CN114449341A - 音频处理方法、装置、可读介质及电子设备 - Google Patents
音频处理方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN114449341A CN114449341A CN202210032648.1A CN202210032648A CN114449341A CN 114449341 A CN114449341 A CN 114449341A CN 202210032648 A CN202210032648 A CN 202210032648A CN 114449341 A CN114449341 A CN 114449341A
- Authority
- CN
- China
- Prior art keywords
- audio data
- video
- audio
- target
- 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
Links
- 238000003672 processing method Methods 0.000 title abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 58
- 230000001960 triggered effect Effects 0.000 claims abstract description 25
- 230000001360 synchronised effect Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 74
- 238000000605 extraction Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 51
- 238000005316 response function Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 230000000873 masking effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005562 fading Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition 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
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/4302—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
- H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本公开涉及一种音频处理方法、装置、可读介质及电子设备，包括：在预设条件被触发时，获取显示画面中所显示的目标视频画面和与目标视频画面对应的原始音频数据；提取目标视频画面中的视频特征向量；根据原始音频数据和视频特征向量，提取目标视频画面中的所有发声对象在原始音频数据中对应的目标音频数据；将目标音频数据作为目标视频画面对应的同步音频进行播放。这样，提取得到的目标音频数据会聚焦于该目标视频画面中所包括的发声对象对应的音频，无论用户如何调整该目标视频画面，都能够实现在聚焦任意位置的视频画面时，同时提取视频画面中包括的发声对象的声音，实现视频和音频的同时聚焦。
Description
技术领域
本公开涉音频处理技术领域，具体地，涉及一种音频处理方法、装置、可读介质及电子设备。
背景技术
在观看视频或音视频通话的过程中，经常会有一些放大视频的局部细节的需求。但通常仅能对视频画面进行放大缩小等调节，视频对应的音频数据无法随着视频画面的调整而相应进行聚焦。例如，当期望放大的细节是正在说话的人或其他发声的物体时，如果能够提取和放大这些发声部分所发出的声音，会非常有助于人们对所聚焦部分视频信息的理解。
发明内容
提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种音频处理方法，所述方法包括：
在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；
提取所述目标视频画面中的视频特征向量；
根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；
将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
第二方面，本公开提供一种音频处理装置，所述装置包括：
获取模块，用于在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；
第一处理模块，用于提取所述目标视频画面中的视频特征向量；
第二处理模块，用于根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；
播放模块，用于将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述实施例中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现第一方面所述实施例中所述方法的步骤。
通过上述技术方案，由于该目标视频画面为当前显示画面中正在显示的内容，其与原始视频的原始视频画面的内容相比，包括在画面中的发声对象的种类和个数可能会出现不同的情况。因此，在将当前显示画面中显示的目标视频画面的视频特征向量提取出来，并基于该视频特征向量将原始音频数据中与该目标视频画面对应的目标音频数据提取出来之后，该目标音频数据会聚焦于该目标视频画面中所包括的发声对象对应的音频，将该目标音频数据作为该目标视频画面对应的同步音频进行播放，则可以实现在放大显示画面中所显示的视频画面时，能够同时提取该显示画面中实时显示的视频画面中所包括的发声对象的声音，从而提高用户对视频的观看体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种音频处理方法的流程图。
