CN118102050A - 视频摘要生成方法、装置、设备和介质 - Google Patents

视频摘要生成方法、装置、设备和介质 Download PDF

Info

Publication number
CN118102050A
CN118102050A CN202410508575.8A CN202410508575A CN118102050A CN 118102050 A CN118102050 A CN 118102050A CN 202410508575 A CN202410508575 A CN 202410508575A CN 118102050 A CN118102050 A CN 118102050A
Authority
CN
China
Prior art keywords
subtitles
candidate
text
subtitle
packet
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
Application number
CN202410508575.8A
Other languages
English (en)
Other versions
CN118102050B (zh
Inventor
沈铮阳
苏立新
程苏琦
聂颖
王俊峰
殷大伟
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202410508575.8A priority Critical patent/CN118102050B/zh
Publication of CN118102050A publication Critical patent/CN118102050A/zh
Application granted granted Critical
Publication of CN118102050B publication Critical patent/CN118102050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/854—Content authoring
    • H04N21/8549—Creating video summaries, e.g. movie trailer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/137—Hierarchical processing, e.g. outlines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Library & Information Science (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本公开提供了一种视频摘要生成方法、装置、设备和介质，涉及人工智能技术领域，尤其涉及自然语言处理和深度学习等技术领域。该方法包括：基于时间顺序，将目标视频中的多个字幕划分为多个分组；利用文本处理模型对每个分组所包括的字幕和对应的时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果，摘要生成任务指示进行段落划分、段落摘要生成和段落时间戳确定，第一处理结果包括对应的分组的至少一个候选分段摘要及其时间戳；将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要及其时间戳；以及利用文本处理模型对多个候选分段摘要及其时间戳执行摘要生成任务，以得到多个目标分段摘要及其时间戳。

Description

视频摘要生成方法、装置、设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理和深度学习等技术领域，具体涉及一种视频摘要生成方法、视频摘要生成装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、神经网络模型的训练、思考、规划等）的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括自然语言处理技术、计算机视觉技术、语音识别技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种视频摘要生成方法、视频摘要生成装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种视频摘要生成方法，包括：确定目标视频中的多个字幕，多个字幕各自具有字幕时间戳；基于时间顺序，将多个字幕划分为多个分组，多个分组中的每一个分组包括多个字幕中的至少一部分字幕；针对多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果，其中，摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，第一处理结果包括对应的分组的至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳；以及利用文本处理模型对多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳执行摘要生成任务，以得到第二处理结果，其中，第二处理结果包括多个目标分段摘要和多个目标分段摘要各自的目标分段时间戳。
