CN117097922A - 视频生成方法、视频生成装置、电子设备及存储介质 - Google Patents

视频生成方法、视频生成装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117097922A
CN117097922A CN202311055018.7A CN202311055018A CN117097922A CN 117097922 A CN117097922 A CN 117097922A CN 202311055018 A CN202311055018 A CN 202311055018A CN 117097922 A CN117097922 A CN 117097922A
Authority
CN
China
Prior art keywords
video
content
original
category
character
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
Application number
CN202311055018.7A
Other languages
English (en)
Inventor
梁亚妮
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202311055018.7A priority Critical patent/CN117097922A/zh
Publication of CN117097922A publication Critical patent/CN117097922A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • 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
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating 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]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234336—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by media transcoding, e.g. video is transformed into a slideshow of still pictures or audio is converted into text
    • 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
    • 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
    • H04N21/44—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
    • H04N21/44—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
    • H04N21/4402—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 reformatting operations of video signals for household redistribution, storage or real-time display
    • H04N21/440236—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 reformatting operations of video signals for household redistribution, storage or real-time display by media transcoding, e.g. video is transformed into a slideshow of still pictures, audio is converted into text

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Social Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种视频生成方法、视频生成装置、电子设备及存储介质，属于金融科技领域。该方法包括：获取原始视频，原始视频包括原始音频和原始图像帧；对原始音频进行音频识别，得到原始音频的第一内容和语调类别；对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；对人物图像帧进行人物识别，得到人物表情类别和人物动作类别；对图文图像帧进行语义识别，得到第二内容；基于第一内容、语调类别、人物表情类别、人物动作类别、第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述；基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优，得到目标视频。本申请能够提高生成的目标视频的视频质量。

Description

视频生成方法、视频生成装置、电子设备及存储介质
技术领域
本申请涉及金融科技领域，尤其涉及一种视频生成方法、视频生成装置、电子设备及存储介质。
背景技术
随着计算机技术和人工智能的发展，以往线下传统的业务开始逐渐迁移至线上。例如线上购物、线上直播、线上交易等业务场景，有利于银行、网络商家等机构开展业务。目前可以通过虚拟人物进行产品推荐以提高产品推荐的个性化。