图2是根据本公开一示例性实施例示出的一种音频处理方法中视频特征信息提取模型的结构框图。
图3是根据本公开又一示例性实施例示出的一种音频处理方法中音频提取模型的结构示意图。
图4示出了根据本公开又一示例性实施例示出的一种音频处理方法的流程图。
图5是根据本公开又一示例性实施例示出的一种音频处理方法的流程图。
图6是根据本公开一示例性实施例示出的一种音频处理方法中模型训练数据的获取方法的流程图。
图7是根据本公开一示例性实施例示出的一种音频处理方法中麦克风阵列的位姿的示意图。
图8是根据本公开又一示例性实施例示出的一种音频处理方法中模型训练数据的获取方法的流程图。
图9是根据本公开一示例性实施例示出的一种音频处理装置的结构框图。
图10示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开一示例性实施例示出的一种音频处理方法的流程图。如图1所示，所述方法包括步骤101至步骤104。
在步骤101中，在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据。
所述预设条件被触发可以包括：若所述显示画面中所显示的当前视频画面大小不为原始视频对应的原始视频画面大小，则判定所述预设条件被触发。其中，出现显示画面中所显示的当前视频画面大小不与原始视频对应的原始视频画面大小的情况可能是，用户对当前显示的视频画面进行了放大。具体的，用户所进行的放大视频画面或缩小视频画面的操作都可能会使得视频画面不能全幅显示，例如用户可能先将视频放大3倍，然后将视频缩小至放大2倍的画面状态，此时无论哪个操作，操作结束后的显示画面中显示的视频画面大小相对于原始视频对应的原始视频画面大小都是处于视频放大状态的，都不为原始视频对应的原始视频画面大小。此时，可以便可以对当前显示画面中实时显示的目标视频画面进行获取，并触发对该目标视频画面中所存在的发声对象所对应的目标音频数据的提取。
另外，该预设条件被触发还可以包括：接收到目标指令时，判定该预设条件被触发。该目标指令可以是由其他的模块或终端设备等任意指令发送方所发送，该指令发送方可以根据实际需求设定发送该目标指令的条件。例如，该指令发送方可以将上述条件“所述显示画面中所显示的当前视频画面大小不为原始视频对应的原始视频画面大小”作为发送该目标指令的条件，或者，为了避免频繁发送该目标指令，可以在所述显示画面中所显示的当前视频画面大小为原始视频对应的原始视频画面大小放大2倍及以上倍数的情况下，再发送该目标指令。本公开中不对该目标指令发送的具体条件进行限定，可以根据实际应用需求进行相应设置，只要能够在接收到该目标指令的情况下，判定为该预设条件被触发，并触发对当前显示画面中实时显示的目标视频画面中所存在的发声对象所对应的目标音频数据的提取即可。
该显示画面中所显示目标视频画面也即可以为原始视频对应的原始视频画面被放大之后的视频画面，具体的，该目标视频画面在原始视频画面中的位置可以为任意位置，其中既可以包括正在发声的任意物体，也可以不包括任何正在发声的物体。也即，在判断上述预设条件是否被触发时，无论是直接根据该显示画面中所显示的当前视频画面大小与原始视频对应的原始视频画面大小之间的比较来确定，还是通过是否接收到该目标指令来确定，其本质上都只需参考显示画面中所显示的当前视频画面大小和原始视频对应的原始视频画面大小之间的大小关系，而无需考虑当前显示画面中所显示的该当前视频画面中是否包括任何发声对象。
与所述目标视频画面对应的原始音频数据也即没有经过音频提取的、该目标视频画面所在的原始视频画面所对应的原始视频的视频音频，直接根据该原始视频获取即可。
在步骤102中，提取所述目标视频画面中的视频特征向量。
提取该视频特征向量的方法可以通过任意机器学习方法来实现。
在一种可能的实施方式中，所述提取所述目标视频画面中的视频特征向量包括：通过视频特征提取模型提取所述目标视频画面中的视频特征向量，并将所述视频特征向量输入音频提取模型中。
该视频特征信息提取模型是预先训练好的，可以是以卷积网络为核心的模型。该视频特征信息提取模型的输入为视频流，也即该目标视频画面可以直接作为该视频特征信息提取模型的输入，输出为预设维度的视频特征向量，也即该目标视频画面中的视频特征向量，该预设维度优选为256维。该视频特征信息提取模型的网络结构可以包括如图2所示的1个conv4d卷积层11，1个的Resnet18网络12，一个平均池化层13，以及1层输出维度为该预设维度的全连接层14。
在步骤103中，根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据。提取该目标音频数据的方法也可以通过任意机器学习的方法来实现，只要是通过该原始音频数据和视频特征向量来实现对该目标音频数据的提取即可。
在一种可能的实施方式中，所述根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据，包括：根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据。
其中，该音频提取模型也可以是预先训练好的。该音频提取模型的输入输出均为时域的音频数据，也即，该原始音频数据可以直接作为该音频提取模型的输入，该音频提取模型的输出也即直接为该目标音频数据。该音频提取模型会根据视频特征提取模型提取得到的给目标视频画面中的视频特征向量，来确定该原始音频数据中与该目标视频画面的内容相关的目标音频数据。本申请中对该音频提取模型的构建不进行限定，该视频特征提取模型提取得到的视频特征向量可以根据该音频提取模型的构建来相应输入该音频提取模型中，只要能够实现上述根据视频特征提取模型提取得到的给目标视频画面中的视频特征向量，来确定该原始音频数据中与该目标视频画面的内容相关的目标音频数据的步骤即可。
