CN114339069A - 视频处理方法、装置、电子设备及计算机存储介质 - Google Patents

视频处理方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN114339069A
CN114339069A CN202111604879.7A CN202111604879A CN114339069A CN 114339069 A CN114339069 A CN 114339069A CN 202111604879 A CN202111604879 A CN 202111604879A CN 114339069 A CN114339069 A CN 114339069A
Authority
CN
China
Prior art keywords
text content
virtual object
generating
video
picture
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
CN202111604879.7A
Other languages
English (en)
Other versions
CN114339069B (zh
Inventor
董浩
刘朋
李浩文
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 CN202111604879.7A priority Critical patent/CN114339069B/zh
Publication of CN114339069A publication Critical patent/CN114339069A/zh
Priority to US17/940,183 priority patent/US20230206564A1/en
Priority to KR1020220182760A priority patent/KR20230098068A/ko
Priority to JP2022206355A priority patent/JP2023095832A/ja
Application granted granted Critical
Publication of CN114339069B publication Critical patent/CN114339069B/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
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/272—Means for inserting a foreground image in a background image, i.e. inlay, outlay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • 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
    • H04N21/27—Server based end-user applications
    • H04N21/274—Storing end-user multimedia data in response to end-user request, e.g. network recorder
    • 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
    • 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
    • H04N21/858—Linking data to content, e.g. by linking an URL to a video object, by creating a hotspot
    • H04N21/8586—Linking data to content, e.g. by linking an URL to a video object, by creating a hotspot by using a URL
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads
    • 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
    • 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
    • G10L25/57—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 for processing of video signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Computer Security & Cryptography (AREA)
  • Processing Or Creating Images (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本公开提供了一种视频处理方法、装置、电子设备及计算机存储介质，涉及数据处理领域，尤其涉及视频生成领域。具体实现方案为：接收文本内容和选择指令，其中，选择指令用于指示用来生成虚拟对象的模型；将文本内容转换为语音；基于文本内容和语音生成混合变形参数集；采用混合变形参数集对虚拟对象的模型进行渲染，得到虚拟对象的图片集，并基于图片集生成包括虚拟对象播报文本内容的视频。通过本公开，能够简化原本制作视频大量的、复杂的操作，解决了相关技术中视频制作成本高，效率低的问题。