例如，保险代理人常常需要通过人工制作的方式来创作保险产品讲解视频，从而在线上为各个对象讲解不同保险产品的产品内容。
目前，通过人工制作的方式将文本、音频、动画等视频素材制作成视频的过程常常对制作人员的经验要求较高，使得制作人员的视频制作经验极大地影响视频质量，往往会存在着视频质量不高的问题。
发明内容
本申请实施例的主要目的在于提出一种视频生成方法、视频生成装置、电子设备及存储介质，旨在提高生成的目标视频的视频质量。
为实现上述目的，本申请实施例的第一方面提出了一种视频生成方法，所述方法包括：
获取原始视频，其中，所述原始视频包括原始音频和原始图像帧；
对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别；
对所述原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
对所述图文图像帧进行语义识别，得到第二内容；
基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述；
遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频。
在一些实施例，所述对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别，包括：
对所述原始音频进行文本提取，得到第一文本数据；
对所述第一文本数据进行语义识别，得到所述原始音频的第一主题和第一内容描述数据；
基于所述第一主题和所述第一内容描述数据，得到所述第一内容；
对所述原始音频进行语调分析，得到所述语调类别。
在一些实施例，所述对所述原始音频进行语调分析，得到所述语调类别，包括：
对所述原始音频进行特征提取，得到所述原始音频的音域特征和音速特征；
基于所述音域特征和所述音速特征对所述原始音频进行语调划分，得到所述原始音频所属的语调区间；
基于所述语调区间对预设的映射表进行查询；其中，所述映射表包括候选类别；
从所述映射表获取与所述语调区间存在映射关系的候选类别，作为所述语调类别。
在一些实施例，所述对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别，包括：
对所述人物图像帧进行特征点定位，得到所述人物图像帧中的人脸特征点和肢体特征点；
基于所述人脸特征点进行表情识别，得到所述人物表情类别；
基于所述肢体特征点进行动作识别，得到所述人物动作类别。
在一些实施例，所述对所述图文图像帧进行语义识别，得到第二内容，包括：
对所述图文图像帧进行文字识别，得到所述图文图像帧的第二文本数据；
对所述第二文本数据进行语义识别，得到所述图文图像帧的第二主题和第二内容描述数据；
基于所述第二主题和所述第二内容描述数据，得到所述第二内容。
在一些实施例，所述第一内容包含第一主题和第一内容描述数据，所述第二内容包含第二主题和第二内容描述数据，所述基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述，包括：
基于所述语调类别对所述第一内容进行内容解析，得到第三内容，其中，所述第三内容包括第三主题和第三内容描述数据；
基于所述人物表情类别和所述人物动作类别对所述第二内容进行内容解析，得到第四内容，其中，所述第四内容包括第四主题和第四内容描述数据；
基于所述第三主题和所述第四主题进行交集运算，得到所述视频主题；
基于所述第三内容描述数据和所述第四内容描述数据进行交集运算，得到所述视频内容概述。
在一些实施例，所述视频案例库还包括所述参考视频的参考主题、参考内容概述以及参考评分数据，所述遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频，包括：
计算所述参考主题与所述视频主题的第一相似度，并计算所述参考内容概述与所述视频内容概述的第二相似度；
基于所述第一相似度、所述第二相似度以及所述参考评分数据对所述原始视频进行视频评分，得到所述原始视频的评分数据；
在与所述视频主题的第一相似度最大的所述参考主题中，选取参考评分数据大于预设阈值的参考视频作为样本视频；
基于所述样本视频对所述原始视频进行优化处理，得到所述目标视频。
为实现上述目的，本申请实施例的第二方面提出了一种视频生成装置，所述装置包括：
视频获取模块，用于获取原始视频，其中，所述原始视频包括原始音频和原始图像帧；
音频识别模块，用于对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别；
图像分类模块，用于对所述原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
人物识别模块，用于对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
语义识别模块，用于对所述图文图像帧进行语义识别，得到第二内容；
内容解析模块，用于基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述；
优化模块，用于遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频。
为实现上述目的，本申请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，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请提出的视频生成方法、视频生成装置、电子设备及存储介质，其通过获取原始视频，其中，原始视频包括原始音频和原始图像帧；对原始音频进行音频识别，得到原始音频的第一内容和语调类别，能够提取到原始视频在音频模态下的内容信息。进一步地，对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；对人物图像帧进行人物识别，得到人物表情类别和人物动作类别，能较为方便地识别出原始视频中人物的表情和动作。进一步地，对图文图像帧进行语义识别，得到第二内容，能够提取到原始视频在图像模态下的内容信息。进一步地，基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述；遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频，能够结合原始视频的视频主题、视频内容概述和参考视频的视频主题、视频内容概述之间的相似情况来选取符合要求的参考视频来作为示例来优化原始视频，提高视频优化的合理性和效率，从而生成视频质量较高的目标视频。
