CN117768722A - 处理音视频直播流的方法、装置、电子设备和存储介质 - Google Patents

Abstract

提供了一种处理音视频直播流的方法、装置、电子设备和存储介质。处理音视频直播流的方法包括：获取第一音视频直播流；基于第一音视频直播流得到第一音频流数据和第一视频流数据；基于第一音频流数据得到相应的字幕文本及其时间戳信息；基于时间戳信息将字幕文本与第一视频流数据进行合成，得到第二视频流数据；基于第二视频流数据和第一音频流数据生成第二音视频直播流。这样，可以在音视频直播流中实时生成字幕文本。

Description

处理音视频直播流的方法、装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，具体涉及一种处理音视频直播流的方法、装置、电子设备和存储介质。

背景技术

AI(Artificial Intelligence，人工智能)语音翻译涉及语音识别技术和机器翻译技术，其利用语音识别技术自动识别演讲者的讲话内容，将语音转化为文字，然后调用机器翻译引擎，将文字翻译为目标语言，显示在大屏幕或者通过语音合成播放出来。

发明内容

提供该发明内容部分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。该发明内容部分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，根据本公开的一个或多个实施例，提供了一种处理音视频直播流的方法，包括：

获取第一音视频直播流；

基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；

基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；

基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；

基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

第二方面，根据本公开的一个或多个实施例，提供了一种处理音视频直播流的装置，包括：

直播流获取单元，用于获取第一音视频直播流；

直播流解析单元，用于基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；

语音翻译单元，用于基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；字幕合成单元，用于基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；

音视频合成单元，用于基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

第三方面，根据本公开的一个或多个实施例，提供了一种电子设备，包括：至少一个存储器和至少一个处理器；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以使所述电子设备执行根据本公开的一个或多个实施例提供方法。

第四方面，根据本公开的一个或多个实施例，提供了一种非暂态计算机存储介质，所述非暂态计算机存储介质存储有程序代码，所述程序代码被计算机设备执行时，使得所述计算机设备执行根据本公开的一个或多个实施例提供的方法。

根据本公开的一个或多个实施例，通过获取第一音视频直播流，基于第一音视频直播流得到第一音频流数据和第一视频流数据，基于第一音频流数据得到相应的字幕文本及其时间戳信息，基于时间戳信息将字幕文本与第一视频流数据进行合成，得到第二视频流数据，并基于第二视频流数据和第一音频流数据生成第二音视频直播流，从而可以在音视频直播流中实时生成字幕文本。

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。

图1为本公开一实施例提供的处理音视频直播流的方法的流程图；

图2为本公开一实施例提供的图形用户界面的示意图；

图3为本公开另一实施例提供的处理音视频直播流的方法的流程图；

图4为本公开一实施例提供的处理音视频直播流的装置的结构示意图；

图5为根据本公开一实施例提供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，本公开的实施方式中记载的步骤可以按照不同的顺序执行，和/或并行执行。此外，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”。术语“响应于”以及有关的术语是指一个信号或事件被另一个信号或事件影响到某个程度，但不一定是完全地或直接地受到影响。如果事件x“响应于”事件y而发生，则x可以直接或间接地响应于y。例如，y的出现最终可能导致x的出现，但可能存在其它中间事件和/或条件。在其它情形中，y可能不一定导致x的出现，并且即使y尚未发生，x也可能发生。此外，术语“响应于”还可以意味着“至少部分地响应于”。

术语“确定”广泛涵盖各种各样的动作，可包括获取、演算、计算、处理、推导、调研、查找(例如，在表、数据库或其他数据结构中查找)、探明、和类似动作，还可包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)和类似动作，以及解析、选择、选取、建立和类似动作等等。其他术语的相关定义将在下文描述中给出。其他术语的相关定义将在下文描述中给出。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获得或使用)应当遵循相关法律法规的规定。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当根据相关法律法规通过适当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获得和使用到用户的个人信息，从而使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限制性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式，例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获得用户授权过程，仅是示意性的，不对本公开的实现方式构成限定，其他满足相关法律法规的方式也可应用于本公开的实现方式中。

