM)尤其是特征融合长短期记忆网络(FFLSTM)为每个片段确定标签也即分类结果370，之后可以在时序维度聚类出唱歌活动的开始时间点、结束时间点等，也即如本文中所述的唱歌片段集。
后处理380可以包括如本文中所述的边界扩展、边界确认等步骤，并且也可以包括第二视频的生成、渲染等本领域技术人员已知的视频处理与视频编辑步骤，并且可以理解的是，本公开不限于此。由此，能够获得第二视频390。
可以理解的是，虽然图中示出了分类部360例如分类网络，但是本公开不限于此。例如，人脸特征提取部分320可以包括人脸特征提取和分类网络，并且用于将人脸特征中的关键点特征输出到唇部时序特征提取和分类网络340，并且将人脸分类结果输出到特征融合部分340。类似地，唇部时序特征提取和音频特征提取部分也可以分别包括分类结果，并且在这种情况下，特征融合部分340只需要对三种分类结果进行融合以生成分类结果370。可以理解的是，先分类再聚合和先聚合特征再分类均可以使用于本公开所述的实施例，并且本公开的实施例的方法也可以适用于其他本领域技术人员将能理解的基于音频和画面特征进行分类的方法，包括不使用神经网络进行分类的方法等。
现在参考图4描述根据本公开的实施例的视频编辑装置400。视频编辑装置400可以包括第一视频获取单元401、片段获取单元402、标签确定单元403、片段集确定单元404和第二视频生成单元405。
第一视频获取单元401可以用于获取第一视频。片段获取单元402可以用于切割第一视频以获得多个片段。标签确定单元403可以用于确定与多个片段分别对应的多个标签，多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，第一标签指示唱歌的片段，第二标签指示说话的片段，第三标签指示背景音乐的片段，以及第四标签指示与第一标签、第二标签和第三标签均不对应的片段。片段集确定单元404可以用于基于多个标签确定唱歌片段集，唱歌片段集包括多个片段中的连续的两个或更多个具有第一标签的片段。第二视频生成单元405可以用于基于唱歌片段集生成第二视频。
根据本公开的实施例的装置，能够准确地对视频进行编辑以获得与唱歌有关的视频。
根据一些实施例，第二视频生成装置405可以包括：响应于确定唱歌片段集具有至少一个相邻的、具有第三标签的片段，用于基于至少一个相邻的、具有第三标签的片段确定扩展片段集的单元；以及用于基于唱歌片段集和扩展片段集生成第二视频的单元。
根据一些实施例，用于基于至少一个相邻的、具有第三标签的片段确定扩展片段集的单元可以包括以下各项中的至少一项：用于响应于确定多个片段中的、唱歌片段集的起始片段的前一片段具有第三标签而执行以下操作的单元：确定第一片段，第一片段在多个片段中在起始片段之前，第一片段具有第三标签，第一片段的前一片段具有第四标签，并且第一片段与起始片段之间不存在标签不是第三标签的片段，以及确定扩展片段集以包括从第一片段到起始片段的两个或更多个片段；以及用于响应于确定多个片段中的、唱歌片段集的结束片段的后一片段具有第三标签而执行以下操作的单元：确定第二片段，第二片段在多个片段中在结束片段之后，第二片段具有第三标签，第二片段的后一片段具有第四标签，并且第二片段与结束片段之间不存在标签不是第三标签的片段，以及确定扩展片段集以包括从结束片段到第二片段的两个或更多个片段。
根据一些实施例，第二视频生成装置405可以包括：响应于确定唱歌片段集的起始片段与结束片段中的至少一个片段不满足置信度要求，用于确定唱歌片段集的边界调整量的单元；以及用于基于唱歌片段集和边界调整量确定第二视频的单元。
根据一些实施例，多个片段中的每个片段具有第一长度，并且用于确定唱歌片段集的边界调整量的单元可以包括，对于起始片段与结束片段中的不满足置信度要求的每一个待调整片段执行以下操作的单元：获取与待调整片段关联的两个调整片段，两个调整片段的每个调整片段具有第一长度，两个调整片段在第一调整时刻邻接，并且第一调整时刻落在待调整片段期间；为两个调整片段分别确定标签，每个标签选自第一标签、第二标签、第三标签和第四标签中的一个；以及响应于与两个调整片段分别对应的标签满足分界条件，确定唱歌片段集的边界调整量以将唱歌片段集的对应边界调整到第一调整时刻。
根据一些实施例，标签确定单元403可以包括针对多个片段中的每个片段执行以下操作的单元：针对第一标签、第二标签、第三标签和第四标签中的每个标签确定置信度，并且将置信度最高的标签确定为该片段的标签。片段的置信度要求可以包括以下各项中的至少一项：片段的第一标签的置信度与第二标签的置信度的差大于第一阈值，或片段的第一标签的置信度与第四标签的置信度的差大于第二阈值。
根据一些实施例，标签确定单元403可以包括用于对多个片段中的每个片段，基于该片段的音频特征和画面特征确定标签的单元。
根据一些实施例，画面特征可以包括人脸特征和嘴唇区域的时序特征。
本公开的技术方案中，所涉及的用户个人信息的收集、获取，存储、使用、加工、传输、提供和公开应用等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，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。
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501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501执行上文所描述的各个方法和处理，例如方法200及其变型例等。例如，在一些实施例中，方法200及其变型例等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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法200及其变型例等的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200及其变型例等。
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)、复杂可编程逻辑设备(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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (15)

