CN114938462A - 授课视频的智能剪辑方法、系统、电子设备及存储介质 - Google Patents

Abstract

本发明提供了一种授课视频的智能剪辑方法、系统、电子设备及存储介质，属于人工智能技术领域，方法包括获取基于授课场景录制的原始视频；对原始视频进行筛选处理，得到精选视频；获取原始视频中的语音内容，对语音内容进行语音识别得到授课内容，对授课内容进行自然语言处理得到授课过程中的重要文案；对精选视频进行分帧处理，得到多个候选视频帧，根据重要文案在多个候选视频帧中进行筛选，得到重要文案对应的重要视频帧；对重要视频帧进行重新组合，得到并输出智能剪辑结果。本发明实现对原始视频的智能、高效的剪辑，所输出的智能剪辑结果将不包含冗余的内容，可以提高授课效率。

Description

授课视频的智能剪辑方法、系统、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种授课视频的智能剪辑方法、系统、电子设备及存储介质。

背景技术

当前视频授课已经成为一种热门的授课方式，授课导师提前根据授课内容录制好授课视频，供学习者观看学习，在一些行业中，授课视频的播放时长较长，且导师所讲解的幻灯片或文案内容存在一定的冗余，这就需要对授课视频进行内容提炼和视频精简操作，才能提高授课效率，相关技术中，基于授课视频的处理成本高，筛选内容复杂且不够智能化，还依赖人力协助，导致授课视频的剪辑效果差，降低了授课效率。

发明内容

本发明实施例的主要目的在于提出一种授课视频的智能剪辑方法、系统、电子设备及存储介质，能够智能、高效地对授课视频进行剪辑，以提高授课效率。

为实现上述目的，本发明实施例的第一方面提出了一种授课视频的智能剪辑方法，所述方法包括：

获取基于授课场景录制的原始视频；

对所述原始视频进行筛选处理，得到精选视频；

获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，对所述授课内容进行自然语言处理得到授课过程中的重要文案；

对所述精选视频进行分帧处理，得到多个候选视频帧，根据所述重要文案在多个所述候选视频帧中进行筛选，得到所述重要文案对应的重要视频帧；

对所述重要视频帧进行重新组合，得到并输出智能剪辑结果。

在一些实施例中，所述对所述原始视频进行筛选处理，得到精选视频，包括：

计算所述原始视频的时长，删除时长小于或者等于预设时长阈值的所述原始视频，得到第一筛选视频；

提取所述第一筛选视频中的音轨并对所述音轨进行语音内容识别处理，删除所述语音内容不符合预设内容条件的所述第一筛选视频，得到第二筛选视频；

将所述第二筛选视频按时间轴分离成多个视频帧，对所述视频帧进行筛选处理得到所述精选视频。

在一些实施例中，所述对所述视频帧进行筛选处理得到所述精选视频，包括：

遍历各个所述视频帧，通过预先训练好的深度学习模型提取各个所述视频帧对应的图像特征，将各个所述视频帧对应的所述图像特征进行拼接，得到各个所述视频帧对应的第一特征向量；