附图说明
图1是本申请实施例提供的视频生成方法的流程图；
图2是图1中的步骤S102的流程图；
图3是图2中的步骤S204的流程图；
图4是图1中的步骤S104的流程图；
图5是图1中的步骤S105的流程图；
图6是图1中的步骤S106的流程图；
图7是图1中的步骤S107的流程图；
图8是本申请实施例提供的视频生成装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
需要说明的是，虽然在装置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，可以以不同于装置中的模块划分，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申请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申请实施例的目的，不是旨在限制本申请。
首先，对本申请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。
信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
随着计算机技术和人工智能的发展，以往线下传统的业务开始逐渐迁移至线上。例如线上购物、线上直播、线上交易等业务场景，有利于银行、网络商家等机构开展业务。目前可以通过虚拟人物进行产品推荐以提高产品推荐的个性化。
例如，保险代理人常常需要通过人工制作的方式来创作保险产品讲解视频，从而在线上为各个对象讲解不同保险产品的产品内容。
目前，通过人工制作的方式将文本、音频、动画等视频素材制作成视频的过程常常对制作人员的经验要求较高，使得制作人员的视频制作经验极大地影响视频质量，往往会存在着视频质量不高的问题。
基于此，本申请实施例提供了一种视频生成方法、视频生成装置、电子设备及存储介质，旨在提高生成的目标视频的视频质量。
本申请实施例提供的视频生成方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的视频生成方法。
本申请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。
本申请实施例提供的视频生成方法，涉及数字医疗技术领域。本申请实施例提供的视频生成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；软件可以是实现视频生成方法的应用等，但并不局限于以上形式。
本申请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。本申请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申请，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是本申请实施例提供的视频生成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S107。
步骤S101，获取原始视频，其中，原始视频包括原始音频和原始图像帧；
步骤S102，对原始音频进行音频识别，得到原始音频的第一内容和语调类别；
步骤S103，对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
步骤S104，对人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
步骤S105，对图文图像帧进行语义识别，得到第二内容；
步骤S106，基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述；
步骤S107，遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频。
本申请实施例所示意的步骤S101至步骤S107，通过获取原始视频，其中，原始视频包括原始音频和原始图像帧；对原始音频进行音频识别，得到原始音频的第一内容和语调类别，能够提取到原始视频在音频模态下的内容信息。进一步地，对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；对人物图像帧进行人物识别，得到人物表情类别和人物动作类别，能较为方便地识别出原始视频中人物的表情和动作。进一步地，对图文图像帧进行语义识别，得到第二内容，能够提取到原始视频在图像模态下的内容信息。进一步地，基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述；遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频，能够结合原始视频的视频主题、视频内容概述和参考视频的视频主题、视频内容概述之间的相似情况来选取符合要求的参考视频来作为示例来优化原始视频，提高视频优化的合理性和效率，从而生成视频质量较高的目标视频。
以上是对步骤S101至步骤S107的总体描述，下面分别对步骤S101至步骤S107进行详细描述。
在步骤S101中，获取原始视频。
原始视频指的是不同业务领域下的相关人员所制作的用于讲解产品或者业务操作流程等的视频数据。例如，在保险领域，原始视频指的是保险代理人制作的用于讲解保险产品的视频。