1.一种视频编辑方法，包括：
获取第一视频；
切割所述第一视频以获得多个片段；
确定与所述多个片段分别对应的多个标签，所述多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，所述第一标签指示唱歌的片段，所述第二标签指示说话的片段，所述第三标签指示背景音乐的片段，以及所述第四标签指示与所述第一标签、所述第二标签和所述第三标签均不对应的片段；
基于所述多个标签确定唱歌片段集，所述唱歌片段集包括所述多个片段中的连续的两个或更多个具有所述第一标签的片段；以及
基于所述唱歌片段集生成第二视频，其中，基于所述唱歌片段集生成所述第二视频包括：
响应于确定所述唱歌片段集具有至少一个相邻的、具有所述第三标签的片段，基于所述至少一个相邻的、具有所述第三标签的片段确定扩展片段集；以及
基于所述唱歌片段集和所述扩展片段集生成所述第二视频，并且
其中，基于所述至少一个相邻的、具有所述第三标签的片段确定扩展片段集包括确定歌曲前奏操作或者确定歌曲后奏操作中的至少一项，使得所述扩展片段集能够包括与所述连续的两个或更多个具有所述第一标签的片段相邻的歌曲前奏或者歌曲后奏中的至少一个，而不包括表示在背景音乐中说话的片段，
其中，确定歌曲前奏操作包括：响应于确定所述多个片段中的、所述唱歌片段集的起始片段的前一片段具有所述第三标签，
确定第一片段，所述第一片段在所述多个片段中在所述起始片段之前，所述第一片段具有所述第三标签，所述第一片段的前一片段具有所述第四标签，并且所述第一片段与所述起始片段之间不存在标签不是所述第三标签的片段，以及
确定所述扩展片段集以包括从所述第一片段到所述起始片段的两个或更多个片段；以及
其中，确定歌曲后奏操作包括：响应于确定所述多个片段中的、所述唱歌片段集的结束片段的后一片段具有所述第三标签，
确定第二片段，所述第二片段在所述多个片段中在所述结束片段之后，所述第二片段具有所述第三标签，所述第二片段的后一片段具有所述第四标签，并且所述第二片段与所述结束片段之间不存在标签不是所述第三标签的片段，以及
确定所述扩展片段集以包括从所述结束片段到所述第二片段的两个或更多个片段。
2.根据权利要求1所述的方法，其中，基于所述唱歌片段集生成所述第二视频包括：
响应于确定所述唱歌片段集的起始片段与结束片段中的至少一个片段不满足置信度要求，确定所述唱歌片段集的边界调整量；以及
基于所述唱歌片段集和所述边界调整量确定所述第二视频。
3.根据权利要求2所述的方法，其中，所述多个片段中的每个片段具有第一长度，并且确定所述唱歌片段集的边界调整量包括，对于所述起始片段与结束片段中的不满足置信度要求的每一个待调整片段：
获取与所述待调整片段关联的两个调整片段，所述两个调整片段的每个调整片段具有所述第一长度，所述两个调整片段在第一调整时刻邻接，并且所述第一调整时刻落在所述待调整片段期间；
为所述两个调整片段分别确定标签，每个标签选自所述第一标签、第二标签、第三标签和第四标签中的一个；以及
响应于与所述两个调整片段分别对应的标签满足分界条件，确定所述唱歌片段集的边界调整量以将所述唱歌片段集的对应边界调整到所述第一调整时刻。
4.根据权利要求3所述的方法，其中，所述分界条件包括以下各项中的至少一项：
响应于确定所述待调整片段关联是所述起始片段，所述两个调整片段中的前一调整片段具有所述第二标签或所述第四标签，并且后一调整片段具有所述第一标签或所述第三标签；以及