根据预设的距离函数确定任意两个所述视频帧对应的所述第一特征向量之间的距离值；

根据所述距离值确定相似的所述视频帧，从相似的所述视频帧中删除目标视频帧，根据删除所述目标视频帧后剩余的所述视频帧得到所述精选视频。

在一些实施例中，所述获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，包括：

根据所述原始视频中的语音内容得到多段原始音频；

识别出所述原始音频中的背景声和人声，去除所述背景声并保留所述人声得到第一音频；

提取所述第一音频中的频率特征，并基于所述频率特征和预先训练好的语音分离推断模型进行人声分离，分离出不同人的声音得到第二音频；

根据所述第二音频进行语音识别，提取出所述授课内容。

在一些实施例中，所述对所述授课内容进行自然语言处理得到授课过程中的重要文案，包括：

对所述授课内容进行归类处理，并在对应的视频时间轴上对归类处理后的所述授课内容进行依次排序；

对排序后的所述授课内容通过预先训练好的自然语言处理模型提取出对话文案的第二特征向量；

对所述第二特征向量进行聚类处理以确定任意两个所述第二特征向量之间的相似度值，根据所述相似度值从所述对话文案中确定重复出现的候选文案；

获取预设的所述候选文案的筛选条件，基于所述筛选条件筛选所述候选文案得到所述重要文案。

在一些实施例中，所述获取预设的所述候选文案的筛选条件，基于所述筛选条件筛选所述候选文案得到所述重要文案，包括：

获取以所述候选文案出现的次数作为的第一筛选条件；

获取以所述候选文案在所述视频时间轴上出现的时间作为的第二筛选条件；

获取所述原始视频中授课导师的授课状态、并以所述候选文案在匹配的视频帧中是否有对应的所述授课状态作为的第三筛选条件；

获取所述授课状态、并以所述候选文案在匹配的视频帧中对应的所述授课状态出现的时长作为的第四筛选条件；

基于所述第一筛选条件、所述第二筛选条件、所述第三筛选条件和所述第四筛选条件中的一个或多个筛选所述候选文案得到所述重要文案。

在一些实施例中，所述对所述重要视频帧进行重新组合，得到并输出智能剪辑结果，包括：

获取所述原始视频输出的摘要形态；

根据所述重要文案得到授课过程的授课进度，并根据所述授课进度确定所述重要视频帧中的时间节点；

根据所述摘要形态和所述时间节点对所述重要视频帧进行重新组合，得到并输出所述智能剪辑结果。

为实现上述目的，本发明实施例的第二方面提出了一种授课视频的智能剪辑系统，所述系统包括：

视频获取模块，用于获取基于授课场景录制的原始视频；

第一视频筛选模块，用于对所述原始视频进行筛选处理，得到精选视频；

文案识别模块，用于获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，对所述授课内容进行自然语言处理得到授课过程中的重要文案；

第二视频筛选模块，用于对所述精选视频进行分帧处理，得到多个候选视频帧，根据所述重要文案在多个所述候选视频帧中进行筛选，得到所述重要文案对应的重要视频帧；

视频输出模块，用于对所述重要视频帧进行重新组合，得到并输出智能剪辑结果。

为实现上述目的，本发明实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本发明实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本发明实施例提出的授课视频的智能剪辑方法、系统、电子设备及存储介质，系统可以获取基于授课场景录制的原始视频，为了提高剪辑的效率和智能化水平，需要先将原始视频筛选处理后得到精选视频，通过识别原始视频中的内容来提炼视频中的重要文案，需要获取原始视频中的语音内容，对语音内容进行语音识别得到授课过程中的授课内容，随后经过自然语言处理后得到授课过程中的重要文案，重要文案是授课过程中精简的内容，由此需要在精选视频中筛选出重要文案对应的视频帧得到重要视频帧，重要视频帧能作为授课过程中重要的内容的代表，包含了授课过程的有效信息，只需要将该包含授课过程有效信息的重要视频帧进行重新组合，可以得到智能剪辑结果，最后系统输出针对重要文案的智能剪辑结果，实现对原始视频的智能、高效的剪辑，所输出的智能剪辑结果将不包含冗余的内容，可以提高授课效率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明实施例提供的授课视频的智能剪辑方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图2中的步骤S203的流程图；

图4是图1中的步骤S103的流程图；

图5是图1中的步骤S103的另一流程图；

图6是图5中的步骤S504的流程图；

图7是图1中的步骤S105的流程图；

图8是本发明实施例提供的授课视频的智能剪辑系统的结构示意图；

图9是本发明实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

首先，对本发明实施例中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

当前视频授课已经成为一种热门的授课方式，授课导师提前根据授课内容录制好授课视频，供学习者观看学习，在一些行业中，授课视频的播放时长较长，且导师所讲解的幻灯片或文案内容存在一定的冗余，这就需要对授课视频进行内容提炼和视频精简操作，才能提高授课效率。例如在保险、地产等以销售为主要渠道的行业中，与目标用户进行面对面拜访推销产品是主要的销售手段，代理人团队的资质培训授课一直是各保险公司的重要工作之一，另外，代理人团队的增员更是不可忽视的重要工作环节。近年来，随着疫情爆发对人们生活工作状态的改变，以及短视频、多媒体处理技术的不断成熟，基于视频录制的线上增员及培训方式逐渐被各领域所接受和推广，成为可以与线下集中培训方式相媲美的高效增员渠道。目前，授课导师通常会提前录制面对培训或增员推广过程的视频，记录整个培训过程供未参与的学员需要的信息，进一步优化授课增员体验。