本申请中的发声对象既可以包括任意能够发声的物体，例如音响、收音机等，也可以包括任意能够发声的生物，例如人、动物等。
在步骤104中，将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
通过上述技术方案，由于该目标视频画面为当前显示画面中正在显示的内容，其与原始视频的原始视频画面的内容相比，包括在画面中的发声对象的种类和个数可能会出现不同的情况。因此，在将当前显示画面中显示的目标视频画面的视频特征向量提取出来，并基于该视频特征向量将原始音频数据中与该目标视频画面对应的目标音频数据提取出来之后，该目标音频数据会聚焦于该目标视频画面中所包括的发声对象对应的音频，将该目标音频数据作为该目标视频画面对应的同步音频进行播放，则可以实现在放大显示画面中所显示的视频画面时，能够同时提取该显示画面中实时显示的视频画面中所包括的发声对象的声音，从而提高用户对视频的观看体验。
图3是根据本公开又一示例性实施例示出的一种音频处理方法中音频提取模型的结构示意图。如图3所示，所述音频提取模型20中包括音频特征编码器21、深度卷积网络22和音频特征解码器23。基于图3所示的音频提取模型20，图4还示出了根据本公开又一示例性实施例示出的一种音频处理方法的流程图，如图4所示，所述方法还包括步骤401至步骤403。
在步骤401中，通过所述音频特征编码器21对所述原始音频数据进行编码，以得到所述原始音频数据对应的音频特征域。
在步骤402中，将所述音频特征域和所述视频特征向量输入所述深度卷积网络22中，以提取得到所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据的掩蔽谱。其中，该视频特征信息提取模型所输出的视频特征向量可以以embedding的形式输入到该深度卷积网络22中。
在步骤403中，根据预先训练得到的权重对所述掩蔽谱加权后输入所述音频特征解码器23中进行解码，以得到所述目标音频数据。
该预先训练得到的权重也即在预先训练该音频提取模型的过程中所训练得到的。
在一种可能的实施方式中，所述视频特征提取模型和所述音频提取模型为预先通过训练数据联合训练得到。也即，无需单独训练该视频特征提取模型和音频提取模型后再组合实现该目标音频数据的提取。在所述视频特征提取模型和所述音频提取模型的训练过程中，可以将所述音频提取模型输出的提取音频数据和输入所述音频提取模型的音频数据所对应的所述发声音频之间的在时域上的幅度不变信噪比Si-SNR(Scale invariantSignal-to-Noise Ratio)作为模型训练的损失函数。
图5是根据本公开又一示例性实施例示出的一种音频处理方法的流程图。如图5所示，所述方法还包括步骤501。
在步骤501中，对所述目标音频数据进行优化处理，将优化后的目标音频数据作为所述目标视频画面对应的同步音频进行播放。
其中，所述优化处理包括以下处理中的至少一项：通过自动增益控制方法对所述目标音频数据进行放大；增强所述目标音频数据的中高频部分；对所述目标音频数据的音频开始位置增加音频淡入效果；对所述目标音频数据的音频结束位置增加音频淡出效果。
具体的，通过对该音频提取模型所输出的目标音源音频进行自动增益控制(AGC，Automatic Gain Control)方法处理，将声音进行放大，能够使得该目标音频数据的音量更大，用户能够更清晰地听到该目标音频数据。增强所述目标音频数据的中高频部分的方法可以是是采用音频均衡器(EQ，Equaliser)来对该目标音频数据进行处理，在该目标音频数据中的中高频成分增强后，用户能够听到更为清晰饱满的目标音频数据。对该目标音频数据的音频开始位置和音频结束位置分别增加音频淡入效果和音频淡出效果，能够使得该目标音频数据与其前后可能存在的原始音频数据相衔接处过渡的更为自然流畅，不会使得该目标音频数据与该原始音频数据之间的听感相差过大，避免影响用户观看视频时的体验。
上述优化处理可以全部叠加处理，也可以部分叠加处理，或仅使用其中一种优化处理。另外，在需要使用多种优化处理方法叠加对该目标音频数据进行处理时，多种优化处理的叠加顺序可以任意设置，在本公开中对此不进行限定。
图6是根据本公开一示例性实施例示出的一种音频处理方法中模型训练数据的获取方法的流程图。如图6所示，所述方法包括步骤601至步骤605。
在步骤601中，获取多种发声对象分别对应的发声视频和与所述发声视频对应的发声音频。获取多种发声对象分别对应的发声视频和与所述发声视频对应的发声音频的途径可以是通过AvSpeech开源数据集来获取，该AvSpeech开源数据集中包括录制的各类发声对象的视频。
在步骤602中，根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息。
该发声对象在所述发声视频的视频画面中的位置信息可以是通过人工标注得到的，或者，也可以通过训练相应的自动标注模型来进行自动标注。
该麦克风阵列的位姿为相对于视频拍摄装置的位姿，可以如图7中所示。图7中包括视频拍摄装置1，麦克风阵列2，视频画面中的发声对象3，以及以视频拍摄装置1和麦克风阵列的中心作为原点所建立的二维直角坐标轴。则该麦克风阵列的与该视频拍摄装置之间的夹角∠alpha既可以作为该麦克风阵列的位姿。该视频拍摄装置1可以为常规摄像头。