根据本公开的另一方面，提供了一种视频摘要生成装置，包括：确定单元，被配置为确定目标视频中的多个字幕，多个字幕各自具有字幕时间戳；划分单元，被配置为基于时间顺序，将多个字幕划分为多个分组，多个分组中的每一个分组包括多个字幕中的至少一部分字幕；第一摘要生成单元，被配置为针对多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果，其中，摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，第一处理结果包括对应的分组的至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；汇总单元，被配置为将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳；以及第二摘要生成单元，被配置为利用文本处理模型对多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳执行摘要生成任务，以得到第二处理结果，其中，第二处理结果包括多个目标分段摘要和多个目标分段摘要各自的目标分段时间戳。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，本公开通过先将目标视频中的字幕进行分组，并在组内利用文本处理模型进行段落划分和段落摘要生成，再在将不同组的段落摘要汇总后利用文本处理模型进行进一步的段落划分和段落摘要生成，同时在模型推理过程中使用时间戳作为辅助信息，使得能够显著提升最终得到的视频分段摘要的质量。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的示例性实施例的视频摘要生成方法的流程图；
图3示出了根据本公开的示例性实施例的将多个字幕划分为多个分组的流程图；
图4示出了根据本公开的示例性实施例的在多个字幕中确定至少一个分组起点字幕的流程图；
图5示出了根据本公开的示例性实施例的利用文本处理模型执行摘要生成任务的流程图；
图6示出了根据本公开的示例性实施例的视频摘要生成装置的结构框图；以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，现有的视频摘要生成方法对于较长的视频生成的摘要质量差。
为解决上述问题，通过先将目标视频中的字幕进行分组，并在组内利用文本处理模型进行段落划分和段落摘要生成，再在将不同组的段落摘要汇总后利用文本处理模型进行进一步的段落划分和段落摘要生成，同时在模型推理过程中使用时间戳作为辅助信息，使得能够显著提升最终得到的视频分段摘要的质量。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行本公开的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（SaaS）模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行人机交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统（例如GOOGLE Chrome OS）；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（PDA）等。可穿戴设备可以包括头戴式显示器（诸如智能眼镜）和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（SMS）应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于TCP/IP、SNA、IPX等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（LAN）、基于以太网的网络、令牌环、广域网（WAN）、因特网、虚拟网络、虚拟专用网络（VPN）、内部网、外部网、区块链网络、公共交换电话网（PSTN）、红外网络、无线网络（例如蓝牙、WIFI）和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如PC（个人计算机）服务器、UNIX服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（VPS，Virtual Private Server）服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一个方面，提供了一种视频摘要生成方法。如图2所示，该方法包括：步骤S201、确定目标视频中的多个字幕，多个字幕各自具有字幕时间戳；步骤S202、基于时间顺序，将多个字幕划分为多个分组，多个分组中的每一个分组包括多个字幕中的至少一部分字幕；步骤S203、针对多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果，其中，摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，第一处理结果包括对应的分组的至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；步骤S204、将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳；以及步骤S205、利用文本处理模型对多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳执行摘要生成任务，以得到第二处理结果，其中，第二处理结果包括多个目标分段摘要和多个目标分段摘要各自的目标分段时间戳。
由此，通过先将目标视频中的字幕进行分组，并在组内利用文本处理模型进行段落划分和段落摘要生成，再在将不同组的段落摘要汇总后利用文本处理模型进行进一步的段落划分和段落摘要生成，同时在模型推理过程中使用时间戳作为辅助信息，使得能够显著提升最终得到的视频分段摘要的质量。