响应于确定所述待调整片段关联是所述结束片段，所述两个调整片段中的前一调整片段具有所述第一标签或所述第三标签，并且后一调整片段具有所述第二标签或所述第四标签。
5.根据权利要求3或4所述的方法，其中，确定与所述多个片段分别对应的多个标签包括：针对所述多个片段中的每个片段，针对所述第一标签、第二标签、第三标签和第四标签中的每个标签确定置信度，并且将置信度最高的标签确定为该片段的标签；并且
其中，片段的置信度要求包括以下各项中的至少一项：片段的第一标签的置信度与第二标签的置信度的差大于第一阈值，或片段的第一标签的置信度与第四标签的置信度的差大于第二阈值。
6.根据权利要求1-4中任一项所述的方法，其中，确定与所述多个片段分别对应的多个标签包括：对所述多个片段中的每个片段，基于该片段的音频特征和画面特征确定标签。
7.根据权利要求6所述的方法，其中，所述画面特征包括人脸特征和嘴唇区域的时序特征。
8.一种视频编辑装置，包括：
第一视频获取单元，用于获取第一视频；
片段获取单元，用于切割所述第一视频以获得多个片段；
标签确定单元，用于确定与所述多个片段分别对应的多个标签，所述多个标签中的每个标签选自第一标签、第二标签、第三标签或第四标签中的一个，所述第一标签指示唱歌的片段，所述第二标签指示说话的片段，所述第三标签指示背景音乐的片段，以及所述第四标签指示与所述第一标签、所述第二标签和所述第三标签均不对应的片段；
片段集确定单元，用于基于所述多个标签确定唱歌片段集，所述唱歌片段集包括所述多个片段中的连续的两个或更多个具有所述第一标签的片段；以及
第二视频生成单元，用于基于所述唱歌片段集生成第二视频，
其中，所述第二视频生成装置包括：
响应于确定所述唱歌片段集具有至少一个相邻的、具有所述第三标签的片段，用于基于所述至少一个相邻的、具有所述第三标签的片段确定扩展片段集的单元；以及
用于基于所述唱歌片段集和所述扩展片段集生成所述第二视频的单元，
其中，用于基于所述至少一个相邻的、具有所述第三标签的片段确定扩展片段集的单元包括用于确定歌曲前奏操作的单元或者用于确定歌曲后奏操作的单元中的至少一项，使得所述扩展片段集能够包括与所述连续的两个或更多个具有所述第一标签的片段相邻的歌曲前奏或者歌曲后奏中的至少一个，而不包括表示在背景音乐中说话的片段：
其中，用于确定歌曲前奏操作的单元包括用于响应于确定所述多个片段中的、所述唱歌片段集的起始片段的前一片段具有所述第三标签而执行以下操作的单元：
确定第一片段，所述第一片段在所述多个片段中在所述起始片段之前，所述第一片段具有所述第三标签，所述第一片段的前一片段具有所述第四标签，并且所述第一片段与所述起始片段之间不存在标签不是所述第三标签的片段，以及
确定所述扩展片段集以包括从所述第一片段到所述起始片段的两个或更多个片段；以及
其中，用于确定歌曲后奏操作的单元包括用于响应于确定所述多个片段中的、所述唱歌片段集的结束片段的后一片段具有所述第三标签而执行以下操作的单元：
确定第二片段，所述第二片段在所述多个片段中在所述结束片段之后，所述第二片段具有所述第三标签，所述第二片段的后一片段具有所述第四标签，并且所述第二片段与所述结束片段之间不存在标签不是所述第三标签的片段，以及
确定所述扩展片段集以包括从所述结束片段到所述第二片段的两个或更多个片段。
9.根据权利要求8所述的装置，其中，所述第二视频生成装置包括：