Description

视频处理方法、装置、电子设备及计算机存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及视频生成领域，具体涉及一种视频处理方法、装置、电子设备及计算机存储介质。
背景技术
在相关技术中，一般通过视频剪辑工作手动制作所需的宣传播报视频，虽然能够实现视频制作，但存在生产效率低，不适合批量推广的问题。
发明内容
本公开提供了一种视频处理方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种视频处理方法，包括：接收文本内容和选择指令，其中，选择指令用于指示用来生成虚拟对象的模型；将文本内容转换为语音；基于文本内容和语音生成混合变形参数集；采用混合变形参数集对虚拟对象的模型进行渲染，得到虚拟对象的图片集，并基于图片集生成包括虚拟对象播报文本内容的视频。
可选地，基于文本内容和语音生成混合变形参数集包括：基于文本内容生成第一变形参数集，其中，第一变形参数集用于对虚拟对象的口型进行渲染；基于语音生成第二变形参数集，其中，第二变形参数集用于对虚拟对象的表情进行渲染；其中，混合变形参数集包括：第一变形参数集和第二变形参数集。
可选地，基于图片集生成包括虚拟对象播报文本内容的视频包括：获取第一目标背景图；将图片集和第一目标背景图进行融合，生成包括虚拟对象播报所述文本内容的视频。
可选地，基于图片集生成包括虚拟对象播报文本内容的视频包括：获取从背景图库中选择出的第二目标背景图；将图片集和第二目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。
可选地，接收文本内容包括：采集目标语音；将目标语音进行文本转换，得到文本内容。
根据本公开的另一方面，提供了一种视频处理装置，包括：接收模块，用于接收文本内容和选择指令，其中，选择指令用于指示用来生成虚拟对象的模型；转换模块，用于将文本内容转换为语音；生成模块，用于基于文本内容和语音生成混合变形参数集；处理模块，用于采用混合变形参数集对虚拟对象的模型进行渲染，得到虚拟对象的图片集，并基于图片集生成包括虚拟对象播报所述文本内容的视频。
可选地，生成模块包括：第一生成单元，用于基于文本内容生成第一变形参数集，其中，第一变形参数集用于对虚拟对象的口型进行渲染；第二生成单元，用于基于语音生成第二变形参数集，其中，第二变形参数集用于对虚拟对象的表情进行渲染；其中，混合变形参数集包括：第一变形参数集和第二变形参数集。
可选地，处理模块包括：第一获取单元，用于获取第一目标背景图；第三生成单元，用于将图片集和第一目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。
可选地，处理模块包括：第二获取单元，用于获取从背景图库中选择出的第二目标背景图；第四生成单元，用于将图片集和第二目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。
可选地，接收模块包括：采集单元，用于采集目标语音；转换单元，用于将目标语音进行文本转换，得到文本内容。
根据本公开的还一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项方法。
根据本公开的又一方面，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，计算机指令用于使计算机执行上述任一项方法。
根据本公开的再一方面，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上述任一项方法。
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是根据本公开实施例提供的视频处理方法的流程图；
图2是根据本公开实施例提供的视频处理方法的示意图；
图3a是根据本实施例提供的视频处理方法处理视频的结果示意图一；
图3b是根据本公开实施例提供的视频处理方法进行视频生成的结果示意图二；
图4是根据本实施例提供的视频处理装置的结构框图；
图5是根据本公开实施例提供的电子设备500的示意性框图。
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。
术语说明
虚拟主播，指使用虚拟形象在视频网站上进行投搞活动的主播，以虚拟YouTuber最为人所知。
语音动画合成(Voice-to-Animation)技术，一种通过语音驱动虚拟形象说话及反馈情绪和动作的技术。
Blendshape，一种通过单个网格变形以实现许多预定义形状和任何数量之间组合的技术。
针对相关技术中视频制作成本高，效率低，不适于批量推广的缺点。在本公开实施例中，提供了一种视频处理方法，该方法能够简化原本制作视频大量的、复杂的操作，解决了相关技术中视频制作成本高，效率低的问题。
在本公开实施例中，提供了一种视频处理方法，图1是根据本公开实施例提供的视频处理方法的流程图，如图1所示，该方法包括：
步骤S102，接收文本内容和选择指令，其中，选择指令用于指示用来生成虚拟对象的模型；
步骤S104，将文本内容转换为语音；
步骤S106，基于文本内容和语音生成混合变形参数集；
步骤S108，采用混合变形参数集对虚拟对象的模型进行渲染，得到虚拟对象的图片集，并基于图片集生成包括虚拟对象播报文本内容的视频。
通过上述方法可以直接将文本内容转换成语音，并生成用于虚拟对象模型渲染的混合变形参数集，即根据接收到的文本内容和选择指令就可以直接生成虚拟对象播报文本内容的视频，极大程度上的减少了需要人工操作的步骤，且操作过程中不涉及复杂操作，大大提高了播报视频的制作效率，从而降低了播报视频的制作成本，解决了相关技术中视频制作成本高，效率低的问题。
作为一种可选的实施例，基于文本内容和语音生成混合变形参数集时，该混合变形参数集可以包括多种类型，例如，混合变形参数集可以包括第一变形参数集和第二变形参数集。其中，基于文本内容生成该第一变形参数集，其中，第一变形参数集用于对虚拟对象的口型进行渲染；基于语音生成该第二变形参数集，其中，第二变形参数集用于对虚拟对象的表情进行渲染。通过生成的混合变形参数包括多种类型，例如，生成分别用于虚拟对象口型渲染和表情渲染的变形参数集，能够在驱动虚拟形象时，嘴部肌肉自然联动，口型动作精准，面部表情表达逼真，且在与人交互时拟真自然。
作为一种可选的实施例，基于图片集生成包括虚拟对象播报文本内容的视频可以采用多种方式，例如，可以采用以下方式，包括：获取第一目标背景图；将图片集和第一目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。其中，上述第一目标背景图用于为后续生成的视频提供一个透明通道，即在视频生成后，该视频可以直接基于该视频与用户选择的视频进行合成，得到满足需求的视频。因此，通过上述方式，可以生成一个虚拟人进行播报的视频形式，方便用户后期合入自己的视频素材，为用户的个性化需求留出了二次加工的空间，增加了视频生成的灵活性、可变性，提升了用户的使用体验感。
作为一种可选的实施例，基于图片集生成包括虚拟对象播报文本内容的视频采用多种方式，例如，可以采用以下方式，包括：获取从背景图库中选择出的第二目标背景图；将图片集和第二目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。通过上述方式，可以生成画中画的视频形式，从背景图库中选择出的第二目标背景图可以作为左上角的画中画区域显示，可以直接快速地生成用户需要的视频，无需二次处理即可直接使用，提升了用户的使用体验感。