目标视频可以为通过任意途径获取的任意带有字幕的视频。在一些实施例中，在步骤S201，可以直接获取目标视频的多个字幕，也可以通过光学字符识别（OpticalCharacter Recognition，OCR）技术等方式从目标视频中提取多个字幕。每个字幕具有对应的字幕时间戳，表示其在目标视频中出现的时间点或时段。
根据一些实施例，多个字幕可以是通过对从目标视频中抽帧得到的多个目标帧进行光学字符识别后，将满足预设位置要求的文本块的文本信息进行汇总而得到的，多个字幕各自具有的字幕时间戳可以基于对应的目标帧的视频帧时间戳。
由此，通过上述方式，实现了从目标视频中提取多个字幕。
根据一些实施例，将满足预设位置要求的文本块的文本信息进行汇总可以包括将从相邻的目标帧中识别得到的相同的文本信息进行合并，并保留最早出现的文本信息对应的目标帧的视频帧时间戳。
由此，通过上述方式，实现了去除重复的字幕。
在步骤S202，可以将多个字幕按照时间顺序划分为多个分组，每个分组包括多个字幕的至少一部分字幕。将多个字幕进行分组的目的是减少文本处理模型单次处理的字幕的数量或字数。在一些实施例中，可以基于预设分组字数将多个字幕划分为多个分组，每个分组所包括的至少一部分字幕的字数小于预设分组字数。
发明人注意到，在将多个字幕划分为多个分组时，将主题相同或内容相近的字幕分到同一个分组中能够提升最终得到的视频分段摘要的质量。
根据一些实施例，如图3所示，步骤S202、基于时间顺序，将多个字幕划分为多个分组可以包括：步骤S301、确定多个字幕各自的信息增益，其中，多个字幕中的每一个字幕的信息增益基于多个字幕中的字幕时间戳早于该字幕的部分构成的第一文本的信息量和该字幕与第一文本构成的第二文本的信息量的差值；步骤S302、基于多个字幕各自的信息增益，在多个字幕中确定至少一个分组起点字幕，其中，在多个字幕中，至少一个分组起点字幕比相邻的字幕具有更高的信息增益；以及步骤S303、基于至少一个分组起点字幕，将多个字幕划分为多个分组。
通过上述方式确定的字幕的信息增益能够指示该字幕对于该字幕之前的字幕构成的文本带来的信息量提升，而信息量提升的程度大小能够用于判断目标视频是否开始了一个新的主题。由此，通过上述方式，使得能够将不同主题的字幕划分到不同的分组中，从而提升最终得到的视频分段摘要的质量。
在一个示例性实施例中，在步骤S301，为了计算目标视频中第N+1条字幕S对于前N条字幕的信息增益，可以首先计算前N条字幕构成的文档D（第一文本）的信息量。可以对文档D进行分词，去掉其中的标点和无意义的助词，如“的地得”等，再根据下列公式计算文档D的信息量：
其中，表示文档分词结果中的第i个词在文档D中出现的概率。
可以计算文档D加上第N+1条字幕S后得到的文档（第二文本）的信息量，最后计算得到字幕S对文档D带来的信息增益：
此外，针对目标视频中的第一条字幕，可以将第一条字幕的信息量确定为第一条字幕的信息增益。
在一些实施例中，还可以通过其他方式确定第一文本和第二文本的信息量，在此不作限定。
在一些实施例中，在步骤S302，可以将多个字幕中的信息增益最高的一个或多个字幕确定为分组起点字幕。在一个示例性实施例中，可以根据预设分组数量，直接将多个字幕中的信息增益最高的一部分字幕确定为分组起点字幕，以使得基于这些分组起点字幕能够将多个字幕划分为预设分组数量的多个分组。
在一些实施例中，为了避免分组过密或过疏，可以预先设置分组字数的下界a和上界b，并且在步骤S302，可以基于多个字幕各自的信息增益、预设分组字数下界和预设分组字数上界，在多个字幕中确定至少一个分组起点字幕。
在一个示例性实施例中，可以将第一个字幕确定为分组起点字幕，并从第a+1个字幕开始遍历。在从上一个分组起点字幕到当前字幕的前一个字幕构成的文本的长度大于预设分组字数下界a的情况下，如果当前字幕的信息增益大于预设阈值，则可以将当前字幕确定为分组起点字幕。如果从上一个分组起点字幕到当前字幕的前一个字幕构成的文本的长度大于预设分组字数上界b，则可以将当前字幕之前的可选区间内的信息增益最大的字幕确定为分组起点字幕，并继续遍历。可选区间的起点需满足从上一个分组起点字幕到该起点的前一个字幕构成的文本的长度大于预设分组字数下界a。遍历的中止条件例如可以是从当前字幕到最后一个字幕构成的文本的长度小于预设分组字数下界a。如果遍历的中止条件满足后，从最后一个分组起点字幕到最后一个字幕构成的文本的长度大于预设分组字数上界b，则可以将这两个字幕之间的可选区间内的信息增益最大的字幕确定为分组起点字幕。可选区间的起点需满足从上一个分组起点字幕到该起点的前一个字幕构成的文本的长度大于预设分组字数下界a，可选区间的终点需满足从该终点到最后一个字幕构成的文本的长度大于预设分组字数下界a。
根据一些实施例，如图4所示，步骤S302、基于多个字幕各自的信息增益，在多个字幕中确定至少一个分组起点字幕可以包括：步骤S401、确定多个字幕关于信息增益的降序排列；以及步骤S402、按照降序排列，依次基于预设规则判断是否将多个字幕中的每一个字幕确定为分组起点字幕，直至预设中止条件被满足。
预设规则可以指示将当前判断的字幕确定为分组起点字幕后，针对利用已确定的至少一个分组起点字幕将多个字幕划分得到的多个候选分组，多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数大于预设分组字数下界。
预设中止条件可以指示多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数小于预设分组字数上界。