在目前实际的应用中，基于幻灯片讲解的交互视频出现最早，在此类短视频录制的过程中，授课导师提前准备好需要讲解的内容，在讲解的过程中全程播放，同时授课导师在讲解过程中出镜配合讲解的幻灯片进行讲解，此类培训宣传视频受限于内容一般时间较长，讲解的幻灯片或文案内容也存在一定的冗余。同时，由于授课导师出镜时间有限，对于增员场景下的交互感有一定影响。针对幻灯片讲解视频的这一缺点，近年来，业内新推出了授课导师全程出镜在自然环境下录制培训过程的视频方式，在自然环境下录制的培训视频提升了授课增员的交互感，但授课视频内容较为冗余，进一步提高了核心信息提取的难度。

一般而言，录制好的授课及培训视频时长较长，内容冗余，需要后处理提取关键信息，而人工观看视频进行摘要提取和筛选的方式虽然可以准确提取视频的主要内容，但成本较高，且需要观看者具有一定的专业素质；基于计算机技术的自动筛查目前主要针对授课增员幻灯片所呈现内容进行信息提取，无法结合视频中授课导师的音频、授课导师与在线学员的对话、问答情况以及提取的摘要内容，对实际的线下培训及增员效果有限。

基于此，本发明实施例提供了一种授课视频的智能剪辑方法、系统、电子设备及存储介质，旨在智能、高效地对授课视频进行剪辑，以提高授课效率。

本发明实施例仅以保险授课场景为例子，并不表示为对本发明实施例的限制，可以理解的是，本发明实施例还可以应用在其他行业的授课视频剪辑系统和剪辑过程中，对比本发明实施例不做具体限制。

本发明实施例提供的授课视频的智能剪辑方法、系统、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本发明实施例中的授课视频的智能剪辑方法。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本发明实施例提供的授课视频的智能剪辑方法，涉及人工智能技术领域。本发明实施例提供的授课视频的智能剪辑方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现授课视频的智能剪辑方法的应用等，但并不局限于以上形式。

本发明实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本发明实施例提供的授课视频的智能剪辑方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S105。

步骤S101，获取基于授课场景录制的原始视频。

需要说明的是，本发明实施例中的授课视频的智能剪辑方法，可以应用在授课视频的智能剪辑系统中(以下简称系统)，系统可获取基于授课场景录制的视频作为原始视频，原始视频即为授课视频，可以理解的是，原始视频可以是现场录制的，还可以是预先录制好的，例如，在一实施例中，在线上授课或增员的培训过程中，同步全称录制授课场景的视频，包括讲解幻灯片的内容及授课导师的全程状态，全程状态包括授课导师是否在当前幻灯片中出镜，以及在当前幻灯片中出镜的时间等，在授课视频录制好后可进行保存或上传，系统在进行视频剪辑的时候，可以根据需要处理的视频链接，下载录制的视频文件作为原始视频，或者在线实时获取原始视频，对此不做具体限制。

可以理解的是，系统可以获取用户的剪辑请求，从而在所存储的视频文件中找到需要处理的视频链接，该视频链接与用户的剪辑请求对应，系统以该视频链接对应的视频文件作为原始视频。

步骤S102，对原始视频进行筛选处理，得到精选视频。

需要说明的是，授课视频在录制之后，视频中会存在较多冗余的内容，原始视频的内容不够精简，因此需要对原始视频进行筛选处理，以去掉原始视频中的冗余部分，筛选处理还可以去掉无效的原始视频，在一实施例中，系统根据多媒体视频帧技术的视频筛选方法来筛选原始视频，去除无效的视频及视频中的冗余帧，所得到的精简的视频即为精选视频，得到的精选视频可以供后续进一步处理，以实现剪辑的结果能够包含授课过程的有效部门，进一步提高授课效率。

步骤S103，获取原始视频中的语音内容，对语音内容进行语音识别得到授课内容，对授课内容进行自然语言处理得到授课过程中的重要文案。

需要说明的是，系统要得到包含授课过程的有效内容的剪辑结果，需要对授课过程的授课内容进行处理，系统获取原始视频中的语音内容，然后对语音内容进行语音识别，可以得到详细的授课内容，通过自然语言处理之后从授课内容中得到授课过程的重要文案。

步骤S104，对精选视频进行分帧处理，得到多个候选视频帧，根据重要文案在多个候选视频帧中进行筛选，得到重要文案对应的重要视频帧。

需要说明的是，系统在筛选出重要文案对应的视频帧时，需要对精选视频进行分帧处理，将精选视频分成多个候选的视频帧，每个视频帧都会对应相应的文案，而重要文案是授课过程中精简的内容，对应着多个候选视频帧中的一个或多个，由此需要在精选视频中筛选出重要文案对应的视频帧得到重要视频帧，重要视频帧能作为授课过程中重要的内容的代表，包含了授课过程的有效信息，根据得到的重要视频帧即可实现智能剪辑的目的。