作为一种可选的实施例，接收文本内容可以采用多种方式，例如，可以采用以下方式，包括：采集目标语音；将目标语音进行文本转换，得到文本内容。通过上述方式，文本内容的获取方式不固定，可以直接输入文本，也可以将采集到的目标语音进行文本转化，该方法使得用户可以根据现有的文本或语音材料灵活地选择适合的方式，简化了用户在开始制作视频前的准备工作，进一步地降低了视频制作的成本，提高了视频制作的效率，提升了用户使用时的体验感。
基于上述实施例及可选实施例，提供了一种可选实施方式，下面说明。
用户可以利用各种视频剪辑软件手动制作自己需要的宣传播报视频，但手工编辑视频，生产效率低，不方便批量推广。
基于上述问题，在本公开可选实施方式中，提供了一种视频处理方案。在该方案中，采用虚拟主播语音动画合成(Voice-to-Animation)技术，可以让用户输入文本或语音，通过VTA API自动生成与音频流相对应的3D虚拟形象人脸表情系数，从而完成3D虚拟形象的口型和面部表情的精准驱动。可以帮助开发者快速构建丰富的虚拟形象智能驱动应用，如虚拟主持人、虚拟客服、虚拟教师等。
图2是根据本公开可选实施方式提供的视频处理方法的示意图，如图2所示，该流程包括如下处理：
(1)前端页面收到合成视频请求，确认请求成功，同时开始轮询合成状态，直至视频合成状态为成功，返回统一资源定位符(Uniform Resource Locator，简称为URL)，上述过程与下面的操作异步执行；
(2)下载合成素材；
(3)文字合成语音/解析音频URL(例如，通过语音合成(Text to Speech，简称为TTS)生成wav文件(一种声音文件格式)，通过内部系统上传到服务器并返回URL)；
(4)调用语音动画合成(Voice-to-Animation，简称为VTA)算法，输出Blendshape，并传递Blendshape、ARCase、视频生产方式给到云端的渲染引擎；
(5)Unix版引擎接收传递过来的参数进行虚拟人和动画渲染，其中，文本驱动口型，通过文本合成语音，能够实现动作时序对齐，并生成动画Blendshape系数，驱动虚拟形象时，嘴部肌肉能够自然联动，语音驱动口型；通过语音生成口型变形系数，驱动虚拟形象能够口型精准、面部表情逼真的表达，与人交互拟真自然；
(6)若要产出RGBA类型的图片加，方便用户二次加工视频，则由ffmpeg合成引擎产出视频，生成带透明通道的视频(qtrle编码为mov)，若要产出NV21类型的图片集，支持画中画展示，则由ffmpeg合成引擎产出视频(h264编码为mp4)；
(7)将产出的视频上传到云储存；
(8)更新合成状态为合成成功。
图3a是根据本公开实施例提供的视频处理方法进行视频生成的结果示意图一，其中，该图为生产出的画中画形式的视频，用户可以从图库中找出一段自己需要的视频，作为左上角的画中画区域显示，最终编码时与模型播报整合在一起生成最终发布视频。图3b是根据本公开实施例提供的视频处理方法进行视频生成的结果示意图二，其中，该图为最终生产的一个虚拟人进行播报的视频形式，背景带有alpha元素，方便用户后期合入自己的视频素材，与该平台产出的视频编码成最终发布素材。
在本公开实施例中，还提供了一种视频处理装置，图4是根据本公开实施例提供的视频处理装置的结构框图，如图4所示，该装置包括：接收模块42，转换模块44，生成模块46及处理模块48，下面对该装置进行说明。
接收模块42，用于接收文本内容和选择指令，其中，选择指令用于指示用来生成虚拟对象的模型；转换模块44，连接至上述接收模块42，用于将文本内容转换为语音；生成模块46，连接至上述转换模块44，用于基于文本内容和语音生成混合变形参数集；处理模块48，连接至上述生成模块46，用于采用混合变形参数集对虚拟对象的模型进行渲染，得到虚拟对象的图片集，并基于图片集生成包括虚拟对象播报所述文本内容的视频。
作为一种可选的实施例，上述生成模块包括：第一生成单元，用于基于文本内容生成第一变形参数集，其中，第一变形参数集用于对虚拟对象的口型进行渲染；第二生成单元，用于基于语音生成第二变形参数集，其中，第二变形参数集用于对虚拟对象的表情进行渲染；其中，混合变形参数集包括：第一变形参数集和第二变形参数集。
作为一种可选的实施例，上述处理模块包括：第一获取单元，用于获取第一目标背景图；第三生成单元，用于将图片集和第一目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。
作为一种可选的实施例，上述处理模块包括：第二获取单元，用于获取从背景图库中选择出的第二目标背景图；第四生成单元，用于将图片集和第二目标背景图进行融合，生成包括虚拟对象播报文本内容的视频。
作为一种可选的实施例，上述接收模块包括：采集单元，用于采集目标语音；转换单元，用于将目标语音进行文本转换，得到文本内容。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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，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5是根据本公开实施例提供的电子设备500的示意性框图。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5所示，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RAM 503中，还可存储设备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。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备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。
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，例如视频处理方法。例如，在一些实施例中，视频处理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视频处理方法的一个或多个步骤。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)而被配置为执行视频处理方法。
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。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。
在本公开实施例中，还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，计算机指令可用于使计算机执行上述任一项的视频处理方法。
在本公开实施例中，还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上述任一项的视频处理方法。
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，本发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 (13)