由此，通过上述方式，能够将信息增益最大的字幕确定为分组起点字幕，并且能确保按最终得到的分组起点字幕进行分组后得到的每一个分组所包括的字幕的总字数均位于预设分组字数下界和预设分组字数上界之间。
在一个示例性实施例中，预设分组字数下界可以为2000，预设分组字数上界可以为4000。
可以理解的是，在步骤S302，还可以通过其他方式在多个字幕中确定至少一个分组起点字幕，但需要确保在多个字幕中，至少一个分组起点字幕比相邻的字幕具有更高的信息增益。分组起点字幕相邻的字幕例如可以是该分组起点字幕之前和/或之后的若干字幕。
在步骤S303，可以将从第i个分组起点字幕到第i+1个分组起点字幕的前一个字幕划分为一个分组，并将最后一个分组起点字幕到最后一个字幕划分为一个分组。如果多个字幕中的第一个字幕不是分组起点字幕，可以将第一个分组字幕起点之前的所有字幕（不包含第一个分组字幕起点）划分为一个分组。
在步骤S203，可以构造与摘要生成任务对应的任务输入，并将多个分组中的一个分组所包括的至少一部分字幕和对应的字幕时间戳以及构造的任务输入共同输入文本处理模型，得到文本处理模型输出的该分组的第一处理结果，即该分组的至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳。
根据一些实施例，文本处理模型可以为大规模语言模型（Large Language Model，LLM）。大规模语言模型是通过在大型数据集上训练的人工智能系统，旨在理解、生成、回答问题等与人类语言相关的任务。大规模语言模型通过分析大量文本数据学习语言的结构、语法、词汇和上下文之间的关系，进而能够对输入进行推理，生成连贯、有意义的输出文本。
在一些实施例中，在步骤S203，可以构造指示文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务的第一提示文本。如下示出了一个示例性的第一提示文本：
“你是一名专业的视频内容编辑，请发挥你的专业能力，根据我提供的视频字幕划分段落，并确定每个段落的开始时间，然后总结出每个段落的摘要。在此过程中，字幕可能存在口误、错别字、序号缺失、标点符号缺失的问题，如果发现请务必订正和补充。视频字幕如下：
时间戳1 文本1
时间戳2 文本2
……”
通过使用如上第一提示文本，可以使文本处理模型输出符合要求的第一处理结果。
根据一些实施例，如图5所示，步骤S203、针对多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果可以包括：步骤S501、针对多个分组中的每一个分组，利用文本处理模型基于互不相同的多组模型推理参数对该分组所包括的至少一部分字幕和对应的字幕时间戳多次执行摘要生成任务，以得到该分组的互不相同的多个候选第一处理结果，多个候选第一处理结果中的每一个候选第一处理结果包括至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；以及步骤S502、利用文本处理模型，在多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果。
由此，通过基于不同的多组模型推理参数对每一个分组所包括的至少一部分字幕和对应的字幕时间戳多次执行摘要生成任务，得到每一个分组的多个候选第一处理结果，并利用文本处理模型在每一个分组的候选第一处理结果中确定该分组的第一处理结果，使得能够得到质量更高的候选分段摘要，进而提升后续进一步得到的目标分段摘要的质量。
根据一些实施例，多组模型推理参数可以包括多组温度系数。通过设置不同的温度系数，可以使文本处理模型基于相同的输入生成具有不同随机性的结果，从而使得不同的候选第一处理结果具有较大的差异。
根据一些实施例，多组模型推理参数可以包括多组随机种子。通过设置不同的随机种子，可以使文本处理模型基于相同的输入生成性质相同的不同结果。
在一些实施例中，也可以通过其他方式设置互不相同的多组模型推理参数，以使得文本处理模型生成互不相同的多个候选第一处理结果，在此不作限定。
在一些实施例中，在步骤S502，可以将每个分组的多个候选第一处理结果输入文本处理模型，并指示文本处理模型在这些候选第一处理结果中选择质量最好的结果。在一个示例性实施例中，可以构造指示文本处理模型在多个候选第一处理结果中选择质量最好的候选第一处理结果的第二提示文本。如下示出了一个示例性的第二提示文本：
“你是一名专业的视频内容编辑，下面是一段视频字幕和它对应的分段摘要结果，请根据分段摘要的时间戳准确性、内容的正确性与流畅性，选择出质量最好的分段摘要结果。视频字幕和对应的分段摘要结果如下：
{视频字幕}
{分段摘要1}
{分段摘要2}
……
{分段摘要N}”
其中，{视频字幕}可以为多个字幕和对应的字幕时间戳，{分段摘要1}至{分段摘要N}可以为多个候选第一处理结果。
通过使用如上第二提示文本，可以使文本处理模型输出符合要求的结果。
根据一些实施例，步骤S502、利用文本处理模型，在多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果可以包括：利用文本处理模型，对多个分组各自的多个候选第一处理结果执行全局优化选择任务，以得到全局优化处理结果组合。全局优化选择任务可以指示基于多个字幕和对应的时间戳以及不同分组的候选第一处理结果之间的连贯程度生成全局优化处理结果组合。全局优化处理结果组合可以表征对多个分组各自的多个候选第一处理结果的其中一个候选第一处理结果的选择。
由此，通过将多个分组各自的多个候选第一处理结果全部输入文本处理模型，并指示文本处理模型基于目标视频中的多个字幕和对应的时间戳，并基于不同的分组的候选第一处理结果之间的连贯程度生成全局优化处理结果组合，使得能够从全局视角考虑不同分组之间的关系为每个分组确定第一处理结果，以得到全局最优的全局优化处理结果组合。