步骤S105，对重要视频帧进行重新组合，得到并输出智能剪辑结果。

需要说明的是，系统在得到重要视频帧之后，需要对多个重要视频帧进行重新组合，形成系统的智能剪辑结果，本发明实施例中的系统可以进一步筛选视频中的有效帧，将冗余帧进行合并归纳，根据归纳结果提取视频主要内容，结合多媒体及自然语言处理技术的视频帧处理方案可以有效提取视频中的关键信息，优化视频剪辑效果，因此只需要将该包含授课过程有效信息的重要视频帧进行重新组合，可以得到智能剪辑结果，最后系统输出针对重要文案的智能剪辑结果，实现对原始视频的智能、高效的剪辑，所输出的智能剪辑结果将不包含冗余的内容，可以提高授课效率。

参照图2所示，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S203。

步骤S201，计算原始视频的时长，删除时长小于或者等于预设时长阈值的原始视频，得到第一筛选视频。

步骤S202，提取第一筛选视频中的音轨并对音轨进行语音内容识别处理，删除语音内容不符合预设内容条件的第一筛选视频，得到第二筛选视频。

步骤S203，将第二筛选视频按时间轴分离成多个视频帧，对视频帧进行筛选处理得到精选视频。

需要说明的是，上述步骤S102中经过了对原始视频进行筛选处理，可以得到精选视频，具体的，在得到精选视频的过程中，需要先计算原始视频的时长，系统可以根据用户需要自定义设置一个预设时长阈值，系统根据预设时长阈值可以筛选掉时长达不到要求的视频，将原始视频的时长与预设时长阈值进行对比，删除当时长小于或等于预设时长阈值的原始视频，得到时长符合要求的第一筛选视频。

需要说明的是，系统还需要识别视频中的语音内容后，根据预设内容条件去筛选掉内容不达标的视频，具体的，系统提取上述的第一筛选视频中的音轨，并对音轨进行语音内容识别处理，删除语音内容不符合预设内容条件的第一筛选视频，得到第二筛选视频，预设内容条件可以包括用于判断音轨中是否包含具体的内容，或者是用于判断是否能识别出音轨中的内容，例如，系统在对音轨中的语音内容进行识别后，对于整段音轨中不含具体内容或者无法正常识别出授课内容的视频，进行进一步筛除，保留符合预设内容条件的视频作为第二筛选视频。

具体的，在一实施例中，对第一筛选视频使用音频提取算法(如ffmpeg工具包，opencv的音视频分离库)提取其音轨，并使用语音识别算法(如GMM-HMM，DMM-HMM等，也可使用基于深度学习的语音识别模型如wav2letter+等)识别音轨对应内容，对此本发明实施例不做具体限制。

需要说明的是，系统在得到第二筛选视频后，需要进一步进行筛选，将第二筛选视频按时间轴分离成多个视频帧，对视频帧进行筛选处理，以去除视频中的冗余内容的帧，得到精选视频，具体的，系统将第二筛选视频按时间轴分离成多个视频帧，对视频帧进行筛选处理，此时经过筛选处理可以去除包含冗余内容的帧，得到精选视频，系统可以使用视频帧提取算法(可以采用ffmpeg或opencv的逐帧存储命令)，将整段视频按时间轴分离成多帧图像，去除包含冗余内容的帧。

参照图3所示，在一些实施例中，步骤S203可以包括但不限于包括步骤S301至步骤S303。

步骤S301，遍历各个视频帧，通过预先训练好的深度学习模型提取各个视频帧对应的图像特征，将各个视频帧对应的图像特征进行拼接，得到各个视频帧对应的第一特征向量。

步骤S302，根据预设的距离函数确定任意两个视频帧对应的第一特征向量之间的距离值。

步骤S303，根据距离值确定相似的视频帧，从相似的视频帧中删除目标视频帧，根据删除目标视频帧后剩余的视频帧得到精选视频。

需要说明的是，在去除冗余内容的视频帧时，系统会预先训练好深度学习模型，可用担不限于VGGNet，ResNet等，可以理解的是，视频帧为一帧一帧的图像，该深度学习模型可以用于提取视频帧中的图像特征，提取对应的图像特征拼接成向量输出，即得到各个视频帧对应的第一特征向量，系统可以获取预先设定的多种距离函数，可以选取一个或多个距离函数，根据距离函数去确定任意两个视频帧对应的第一特征向量之间的距离值，可以据实际情况进行选择，一一对比不同帧对应的第一特征向量的距离。