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”。

为了本公开的目的，短语“A和/或B”意为(A)、(B)或(A和B)。

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。

参考图1，其示出了本公开一实施例提供的处理音视频直播流的方法100的流程图，方法100包括步骤S110-步骤S150。

步骤S110：获取第一音视频直播流。

在一些实施例中，可以通过视频推流或视频拉流的方式获取第一音视频直播流。其中，视频推流是指将实时的视频数据从一个源端发送到一个或多个目标端的过程。视频拉流是指从一个源端获取实时视频数据的过程。其中，所采用的视频传输协议例如可以为实时传输协议(Real-Time Transport Protocol，RTMP)、用户数据报协议(User DatagramProtocol，UDP)、传输控制协议(Transmission Control Protocol，TCP)等，但本公开不限于此。

在一个具体实施方式中，可以向用户提供预设的图形用户界面，以供用户在该图形用户界面中输入第一音视频直播流的直播流地址，从而可以基于该直播流地址获取第一音视频直播流。

在一些实施例中，为应对源流断开的情形，在直播内容开始前，可以响应于检测到第一音视频直播流断开，释放推流资源，并重新进行推流连接。在直播内容开始后，可以响应于在预设时段内(例如3分钟)未收到第一音视频直播流，停止后续的处理步骤，并显示提示信息。

在一些实施例中，在第一音视频直播流的源端成功连接后，则可以不再接受来自其他源端的直播流，以防止多种直播流的相互冲突，影响后续处理。

在一些实施例中，可以生成推流地址和串流秘钥以通过推流方式获得直播间源流。推流地址可以具有一定的有效期限。在一个具体实施方式中，推流地址可以基于RTMP协议生成。

步骤S120：基于所述第一音视频直播流得到第一音频流数据和第一视频流数据。

在一些实施例中，可以基于直播流地址解析流媒体协议，提取音视频封装格式数据并进行解封装及解码，例如，提取音频压缩流和视频压缩流数据并解码，亦将压缩后的音视频数据还原为原始的音视频数据。

步骤S130：基于所述第一音频流数据得到相应的字幕文本及其时间戳信息。

在一些实施例中，字幕文本可以包括语音识别到的原文和/或与原文对应的目标语言译文。

在一些实施例中，可以分离解码后的音视频流数据，将音频流数据推送给实时语音翻译接口，并获取实时语音翻译接口实时返回的字幕文本及其时间戳信息。

在一些实施例中，可以通过调用语音翻译接口对第一音频流数据进行语音识别、断句及翻译，以得到语音原文和/或译文。

步骤S140：基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据。

在一些实施例中，可以将字幕文本与视频进行时间戳对齐，并将字幕文本与视频进行合流得到第二视频流数据。

在一些实施例中，在完成字幕文本和视频的合流后，可以提示当前所合成的字幕文本的相关信息，例如字幕的行数。

步骤S150：基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

在一些示例中，可以对第二视频流数据和第一音频流数据分别进行视频编码和音频编码，并进行封装，从而得到第二音视频直播流。

根据本公开的一个或多个实施例，通过获取第一音视频直播流，基于第一音视频直播流得到第一音频流数据和第一视频流数据，基于第一音频流数据得到相应的字幕文本及其时间戳信息，基于时间戳信息将字幕文本与第一视频流数据进行合成，得到第二视频流数据，并基于第二视频流数据和第一音频流数据生成第二音视频直播流，从可以在音视频直播流中实时生成字幕。

在一些实施例中，方法100还包括：在所述基于时间戳信息将所述字幕文本与所述第一视频流数据进行合成之前，基于用户的编辑操作更新所述字幕文本；其中，所述基于用户的编辑操作更新所述字幕文本，包括：通过第二图形用户界面显示所述字幕文本中的原文；响应于用户针对所述原文的编辑操作，获取更新后的原文；对所述更新的原文执行翻译操作，得到更新后的译文。示例性地，在获取实时语音翻译接口实时返回的字幕文本后，可以通过预设的第二图形用户界面显示字幕文本中的原文，以供用户可以对该原文进行手动更正，并基于更正后的原文重新调用翻译接口得到更新后的译文。

进一步地，在一些实施例，以及响应于确定到达预设的延迟时间，将所述字幕文本与所述第一视频流数据进行合成。因人工校正需要花费较多的时间(例如10-20秒)，因此可以预先设置一延迟时间，待达到该延迟时间后，再将字幕文本与视频内容合流，从而该预设的延迟时间提供了人工校正的预留时间。此外，因每次人工校正花费的时间往往各不相等，且不少情形亦可能无需进行人工校正，因而每次得到的字幕文本所花费的时间不可能完全相同，对此，在本实施例中，通过设置该固定的延迟时间，可以提供一个周期性地、规律地的字幕与视频的合流时机，从而保证整体有序地合成带字幕的视频流。

