CN114422849A - 视频生成方法、装置、电子设备以及存储介质 - Google Patents
视频生成方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114422849A CN114422849A CN202210063402.0A CN202210063402A CN114422849A CN 114422849 A CN114422849 A CN 114422849A CN 202210063402 A CN202210063402 A CN 202210063402A CN 114422849 A CN114422849 A CN 114422849A
- Authority
- CN
- China
- Prior art keywords
- data
- video frame
- frame sequence
- playing
- audio data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009877 rendering Methods 0.000 claims abstract description 13
- 230000000903 blocking effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04N21/44—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
-
- 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
- H04N21/4302—Content synchronisation processes, e.g. decoder synchronisation
- H04N21/4307—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen
- H04N21/43072—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen of multiple content streams on the same device
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了一种视频生成方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域。具体实现方案为：确定目标数据中的音频数据和视频帧序列数据，目标数据为已标记了播放标识的数据，视频帧序列数据包括与音频数据相匹配的虚拟形象的视频帧序列数据；以及对视频帧序列数据进行渲染，得到渲染后的视频帧序列数据，以便基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉技术领域。具体涉及视频生成方法、装置、电子设备、存储介质以及程序产品。
背景技术
随着互联网、三维(3-Dimensional)、增强现实(Augmented Reality)、虚拟现实(Virtual Reality)和元宇宙等技术的飞速发展，虚拟形象在游戏、虚拟社交、互动营销等方面的应用越来越广泛。
发明内容
本公开提供了一种视频生成方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种视频生成方法，包括：确定目标数据中的音频数据和视频帧序列数据，其中，所述目标数据为已标记了播放标识的数据，所述视频帧序列数据包括与所述音频数据相匹配的虚拟形象的视频帧序列数据；以及对所述视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
根据本公开的另一方面，提供了一种视频生成装置，包括：确定模块，用于确定目标数据中的音频数据和视频帧序列数据，其中，所述目标数据为已标记了播放标识的数据，所述视频帧序列数据包括与所述音频数据相匹配的虚拟形象的视频帧序列数据；以及渲染模块，用于对所述视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
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如本公开的方法。
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如本公开的方法。
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，所述计算机程序在被处理器执行时实现如本公开的方法。
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示意性示出了根据本公开实施例的应用视频生成方法及装置的应用场景图；
图2示意性示出了根据本公开实施例的视频生成方法的流程图；
图3示意性示出了根据本公开另一实施例的视频生成方法的流程图；
图4示意性示出了根据本公开实施例的视频生成装置的框图；以及
图5示意性示出了根据本公开实施例的适于实现视频生成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。
本公开提供了一种视频生成方法、装置、电子设备、存储介质以及程序产品。
根据本公开的实施例，视频生成方法可以包括：确定目标数据中的音频数据和视频帧序列数据，其中，目标数据为已标记了播放标识的数据，视频帧序列数据包括与音频数据相匹配的虚拟形象的视频帧序列数据；以及对视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示意性示出了根据本公开实施例的可以应用视频生成方法及装置的应用场景图。