具体的，根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息的过程可以为：首先，通过数据仿真，随机生成所述麦克风阵列相对于视频拍摄装置的第一角度以作为所述麦克风阵列的位姿，也即图7中所示的夹角∠alpha是随机生成的；然后，根据所述发声对象在所述发声视频的视频画面中的位置信息确定所述发声对象到所述麦克风阵列的水平距离，该水平距离也即图7中示出的发声对象3距离麦克风阵列2中心的距离m，该水平距离也可以是随机生成的；其次，根据所述第一角度和所述水平距离确定所述发声对象相对于所述麦克风阵列的第二角度，其中，由于发声对象3相对于麦克风阵列中心的位置和该发声对象3在发声视频的视频画面中相对于画面中心的位置有固定的对应关系，而该发声对象3在发声视频的视频画面中相对于画面中心的位置可以根据该发声对象3在发声视频的视频画面中的所述位置信息确定得到，因此在随机生成该发声对象3距离麦克风阵列2中心的距离m之后，就可以确定得到该发声对象3在图7中所示的二维直角坐标轴中的X轴坐标值x，在该夹角∠alpha已随机生成的情况下，通过公式arcsin(x/m)+alpha即可计算得到该发声对象3相对于所述麦克风阵列2的第二角度；最后，将所述水平距离和所述第二角度确定为所述发声对象相对于麦克风阵列各个位姿的方位信息。
在步骤603中，分别基于所述方位信息为各个发声视频生成至少一个第一冲击响应函数。该第一冲击响应函数的生成方法可以为例如image method仿真方法，且该第一冲击响应函数既可以是单麦冲击响应函数，也可以是多麦冲击响应函数。这样，通过根据该第一冲击响应函数所得到的训练数据而训练得到的模型，便不仅可以对原始音频数据为单麦音频的视频进行根据目标视频画面对目标音频数据的提取，还可以对原始音频数据为多麦音频的视频进行根据目标视频画面对目标音频数据的提取，只要分别生成单麦的第一冲击响应函数对应的训练数据和多麦的第一冲击响应函数对应的训练数据，并对模型分别进行训练得到针对于单麦音频的音频提取模型和针对于多麦音频的音频提取模型，根据实际待处理的原始音频数据在两种音频提取模型中选取使用即可。
在步骤604中，根据各第一冲击响应函数和所述发声视频对应的发声音频，生成与所述发声视频对应的至少一个麦克风原始信号。具体方法可以为，将该发声视频对应的发声音频和与其对应的至少一个第一冲击响应函数做卷积，从而生成与所述发声视频对应的至少一个麦克风原始信号。
在步骤605中，将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
在得到训练数据中需要提取的目标音频数据之后，通过将其与干扰数据进行混合，即可得到用于进行训练的训练数据，在本公开中对该干扰数据的类型不进行限制，即可以包括噪音数据，也可以包括其他的人声数据，只要是非发声视频中的发声对象所发出的音频数据即可。
图8是根据本公开又一示例性实施例示出的一种音频处理方法中模型训练数据的获取方法的流程图。如图8所示，所述方法包括步骤801至步骤804。
在步骤801中，获取多组人声数据和噪音数据。具体可以从例如aishell和dns等开源数据集中进行获取。
在步骤802中，随机生成至少一个第二冲击响应函数。该第二冲击响应函数的生成方法也可以为例如该image method方法。该第二冲击响应函数同样即可以是单麦冲击响应函数，也可以为多麦冲击响应函数，本公开中对此不进行限定。
在步骤803中，根据所述第二冲击响应函数和所述多组人声数据分别组合得到至少一个麦克风干扰信号。合成方式可以与该麦克风原始信号的合成方式相同，即将该人声数据和第二冲击响应函数做卷积而得到。其中，该人声数据优选为干净无噪的人声数据。
在步骤804中，按照预设信干比范围混合所述麦克风原始信号与所述麦克风干扰信号，和/或以预设信噪比范围混合所述麦克风原始信号与所述噪音数据，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。该预设信干比范围优选为-10db到10db，该信噪比范围优选为5db到30db。具体的，该麦克风原始信号可以仅混合该麦克风干扰信号，也可以仅混合该噪音数据，以得到所述训练数据中该发声视频对应的音频数据，或者也可以既混合该麦克风干扰信号，也混合该噪音数据。
图9是根据本公开一示例性实施例示出的一种音频处理装置的结构框图。如图9所示，所述装置包括：获取模块10，用于在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；第一处理模块20，用于提取所述目标视频画面中的视频特征向量；第二处理模块30，用于根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；播放模块40，用于将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
通过上述技术方案，由于该目标视频画面为当前显示画面中正在显示的内容，其与原始视频的原始视频画面的内容相比，包括在画面中的发声对象的种类和个数可能会出现不同的情况。因此，在将当前显示画面中显示的目标视频画面的视频特征向量提取出来，并基于该视频特征向量将原始音频数据中与该目标视频画面对应的目标音频数据提取出来之后，该目标音频数据会聚焦于该目标视频画面中所包括的发声对象对应的音频，将该目标音频数据作为该目标视频画面对应的同步音频进行播放，则可以实现在放大显示画面中所显示的视频画面时，能够同时提取该显示画面中实时显示的视频画面中所包括的发声对象的声音，从而提高用户对视频的观看体验。
在一种可能的实施方式中，所述预设条件被触发包括：若所述显示画面中所显示的当前视频画面大小不为原始视频对应的原始视频画面大小，则判定所述预设条件被触发。
在一种可能的实施方式中，所述第一处理模块20还用于：通过视频特征提取模型提取所述目标视频画面中的视频特征向量，并将所述视频特征向量输入音频提取模型中；所述第二处理模块30还用于：根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据。