进一步地，在一些实施例中，还可以响应于获取到所述第一音视频直播流，在预设的显示区域中播放所述第一音视频直播流。示例性地，可以调用播放器组件实时解析并播放第一音视频。在本实施例中，通过获取到音视频直播的源流后，调用播放器播放源流的音视频，以将源流的音视频实时提供相关人员，从而便于该相关人员对后续生成的字幕文本进行校正。

在一个具体实施方式中，该预设的延迟时间自获取到所述第一音视频直播流后起算。例如，假设预设的延迟时间为30秒，则自获取到第一音视频直播流的30秒后，为确保第二视频流的有序合成以便后续直播传输，即将已有的字幕文本(已完成校对的或未校对的)与第一视频流进行合流，而无论该字幕文本是否需要或正在进行人工校对。

在一些实施例中，步骤S140包括：

步骤A1：基于所述第一视频流数据获取视频分辨率信息；

步骤A2：基于所述视频分辨率信息确定所述字幕文本在视频中的显示限制，所述显示限制包括对显示长度的限制和/或对显示宽度的限制；

步骤A3：基于所述显示限制确定所述字幕文本的显示样式。

在本实施例中，通过基于第一视频流数据获取视频分辨率信息，并基于该视频分辨率信息确定字幕文本在视频中的显示限制，以基于该显示调整字幕文本到的显示样式，从而使字幕文本的显示样式与视频更加匹配。

示例性地，可以基于显示限制对字幕文本进行切分、换行、合并等处理，以使调整后的字幕文本匹配视频的宽度(对应于字幕横向显示)或视频的宽度高度(对应于字幕的纵向显示)。

在一些实施例中，方法100还包括：

步骤S160：将所述第二音视频直播流传输给目标远程计算机设备。示例性地，可以通过视频推流或视频拉流的方式传输第二音视频直播流。

在一些实施例中，可以基于用户预先设置的输出地址传输所述第二音视频直播流，还可以基于本地默认设置、用户或服务器的实时指令确定目标远程计算机设备，但本公开不限于此。

参考图2，其示出了本公开一实施例提供的图形用户界面10的示意图。图形用户界面10提供有用于源流输入设置的第一图形用户界面11，以供用户在其内的输入框中输入直播流的源流地址，从而可以通过视频拉流的方式获取第一音视频直播流。

在获取到第一音视频直播流后，可以在显示区域13中播放该第一音视频直播流，并在第二图形用户界面12中显示基于第一音频流数据得到的字幕文本中的原文，用户可以对第二图形用户界面12中显示的原文进行人工校正，校正后的原文可以再次经由实施语音翻译接口得到新的译文，校正后的译文可参与后续的视频合流处理。

参考图3，其示出了本公开另一实施例提供的处理音视频直播流的方法的流程图。

在步骤S210中，获取第一音视频直播流。示例性地，可以通过视频推流或视频拉流的方式获取直播间的源流。

在步骤S220中，对获取的第一音视频直播流进行解析操作，得到第一视频流数据和第一音频流数据。其中，解析操作包括但不限于解析流协议、解封装、解码等操作。示例性地，根据URL解析流媒体协议，提取音视频封装格式数据，提取音频压缩流和视频压缩流数据，以及解码音视频压缩数据。在一些实施例中，可以基于预设的延时时间缓存获得的第一视频流数据和第一音频流数据。

在步骤S231中，对第一音频流数据进行实时语音翻译，得到相应的字幕文本及其时间戳信息。示例性地，可以调用实时语音翻译接口处理第一音频流数据。

在步骤S232中，对视频和字幕进行时间戳对齐。

在步骤S241中，确定是否对字幕文本进行人工校正。若进行人工校正，则将对校正后的原文进行实时语音翻译。示例性地，可以将人工校正后的原文发送给实时语音翻译接口进行再次翻译。