需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的应用场景100，用户110可以向终端设备120发出语音指令来控制终端设备120的操作。例如，在终端设备120是智能音箱的情况下，语音指令可以是“播放某歌手的歌曲”。终端设备120可以在播放歌曲之前，在显示屏121上展示反馈视频。反馈视频可以包括虚拟形象(例如数字人的画面)以及反馈语音。例如，终端设备120可以在确定音频数据和视频帧序列数据后，对视频帧序列数据进行渲染，得到渲染后视频帧序列数据。基于播放标识，同步播放包括反馈语音的音频数据和包括虚拟形象例如数字人的渲染后视频帧序列数据。例如，在显示屏121上展示一个虚拟形象，该虚拟形象的右手抬起，并播报“马上为您带来某歌手的歌曲，请欣赏”的反馈视频。
终端设备120可以具有声音采集器122，例如麦克风，来采集用户的语音指令。终端设备120同时还可以具有声音播放器123，例如扬声器，来播放终端设备120发出的声音。
终端设备120可以是任何能够通过语音信号进行交互的电子设备。终端设备120可以包括但不限于智能手机、平板电脑、膝上型便携计算机、智能音箱、车载音箱、智能穿戴设备、智能家教机和智能机器人等等。终端设备120也可以是安装有视频播放应用的任何其他电子设备。
需要说明的是，本公开实施例所提供的视频生成方法一般可以由终端设备120执行。相应地，本公开实施例所提供的视频生成装置也可以设置于终端设备120中。
终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的视频生成方法及装置。
应该理解，图1中的终端设备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。
应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的视频生成方法的流程图。
如图2所示，该方法包括操作S210～S220。
在操作S210，确定目标数据中的音频数据和视频帧序列数据，其中，目标数据为已标记了播放标识的数据，视频帧序列数据包括与音频数据相匹配的虚拟形象的视频帧序列数据。
在操作S220，对视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
根据本公开的实施例，音频数据可以包括与播报内容相对应的语音数据，例如，新闻、天气预报、比赛解说等播报类场景中的播报内容。但是并不局限于此。音频数据还可以包括智能交互场景下的语音数据，例如，针对用户输入的语音指令生成的用于响应的语音数据。
根据本公开的实施例，音频数据可以来自服务器，但是并不局限于此，音频数据还可以来自终端设备。
根据本公开的实施例，可以为音频数据匹配例如包括虚拟形象的视频帧序列数据，形成动态画面，以使得交互更为生动、形象。
根据本公开的实施例，与音频数据相匹配的虚拟形象的视频帧序列数据可以是虚拟形象的唇形、肢体动作等与音频数据相匹配的视频帧序列数据。例如，如果音频数据中出现笑声，则在与音频数据相对应的时间点或者时间段，视频帧序列数据中的虚拟形象的唇形可以是张嘴大笑的口型。与音频数据相匹配的虚拟形象的视频帧序列数据可以是利用具有虚拟形象的模板图像、与音频数据对应的肢体数据和唇形数据合成的。
根据本公开的实施例，可以直接基于视频帧序列数据与音频数据，生成待播放的视频数据，例如编码为MP4格式的视频数据，将视频数据传送至播放器，利用播放器对视频数据进行解码，进而利用播放器对解码后的视频数据进行渲染并播放。
根据本公开的其它实施例，可以直接从目标数据中确定视频帧序列数据和音频数据，对视频帧序列数据进行渲染，得到渲染后视频帧序列数据。以便基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
利用本公开实施例提供的视频生成方法，在终端设备上直接实时渲染视频帧序列数据，得到渲染后视频帧序列数据，可以避免进行编码、解码的操作，例如避免执行基于音频数据和视频帧序列数据，生成待播放的视频数据的操作。进而提高在终端设备上生成视频数据的效率以及降低终端设备的内耗，由此提高视频播放的及时性和稳定性。
图3示意性示出了根据本公开另一实施例的视频生成方法的流程图。
如图3所示，可以利用线程控制器来控制数据生产线程，利用数据生产线程来利用播放标识标记初始音频数据310和与初始音频数据310相匹配的初始视频帧序列数据320，得到目标数据330。
根据本公开的实施例，播放标识可以是时间戳，但是并不局限于此，还可以是其它类型的用于标记播放顺序的标识。
如图3所示，可以利用数据生成线程来将目标数据330添加至阻塞队列340中。
根据本公开的实施例，可以将音频数据和与音频数据相匹配的视频帧序列数据封装，成为目标数据，添加至阻塞队列中。但是并不局限于此。还可以直接将已标记了播放标识的音频数据和与音频数据相匹配的视频帧序列数据添加至阻塞队列中。可以根据播放标识，从多个视频帧序列数据中确定与音频数据相匹配的视频帧序列数据。
根据本公开的实施例，可以利用阻塞队列来作为缓存区，对目标数据进行缓存，但是并不局限于此，还可以利用其他类型的队列来作为缓存区，只要是能够缓存目标数据即可。
根据本公开的可选实施例，利用阻塞队列来作为缓存区，可以保证队列中缓存的数据例如视频帧序列数据不超过预定数据量阈值，保证终端设备的内存稳定。
例如，在已添加至阻塞队列中的数据的数据量小于预定数据量阈值的情况下，将目标数据添加至阻塞队列中。在已添加至阻塞队列中的数据的数据量等于预定数据量阈值的情况下，停止将目标数据添加至阻塞队列中。