具体地，在视频制作完成后，由相关人员将视频上传到各种网络平台，服务器可以通过读取这些网络平台的后台数据来获取原始视频。在视频制作完成后，视频会自动存储在对象终端的内存空间里，因此，还可以由服务器在经相关人员同意后直接获取存储在对象终端内的原始视频。
进一步地，原始视频包括原始音频和原始图像帧，原始音频指的是相关人员对视频内容的描述语音，原始图像帧指的是视频中展示的产品或者人物的相关图像。
为了提高视频生成的准确性，还需要对原始视频进行视频分离，使原始音频和原始图像帧能够相互独立，能够分别对原始音频和原始图像帧进行处理。具体地，可以将原始视频输入视频分离工具，通过视频分离工具将原始视频分离为原始音频和多个原始图像帧，也可以将原始视频输入预先训练的视频分离模型，通过视频分离模型输出原始视频对应的原始音频和多个原始图像帧。
需要说明的是，原始音频和原始图像帧具有时间属性。由于原始视频是由多个原始图像帧按照时间顺序排列组成的，根据原始视频的时间戳可以得到原始音频和原始图像帧的时间属性。
在步骤S102中，对原始音频进行音频识别，得到原始音频的第一内容和语调类别。
请参阅图2，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S204：
步骤S201，对原始音频进行文本提取，得到第一文本数据；
步骤S202，对第一文本数据进行语义识别，得到原始音频的第一主题和第一内容描述数据；
步骤S203，基于第一主题和第一内容描述数据，得到第一内容；
步骤S204，对原始音频进行语调分析，得到语调类别。
下面对上述步骤S201至步骤S204进行详细描述。
在一些实施例的步骤S201中，可以利用自动语音识别技术对原始音频进行文本提取，将原始音频由音频形式转换为文字形式，得到第一文本数据。
在一些实施例的步骤S202中，首先对第一文本数据进行分词处理，得到文本词语。接着，对文本词语进行词性标注，得到文本词语的词性类型。进一步地，根据词性类型对文本词语进行词性还原，得到还原词语。最后，基于命名实体识别模型对还原词语进行语义识别，得到第一主题和第一内容描述数据，其中，命名实体识别模型是基于长短期记忆算法构建而成的模型。其中，第一主题是原始音频所表征的视频主题，例如，养老、教育、法商、医疗等；第一内容描述数据是对原始音频的整体内容进行总结，如概括要点、案例陈述、总结延伸等。
在一些实施例的步骤S203中，将第一主题和第一内容描述数据进行整合，得到第一内容。具体地，预设一个填充模板，将第一主题和第一内容描述数据填充到这个预设的填充模板中，将填充后的模板文本作为第一内容。
在一些实施例的步骤S204中，首先对原始音频进行特征提取，得到声纹特征。接着，根据预设的语调分类模型对声纹特征进行分类，得到语调类别。具体地，首先将原始音频分成多个音频帧，对每个音频帧进行傅里叶变换，得到功率谱。接着，利用梅尔倒谱滤波器对功率谱进行频谱变换，得到梅尔倒特征，将梅尔倒谱特征作为声纹特征。最后，基于语调分类模型中预设的分类函数对声纹特征进行类别评分，得到每个候选类别对应的评分数据。将评分数据最高的候选类别作为最终的语调类别。
通过上述步骤S201至步骤S204能够较为方便地从原始音频中提取到原始视频在音频模态下的视频主题和内容概要，还可以基于原始音频中的声纹特征信息来识别出原始音频的语调类别，能够提高对原始视频中的音频信息的分析全面性和准确性。
由于在对原始音频进行语调分析，得到语调类别时，如果基于原始音频中的单一特征进行语调分析往往会存在着分析准确性不高的问题，基于此，本申请实施例提供了一种基于音域特征和音速特征对原始音频进行语调分析的方案，能够更为准确地确定原始音频的语调类别。
请参阅图3，在一些实施例中，对原始音频进行语调分析，得到语调类别的具体过程可以包括但不限于包括步骤S301至步骤S304：
步骤S301，对原始音频进行特征提取，得到原始音频的音域特征和音速特征；
步骤S302，基于音域特征和音速特征对原始音频进行语调划分，得到原始音频所属的语调区间；
步骤S303，基于语调区间对预设的映射表进行查询；其中，映射表包括候选类别；
步骤S304，从映射表获取与语调区间存在映射关系的候选类别，作为语调类别。
下面对上述步骤S301至步骤S304进行详细描述。
在一些实施例的步骤S301中，可以利用卷积神经网络模型对原始音频进行特征提取，通过卷积神经网络模型的多个卷积核分别提取原始音频中的各种音频特征信息，从而得到原始音频的音域特征和音速特征，其中，音域特征用于表征原始音频的声音所处的最低音和最高音的范围，音速特征用于表征原始音频中声音的发声频率。
在一些实施例的步骤S302中，首先基于音域特征对原始音频进行第一语调评分，得到第一分数。接着，基于音速特征对原始音频进行第二语调评分，得到第二分数，最后，将第一分数和第二分数进行加权和，得到综合语调评分数据。进一步地，通过查表的方式查询综合语调评分数据所处的语调区间。
需要说明的是，第一语调评分和第二语调评分的过程可以通过预设函数计算或者通过查表法进行，不做限制。
需要说明的是，预先针对综合语调评分数据划分有多个区间，例如，第一区间为0-20分，第二区间为21分-40分，第三区间为41分-60分，第四区间为61分-80分，第五区间为81分-100分。
例如，基于softmax函数对音域特征进行第一语调评分，得到音域特征对应的第一分数为80；基于softmax函数对音速特征进行第二语调评分，得到音速特征对应的第二分数为60。将第一分数的权重设置为0.5,第二分数的权重设置为0.5。得到综合语调评分数据为70分。基于此，确定原始音频的语调区间为第四区间。
在一些实施例的步骤S303中，映射表包括多个语调区间、以及每个语调区间对应的候选类别。因此，基于语调区间对预设的映射表进行查询，查找综合语调评分数据所处的语调区间在映射表的位置和映射关系。
在一些实施例的步骤S304中，首先，在映射表中，确定与综合语调评分数据所处的语调区间存在映射关系的候选类别，将候选类别作为语调类别。其中，根据语调分类属性划分，语调类别包括重要、不重要或者正常。