在步骤S242中，确定是否到达预设的延迟时间。若到达预设的延迟时间，则执行步骤S252。

在步骤S252中，合成视频与字幕文本，得到第二视频流数据。示例性地，可以根据预设的字幕显示方案和显示限制，将字幕文本和视频内容进行合成。其中，字幕显示方案包括字幕的字体、字号、颜色或显示动画(例如，逐字显示或整句显示)等。显示限制包括对字幕显示长度(对应于字幕横向显示的情形)和对字幕显示高度(对应于字幕的纵向显示的情形)。在一些实施例中，可以基于所述视频分辨率信息、字幕的字号和字幕的位置等参数，确定所述字幕文本在视频中的显示限制。

在步骤S260中，可以对第二视频流数据和缓存的第一音频流数据进行音视频进行编码与封装，得到带有字幕的第二音视频直播流。

在步骤S270，输出第二音视频直播流。在一些实施例中，可以通过推流方式输出第二音视频直播流数据，或者，提供第二音视频直播流的拉流地址。

相应地，参考图4，根据本公开一实施例提供了一种处理音视频直播流的装置400，包括：

直播流获取单元401，用于获取第一音视频直播流；

直播流解析单元402，用于基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；

语音翻译单元403，用于基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；

字幕合成单元404，用于基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；

音视频合成单元405，用于基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

在一些实施例中，所述直播流获取单元用于基于用户在预设的第一图形用户界面中输入的直播流地址，获取所述第一音视频直播流。

在一些实施例中，所述处理音视频直播流的装置还包括：

文本更新单元，用于基于用户的编辑操作更新所述字幕文本；其中，所述基于用户的编辑操作更新所述字幕文本，包括：通过第二图形用户界面显示所述字幕文本中的原文；响应于用户针对所述原文的编辑操作，获取更新后的原文；对所述更新后的原文执行翻译操作，得到更新后的译文。

在一些实施例中，所述字幕合成单元用于响应于确定到达预设的延迟时间，将得到的字幕文本与所述第一视频流数据进行合成。

在一些实施例中，所述预设的延迟时间自获取到所述第一音视频直播流后起算。

在一些实施例中，所述处理音视频直播流的装置还包括：

源流显示单元，用于响应于获取到所述第一音视频直播流，在预设的显示区域中播放所述第一音视频直播流。

在一些实施例中，所述字幕合成单元包括：

分辨率获取子单元，用于基于所述第一视频流数据获取视频分辨率信息；

显示限制确定子单元，用于基于所述视频分辨率信息确定所述字幕文本在视频中的显示限制，所述显示限制包括对显示长度的限制和/或对显示宽度的限制；

显示样式确定子单元，用于基于所述显示限制确定所述字幕文本的显示样式。

在一些实施例中，所述处理音视频直播流的装置还包括：

传输单元，用于将所述第二音视频直播流传输给目标远程计算机设备。

对于装置的实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离模块说明的模块可以是或者也可以不是分开的。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在不付出创造性劳动的情况下，即可以理解并实施。

相应地，根据本公开的一个或多个实施例，提供了一种电子设备，包括：

至少一个存储器和至少一个处理器；

其中，存储器用于存储程序代码，处理器用于调用存储器所存储的程序代码以使所述电子设备执行根据本公开一个或多个实施例提供的处理音视频直播流的方法。

相应地，根据本公开的一个或多个实施例，提供了一种非暂态计算机存储介质，非暂态计算机存储介质存储有程序代码，程序代码可被计算机设备执行来使得所述计算机设备执行根据本公开一个或多个实施例提供的处理音视频直播流的方法。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)800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5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5所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备800，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809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801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，使得该电子设备执行上述的本公开的方法。

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单元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，单元的名称在某种情况下并不构成对该单元本身的限定。

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，提供了一种处理音视频直播流的方法，包括：获取第一音视频直播流；基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

根据本公开的一个或多个实施例，所述获取第一音视频直播流包括：基于用户在预设的第一图形用户界面中输入的直播流地址，获取所述第一音视频直播流。

根据本公开的一个或多个实施例提供的方法，还包括：在所述基于时间戳信息将所述字幕文本与所述第一视频流数据进行合成之前，基于用户的编辑操作更新所述字幕文本；其中，所述基于用户的编辑操作更新所述字幕文本，包括：通过第二图形用户界面显示所述字幕文本中的原文；响应于用户针对所述原文的编辑操作，获取更新后的原文；对所述更新后的原文执行翻译操作，得到更新后的译文。