根据本公开的实施例，已添加至阻塞队列中的数据的数据量可以是指视频帧序列数据的数据量，但是并不局限于此，还可以是指音频数据的数据量，也可以是指视频帧序列数据的数据量和音频数据的数据量的总和。例如，已添加至阻塞队列中的数据的数据量可以是指视频帧序列数据的数据量，设置预定数据量阈值为60帧图像。则在已添加至阻塞队列中的视频帧序列数据的帧数小于60的情况下，可以将目标数据添加至阻塞队列中，在已添加至阻塞队列中的视频帧序列数据的帧数等于60的情况下，开启阻塞队列的阻塞功能，向阻塞队列中添加目标数据的操作将会被阻塞。即，生产目标数据的数据生产线程被停止操作。由此满足保证线程安全。
如图3所示，可以通过线程控制器控制按照预定提取频率，从阻塞队列340提取目标数据330。确定目标数据330中的音频数据310’和视频帧序列数据320’。对视频帧序列数据320’进行渲染，得到渲染后视频帧序列数据350。以便基于播放标识，同步播放音频数据310’和渲染后视频帧序列数据350。
根据本公开的实施例，可以利用线程控制器控制数据消费线程，以实现按照预定提取频率，从阻塞队列340提取目标数据330，进而与后续对视频帧序列数据320’进行渲染的渲染频率相匹配，实现实时生成视频帧序列数据、实时播放渲染后视频帧序列数据。
根据本公开的实施例，初始视频帧序列数据可以通过如下方式生成。
例如，基于初始音频数据，确定与初始音频数据相匹配的动作数据。将动作数据与包括虚拟形象的模板图像相融合，得到初始视频帧序列数据。
根据本公开的实施例，虚拟形象(Virtual Character)可以是指合成的形像。从虚拟形象的结构来说，虚拟形象可以是三维模型的形象，也可以是平面图像的形象。从虚拟形象的类型来说，虚拟形象可以是模拟人物形象来形成的虚拟形象，也可以是模拟动物形象来形成的虚拟形象，还可以是基于卡通、漫画中的形象来形成的虚拟形象。
根据本公开的实施例，动作数据可以包括肢体数据，但是并不局限于此，动作数据还可以包括唇形数据、表情数据、头部数据中的一种或多种。肢体数据可以包括例如虚拟形象的四肢动作数据。唇形数据可以包括例如虚拟形象的唇形动作数据。表情数据可以包括例如虚拟形象的面部除唇部以外的区域的动作数据，例如眼睛、眉毛、下巴等部位的动作数据。头部数据可以包括例如虚拟形象的头部姿态数据。
根据本公开的实施例，可以基于初始音频数据，确定初始音频数据中的情绪信息，例如欢快、悲伤、严肃等。基于情绪信息，来确定与初始音频数据表达的情绪信息相匹配的动作数据。但是并不局限于此。还可以按照用户预定的风格匹配肢体数据，按照初始音频数据匹配唇形数据。将肢体数据、唇形数据与模板图像进行融合，得到初始视频帧序列数据。
根据本公开的实施例，可以根据初始音频数据的数据量大小来确定是否进行切分。例如，初始音频数据为一句话，或者初始音频数据的时长为50ms。则可以不进行切分，直接确定与初始音频数据相匹配的动作数据。但是在初始音频数据的数据量大于预设时长阈值的情况下，可以切分初始音频数据，得到多个子初始音频数据，确定与子初始音频数据相匹配的动作数据。
根据本公开的实施例，可以基于初始音频数据的数据量来确定是否对初始音频数据进行切分，以此来降低确定动作数据的难度，进而提高处理效率和处理准确性。
根据本公开的实施例，从阻塞队列中提取到目标数据后，可以执行S210操作。
根据本公开的实施例，可以根据数据类型确定目标数据中的音频数据和视频帧序列数据。
根据本公开的实施例，可以根据数据类型对目标数据进行区分，例如，音频数据的数据类型为音频流，视频帧序列数据的数据类型为视频流。但是并不局限于此。还可以根据数据格式对目标数据进行区分。只要是能够区分目标数据中的音频数据和视频帧序列数据即可。
根据本公开的实施例，在操作S220，对视频帧序列数据进行渲染，得到渲染后视频帧序列数据后，可以执行基于播放标识，同步播放音频数据和渲染后视频帧序列数据的操作。
例如，以双线程的方式，基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
根据本公开的实施例，以双线程的方式，基于播放标识，同步播放音频数据和渲染后视频帧序列数据，可以直接利用线程控制器来控制，更能体现在终端设备上生产数据、消费数据的概念，避免了因在服务器与终端设备之间传输压缩后的数据，而导致的需要对音频数据和视频帧序列数据进行编码的操作。
根据本公开的实施例，数据消费线程还可以包括两条子线程，例如图像线程和音频线程。利用音频线程播放音频数据。以及利用图像线程，基于播放标识，同步播放与音频数据相匹配的渲染后视频帧序列数据。
根据本公开的其他实施例，可以利用图像线程，对视频帧序列数据进行渲染，得到渲染后视频帧序列数据。以及利用图像线程，基于播放标识，同步播放与音频数据相匹配的渲染后视频帧序列数据。
例如，可以将视频帧序列数据交给图像线程处理，音频数据交给音频线程处理，保证渲染后视频帧序列数据通过时间戳来控制与音频数据播放同步。音频数据播放开始时间为0，在音频数据播放开始后的40ms、80ms、120ms等每隔40ms播放与时间戳相匹配的渲染后视频帧序列数据以及音频数据，从而实现满足终端设备的虚拟形象的视频播放。
利用本公开实施例提供的视频生成方法，将阻塞队列与线程控制器相结合，来控制数据消费线程的提取频率以及数据生产线程的生成频率。此外，再与后续的音频数据以及与音频数据相匹配的渲染后视频帧序列数据的双线程播放方式相结合，能够在终端设备上实现实时生产视频数据、实时播放视频数据，避免对音频数据和视频帧序列数据进行编码、解码的过程，进而使得设备终端的视频生成、视频播放的稳定性以及实时性得到提高。
图4示意性示出了根据本公开实施例的视频生成装置的框图。
如图4所示，视频生成装置400可以包括确定模块410以及渲染模块420。