通过上述步骤S301至步骤S304能够结合音速特征和音域特征来对原始音频进行语调分析，相较于单一特征的语调分析，采取了多个特征相结合的方式，能够提高语调分析的准确性，同时，本申请在语调分析时还采取了查表和分数计算等方式，能够提高语调分析的效率和准确性，使最终确定的语调类别更为合理。
在步骤S103中，对原始图像帧进行图像分类，得到人物图像帧和图文图像帧。
具体地，可以利用图像分类模型对原始图像帧进行分类，得到人物图像帧和图文图像帧，其中，人物图像帧指的是包含人物特征的原始图像帧，图文图像帧指的是不包含人物特征的原始图像帧，图文图像帧中可以包含有图形、文字等内容。需要说明的是，图像分类模型可以是深度残差网络ResNet。具体地，将原始图像帧输入至基于深度残差网络的图像分类模型中，首先基于图像分类模型的卷积层对原始图像帧进行特征提取，得到图像特征图，接着，基于图像分类模型的分类函数对图像特征图进行图像二分类，得到将包含人物特征的原始图像帧识别为人物图像帧，将不包含人物特征的原始图像帧识别为图文图像帧。这一方式能够基于图像分类模型来对原始图像帧进行分类处理，能够有效地提高图像分类的准确性和图像分类效率。
在步骤S104中，对人物图像帧进行人物识别，得到人物表情类别和人物动作类别。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S403：
步骤S401，对人物图像帧进行特征点定位，得到人物图像帧中的人脸特征点和肢体特征点；
步骤S402，基于人脸特征点进行表情识别，得到人物表情类别；
步骤S403，基于肢体特征点进行动作识别，得到人物动作类别。
下面对上述步骤S401至步骤S403进行详细描述。
在一些实施例的步骤S401中，利用landmarks算法对人脸图像帧中的特征点进行定位，得到若干个特征点的坐标。其中，特征点包括人脸图像帧中的人脸特征点和肢体特征点。具体地，将人脸图像帧输入至基于landmarks算法构建的人脸对齐模型中进行人脸对齐和特征点坐标识别，输出人脸特征点对应的第一坐标数组以及肢体特征点对应的第二坐标数组。
在一些实施例的步骤S402中，首先，基于第一坐标数组构建人脸特征；接着利用softmax函数对人脸特征进行表情评分，得到人脸特征属于每个预设表情类别的表情分数，将表情分数最高的预设表情类别作为人物图像帧的人物表情类别。其中，表情类别包括高兴、生气、伤心、害怕、害羞、厌恶等等。
在一些实施例的步骤S403中，首先，基于第二坐标数组构建动作特征；接着利用softmax函数对动作特征进行表情评分，得到动作特征属于每个预设动作类别的动作分数，将动作分数最高的预设动作类别作为人物图像帧的人物动作类别。其中，动作类别包括举手、低头、叉腰等等。
通过上述步骤S401至步骤S403能够较为方便地识别人物图像帧中人物表情类别和人物动作类别，使得获取到更多、更丰富的人物特征信息，有助于根据人物表情和人物动作对原始视频中的真实内容进行分析和表示，使人物动作和人物动作与视频所要表征的含义更加适配，从而提高视频质量。
在步骤S105中，对图文图像帧进行语义识别，得到第二内容。
请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S503：
步骤S501，对图文图像帧进行文字识别，得到图文图像帧的第二文本数据；
步骤S502，对第二文本数据进行语义识别，得到图文图像帧的第二主题和第二内容描述数据；
步骤S503，基于第二主题和第二内容描述数据，得到第二内容。
下面对上述步骤S501至步骤S503进行详细描述。
在一些实施例的步骤S501中，可以通过光学字符识别技术对图文图像帧进行文字识别，得到图文图像帧的第二文本数据。具体地，通过光学字符识别技术确定图文图像帧中的字符形状，接着，根据光学字符识别技术中常用的字符识别方法将字符形状翻译为计算机文字，得到图文图像帧的第二文本数据。
在一些实施例的步骤S502中，对第二文本数据进行语义识别，得到图文图像帧的第二主题和第二内容描述数据的具体实现过程与上述步骤S202中对第一文本数据进行语义识别，得到图文图像帧的第一主题和第一内容描述数据的具体实现过程类似。为节省篇幅，不再赘述。
在一些实施例的步骤S503中，将第二主题和第二内容描述数据进行整合，得到第二内容。具体地，预设一个填充模板，将第二主题和第二内容描述数据填充到这个预设的填充模板中，将填充后的模板文本作为第二内容。
通过上述步骤S501至步骤S503能够较为方便地从图文图像帧中提取到原始视频在图像模态下的视频主题和内容概要，能够提高对原始视频中的图像信息的分析全面性和准确性。
在步骤S106中，基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述。
请参阅图6，在一些实施例，第一内容包含第一主题和第一内容描述数据，第二内容包含第二主题和第二内容描述数据，步骤S106包括但不限于包括步骤S601至步骤S604：
步骤S601，基于语调类别对第一内容进行内容解析，得到第三内容，其中，第三内容包括第三主题和第三内容描述数据；
步骤S602，基于人物表情类别和人物动作类别对第二内容进行内容解析，得到第四内容，其中，第四内容包括第四主题和第四内容描述数据；
步骤S603，基于第三主题和第四主题进行交集运算，得到视频主题；
步骤S604，基于第三内容描述数据和第四内容描述数据进行交集运算，得到视频内容概述。
下面对上述步骤S601至步骤S604进行详细描述。
在一些实施例的步骤S601中，首先基于语调类别对第一主题进行解析处理，将第一主题中与语调类别的相关度更高的主题信息进行保留，与语调类别的相关度较低的主题信息进行剔除，得到第三主题。同样地，首先基于语调类别对第一内容描述数据进行解析处理，将第一内容描述数据中与语调类别的相关度更高的内容信息进行保留，与语调类别的相关度较低的内容信息进行剔除，得到第三内容描述数据。