在一种可能的实施方式中，所述音频提取模型中包括音频特征编码器、深度卷积网络和音频特征解码器；所述第二处理模块30还用于：通过所述音频特征编码器对所述原始音频数据进行编码，以得到所述原始音频数据对应的音频特征域；将所述音频特征域和所述视频特征向量输入所述深度卷积网络中，以提取得到所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据的掩蔽谱；根据预先训练得到的权重对所述掩蔽谱加权后输入所述音频特征解码器中进行解码，以得到所述目标音频数据。
在一种可能的实施方式中，所述播放模块40还用于：对所述目标音频数据进行优化处理，将优化后的目标音频数据作为所述目标视频画面对应的同步音频进行播放；其中，所述优化处理包括以下处理中的至少一项：通过自动增益控制方法对所述目标音频数据进行放大；增强所述目标音频数据的中高频部分；对所述目标音频数据的音频开始位置增加音频淡入效果；对所述目标音频数据的音频结束位置增加音频淡出效果。
在一种可能的实施方式中，所述视频特征提取模型和所述音频提取模型为预先通过训练数据联合训练得到。
在一种可能的实施方式中，所述训练数据通过以下方法获取得到：获取多种发声对象分别对应的发声视频和与所述发声视频对应的发声音频；根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息；分别基于所述方位信息为各个发声视频生成至少一个第一冲击响应函数；根据各第一冲击响应函数和所述发声视频对应的发声音频，生成与所述发声视频对应的至少一个麦克风原始信号；将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
在一种可能的实施方式中，所述训练数据还通过以下方法获取得到：通过数据仿真，随机生成所述麦克风阵列相对于视频拍摄装置的第一角度以作为所述麦克风阵列的位姿；根据所述发声对象在所述发声视频的视频画面中的位置信息确定所述发声对象到所述麦克风阵列的水平距离；根据所述第一角度和所述水平距离确定所述发声对象相对于所述麦克风阵列的第二角度；将所述水平距离和所述第二角度确定为所述发声对象相对于麦克风阵列各个位姿的方位信息。
在一种可能的实施方式中，所述训练数据还通过以下方法获取得到：获取多组人声数据和噪音数据；随机生成至少一个第二冲击响应函数；根据所述第二冲击响应函数和所述多组人声数据分别组合得到至少一个麦克风干扰信号；按照预设信干比范围混合所述麦克风原始信号与所述麦克风干扰信号，和/或以预设信噪比范围混合所述麦克风原始信号与所述噪音数据，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
在一种可能的实施方式中，在所述视频特征提取模型和所述音频提取模型的训练过程中，将所述音频提取模型输出的提取音频数据和输入所述音频提取模型的音频数据所对应的所述发声音频之间的在时域上的幅度不变信噪比Si-SNR作为模型训练的损失函数。
在一种可能的实施方式中，所述第一冲击响应函数和所述第二冲击响应函数可以为单麦冲击响应函数或多麦冲击响应函数。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备1000的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；提取所述目标视频画面中的视频特征向量；根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种音频处理方法，所述方法包括：在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；提取所述目标视频画面中的视频特征向量；根据所述原始音频数据和所述视频特征向量，所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述预设条件被触发包括：若所述显示画面中所显示的当前视频画面大小不为原始视频对应的原始视频画面大小，则判定所述预设条件被触发。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述提取所述目标视频画面中的视频特征向量，包括：通过视频特征提取模型提取所述目标视频画面中的视频特征向量，并将所述视频特征向量输入音频提取模型中；所述根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据，包括：根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述音频提取模型中包括音频特征编码器、深度卷积网络和音频特征解码器；所述根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据包括：通过所述音频特征编码器对所述原始音频数据进行编码，以得到所述原始音频数据对应的音频特征域；将所述音频特征域和所述视频特征向量输入所述深度卷积网络中，以提取得到所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据的掩蔽谱；根据预先训练得到的权重对所述掩蔽谱加权后输入所述音频特征解码器中进行解码，以得到所述目标音频数据。
根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放包括：对所述目标音频数据进行优化处理，将优化后的目标音频数据作为所述目标视频画面对应的同步音频进行播放；其中，所述优化处理包括以下处理中的至少一项：通过自动增益控制方法对所述目标音频数据进行放大；增强所述目标音频数据的中高频部分；对所述目标音频数据的音频开始位置增加音频淡入效果；对所述目标音频数据的音频结束位置增加音频淡出效果。