在步骤S204，将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳。换句话说，多个候选分段摘要包括多个分组中的每一个分组的至少一个候选分段摘要。
可以理解的是，步骤S205的操作可以参照对上述步骤S203的描述。步骤S203用于对同一分组所包括的多个字幕进行段落划分和摘要生成，步骤S205用于对所有分组汇总后的多个候选分段摘要进行段落划分和摘要生成。
在一些实施例中，步骤S205可以包括：利用文本处理模型对多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳执行摘要生成任务和摘要标题命名任务，以得到第二处理结果。第二处理结果包括多个目标分段摘要、多个目标分段摘要各自的目标分段时间戳和多个目标分段摘要各自的标题。
由此，通过在生成目标分段摘要时生成分段摘要的标题，进一步提升了用户体验。
根据本公开的另一方面，提供了视频摘要生成装置。如图6所示，装置600包括：确定单元610，被配置为确定目标视频中的多个字幕，多个字幕各自具有字幕时间戳；划分单元620，被配置为基于时间顺序，将多个字幕划分为多个分组，多个分组中的每一个分组包括多个字幕中的至少一部分字幕；第一摘要生成单元630，被配置为针对多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到多个分组各自的第一处理结果，其中，摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，第一处理结果包括对应的分组的至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；汇总单元640，被配置为将多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳；以及第二摘要生成单元650，被配置为利用文本处理模型对多个候选分段摘要和多个候选分段摘要各自的候选分段时间戳执行摘要生成任务，以得到第二处理结果，其中，第二处理结果包括多个目标分段摘要和多个目标分段摘要各自的目标分段时间戳。
可以理解的是，图6中的单元610-单元650的操作和效果可以参照上文中对图2中的步骤S201-步骤S205的描述，在此不作赘述。
根据一些实施例，多个字幕可以是通过对从目标视频中抽帧得到的多个目标帧进行光学字符识别后，将满足预设位置要求的文本块的文本信息进行汇总而得到的，多个字幕各自具有的字幕时间戳可以基于对应的目标帧的视频帧时间戳。
根据一些实施例，将满足预设位置要求的文本块的文本信息进行汇总可以包括将从相邻的目标帧中识别得到的相同的文本信息进行合并，并保留最早出现的文本信息对应的目标帧的视频帧时间戳。
根据一些实施例，划分单元可以包括：第一确定子单元，被配置为确定多个字幕各自的信息增益，其中，多个字幕中的每一个字幕的信息增益基于多个字幕中的字幕时间戳早于该字幕的部分构成的第一文本的信息量和该字幕与第一文本构成的第二文本的信息量的差值；第二确定子单元，被配置为基于多个字幕各自的信息增益，在多个字幕中确定至少一个分组起点字幕，其中，在多个字幕中，至少一个分组起点字幕比相邻的字幕具有更高的信息增益；以及划分子单元，被配置为基于至少一个分组起点字幕，将多个字幕划分为多个分组。
根据一些实施例，第二确定子单元包括：第三确定子单元，被配置为确定多个字幕关于信息增益的降序排列；以及判断子单元，被配置为按照降序排列，依次基于预设规则判断是否将多个字幕中的每一个字幕确定为分组起点字幕，直至预设中止条件被满足。预设规则可以指示将当前判断的字幕确定为分组起点字幕后，针对利用已确定的至少一个分组起点字幕将多个字幕划分得到的多个候选分组，多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数大于预设分组字数下界。预设中止条件可以指示多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数小于预设分组字数上界。
根据一些实施例，文本处理模型可以为大规模语言模型。
根据一些实施例，第一摘要生成单元可以包括：摘要生成子单元，被配置为针对多个分组中的每一个分组，利用文本处理模型基于互不相同的多组模型推理参数对该分组所包括的至少一部分字幕和对应的字幕时间戳多次执行摘要生成任务，以得到该分组的互不相同的多个候选第一处理结果，多个候选第一处理结果中的每一个候选第一处理结果包括至少一个候选分段摘要和至少一个候选分段摘要各自的候选分段时间戳；以及第四确定子单元，被配置为利用文本处理模型，在多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果。
根据一些实施例，多组模型推理参数可以包括多组温度系数。
根据一些实施例，多组模型推理参数可以包括多组随机种子。
根据一些实施例，第四确定子单元可以被配置为利用文本处理模型，对多个分组各自的多个候选第一处理结果执行全局优化选择任务，以得到全局优化处理结果组合。全局优化选择任务可以指示基于多个字幕和对应的时间戳以及不同分组的候选第一处理结果之间的连贯程度生成全局优化处理结果组合。全局优化处理结果组合可以表征对多个分组各自的多个候选第一处理结果的其中一个候选第一处理结果的选择。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器（ROM）702中的计算机程序或者从存储单元708加载到随机访问存储器（RAM）703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法、过程和/或处理。例如，在一些实施例中，这些方法、过程和/或处理可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法、过程和/或处理的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行这些方法、过程和/或处理。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种视频摘要生成方法，其特征在于，所述方法包括：