需要说明的是，在计算第一主题中与语调类别的相关度时，对第一主题进行语音合成，并对合成语音进行描述第一主题的声纹特征进行提取和语调分析，得到主题语调类别，利用相似度算法计算主题语调类别和上述语调类别的相似程度，将计算到的相似度作为相关度。
在一些实施例的步骤S602的具体实现过程与上述步骤S601的具体实现过程类似，为了节省篇幅，不再赘述。
在一些实施例的步骤S603中，在基于第三主题和第四主题进行交集运算时，将第三主题和第四主题进行比较，将第三主题和第四主题中的相同主题部分作为视频主题。例如，第三主题包括养老、医疗，第四主题包括医疗和教育，则将视频主题确定为医疗。
在一些实施例的步骤S604中，在第三内容描述数据和第四内容描述数据进行交集运算时，将第三内容描述数据和第四内容描述数据进行比较，将第三内容描述数据和第四内容描述数据中的相同内容描述部分作为视频内容概述。
通过上述步骤S601至步骤S604能够进一步地对第一内容和第二内容进行解析和优化，得到内容质量更好的第三内容和第四内容。进一步地，根据第三内容和第四内容的相同部分生成视频主题和视频内容概述，能够兼顾到原始视频在音频模态和图像模态下的内容特征信息来得到原始视频的视频主题和内容概要，提高视频主题和视频内容概述的准确性。
在步骤S107中，遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频。
请参阅图7，在一些实施例中，视频案例库还包括参考视频的参考主题、参考内容概述以及参考评分数据，步骤S107可以包括但不限于包括步骤S701至步骤S704：
步骤S701，计算参考主题与视频主题的第一相似度，并计算参考内容概述与视频内容概述的第二相似度；
步骤S702，基于第一相似度、第二相似度以及参考评分数据对原始视频进行视频评分，得到原始视频的评分数据；
步骤S703，在与视频主题的第一相似度最大的参考主题中，选取参考评分数据大于预设阈值的参考视频作为样本视频；
步骤S704，基于样本视频对原始视频进行优化处理，得到目标视频。
下面对上述步骤S701至步骤S704进行详细描述。
在一些实施例的步骤S701中，利用余弦相似度算法、欧式距离等多种用于计算相似度的算法来计算参考主题与视频主题的第一相似度；同样地，利用余弦相似度算法、欧式距离等多种用于计算相似度的算法来计算参考内容概述与视频内容概述的第二相似度。
在一些实施例的步骤S702中，首先对第一相似度和第二相似度进行加权和，得到原始视频和每个参考视频的综合相似度。接着，将综合相似度最高的参考视频的参考评分数据作为原始视频的评分数据。
在一些实施例的步骤S703中，首先，根据第一相似度，选取与视频主题的第一相似度最大的参考主题中的所有参考视频作为第一视频；第一视频是与原始视频的主题类型最接近的参考视频。接着，根据参考评分数据，选取参考评分数据大于预设阈值的第一视频作为样本视频，样本视频是第一视频中评分较高的视频，可以作为优秀视频案例来给原始视频的优化提供参考。
在一些实施例的步骤S704中，在基于样本视频对原始视频进行优化处理时，首先根据样本视频的视频参数来调整原始视频的视频参数；接着，根据样本视频中的人物表情和人物动作来优化原始视频的人物表情和人物动作。进一步地，根据样本视频中的语调特点来优化原始视频的语调信息，从而得到目标视频。
通过上述步骤S701至步骤S704能够较为方便地对原始视频进行评分，并提取到与原始视频的视频类型较为接近的原始视频作为优秀视频案例，基于选取的优秀视频案例对原始视频进行优化，从多个方面、多个维度来优化原始视频，从而提高生成的目标视频的视频质量。
请参阅图8，本申请实施例还提供一种视频生成装置，可以实现上述视频生成方法，该装置包括：
视频获取模块801，用于获取原始视频，其中，原始视频包括原始音频和原始图像帧；
音频识别模块802，用于对原始音频进行音频识别，得到原始音频的第一内容和语调类别；
图像分类模块803，用于对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
人物识别模块804，用于对人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
语义识别模块805，用于对图文图像帧进行语义识别，得到第二内容；
内容解析模块806，用于基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述；
优化模块807，用于遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频。
该视频生成装置的具体实施方式与上述视频生成方法的具体实施例基本相同，在此不再赘述。
本申请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视频生成方法。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。
请参阅图9，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，以实现本申请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来调用执行本申请实施例的视频生成方法；
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。
本申请实施例还提供了一种计算机可读存储介质，计算机可读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，以实现上述视频生成方法。
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。