确定模块410，用于确定目标数据中的音频数据和视频帧序列数据，目标数据为已标记了播放标识的数据，视频帧序列数据包括与音频数据相匹配的虚拟形象的视频帧序列数据。
渲染模块420，用于对视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
根据本公开的实施例，视频生成装置还可以包括播放模块。
播放模块，用于以双线程的方式，基于播放标识，同步播放音频数据和渲染后视频帧序列数据。
根据本公开的实施例，播放模块可以包括音频处理单元、图像处理单元。
音频处理单元，用于利用音频线程播放音频数据。
图像处理单元，用于利用图像线程，基于播放标识，同步播放与音频数据相匹配的渲染后视频帧序列数据。
根据本公开的实施例，视频生成装置还可以包括提取模块。
提取模块，用于按照预定提取频率，从阻塞队列提取目标数据，以便根据数据类型确定目标数据中的音频数据和视频帧序列数据。
根据本公开的实施例，视频生成装置还可以包括标记模块、添加模块。
标记模块，用于利用播放标识标记初始音频数据和与初始音频数据相匹配的初始视频帧序列数据，得到目标数据。
添加模块，用于将目标数据添加至阻塞队列中，以便按照预定提取频率，从阻塞队列提取目标数据。
根据本公开的实施例，添加模块可以包括第一添加单元、第二添加单元。
第一添加单元，用于在已添加至阻塞队列中的数据的数据量小于预定数据量阈值的情况下，将目标数据添加至阻塞队列中。
第二添加单元，用于在已添加至阻塞队列中的数据的数据量等于预定数据量阈值的情况下，停止将目标数据添加至阻塞队列中。
根据本公开的实施例，视频生成装置还可以包括匹配模块、融合模块。
匹配模块，用于基于初始音频数据，确定与初始音频数据相匹配的动作数据。
融合模块，用于将动作数据与模板图像相融合，得到初始视频帧序列数据，其中，模板图像包括虚拟形象。
根据本公开的实施例，动作数据包括以下至少一项：肢体数据、唇形数据、表情数据、头部数据。
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。
根据本公开的实施例，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如本公开实施例的方法。
根据本公开的实施例，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本公开实施例的方法。
根据本公开的实施例，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本公开实施例的方法。
图5示出了可以用来实施本公开的实施例的示例电子设备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，例如视频生成方法。例如，在一些实施例中，视频生成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生成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生成方法。
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)、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，也可以是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 (19)
1.一种视频生成方法，包括：
确定目标数据中的音频数据和视频帧序列数据，其中，所述目标数据为已标记了播放标识的数据，所述视频帧序列数据包括与所述音频数据相匹配的虚拟形象的视频帧序列数据；以及
对所述视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
2.根据权利要求1所述的方法，还包括：
以双线程的方式，基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
3.根据权利要求2所述的方法，其中，所述以双线程方式，基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据包括：
利用音频线程播放所述音频数据；以及
利用图像线程，基于所述播放标识，同步播放与所述音频数据相匹配的所述渲染后视频帧序列数据。
4.根据权利要求1至3中任一项所述的方法，还包括：
按照预定提取频率，从阻塞队列提取所述目标数据，以便根据数据类型确定所述目标数据中的所述音频数据和所述视频帧序列数据。
5.根据权利要求1至4中任一项所述的方法，还包括：
利用播放标识标记初始音频数据和与所述初始音频数据相匹配的初始视频帧序列数据，得到所述目标数据；以及
将所述目标数据添加至所述阻塞队列中，以便按照所述预定提取频率，从所述阻塞队列提取所述目标数据。
6.根据权利要求5所述的方法，其中，所述将所述目标数据添加至所述阻塞队列中包括：
在已添加至所述阻塞队列中的数据的数据量小于预定数据量阈值的情况下，将所述目标数据添加至所述阻塞队列中；以及
在已添加至所述阻塞队列中的数据的数据量等于预定数据量阈值的情况下，停止将所述目标数据添加至所述阻塞队列中。
7.根据权利要求5或6所述的方法，还包括：
基于所述初始音频数据，确定与所述初始音频数据相匹配的动作数据；以及
将所述动作数据与模板图像相融合，得到所述初始视频帧序列数据，其中，所述模板图像包括所述虚拟形象。
8.根据权利要求7所述的方法，其中，所述动作数据包括以下至少一项：肢体数据、唇形数据、表情数据、头部数据。
9.一种视频生成装置，包括：