在一实施例中，距离值表征的距离越小，说明两帧图像相似度较高，系统可以设定一个预设距离值，根据距离值表征的大小，与预设距离值对比得到对比结果，从相似的视频帧中删除目标视频帧，根据删除目标视频帧后剩余的视频帧得到精选视频，目标视频帧为距离值满足预设距离值的视频帧，目标视频帧为存在多帧相似的图像，相似的图像为冗余的内容，则根据实际需求情况保留有效的帧，具体保留帧的实现方式可以为保留最先出现的一帧，或者保留最后出现的一帧，或根据时间间隔保留所需要的多帧，将保留的视频帧组成精选视频，以此实现去除视频中的冗余内容。

参照图4所示，在一些实施例中，步骤S103可以包括但不限于包括步骤S401至步骤S404。

步骤S401，根据原始视频中的语音内容得到多段原始音频。

步骤S402，识别出原始音频中的背景声和人声，去除背景声并保留人声得到第一音频。

步骤S403，提取第一音频中的频率特征，并基于频率特征和预先训练好的语音分离推断模型进行人声分离，分离出不同人的声音得到第二音频。

步骤S404，根据第二音频进行语音识别，提取出授课内容。

需要说明的是，系统可以根据识别出原始视频中的内容来更进一步剪辑视频，让剪辑结果更精简，系统需要对语音的内容进行人声分离和识别，具体的，系统根据原始视频中的语音内容得到多段原始音频，可以获取上述步骤202中得到的语音内容，并识别出原始音频中的背景声和人声，去除每段原始音频中的背景声，只保留人声部分，得到第一音频，在一实施例中，可采用基于维纳滤波等信号处理方式的传统语音去噪方法，也可采用基于adobe audition开发包或深度学习模型训练的去噪音模型等来分离背景声和人声，在此不做具体限制。

对步骤S402中保留的第一音频，进行人声分离，可以理解的是，授课过程中，原始视频可能包含授课导师的声音，还可能包含学员或客户等其他人员的声音，因此需要进行人声分离，包括运行人声分离算法，分离出第一音频中的各种人声，系统可以提取第一音频中的频率特征，并基于频率特征和预先训练好的语音分离推断模型进行人声分离，分离出不同人的声音得到第二音频，可以理解的是，系统可以预先录制好授课导师或学员等的音频，用于进行特征对比。在保险授课的一实施例中，对提取的人声，运行人声分离算法，分离出拜访员的声音和受访客户的声音片段，具体为将输入的整段音频进行统一标准频率采样并进行归一化处理，随后送入提前训练好的语音分离推断模型中，输出模型区分的两条或多条音轨音频，并使用提前录入的拜访员及受访客户的基本音频进行特征比对，区分出对应的拜访员音频以及受访客户音频。

对步骤S403中得到的第二音频，进行语音识别，以提取出具体的授课内容，可通过提取的第二音频的每一段声音片段，运行语音识别算法，提取具体的授课内容。

参照图5所示，在一些实施例中，步骤S103可以包括但不限于包括步骤S501至步骤S504。

步骤S501，对授课内容进行归类处理，并在对应的视频时间轴上对归类处理后的授课内容进行依次排序。

步骤S502，对排序后的授课内容通过预先训练好的自然语言处理模型提取出对话文案的第二特征向量。

步骤S503，对第二特征向量进行聚类处理以确定任意两个第二特征向量之间的相似度值，根据相似度值从对话文案中确定重复出现的候选文案。

步骤S504，获取预设的候选文案的筛选条件，基于筛选条件筛选候选文案得到重要文案。

需要说明的是，系统为了进一步得到精简的剪辑结果，需要将授课内容处理得到授课过程的重要文案，系统可以对对授课内容进行归类处理，并在对应的视频时间轴上对归类处理后的授课内容进行依次排序，实现对内容的整理，随后对步骤S501中归类排序好的内容，通过预先训练好的自然语言处理模型提取出对话文案的特征向量，得到第二特征向量，再对第二特征向量进行聚类处理以确定任意两个第二特征向量之间的相似度值，归并第二特征向量相似度较高的特征，根据相似度值从对话文案中确定重复出现的候选文案，可以理解的是，候选文案为对应在整体视频中反复出现的文案，候选文案已经可以表征授课过程的主要内容，进一步的，需要对候选文案中的重要性程度进行判断选择，包括获取预设的候选文案的筛选条件，基于筛选条件筛选候选文案得到重要文案，可以理解的是，筛选条件是基于实际情况得到的一个用于判断选择的条件，筛选条件表征了文案的重要性程度，筛选条件可以是预先设置在系统内的，通过筛选条件对候选文案进行筛选，可以得到更科学、更精准、更能代表授课的有效内容的重要文案。