根据本公开的一个或多个实施例，示例6提供了示例3至示例5中任一示例的方法，所述视频特征提取模型和所述音频提取模型为预先通过训练数据联合训练得到。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述训练数据通过以下方法获取得到：获取多种发声对象分别对应的发声视频和与所述发声视频对应的发声音频；根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息；分别基于所述方位信息为各个发声视频生成至少一个第一冲击响应函数；根据各第一冲击响应函数和所述发声视频对应的发声音频，生成与所述发声视频对应的至少一个麦克风原始信号；将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息包括：通过数据仿真，随机生成所述麦克风阵列相对于视频拍摄装置的第一角度以作为所述麦克风阵列的位姿；根据所述发声对象在所述发声视频的视频画面中的位置信息确定所述发声对象到所述麦克风阵列的水平距离；根据所述第一角度和所述水平距离确定所述发声对象相对于所述麦克风阵列的第二角度；将所述水平距离和所述第二角度确定为所述发声对象相对于麦克风阵列各个位姿的方位信息。
根据本公开的一个或多个实施例，示例9提供了示例7的方法，所述将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据包括：获取多组人声数据和噪音数据；随机生成至少一个第二冲击响应函数；根据所述第二冲击响应函数和所述多组人声数据分别组合得到至少一个麦克风干扰信号；按照预设信干比范围混合所述麦克风原始信号与所述麦克风干扰信号，和/或以预设信噪比范围混合所述麦克风原始信号与所述噪音数据，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
根据本公开的一个或多个实施例，示例10提供了示例7的方法，在所述视频特征提取模型和所述音频提取模型的训练过程中，将所述音频提取模型输出的提取音频数据和输入所述音频提取模型的音频数据所对应的所述发声音频之间的在时域上的幅度不变信噪比Si-SNR作为模型训练的损失函数。
根据本公开的一个或多个实施例，示例11提供了示例9中的方法，所述第一冲击响应函数和所述第二冲击响应函数为单麦冲击响应函数或多麦冲击响应函数。
根据本公开的一个或多个实施例，示例12提供了一种音频处理装置，所述装置包括：获取模块，用于在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；第一处理模块，用于提取所述目标视频画面中的视频特征向量；第二处理模块，用于根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；播放模块，用于将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
根据本公开的一个或多个实施例，示例13提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-11中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例14提供了一种电子设备，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例1-11中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (14)
1.一种音频处理方法，其特征在于，所述方法包括：
在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；
提取所述目标视频画面中的视频特征向量；
根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；
将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
2.根据权利要求1所述的方法，其特征在于，所述预设条件被触发包括：
若所述显示画面中所显示的当前视频画面大小不为原始视频对应的原始视频画面大小，则判定所述预设条件被触发。
3.根据权利要求1所述的方法，其特征在于，
所述提取所述目标视频画面中的视频特征向量，包括：
通过视频特征提取模型提取所述目标视频画面中的视频特征向量，并将所述视频特征向量输入音频提取模型中；
所述根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据，包括：
根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据。
4.根据权利要求3所述的方法，其特征在于，所述音频提取模型中包括音频特征编码器、深度卷积网络和音频特征解码器；
所述根据所述原始音频数据和所述视频特征向量，通过所述音频提取模型提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据包括：
通过所述音频特征编码器对所述原始音频数据进行编码，以得到所述原始音频数据对应的音频特征域；
将所述音频特征域和所述视频特征向量输入所述深度卷积网络中，以提取得到所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据的掩蔽谱；
根据预先训练得到的权重对所述掩蔽谱加权后输入所述音频特征解码器中进行解码，以得到所述目标音频数据。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放包括：
对所述目标音频数据进行优化处理，将优化后的目标音频数据作为所述目标视频画面对应的同步音频进行播放；
其中，所述优化处理包括以下处理中的至少一项：通过自动增益控制方法对所述目标音频数据进行放大；增强所述目标音频数据的中高频部分；对所述目标音频数据的音频开始位置增加音频淡入效果；对所述目标音频数据的音频结束位置增加音频淡出效果。
6.根据权利要求3-5中任一权利要求所述的方法，其特征在于，所述视频特征提取模型和所述音频提取模型为预先通过训练数据联合训练得到。
7.根据权利要求6所述的方法，其特征在于，所述训练数据通过以下方法获取得到：
获取多种发声对象分别对应的发声视频和与所述发声视频对应的发声音频；