1.一种视频处理方法，包括：
接收文本内容和选择指令，其中，所述选择指令用于指示用来生成虚拟对象的模型；
将所述文本内容转换为语音；
基于所述文本内容和所述语音生成混合变形参数集；
采用所述混合变形参数集对所述虚拟对象的模型进行渲染，得到所述虚拟对象的图片集，并基于所述图片集生成包括所述虚拟对象播报所述文本内容的视频。
2.根据权利要求1所述的方法，其中，所述基于所述文本内容和所述语音生成混合变形参数集包括：
基于所述文本内容生成第一变形参数集，其中，所述第一变形参数集用于对所述虚拟对象的口型进行渲染；
基于所述语音生成第二变形参数集，其中，所述第二变形参数集用于对所述虚拟对象的表情进行渲染；
其中，所述混合变形参数集包括：所述第一变形参数集和所述第二变形参数集。
3.根据权利要求1所述的方法，其中，所述基于所述图片集生成包括所述虚拟对象播报所述文本内容的视频包括：
获取第一目标背景图；
将所述图片集和所述第一目标背景图进行融合，生成包括所述虚拟对象播报所述文本内容的视频。
4.根据权利要求1所述的方法，其中，所述基于所述图片集生成包括所述虚拟对象播报所述文本内容的视频包括：
获取从背景图库中选择出的第二目标背景图；
将所述图片集和所述第二目标背景图进行融合，生成包括所述虚拟对象播报所述文本内容的视频。
5.根据权利要求1至4中任一项所述的方法，其中，所述接收文本内容包括：
采集目标语音；
将所述目标语音进行文本转换，得到所述文本内容。
6.一种视频处理装置，包括：
接收模块，用于接收文本内容和选择指令，其中，所述选择指令用于指示用来生成虚拟对象的模型；
转换模块，用于将所述文本内容转换为语音；
生成模块，用于基于所述文本内容和所述语音生成混合变形参数集；
处理模块，用于采用所述混合变形参数集对所述虚拟对象的模型进行渲染，得到所述虚拟对象的图片集，并基于所述图片集生成包括所述虚拟对象播报所述文本内容的视频。
7.根据权利要求6所述的装置，其中，所述生成模块包括：
第一生成单元，用于基于所述文本内容生成第一变形参数集，其中，所述第一变形参数集用于对所述虚拟对象的口型进行渲染；
第二生成单元，用于基于所述语音生成第二变形参数集，其中，所述第二变形参数集用于对所述虚拟对象的表情进行渲染；
其中，所述混合变形参数集包括：所述第一变形参数集和所述第二变形参数集。
8.根据权利要求6所述的装置，其中，所述处理模块包括：
第一获取单元，用于获取第一目标背景图；
第三生成单元，用于将所述图片集和所述第一目标背景图进行融合，生成包括所述虚拟对象播报所述文本内容的视频。
9.根据权利要求6所述的装置，其中，所述处理模块包括：
第二获取单元，用于获取从背景图库中选择出的第二目标背景图；
第四生成单元，用于将所述图片集和所述第二目标背景图进行融合，生成包括所述虚拟对象播报所述文本内容的视频。
10.根据权利要求6至9中任一项所述的装置，其中，所述接收模块包括：
采集单元，用于采集目标语音；
转换单元，用于将所述目标语音进行文本转换，得到所述文本内容。
11.一种电子设备，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至5中任一项所述的方法。
12.一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至5中任一项所述的方法。
13.一种计算机程序产品，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至5中任一项所述的方法。
CN202111604879.7A 2021-12-24 2021-12-24 视频处理方法、装置、电子设备及计算机存储介质 Active CN114339069B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111604879.7A CN114339069B (zh) 2021-12-24 2021-12-24 视频处理方法、装置、电子设备及计算机存储介质
US17/940,183 US20230206564A1 (en) 2021-12-24 2022-09-08 Video Processing Method, Electronic Device And Non-transitory Computer-Readable Storage Medium
KR1020220182760A KR20230098068A (ko) 2021-12-24 2022-12-23 동영상 처리 방법, 장치, 전자 기기 및 컴퓨터 저장 매체
JP2022206355A JP2023095832A (ja) 2021-12-24 2022-12-23 ビデオ処理方法、装置、電子機器及びコンピュータ記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111604879.7A CN114339069B (zh) 2021-12-24 2021-12-24 视频处理方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN114339069A true CN114339069A (zh) 2022-04-12
CN114339069B CN114339069B (zh) 2024-02-02