参照图6所示，在一些实施例中，步骤S503可以包括但不限于包括步骤S601至步骤S605。

步骤S601，获取以候选文案出现的次数作为的第一筛选条件。

步骤S602，获取以候选文案在视频时间轴上出现的时间作为的第二筛选条件。

步骤S603，获取原始视频中授课导师的授课状态、并以候选文案在匹配的视频帧中是否有对应的授课状态作为的第三筛选条件。

步骤S604，获取授课状态、并以候选文案在匹配的视频帧中对应的授课状态出现的时长作为的第四筛选条件。

步骤S605，基于第一筛选条件、第二筛选条件、第三筛选条件和第四筛选条件中的一个或多个筛选候选文案得到重要文案。

需要说明的是，系统可考虑多个因素来作为筛选条件，根据实际需要，系统根据授课导师的全程状态以及文案的内容等综合信息来得到筛选条件，以对上述多次出现的候选文案筛选得到重要文案，其中，筛选条件包括第一筛选条件、第二筛选条件、第三筛选条件和第四筛选条件，系统获取以候选文案出现的次数作为的第一筛选条件，还获取以候选文案在视频时间轴上出现的时间作为的第二筛选条件，还获取原始视频中授课导师的授课状态、并以候选文案在匹配的视频帧中是否有对应的授课状态作为的第三筛选条件，还获取授课状态、并以候选文案在匹配的视频帧中对应的授课状态出现的时长作为的第四筛选条件，本发明实施例中的授课导师的授课状态可以表征授课导师对当前授课内容的重视程度，例如，授课状态可以是授课导师是否在当前视频画面或者幻灯片中出镜，又或者，授课状态可以是授课导师当前或者一段时间内讲话的音量，音量的大小表明授课导师投入的情绪的大小，情绪大表明当前内容较为重要，本发明实施例中以授课状态为授课导师是否在当前视频画面或者幻灯片中出镜为例子，但并不代表为对授课状态的限定。

可以理解的是，通过上述四个筛选条件，体现的筛选规则是，若文案反复出现次数越多，则认为越重要，有或者重复的某条文案，在视频中出现时间越早，则认为该条文案重要性越高，又或者重复的某条文案，在对应的视频帧里有授课导师露面出现，则认为该条文案重要性较高，而对授课导师在对应的幻灯片内容上停留时间越久，则认为此条文案重要性越高。

需要说明的是，系统可以针对一个或多个筛选条件来判断候选文案的重要性，从而根据重要性来筛选得到重要文案，例如，系统可根据上述第一筛选条件、第二筛选条件、第三筛选条件和第四筛选条件中的一个来得到候选文案的重要性，或者根据其中的多个筛选条件之间的组合来判断，在一实施例中，系统根据上述筛选条件对所取文案特征向量进行加权处理，筛选最重要文案对应的候选视频帧，以便后续进行处理，可以理解的是，特征向量与视频帧是对应的，因此文案是与每个视频帧相对应的，通过对各个筛选条件进行加权，以加权的方式来量化为数值的大小，可对不同筛选条件的重要性进行划分，各个筛选条件权重的大小可根据实际需要进行设置。

参照图7所示，在一些实施例中，步骤S105可以包括但不限于包括步骤S701至步骤S703。

步骤S701，获取原始视频输出的摘要形态。

步骤S702，根据重要文案得到授课过程的授课进度，并根据授课进度确定重要视频帧中的时间节点。

步骤S703，根据摘要形态和时间节点对重要视频帧进行重新组合，得到并输出智能剪辑结果。

需要说明的是，系统在得到重要文案对应的重要视频帧后，可以根据实际需求和业务形态，对所得到的多帧图像要重新组合并输出，具体的，系统可以获取原始视频输出的摘要形态，摘要形态包括但不限定为多帧幻灯片视频、H5动画视频、带过渡动画效果的小视频片段拼接等，随后根据所提取的重要文案得到授课过程的授课进度，并根据授课进度确定重要视频帧中的时间节点，可以是摘要的主要时间节点，可以理解的是，还可以根据授课的语音内容来确定时间节点，根据授课过程的类型，时间节点的类型也不一样，划分时间节点有助于学员根据学习进度和需要进行学习，提高学习效率，例如，时间节点可以包括授课导师的开场进入以及介绍的时间节点、主要的产品以及增员页面介绍的时间节点、学员提问及授课导师回答的时间节点和最后的授课导师结束及感谢的时间节点，最终对重要视频帧进行重新组合，输出最终的智能剪辑结果。