本申请实施例提供的视频生成方法、视频生成装置、电子设备及计算机可读存储介质，其通过获取原始视频，其中，原始视频包括原始音频和原始图像帧；对原始音频进行音频识别，得到原始音频的第一内容和语调类别，能够提取到原始视频在音频模态下的内容信息。进一步地，对原始图像帧进行图像分类，得到人物图像帧和图文图像帧；对人物图像帧进行人物识别，得到人物表情类别和人物动作类别，能较为方便地识别出原始视频中人物的表情和动作。进一步地，对图文图像帧进行语义识别，得到第二内容，能够提取到原始视频在图像模态下的内容信息。进一步地，基于第一内容、语调类别、人物表情类别、人物动作类别以及第二内容进行视频内容解析，得到原始视频的视频主题和视频内容概述，能够兼顾到原始视频在音频模态和图像模态下的内容特征信息来得到原始视频的视频主题和内容概要，提高视频主题和视频内容概述的准确性。最后，遍历预设的视频案例库，基于视频案例库的参考视频、视频主题和视频内容概述对原始视频进行优化处理，得到目标视频，能够结合原始视频的视频主题、视频内容概述和参考视频的视频主题、视频内容概述之间的相似情况来选取符合要求的参考视频来作为示例来优化原始视频，从多个方面、多个维度来优化原始视频，从而提高生成的目标视频的视频质量。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请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，本申请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申请实施例的限定，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。
以上所描述的装置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。
本申请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，以便这里描述的本申请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，在本申请中，“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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，装置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，在本申请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，本申请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)执行本申请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申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种视频生成方法，其特征在于，所述方法包括：
获取原始视频，其中，所述原始视频包括原始音频和原始图像帧；
对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别；
对所述原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
对所述图文图像帧进行语义识别，得到第二内容；
基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述；
遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频。
2.根据权利要求1所述的视频生成方法，其特征在于，所述对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别，包括：
对所述原始音频进行文本提取，得到第一文本数据；
对所述第一文本数据进行语义识别，得到所述原始音频的第一主题和第一内容描述数据；
基于所述第一主题和所述第一内容描述数据，得到所述第一内容；
对所述原始音频进行语调分析，得到所述语调类别。
3.根据权利要求2所述的视频生成方法，其特征在于，所述对所述原始音频进行语调分析，得到所述语调类别，包括：
对所述原始音频进行特征提取，得到所述原始音频的音域特征和音速特征；
基于所述音域特征和所述音速特征对所述原始音频进行语调划分，得到所述原始音频所属的语调区间；
基于所述语调区间对预设的映射表进行查询；其中，所述映射表包括候选类别；
从所述映射表获取与所述语调区间存在映射关系的候选类别，作为所述语调类别。
4.根据权利要求1所述的视频生成方法，其特征在于，所述对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别，包括：
对所述人物图像帧进行特征点定位，得到所述人物图像帧中的人脸特征点和肢体特征点；
基于所述人脸特征点进行表情识别，得到所述人物表情类别；
基于所述肢体特征点进行动作识别，得到所述人物动作类别。
5.根据权利要求1所述的视频生成方法，其特征在于，所述对所述图文图像帧进行语义识别，得到第二内容，包括：
对所述图文图像帧进行文字识别，得到所述图文图像帧的第二文本数据；
对所述第二文本数据进行语义识别，得到所述图文图像帧的第二主题和第二内容描述数据；
基于所述第二主题和所述第二内容描述数据，得到所述第二内容。
6.根据权利要求1所述的视频生成方法，其特征在于，所述第一内容包含第一主题和第一内容描述数据，所述第二内容包含第二主题和第二内容描述数据，所述基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述，包括：
基于所述语调类别对所述第一内容进行内容解析，得到第三内容，其中，所述第三内容包括第三主题和第三内容描述数据；
基于所述人物表情类别和所述人物动作类别对所述第二内容进行内容解析，得到第四内容，其中，所述第四内容包括第四主题和第四内容描述数据；
基于所述第三主题和所述第四主题进行交集运算，得到所述视频主题；
基于所述第三内容描述数据和所述第四内容描述数据进行交集运算，得到所述视频内容概述。