响应于确定所述唱歌片段集的起始片段与结束片段中的至少一个片段不满足置信度要求，用于确定所述唱歌片段集的边界调整量的单元；以及
用于基于所述唱歌片段集和所述边界调整量确定所述第二视频的单元。
10.根据权利要求9所述的装置，其中，所述多个片段中的每个片段具有第一长度，并且用于确定所述唱歌片段集的边界调整量的单元包括，对于所述起始片段与结束片段中的不满足置信度要求的每一个待调整片段执行以下操作的单元：
获取与所述待调整片段关联的两个调整片段，所述两个调整片段的每个调整片段具有所述第一长度，所述两个调整片段在第一调整时刻邻接，并且所述第一调整时刻落在所述待调整片段期间；
为所述两个调整片段分别确定标签，每个标签选自所述第一标签、第二标签、第三标签和第四标签中的一个；以及
响应于与所述两个调整片段分别对应的标签满足分界条件，确定所述唱歌片段集的边界调整量以将所述唱歌片段集的对应边界调整到所述第一调整时刻。
11.根据权利要求10所述的装置，其中，所述标签确定单元包括针对所述多个片段中的每个片段执行以下操作的单元：针对所述第一标签、第二标签、第三标签和第四标签中的每个标签确定置信度，并且将置信度最高的标签确定为该片段的标签；并且
其中，片段的置信度要求包括以下各项中的至少一项：片段的第一标签的置信度与第二标签的置信度的差大于第一阈值，或片段的第一标签的置信度与第四标签的置信度的差大于第二阈值。
12.根据权利要求8-11中任一项所述的装置，其中，所述标签确定单元包括：用于对所述多个片段中的每个片段，基于该片段的音频特征和画面特征确定标签的单元。
13.根据权利要求12所述的装置，其中，所述画面特征包括人脸特征和嘴唇区域的时序特征。
14.一种电子设备，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。
15.一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。
CN202111536505.6A 2021-12-15 2021-12-15 视频编辑方法、装置、电子设备、介质 Active CN114245171B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111536505.6A CN114245171B (zh) 2021-12-15 2021-12-15 视频编辑方法、装置、电子设备、介质
EP22839978.8A EP4221241A4 (en) 2021-12-15 2022-07-08 VIDEO EDITING METHOD AND APPARATUS, ELECTRONIC DEVICE AND MEDIUM
JP2022581589A JP2024503957A (ja) 2021-12-15 2022-07-08 動画の編集方法、装置、電子機器、媒体
PCT/CN2022/104740 WO2023109103A1 (zh) 2021-12-15 2022-07-08 视频编辑方法、装置、电子设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111536505.6A CN114245171B (zh) 2021-12-15 2021-12-15 视频编辑方法、装置、电子设备、介质