参照图8所示，本发明实施例还提供一种授课视频的智能剪辑系统，可以实现上述授课视频的智能剪辑方法，该系统包括：

视频获取模块801，用于获取基于授课场景录制的原始视频。

第一视频筛选模块802，用于对原始视频进行筛选处理，得到精选视频。

文案识别模块803，用于获取原始视频中的语音内容，对语音内容进行语音识别得到授课内容，对授课内容进行自然语言处理得到授课过程中的重要文案。

第二视频筛选模块804，用于对精选视频进行分帧处理，得到多个候选视频帧，根据重要文案在多个候选视频帧中进行筛选，得到重要文案对应的重要视频帧。

视频输出模块805，用于对重要视频帧进行重新组合，得到并输出智能剪辑结果。

需要说明的是，系统可以执行上述发明实施例中的授课视频的智能剪辑方法，通过执行上述方法，系统可以获取基于授课场景录制的原始视频，为了提高剪辑的效率和智能化水平，需要先将原始视频筛选处理后得到精选视频，通过识别原始视频中的内容来提炼视频中的重要文案，需要获取原始视频中的语音内容，对语音内容进行语音识别得到授课过程中的授课内容，随后经过自然语言处理后得到授课过程中的重要文案，重要文案是授课过程中精简的内容，由此需要在精选视频中筛选出重要文案对应的视频帧得到重要视频帧，重要视频帧能作为授课过程中重要的内容的代表，包含了授课过程的有效信息，只需要将该包含授课过程有效信息的重要视频帧进行重新组合，可以得到智能剪辑结果，最后系统输出针对重要文案的智能剪辑结果，实现对原始视频的智能、高效的剪辑，所输出的智能剪辑结果将不包含冗余的内容，可以提高授课效率。

可以理解的是，系统的具体处理过程与上述实施例中的授课视频的智能剪辑方法相同，此处不再一一赘述。

该授课视频的智能剪辑系统的具体实施方式与上述授课视频的智能剪辑方法的具体实施例基本相同，在此不再赘述。

通过本发明实施例中的授课视频的智能剪辑方法和系统，可自动根据视频时长、授课幻灯片内容、授课导师在视频中的人物状态等信息自动筛选无效的视频，基于多媒体技术的有效视频筛选及视频帧去重方法可以进一步筛选视频中的有效帧，将冗余帧进行合并归纳，根据归纳结果提取视频主要内容，所提出的人声分离及语音识别模型可以自动提取授课导师的语音，并对分离结果进行语音识别，根据识别结果配合讲解幻灯片内容进一步提取重点内容，结合多媒体及自然语言处理技术的视频帧理解方案可以有效提取视频中的关键信息，优化视频剪辑效果，且提出的视频内容呈现方案可以根据最终需要提取的核心内容选取合适的摘要呈现，可应用于多种需要线上授课及增员视频录制的应用场景及案例。

本发明实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述授课视频的智能剪辑方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

参照图9所示，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本发明实施例的授课视频的智能剪辑方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本发明实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述授课视频的智能剪辑方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本发明实施例描述的实施例是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本发明实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本发明实施例的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明实施例中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本发明实施例的优选实施例，并非因此局限本发明实施例的权利范围。本领域技术人员不脱离本发明实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本发明实施例的权利范围之内。

Claims (10)

1.一种授课视频的智能剪辑方法，其特征在于，包括：

获取基于授课场景录制的原始视频；

对所述原始视频进行筛选处理，得到精选视频；

获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，对所述授课内容进行自然语言处理得到授课过程中的重要文案；