Family

ID=81012423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111604879.7A Active CN114339069B (zh) 2021-12-24 2021-12-24 视频处理方法、装置、电子设备及计算机存储介质

Country Status (4)

Country Link
US (1) US20230206564A1 (zh)
JP (1) JP2023095832A (zh)
KR (1) KR20230098068A (zh)
CN (1) CN114339069B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置
CN116059637A (zh) * 2023-04-06 2023-05-05 广州趣丸网络科技有限公司 虚拟对象渲染方法、装置、存储介质及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110336940A (zh) * 2019-06-21 2019-10-15 深圳市茄子咔咔娱乐影像科技有限公司 一种基于双摄像头拍摄合成特效的方法和系统
CN110381266A (zh) * 2019-07-31 2019-10-25 百度在线网络技术（北京）有限公司 一种视频生成方法、装置以及终端
US10467792B1 (en) * 2017-08-24 2019-11-05 Amazon Technologies, Inc. Simulating communication expressions using virtual objects
CN110941954A (zh) * 2019-12-04 2020-03-31 深圳追一科技有限公司 文本播报方法、装置、电子设备及存储介质
CN112100352A (zh) * 2020-09-14 2020-12-18 北京百度网讯科技有限公司 与虚拟对象的对话方法、装置、客户端及存储介质
CN112650831A (zh) * 2020-12-11 2021-04-13 北京大米科技有限公司 虚拟形象生成方法、装置、存储介质及电子设备
CN113380269A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 视频图像生成方法、装置、设备、介质和计算机程序产品