确定目标视频中的多个字幕，所述多个字幕各自具有字幕时间戳；
基于时间顺序，将所述多个字幕划分为多个分组，所述多个分组中的每一个分组包括所述多个字幕中的至少一部分字幕；
针对所述多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到所述多个分组各自的第一处理结果，其中，所述摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对所述多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，所述第一处理结果包括对应的分组的至少一个候选分段摘要和所述至少一个候选分段摘要各自的候选分段时间戳；
将所述多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和所述多个候选分段摘要各自的候选分段时间戳；以及
利用所述文本处理模型对所述多个候选分段摘要和所述多个候选分段摘要各自的候选分段时间戳执行所述摘要生成任务，以得到第二处理结果，其中，所述第二处理结果包括多个目标分段摘要和所述多个目标分段摘要各自的目标分段时间戳。
2.根据权利要求1所述的方法，其特征在于，基于时间顺序，将所述多个字幕划分为多个分组包括：
确定所述多个字幕各自的信息增益，其中，所述多个字幕中的每一个字幕的信息增益基于所述多个字幕中的字幕时间戳早于该字幕的部分构成的第一文本的信息量和该字幕与所述第一文本构成的第二文本的信息量的差值；
基于所述多个字幕各自的信息增益，在所述多个字幕中确定至少一个分组起点字幕，其中，在所述多个字幕中，所述至少一个分组起点字幕比相邻的字幕具有更高的信息增益；以及
基于所述至少一个分组起点字幕，将所述多个字幕划分为多个分组。
3.根据权利要求2所述的方法，其特征在于，基于所述多个字幕各自的信息增益，在所述多个字幕中确定至少一个分组起点字幕包括：
确定所述多个字幕关于所述信息增益的降序排列；以及
按照所述降序排列，依次基于预设规则判断是否将所述多个字幕中的每一个字幕确定为分组起点字幕，直至预设中止条件被满足，
其中，所述预设规则指示将当前判断的字幕确定为分组起点字幕后，针对利用已确定的至少一个分组起点字幕将所述多个字幕划分得到的多个候选分组，所述多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数大于预设分组字数下界，
其中，所述预设中止条件指示所述多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数小于预设分组字数上界。
4.根据权利要求1-3中任一项所述的方法，其特征在于，针对所述多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到所述多个分组各自的第一处理结果包括：
针对所述多个分组中的每一个分组，利用所述文本处理模型基于互不相同的多组模型推理参数对该分组所包括的至少一部分字幕和对应的字幕时间戳多次执行所述摘要生成任务，以得到该分组的互不相同的多个候选第一处理结果，所述多个候选第一处理结果中的每一个候选第一处理结果包括至少一个候选分段摘要和所述至少一个候选分段摘要各自的候选分段时间戳；以及
利用所述文本处理模型，在所述多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果。
5.根据权利要求4所述的方法，其特征在于，利用所述文本处理模型，在所述多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果包括：
利用所述文本处理模型，对所述多个分组各自的多个候选第一处理结果执行全局优化选择任务，以得到全局优化处理结果组合，其中，所述全局优化选择任务指示基于所述多个字幕和对应的时间戳以及不同分组的候选第一处理结果之间的连贯程度生成所述全局优化处理结果组合，所述全局优化处理结果组合表征对所述多个分组各自的多个候选第一处理结果的其中一个候选第一处理结果的选择。
6.根据权利要求4所述的方法，其特征在于，所述多组模型推理参数包括多组温度系数。
7.根据权利要求4所述的方法，其特征在于，所述多组模型推理参数包括多组随机种子。
8.根据权利要求1-3中任一项所述的方法，其特征在于，所述多个字幕是通过对从所述目标视频中抽帧得到的多个目标帧进行光学字符识别后，将满足预设位置要求的文本块的文本信息进行汇总而得到的，所述多个字幕各自具有的字幕时间戳基于对应的目标帧的视频帧时间戳。
9.根据权利要求8所述的方法，其特征在于，所述汇总包括将从相邻的目标帧中识别得到的相同的文本信息进行合并，并保留最早出现的文本信息对应的目标帧的视频帧时间戳。
10.根据权利要求1-3中任一项所述的方法，其特征在于，所述文本处理模型为大规模语言模型。
11.一种视频摘要生成装置，其特征在于，所述装置包括：
确定单元，被配置为确定目标视频中的多个字幕，所述多个字幕各自具有字幕时间戳；
划分单元，被配置为基于时间顺序，将所述多个字幕划分为多个分组，所述多个分组中的每一个分组包括所述多个字幕中的至少一部分字幕；