确定模块，用于确定目标数据中的音频数据和视频帧序列数据，其中，所述目标数据为已标记了播放标识的数据，所述视频帧序列数据包括与所述音频数据相匹配的虚拟形象的视频帧序列数据；以及
渲染模块，用于对所述视频帧序列数据进行渲染，得到渲染后视频帧序列数据，以便基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
10.根据权利要求9所述的装置，还包括：
播放模块，用于以双线程的方式，基于所述播放标识，同步播放所述音频数据和所述渲染后视频帧序列数据。
11.根据权利要求10所述的装置，其中，所述播放模块包括：
音频处理单元，用于利用音频线程播放所述音频数据；以及
图像处理单元，用于利用图像线程，基于所述播放标识，同步播放与所述音频数据相匹配的所述渲染后视频帧序列数据。
12.根据权利要求9至11中任一项所述的装置，还包括：
提取模块，用于按照预定提取频率，从阻塞队列提取所述目标数据，以便根据数据类型确定所述目标数据中的所述音频数据和所述视频帧序列数据。
13.根据权利要求9至12中任一项所述的装置，还包括：
标记模块，用于利用播放标识标记所述初始音频数据和与所述初始音频数据相匹配的初始视频帧序列数据，得到所述目标数据；以及
添加模块，用于将所述目标数据添加至所述阻塞队列中，以便按照所述预定提取频率，从所述阻塞队列提取所述目标数据。
14.根据权利要求13所述的装置，其中，所述添加模块包括：
第一添加单元，用于在已添加至所述阻塞队列中的数据的数据量小于预定数据量阈值的情况下，将所述目标数据添加至所述阻塞队列中；以及
第二添加单元，用于在已添加至所述阻塞队列中的数据的数据量等于预定数据量阈值的情况下，停止将所述目标数据添加至所述阻塞队列中。
15.根据权利要求9至14中任一项所述的装置，还包括：
匹配模块，用于基于所述初始音频数据，确定与所述初始音频数据相匹配的动作数据；以及
融合模块，用于将所述动作数据与模板图像相融合，得到所述初始视频帧序列数据，其中，所述模板图像包括所述虚拟形象。
16.根据权利要求15所述的装置，其中，所述动作数据包括以下至少一项：肢体数据、唇形数据、表情数据、头部数据。
17.一种电子设备，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8中任一项所述的方法。
18.一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8中任一项所述的方法。
19.一种计算机程序产品，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8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063402.0A CN114422849A (zh) | 2022-01-19 | 2022-01-19 | 视频生成方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063402.0A CN114422849A (zh) | 2022-01-19 | 2022-01-19 | 视频生成方法、装置、电子设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114422849A true CN114422849A (zh) | 2022-04-29 |
Family
ID=81275927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210063402.0A Pending CN114422849A (zh) | 2022-01-19 | 2022-01-19 | 视频生成方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114422849A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115942035A (zh) * | 2022-12-07 | 2023-04-07 | 北京百度网讯科技有限公司 | 音视频播放方法、装置、系统、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287403A1 (en) * | 2014-04-07 | 2015-10-08 | Neta Holzer Zaslansky | Device, system, and method of automatically generating an animated content-item |
| CN111383642A (zh) * | 2018-12-27 | 2020-07-07 | Tcl集团股份有限公司 | 基于神经网络的语音应答方法、存储介质以终端设备 |
| CN112233210A (zh) * | 2020-09-14 | 2021-01-15 | 北京百度网讯科技有限公司 | 生成虚拟人物视频的方法、装置、设备和计算机存储介质 |
| CN112383771A (zh) * | 2020-11-11 | 2021-02-19 | 中国传媒大学 | Ip化视频制播系统中音视频监测方法 |
| 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 |