对所述精选视频进行分帧处理，得到多个候选视频帧，根据所述重要文案在多个所述候选视频帧中进行筛选，得到所述重要文案对应的重要视频帧；

对所述重要视频帧进行重新组合，得到并输出智能剪辑结果。

2.根据权利要求1所述的授课视频的智能剪辑方法，其特征在于，所述对所述原始视频进行筛选处理，得到精选视频，包括：

计算所述原始视频的时长，删除时长小于或者等于预设时长阈值的所述原始视频，得到第一筛选视频；

提取所述第一筛选视频中的音轨并对所述音轨进行语音内容识别处理，删除所述语音内容不符合预设内容条件的所述第一筛选视频，得到第二筛选视频；

将所述第二筛选视频按时间轴分离成多个视频帧，对所述视频帧进行筛选处理得到所述精选视频。

3.根据权利要求2所述的授课视频的智能剪辑方法，其特征在于，所述对所述视频帧进行筛选处理得到所述精选视频，包括：

遍历各个所述视频帧，通过预先训练好的深度学习模型提取各个所述视频帧对应的图像特征，将各个所述视频帧对应的所述图像特征进行拼接，得到各个所述视频帧对应的第一特征向量；

根据预设的距离函数确定任意两个所述视频帧对应的所述第一特征向量之间的距离值；

根据所述距离值确定相似的所述视频帧，从相似的所述视频帧中删除目标视频帧，根据删除所述目标视频帧后剩余的所述视频帧得到所述精选视频。

4.根据权利要求1所述的授课视频的智能剪辑方法，其特征在于，所述获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，包括：

根据所述原始视频中的语音内容得到多段原始音频；

识别出所述原始音频中的背景声和人声，去除所述背景声并保留所述人声得到第一音频；

提取所述第一音频中的频率特征，并基于所述频率特征和预先训练好的语音分离推断模型进行人声分离，分离出不同人的声音得到第二音频；

根据所述第二音频进行语音识别，提取出所述授课内容。

5.根据权利要求1所述的授课视频的智能剪辑方法，其特征在于，所述对所述授课内容进行自然语言处理得到授课过程中的重要文案，包括：

对所述授课内容进行归类处理，并在对应的视频时间轴上对归类处理后的所述授课内容进行依次排序；

对排序后的所述授课内容通过预先训练好的自然语言处理模型提取出对话文案的第二特征向量；

对所述第二特征向量进行聚类处理以确定任意两个所述第二特征向量之间的相似度值，根据所述相似度值从所述对话文案中确定重复出现的候选文案；

获取预设的所述候选文案的筛选条件，基于所述筛选条件筛选所述候选文案得到所述重要文案。

6.根据权利要求5所述的授课视频的智能剪辑方法，其特征在于，所述获取预设的所述候选文案的筛选条件，基于所述筛选条件筛选所述候选文案得到所述重要文案，包括：

获取以所述候选文案出现的次数作为的第一筛选条件；

获取以所述候选文案在所述视频时间轴上出现的时间作为的第二筛选条件；

获取所述原始视频中授课导师的授课状态、并以所述候选文案在匹配的视频帧中是否有对应的所述授课状态作为的第三筛选条件；

获取所述授课状态、并以所述候选文案在匹配的视频帧中对应的所述授课状态出现的时长作为的第四筛选条件；

基于所述第一筛选条件、所述第二筛选条件、所述第三筛选条件和所述第四筛选条件中的一个或多个筛选所述候选文案得到所述重要文案。

7.根据权利要求1所述的授课视频的智能剪辑方法，其特征在于，所述对所述重要视频帧进行重新组合，得到并输出智能剪辑结果，包括：

获取所述原始视频输出的摘要形态；

根据所述重要文案得到授课过程的授课进度，并根据所述授课进度确定所述重要视频帧中的时间节点；

根据所述摘要形态和所述时间节点对所述重要视频帧进行重新组合，得到并输出所述智能剪辑结果。

8.一种授课视频的智能剪辑系统，其特征在于，包括：

视频获取模块，用于获取基于授课场景录制的原始视频；

第一视频筛选模块，用于对所述原始视频进行筛选处理，得到精选视频；

文案识别模块，用于获取所述原始视频中的语音内容，对所述语音内容进行语音识别得到授课内容，对所述授课内容进行自然语言处理得到授课过程中的重要文案；

第二视频筛选模块，用于对所述精选视频进行分帧处理，得到多个候选视频帧，根据所述重要文案在多个所述候选视频帧中进行筛选，得到所述重要文案对应的重要视频帧；

视频输出模块，用于对所述重要视频帧进行重新组合，得到并输出智能剪辑结果。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的授课视频的智能剪辑方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的授课视频的智能剪辑方法的步骤。

Images