7.根据权利要求1至6任一项所述的视频生成方法，其特征在于，所述视频案例库还包括所述参考视频的参考主题、参考内容概述以及参考评分数据，所述遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频，包括：
计算所述参考主题与所述视频主题的第一相似度，并计算所述参考内容概述与所述视频内容概述的第二相似度；
基于所述第一相似度、所述第二相似度以及所述参考评分数据对所述原始视频进行视频评分，得到所述原始视频的评分数据；
在与所述视频主题的第一相似度最大的所述参考主题中，选取参考评分数据大于预设阈值的参考视频作为样本视频；
基于所述样本视频对所述原始视频进行优化处理，得到所述目标视频。
8.一种视频生成装置，其特征在于，所述装置包括：
视频获取模块，用于获取原始视频，其中，所述原始视频包括原始音频和原始图像帧；
音频识别模块，用于对所述原始音频进行音频识别，得到所述原始音频的第一内容和语调类别；
图像分类模块，用于对所述原始图像帧进行图像分类，得到人物图像帧和图文图像帧；
人物识别模块，用于对所述人物图像帧进行人物识别，得到人物表情类别和人物动作类别；
语义识别模块，用于对所述图文图像帧进行语义识别，得到第二内容；
内容解析模块，用于基于所述第一内容、所述语调类别、所述人物表情类别、所述人物动作类别以及所述第二内容进行视频内容解析，得到所述原始视频的视频主题和视频内容概述；
优化模块，用于遍历预设的视频案例库，基于所述视频案例库的参考视频、所述视频主题和所述视频内容概述对所述原始视频进行优化处理，得到目标视频。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的视频生成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的视频生成方法。
CN202311055018.7A 2023-08-18 2023-08-18 视频生成方法、视频生成装置、电子设备及存储介质 Pending CN117097922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311055018.7A CN117097922A (zh) 2023-08-18 2023-08-18 视频生成方法、视频生成装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311055018.7A CN117097922A (zh) 2023-08-18 2023-08-18 视频生成方法、视频生成装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117097922A true CN117097922A (zh) 2023-11-21

Family

ID=88782941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311055018.7A Pending CN117097922A (zh) 2023-08-18 2023-08-18 视频生成方法、视频生成装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117097922A (zh)

Similar Documents

Publication Publication Date Title
CN112182166B (zh) 一种文本匹配方法、装置、电子设备及存储介质
CN113724882B (zh) 基于问诊会话构建用户画像的方法、装置、设备和介质
CN116561538A (zh) 问答评分方法、问答评分装置、电子设备及存储介质
CN115497477B (zh) 语音交互方法、语音交互装置、电子设备、存储介质
CN116541493A (zh) 基于意图识别的交互应答方法、装置、设备、存储介质
CN113704428A (zh) 智能问诊方法、装置、电子设备及存储介质
CN114722774B (zh) 数据压缩方法、装置、电子设备及存储介质
CN112307754A (zh) 语句获取方法及装置
CN117668758A (zh) 对话意图识别方法和装置、电子设备及存储介质
CN117373591A (zh) 电子病历的疾病识别方法和装置、电子设备及存储介质
CN111062207B (zh) 表情图像处理方法、装置、计算机存储介质及电子设备
CN116956925A (zh) 电子病历命名实体识别方法和装置、电子设备及存储介质
CN116719999A (zh) 文本相似度检测方法和装置、电子设备及存储介质
CN116702743A (zh) 文本相似度检测方法和装置、电子设备及存储介质
CN114786059B (zh) 视频生成方法、视频生成装置、电子设备、存储介质
CN114611529B (zh) 意图识别方法和装置、电子设备及存储介质
CN116543798A (zh) 基于多分类器的情感识别方法和装置、电子设备、介质
CN116364054A (zh) 基于diffusion的语音合成方法、装置、设备、存储介质
CN116595970A (zh) 语句同义改写方法、装置和电子设备
CN116434730A (zh) 基于多尺度情感的语音合成方法、装置、设备、存储介质
CN114398903B (zh) 意图识别方法、装置、电子设备及存储介质
CN116645961A (zh) 语音识别方法、语音识别装置、电子设备及存储介质
CN115759052A (zh) 一种文本纠错方法、装置、电子设备及存储介质
CN115795007A (zh) 智能问答方法、智能问答装置、电子设备及存储介质
CN117097922A (zh) 视频生成方法、视频生成装置、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