Publications (2)

Publication Number Publication Date
CN114245171A CN114245171A (zh) 2022-03-25
CN114245171B true CN114245171B (zh) 2023-08-29

Family

ID=80756654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111536505.6A Active CN114245171B (zh) 2021-12-15 2021-12-15 视频编辑方法、装置、电子设备、介质

Country Status (4)

Country Link
EP (1) EP4221241A4 (zh)
JP (1) JP2024503957A (zh)
CN (1) CN114245171B (zh)
WO (1) WO2023109103A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114245171B (zh) * 2021-12-15 2023-08-29 百度在线网络技术（北京）有限公司 视频编辑方法、装置、电子设备、介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2338962A1 (es) * 2008-01-11 2010-05-13 Senia Technologies S.L. Configuracion de reguladores de corriente para pantallas de video flexibles a base de led's.
CN102902756A (zh) * 2012-09-24 2013-01-30 南京邮电大学 一种基于故事情节的视频摘要提取方法
GB201402977D0 (en) * 2014-02-20 2014-04-09 Nokia Corp Method, apparatus and computer program product for segmentation of objects in media content
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质
CN110263215A (zh) * 2019-05-09 2019-09-20 众安信息技术服务有限公司 一种视频情感定位方法及系统
CN110381371A (zh) * 2019-07-30 2019-10-25 维沃移动通信有限公司 一种视频剪辑方法及电子设备
CN111182358A (zh) * 2019-12-30 2020-05-19 腾讯科技（深圳）有限公司 视频处理方法、视频播放方法、装置、设备和存储介质
CN111935537A (zh) * 2020-06-30 2020-11-13 百度在线网络技术（北京）有限公司 音乐短片视频生成方法、装置、电子设备和存储介质
CN112235613A (zh) * 2020-09-17 2021-01-15 百度在线网络技术（北京）有限公司 视频处理方法、装置、电子设备及存储介质
KR20210060127A (ko) * 2019-11-18 2021-05-26 한국전자통신연구원 영상 콘텐츠 분할 방법 및 시스템
CN113163272A (zh) * 2020-01-07 2021-07-23 海信集团有限公司 视频剪辑方法、计算机设备及存储介质
CN113613065A (zh) * 2021-08-02 2021-11-05 北京百度网讯科技有限公司 视频编辑方法、装置、电子设备以及存储介质
CN113762056A (zh) * 2021-05-18 2021-12-07 腾讯科技（深圳）有限公司 演唱视频识别方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10134440B2 (en) * 2011-05-03 2018-11-20 Kodak Alaris Inc. Video summarization using audio and visual cues
US10362340B2 (en) * 2017-04-06 2019-07-23 Burst, Inc. Techniques for creation of auto-montages for media content
CN109121022B (zh) * 2018-09-28 2020-05-05 百度在线网络技术（北京）有限公司 用于标记视频片段的方法及装置
CN112911332B (zh) * 2020-12-29 2023-07-25 百度在线网络技术（北京）有限公司 用于从直播视频流剪辑视频的方法、装置、设备和存储介质
CN114245171B (zh) * 2021-12-15 2023-08-29 百度在线网络技术（北京）有限公司 视频编辑方法、装置、电子设备、介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2338962A1 (es) * 2008-01-11 2010-05-13 Senia Technologies S.L. Configuracion de reguladores de corriente para pantallas de video flexibles a base de led's.
CN102902756A (zh) * 2012-09-24 2013-01-30 南京邮电大学 一种基于故事情节的视频摘要提取方法
GB201402977D0 (en) * 2014-02-20 2014-04-09 Nokia Corp Method, apparatus and computer program product for segmentation of objects in media content
CN109905772A (zh) * 2019-03-12 2019-06-18 腾讯科技（深圳）有限公司 视频片段查询方法、装置、计算机设备及存储介质
CN110263215A (zh) * 2019-05-09 2019-09-20 众安信息技术服务有限公司 一种视频情感定位方法及系统
CN110381371A (zh) * 2019-07-30 2019-10-25 维沃移动通信有限公司 一种视频剪辑方法及电子设备
KR20210060127A (ko) * 2019-11-18 2021-05-26 한국전자통신연구원 영상 콘텐츠 분할 방법 및 시스템
CN111182358A (zh) * 2019-12-30 2020-05-19 腾讯科技（深圳）有限公司 视频处理方法、视频播放方法、装置、设备和存储介质
CN113163272A (zh) * 2020-01-07 2021-07-23 海信集团有限公司 视频剪辑方法、计算机设备及存储介质
CN111935537A (zh) * 2020-06-30 2020-11-13 百度在线网络技术（北京）有限公司 音乐短片视频生成方法、装置、电子设备和存储介质
CN112235613A (zh) * 2020-09-17 2021-01-15 百度在线网络技术（北京）有限公司 视频处理方法、装置、电子设备及存储介质
CN113762056A (zh) * 2021-05-18 2021-12-07 腾讯科技（深圳）有限公司 演唱视频识别方法、装置、设备及存储介质
CN113613065A (zh) * 2021-08-02 2021-11-05 北京百度网讯科技有限公司 视频编辑方法、装置、电子设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种视频驱动的三维人体动画合成方法;王瑢瑢;系统仿真学报;第19卷(第8期);全文 *