第一摘要生成单元，被配置为针对所述多个分组中的每一个分组，利用文本处理模型对该分组所包括的至少一部分字幕和对应的字幕时间戳执行摘要生成任务，以得到所述多个分组各自的第一处理结果，其中，所述摘要生成任务指示基于待处理的多个文本条目各自的时间戳，对所述多个文本条目进行段落划分，并为划分得到的段落生成摘要和时间戳，所述第一处理结果包括对应的分组的至少一个候选分段摘要和所述至少一个候选分段摘要各自的候选分段时间戳；
汇总单元，被配置为将所述多个分组各自的第一处理结果进行汇总，得到多个候选分段摘要和所述多个候选分段摘要各自的候选分段时间戳；以及
第二摘要生成单元，被配置为利用所述文本处理模型对所述多个候选分段摘要和所述多个候选分段摘要各自的候选分段时间戳执行所述摘要生成任务，以得到第二处理结果，其中，所述第二处理结果包括多个目标分段摘要和所述多个目标分段摘要各自的目标分段时间戳。
12.根据权利要求11所述的装置，其特征在于，所述划分单元包括：
第一确定子单元，被配置为确定所述多个字幕各自的信息增益，其中，所述多个字幕中的每一个字幕的信息增益基于所述多个字幕中的字幕时间戳早于该字幕的部分构成的第一文本的信息量和该字幕与所述第一文本构成的第二文本的信息量的差值；
第二确定子单元，被配置为基于所述多个字幕各自的信息增益，在所述多个字幕中确定至少一个分组起点字幕，其中，在所述多个字幕中，所述至少一个分组起点字幕比相邻的字幕具有更高的信息增益；以及
划分子单元，被配置为基于所述至少一个分组起点字幕，将所述多个字幕划分为多个分组。
13.根据权利要求12所述的装置，其特征在于，所述第二确定子单元包括：
第三确定子单元，被配置为确定所述多个字幕关于所述信息增益的降序排列；以及
判断子单元，被配置为按照所述降序排列，依次基于预设规则判断是否将所述多个字幕中的每一个字幕确定为分组起点字幕，直至预设中止条件被满足，
其中，所述预设规则指示将当前判断的字幕确定为分组起点字幕后，针对利用已确定的至少一个分组起点字幕将所述多个字幕划分得到的多个候选分组，所述多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数大于预设分组字数下界，
其中，所述预设中止条件指示所述多个候选分组中的每一个候选分组所包括的至少一部分字幕的总字数小于预设分组字数上界。
14.根据权利要求11-13中任一项所述的装置，其特征在于，所述第一摘要生成单元包括：
摘要生成子单元，被配置为针对所述多个分组中的每一个分组，利用所述文本处理模型基于互不相同的多组模型推理参数对该分组所包括的至少一部分字幕和对应的字幕时间戳多次执行所述摘要生成任务，以得到该分组的互不相同的多个候选第一处理结果，所述多个候选第一处理结果中的每一个候选第一处理结果包括至少一个候选分段摘要和所述至少一个候选分段摘要各自的候选分段时间戳；以及
第四确定子单元，被配置为利用所述文本处理模型，在所述多个分组中的每一个分组的多个候选第一处理结果中确定该分组的第一处理结果。
15.根据权利要求14所述的装置，其特征在于，所述第四确定子单元被配置为利用所述文本处理模型，对所述多个分组各自的多个候选第一处理结果执行全局优化选择任务，以得到全局优化处理结果组合，其中，所述全局优化选择任务指示基于所述多个字幕和对应的时间戳以及不同分组的候选第一处理结果之间的连贯程度生成所述全局优化处理结果组合，所述全局优化处理结果组合表征对所述多个分组各自的多个候选第一处理结果的其中一个候选第一处理结果的选择。
16.根据权利要求14所述的装置，其特征在于，所述多组模型推理参数包括多组温度系数。
17.根据权利要求14所述的装置，其特征在于，所述多组模型推理参数包括多组随机种子。
18.根据权利要求11-13中任一项所述的装置，其特征在于，所述多个字幕是通过对从所述目标视频中抽帧得到的多个目标帧进行光学字符识别后，将满足预设位置要求的文本块的文本信息进行汇总而得到的，所述多个字幕各自具有的字幕时间戳基于对应的目标帧的视频帧时间戳。
19.根据权利要求18所述的装置，其特征在于，所述汇总包括将从相邻的目标帧中识别得到的相同的文本信息进行合并，并保留最早出现的文本信息对应的目标帧的视频帧时间戳。
20.根据权利要求11-13中任一项所述的装置，其特征在于，所述文本处理模型为大规模语言模型。
21.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
CN202410508575.8A 2024-04-25 2024-04-25 视频摘要生成方法、装置、设备和介质 Active CN118102050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410508575.8A CN118102050B (zh) 2024-04-25 2024-04-25 视频摘要生成方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410508575.8A CN118102050B (zh) 2024-04-25 2024-04-25 视频摘要生成方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN118102050A true CN118102050A (zh) 2024-05-28
CN118102050B CN118102050B (zh) 2024-08-06

Family