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467792B1 (en) * 2017-08-24 2019-11-05 Amazon Technologies, Inc. Simulating communication expressions using virtual objects
CN110336940A (zh) * 2019-06-21 2019-10-15 深圳市茄子咔咔娱乐影像科技有限公司 一种基于双摄像头拍摄合成特效的方法和系统
CN110381266A (zh) * 2019-07-31 2019-10-25 百度在线网络技术（北京）有限公司 一种视频生成方法、装置以及终端
CN110941954A (zh) * 2019-12-04 2020-03-31 深圳追一科技有限公司 文本播报方法、装置、电子设备及存储介质
CN112100352A (zh) * 2020-09-14 2020-12-18 北京百度网讯科技有限公司 与虚拟对象的对话方法、装置、客户端及存储介质
CN112650831A (zh) * 2020-12-11 2021-04-13 北京大米科技有限公司 虚拟形象生成方法、装置、存储介质及电子设备
CN113380269A (zh) * 2021-06-08 2021-09-10 北京百度网讯科技有限公司 视频图像生成方法、装置、设备、介质和计算机程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置
CN116059637A (zh) * 2023-04-06 2023-05-05 广州趣丸网络科技有限公司 虚拟对象渲染方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
KR20230098068A (ko) 2023-07-03
CN114339069B (zh) 2024-02-02
US20230206564A1 (en) 2023-06-29
JP2023095832A (ja) 2023-07-06

Similar Documents

Publication Publication Date Title
US11158102B2 (en) Method and apparatus for processing information
CN111669623B (zh) 视频特效的处理方法、装置以及电子设备
CN111599343B (zh) 用于生成音频的方法、装置、设备和介质
CN111899322B (zh) 视频处理方法、动画渲染sdk和设备及计算机存储介质
US20030149569A1 (en) Character animation
CN114339069A (zh) 视频处理方法、装置、电子设备及计算机存储介质
CN110602516A (zh) 基于视频直播的信息交互方法、装置及电子设备
JP2023552854A (ja) ヒューマンコンピュータインタラクション方法、装置、システム、電子機器、コンピュータ可読媒体及びプログラム
EP2747464A1 (en) Sent message playing method, system and related device
CN116168134B (zh) 数字人的控制方法、装置、电子设备以及存储介质
CN114466222A (zh) 一种视频合成方法、装置、电子设备及存储介质
CN108241597A (zh) 一种演示文稿的制作方法和装置
CN115942039B (zh) 视频生成方法、装置、电子设备和存储介质
WO2024174414A1 (zh) 视频合成方法、装置、存储介质和电子设备
CN111739510A (zh) 信息处理方法、装置、车辆和计算机存储介质
CN112017261A (zh) 贴纸生成方法、装置、电子设备及计算机可读存储介质
CN116957669A (zh) 广告生成方法、装置、计算机可读介质及电子设备
CN113923477A (zh) 视频处理方法、装置、电子设备以及存储介质
CN114339074A (zh) 解说视频生成方法、装置、计算机设备及存储介质
CN115619923B (zh) 用于虚拟对象的渲染方法、装置、电子设备以及存储介质
CN118377882B (zh) 陪伴式智能对话方法及电子设备
WO2020167304A1 (en) Real-time lip synchronization animation
CN118172496B (zh) 一种三维重建方法、系统、介质、设备及程序产品
CN114051105B (zh) 多媒体数据处理方法、装置、电子设备及存储介质
CN112383722B (zh) 用于生成视频的方法和装置

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