| CN113901190A (zh) * | 2021-10-18 | 2022-01-07 | 深圳追一科技有限公司 | 基于数字人的人机交互方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-19 CN CN202210063402.0A patent/CN114422849A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287403A1 (en) * | 2014-04-07 | 2015-10-08 | Neta Holzer Zaslansky | Device, system, and method of automatically generating an animated content-item |
| CN111383642A (zh) * | 2018-12-27 | 2020-07-07 | Tcl集团股份有限公司 | 基于神经网络的语音应答方法、存储介质以终端设备 |
| CN112233210A (zh) * | 2020-09-14 | 2021-01-15 | 北京百度网讯科技有限公司 | 生成虚拟人物视频的方法、装置、设备和计算机存储介质 |
| CN112383771A (zh) * | 2020-11-11 | 2021-02-19 | 中国传媒大学 | Ip化视频制播系统中音视频监测方法 |
| 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 |
| CN113901190A (zh) * | 2021-10-18 | 2022-01-07 | 深圳追一科技有限公司 | 基于数字人的人机交互方法、装置、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115942035A (zh) * | 2022-12-07 | 2023-04-07 | 北京百度网讯科技有限公司 | 音视频播放方法、装置、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423809B (zh) | 应用于视频直播平台的虚拟机器人多模态交互方法和系统 | |
| CN112543342B (zh) | 虚拟视频直播处理方法及装置、存储介质、电子设备 | |
| US20220263934A1 (en) | Call control method and related product | |
| US11257293B2 (en) | Augmented reality method and device fusing image-based target state data and sound-based target state data | |
| CN112669417B (zh) | 虚拟形象的生成方法、装置、存储介质及电子设备 | |
| US20230047858A1 (en) | Method, apparatus, electronic device, computer-readable storage medium, and computer program product for video communication | |
| US11451858B2 (en) | Method and system of processing information flow and method of displaying comment information | |
| CN112333179A (zh) | 虚拟视频的直播方法、装置、设备及可读存储介质 | |
| CN112233210A (zh) | 生成虚拟人物视频的方法、装置、设备和计算机存储介质 | |
| CN111491208B (zh) | 视频处理方法、装置、电子设备及计算机可读介质 | |
| CN114895817B (zh) | 交互信息处理方法、网络模型的训练方法及装置 | |
| CN112652041B (zh) | 虚拟形象的生成方法、装置、存储介质及电子设备 | |
| CN113536007A (zh) | 一种虚拟形象生成方法、装置、设备以及存储介质 | |
| CN112668407A (zh) | 人脸关键点生成方法、装置、存储介质及电子设备 | |
| JP2023059937A (ja) | データインタラクション方法、装置、電子機器、記憶媒体、および、プログラム | |
| CN114610158B (zh) | 数据处理方法及装置、电子设备、存储介质 | |
| CN114760425A (zh) | 数字人生成方法、装置、计算机设备和存储介质 | |
| CN113691864A (zh) | 视频剪辑方法、装置、电子设备和可读存储介质 | |
| CN114222076A (zh) | 一种换脸视频生成方法、装置、设备以及存储介质 | |
| CN114422849A (zh) | 视频生成方法、装置、电子设备以及存储介质 | |
| WO2020042442A1 (zh) | 表情包生成方法及装置 | |
| CN116166125B (zh) | 虚拟形象构建方法、装置、设备和存储介质 | |
| CN112668408A (zh) | 人脸关键点生成方法、装置、存储介质及电子设备 | |
| EP4152269A1 (en) | Method and apparatus of generating 3d video, method and apparatus of training model, device, and medium | |
| WO2022116709A1 (zh) | 音频播放方法、装置、头戴显示设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220429 |