根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息；
分别基于所述方位信息为各个发声视频生成至少一个第一冲击响应函数；
根据各第一冲击响应函数和所述发声视频对应的发声音频，生成与所述发声视频对应的至少一个麦克风原始信号；
将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
8.根据权利要求7所述的方法，其特征在于，所述根据所述发声对象在所述发声视频的视频画面中的位置信息，以及随机生成的至少一个麦克风阵列的位姿，分别确定所述发声对象相对于麦克风阵列各个位姿的方位信息包括：
通过数据仿真，随机生成所述麦克风阵列相对于视频拍摄装置的第一角度以作为所述麦克风阵列的位姿；
根据所述发声对象在所述发声视频的视频画面中的位置信息确定所述发声对象到所述麦克风阵列的水平距离；
根据所述第一角度和所述水平距离确定所述发声对象相对于所述麦克风阵列的第二角度；
将所述水平距离和所述第二角度确定为所述发声对象相对于麦克风阵列各个位姿的方位信息。
9.根据权利要求7所述的方法，其特征在于，所述将所述麦克风原始信号与干扰数据混合，以得到所述训练数据中与所述发声视频对应的至少一个音频数据包括：
获取多组人声数据和噪音数据；
随机生成至少一个第二冲击响应函数；
根据所述第二冲击响应函数和所述多组人声数据分别组合得到至少一个麦克风干扰信号；
按照预设信干比范围混合所述麦克风原始信号与所述麦克风干扰信号，和/或以预设信噪比范围混合所述麦克风原始信号与所述噪音数据，以得到所述训练数据中与所述发声视频对应的至少一个音频数据。
10.根据权利要求7所述的方法，其特征在于，在所述视频特征提取模型和所述音频提取模型的训练过程中，将所述音频提取模型输出的提取音频数据和输入所述音频提取模型的音频数据所对应的所述发声音频之间的在时域上的幅度不变信噪比Si-SNR作为模型训练的损失函数。
11.根据权利要求9所述的方法，其特征在于，所述第一冲击响应函数和所述第二冲击响应函数为单麦冲击响应函数或多麦冲击响应函数。
12.一种音频处理装置，其特征在于，所述装置包括：
获取模块，用于在预设条件被触发时，获取显示画面中所显示的目标视频画面和与所述目标视频画面对应的原始音频数据；
第一处理模块，用于提取所述目标视频画面中的视频特征向量；
第二处理模块，用于根据所述原始音频数据和所述视频特征向量，提取所述目标视频画面中的所有发声对象在所述原始音频数据中对应的目标音频数据；
播放模块，用于将所述目标音频数据作为所述目标视频画面对应的同步音频进行播放。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-11中任一项所述方法的步骤。
14.一种电子设备，其特征在于，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现权利要求1-11中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032648.1A CN114449341B (zh) | 2022-01-12 | 2022-01-12 | 音频处理方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032648.1A CN114449341B (zh) | 2022-01-12 | 2022-01-12 | 音频处理方法、装置、可读介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114449341A true CN114449341A (zh) | 2022-05-06 |
| CN114449341B CN114449341B (zh) | 2023-11-07 |
Family
ID=81367068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032648.1A Active CN114449341B (zh) | 2022-01-12 | 2022-01-12 | 音频处理方法、装置、可读介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114449341B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106937119A (zh) * | 2017-03-07 | 2017-07-07 | 杭州当虹科技有限公司 | 一种多画面信号播放方法 |
| US20180210697A1 (en) * | 2017-01-24 | 2018-07-26 | International Business Machines Corporation | Perspective-based dynamic audio volume adjustment |
| CN109963200A (zh) * | 2017-12-25 | 2019-07-02 | 上海全土豆文化传播有限公司 | 视频播放方法及装置 |
| CN112863538A (zh) * | 2021-02-24 | 2021-05-28 | 复旦大学 | 一种基于视听网络的多模态语音分离方法及装置 |
| CN113014983A (zh) * | 2021-03-08 | 2021-06-22 | Oppo广东移动通信有限公司 | 视频播放方法、装置、存储介质及电子设备 |
| CN113225646A (zh) * | 2021-04-28 | 2021-08-06 | 世邦通信股份有限公司 | 音视频监控方法、装置、电子设备及存储介质 |
| CN113316078A (zh) * | 2021-07-30 | 2021-08-27 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