ID=91157598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410508575.8A Active CN118102050B (zh) 2024-04-25 2024-04-25 视频摘要生成方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN118102050B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113824899A (zh) * 2021-09-18 2021-12-21 北京百度网讯科技有限公司 视频处理方法、装置、电子设备及介质
US20220124420A1 (en) * 2021-02-19 2022-04-21 Beijing Baidu Netcom Science Technology Co., Ltd. Method of processing audio or video data, device, and storage medium
CN114547270A (zh) * 2022-02-25 2022-05-27 北京百度网讯科技有限公司 文本处理方法、文本处理模型的训练方法、装置和设备
US20230101401A1 (en) * 2021-11-16 2023-03-30 Beijing Baidu Netcom Science Technology Co., Ltd. Text processing method
CN117851639A (zh) * 2024-01-12 2024-04-09 百度在线网络技术（北京）有限公司 视频处理方法、装置、电子设备以及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220124420A1 (en) * 2021-02-19 2022-04-21 Beijing Baidu Netcom Science Technology Co., Ltd. Method of processing audio or video data, device, and storage medium
CN113824899A (zh) * 2021-09-18 2021-12-21 北京百度网讯科技有限公司 视频处理方法、装置、电子设备及介质
US20230101401A1 (en) * 2021-11-16 2023-03-30 Beijing Baidu Netcom Science Technology Co., Ltd. Text processing method
CN114547270A (zh) * 2022-02-25 2022-05-27 北京百度网讯科技有限公司 文本处理方法、文本处理模型的训练方法、装置和设备
CN117851639A (zh) * 2024-01-12 2024-04-09 百度在线网络技术（北京）有限公司 视频处理方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN118102050B (zh) 2024-08-06

Similar Documents

Publication Publication Date Title
EP3910553A2 (en) Image processing method, training method for a neural network, device and medium
CN116521841B (zh) 用于生成回复信息的方法、装置、设备及介质
CN113824899B (zh) 视频处理方法、装置、电子设备及介质
CN116501960B (zh) 内容检索方法、装置、设备及介质
CN115879469B (zh) 文本数据处理方法、模型训练方法、装置及介质
CN112749685B (zh) 视频分类方法、设备和介质
CN110059224B (zh) 投影仪设备的视频检索方法、装置、设备及存储介质
CN116303962B (zh) 对话生成方法、深度学习模型的训练方法、装置和设备
CN116541536B (zh) 知识增强的内容生成系统、数据生成方法、设备和介质
CN116821684B (zh) 大语言模型的训练方法、装置、设备和介质
CN113190695B (zh) 多媒体数据搜索方法及装置、计算机设备和介质
CN118102050B (zh) 视频摘要生成方法、装置、设备和介质
CN113312511B (zh) 用于推荐内容的方法、装置、设备和计算机可读存储介质
US20220004801A1 (en) Image processing and training for a neural network
CN112906387B (zh) 风险内容识别方法、装置、设备、介质和计算机程序产品
CN114238745A (zh) 一种提供搜索结果的方法及装置、电子设备和介质
CN116881485B (zh) 生成图像检索索引的方法及装置、电子设备和介质
CN116860328B (zh) 生成指令数据的方法、装置、设备和介质
CN113126865B (zh) 视频学习过程中的笔记生成方法及装置、电子设备和介质
CN112667196B (zh) 信息展示方法及装置、电子设备和介质
CN116028750B (zh) 网页文本审核方法及装置、电子设备和介质
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN118298358A (zh) 视频讲解内容的生成方法和神经网络模型的训练方法
CN118714397A (zh) 生成视频的方法、装置、设备和介质
CN118195010A (zh) 用于生成回复文本的方法、装置、设备及介质

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