根据本公开的一个或多个实施例，所述将所述字幕文本与所述第一视频流数据进行合成，包括：响应于确定到达预设的延迟时间，将得到的字幕文本与所述第一视频流数据进行合成。

根据本公开的一个或多个实施例，所述预设的延迟时间自获取到所述第一音视频直播流后起算。

根据本公开的一个或多个实施例提供的方法，还包括：响应于获取到所述第一音视频直播流，在预设的显示区域中播放所述第一音视频直播流。

根据本公开的一个或多个实施例，所述将所述字幕文本与所述第一视频流数据进行合成，包括：基于所述第一视频流数据获取视频分辨率信息；基于所述视频分辨率信息确定所述字幕文本在视频中的显示限制，所述显示限制包括对显示长度的限制和/或对显示宽度的限制；基于所述显示限制确定所述字幕文本的显示样式。

根据本公开的一个或多个实施例提供的方法，还包括：将所述第二音视频直播流传输给目标远程计算机设备。

根据本公开的一个或多个实施例，提供了一种处理音视频直播流的装置，包括：直播流获取单元，用于获取第一音视频直播流；直播流解析单元，用于基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；语音翻译单元，用于基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；字幕合成单元，用于基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；音视频合成单元，用于基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：至少一个存储器和至少一个处理器；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以使所述电子设备执行根据本公开的一个或多个实施例提供的处理音视频直播流的方法。

根据本公开的一个或多个实施例，提供了一种非暂态计算机存储介质，所述非暂态计算机存储介质存储有程序代码，所述程序代码被计算机设备执行时，使得所述计算机设备执行根据本公开的一个或多个实施例提供的处理音视频直播流的方法。

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。

Claims (11)

1.一种处理音视频直播流的方法，其特征在于，包括：

获取第一音视频直播流；

基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；

基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；

基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；

基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

2.根据权利要求1所述的方法，其特征在于，所述获取第一音视频直播流包括：

基于用户在预设的第一图形用户界面中输入的直播流地址，获取所述第一音视频直播流。

3.根据权利要求1所述的方法，其特征在于，还包括：

在所述基于时间戳信息将所述字幕文本与所述第一视频流数据进行合成之前，基于用户的编辑操作更新所述字幕文本；

其中，所述基于用户的编辑操作更新所述字幕文本，包括：通过第二图形用户界面显示所述字幕文本中的原文；响应于用户针对所述原文的编辑操作，获取更新后的原文；对所述更新后的原文执行翻译操作，得到更新后的译文。

4.根据权利要求3所述的方法，其特征在于，所述将所述字幕文本与所述第一视频流数据进行合成，包括：

响应于确定到达预设的延迟时间，将得到的字幕文本与所述第一视频流数据进行合成。

5.根据权利要求4所述的方法，其特征在于，所述预设的延迟时间自获取到所述第一音视频直播流后起算。

6.根据权利要求4所述的方法，其特征在于，还包括：

响应于获取到所述第一音视频直播流，在预设的显示区域中播放所述第一音视频直播流。

7.根据权利要求1所述的方法，其特征在于，所述将所述字幕文本与所述第一视频流数据进行合成，包括：

基于所述第一视频流数据获取视频分辨率信息；

基于所述视频分辨率信息确定所述字幕文本在视频中的显示限制，所述显示限制包括对显示长度的限制和/或对显示宽度的限制；

基于所述显示限制确定所述字幕文本的显示样式。

8.根据权利要求1所述的方法，其特征在于，还包括：

将所述第二音视频直播流传输给目标远程计算机设备。

9.一种处理音视频直播流的装置，其特征在于，包括：

直播流获取单元，用于获取第一音视频直播流；

直播流解析单元，用于基于所述第一音视频直播流得到第一音频流数据和第一视频流数据；

语音翻译单元，用于基于所述第一音频流数据得到相应的字幕文本及其时间戳信息；

字幕合成单元，用于基于所述时间戳信息将所述字幕文本与所述第一视频流数据进行合成，得到第二视频流数据；

音视频合成单元，用于基于所述第二视频流数据和所述第一音频流数据生成第二音视频直播流。

10.一种电子设备，其特征在于，包括：

至少一个存储器和至少一个处理器；

其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以使所述电子设备执行权利要求1至8中任一项所述的方法。

11.一种非暂态计算机存储介质，其特征在于，

所述非暂态计算机存储介质存储有程序代码，所述程序代码被计算机设备执行时，使得所述计算机设备执行权利要求1至8中任一项所述的方法。