Also Published As

Publication number Publication date
CN114245171A (zh) 2022-03-25
EP4221241A1 (en) 2023-08-02
JP2024503957A (ja) 2024-01-30
WO2023109103A1 (zh) 2023-06-22
EP4221241A4 (en) 2024-03-06

Similar Documents

Publication Publication Date Title
KR102436734B1 (ko) 비디오 재생 노드 위치 확정 방법, 장치, 전자 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램
JP6751806B2 (ja) エンティティに関連する欠落情報を補足するために複数のデータストリームを使用するエンティティ認識
CN113163272B (zh) 视频剪辑方法、计算机设备及存储介质
US20230368461A1 (en) Method and apparatus for processing action of virtual object, and storage medium
CN112382285B (zh) 语音控制方法、装置、电子设备和存储介质
CN109286848B (zh) 一种终端视频信息的交互方法、装置及存储介质
CN114245171B (zh) 视频编辑方法、装置、电子设备、介质
CN113810765B (zh) 视频处理方法、装置、设备和介质
JP7427627B2 (ja) ビデオセグメント抽出方法、ビデオセグメント抽出装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム
CN114998963A (zh) 图像检测方法和用于训练图像检测模型的方法
CN113139093A (zh) 视频搜索方法及装置、计算机设备和介质
CN113556649A (zh) 智能音箱的播报控制方法和装置
CN113190695B (zh) 多媒体数据搜索方法及装置、计算机设备和介质
CN113378001B (zh) 视频播放进度的调整方法及装置、电子设备和介质
CN114390366B (zh) 视频处理方法和装置
CN113139094B (zh) 视频搜索方法及装置、电子设备和介质
CN113126865B (zh) 视频学习过程中的笔记生成方法及装置、电子设备和介质
CN112114886B (zh) 误唤醒音频的获取方法和装置
CN115170536B (zh) 图像检测方法、模型的训练方法和装置
CN115131562B (zh) 三维场景分割方法、模型训练方法、装置和电子设备
CN113722534B (zh) 视频推荐方法和装置
CN116310556A (zh) 视频分类方法、视频分类模型的训练方法及装置
CN113190695A (zh) 多媒体数据搜索方法及装置、计算机设备和介质
KR20240054933A (ko) 비디오 처리 방법 및 장치, 전자 장치 및 저장 매체
CN115391649A (zh) 信息推荐方法、装置及电子设备

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