| CN113365012A (zh) * | 2020-03-06 | 2021-09-07 | 华为技术有限公司 | 一种音频处理方法及设备 |
-
2022
- 2022-01-12 CN CN202210032648.1A patent/CN114449341B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180210697A1 (en) * | 2017-01-24 | 2018-07-26 | International Business Machines Corporation | Perspective-based dynamic audio volume adjustment |
| CN106937119A (zh) * | 2017-03-07 | 2017-07-07 | 杭州当虹科技有限公司 | 一种多画面信号播放方法 |
| CN109963200A (zh) * | 2017-12-25 | 2019-07-02 | 上海全土豆文化传播有限公司 | 视频播放方法及装置 |
| CN113365012A (zh) * | 2020-03-06 | 2021-09-07 | 华为技术有限公司 | 一种音频处理方法及设备 |
| CN112863538A (zh) * | 2021-02-24 | 2021-05-28 | 复旦大学 | 一种基于视听网络的多模态语音分离方法及装置 |
| CN113014983A (zh) * | 2021-03-08 | 2021-06-22 | Oppo广东移动通信有限公司 | 视频播放方法、装置、存储介质及电子设备 |
| CN113225646A (zh) * | 2021-04-28 | 2021-08-06 | 世邦通信股份有限公司 | 音视频监控方法、装置、电子设备及存储介质 |
| CN113316078A (zh) * | 2021-07-30 | 2021-08-27 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114449341B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168518B (zh) | 一种用于头戴显示器的同步方法、装置及头戴显示器 | |
| US11688385B2 (en) | Encoding reverberator parameters from virtual or physical scene geometry and desired reverberation characteristics and rendering using these | |
| CN113129917A (zh) | 基于场景识别的语音处理方法及其装置、介质和系统 | |
| WO2019246220A1 (en) | Data driven audio enhancement | |
| CN111724823A (zh) | 一种信息处理方法及装置、电子设备 | |
| US20230421716A1 (en) | Video processing method and apparatus, electronic device and storage medium | |
| JP2023519422A (ja) | オーディオ処理方法、装置、可読媒体及び電子機器 | |
| CN113257218B (zh) | 语音合成方法、装置、电子设备和存储介质 | |
| CN112364144B (zh) | 交互方法、装置、设备和计算机可读介质 | |
| CN113205793B (zh) | 音频生成方法、装置、存储介质及电子设备 | |
| US20230260525A1 (en) | Transform ambisonic coefficients using an adaptive network for preserving spatial direction | |
| CN112165647B (zh) | 音频数据的处理方法、装置、设备及存储介质 | |
| US11741984B2 (en) | Method and apparatus and telephonic system for acoustic scene conversion | |
| CN114495901A (zh) | 语音合成方法、装置、存储介质及电子设备 | |
| CN114449341B (zh) | 音频处理方法、装置、可读介质及电子设备 | |
| CN111696566B (zh) | 语音处理方法、装置和介质 | |
| CN108597533B (zh) | 一种增强智能终端的语音输入信号的方法和系统 | |
| US11646046B2 (en) | Psychoacoustic enhancement based on audio source directivity | |
| US20240031765A1 (en) | Audio signal enhancement | |
| CN111696564B (zh) | 语音处理方法、装置和介质 | |
| CN117636928A (zh) | 一种拾音装置及相关音频增强方法 | |
| CN115426467A (zh) | 一种基于视频通话的观影陪伴方法、设备和介质 | |
| CN116489572A (zh) | 一种电子设备控制方法、装置及电子设备 | |
| CN117750120A (zh) | 自适应音效增强的方法、装置以及智慧屏 | |
| CN118053446A (zh) | 语音处理方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |