JP5389594B2 - 画像ファイル生成方法、そのプログラム、その記録媒体および画像ファイル生成装置 - Google Patents

Description

本発明は、動画像ファイルから音声付きの静止画像ファイルを生成する画像ファイル生成方法、これをコンピュータに実施させるプログラム、このプログラムを記録したコンピュータ読み取り可能な記録媒体および画像ファイル生成装置に関するものである。

従来、動画像ファイルから音声付き静止画像ファイルを生成し、アルバムやプリントを作製する場合、静止画像に最適な音声を編集者が動画像から探し出し、動画像ファイルから別途抽出した音声ファイルを静止画像ファイルと関連付けるなど、非常に煩雑で手間がかかっていた。

これに対し、特許文献１では、動画像に付帯する音声情報を取得し、動画像を構成する複数の静止画像のなかから画像を選択し、音声情報に基づいて音声認識を行い、認識結果であるテキスト情報を選択した静止画像と共にレイアウトする画像レイアウト装置が開示されている。

また、特許文献２では、表示された画像内で任意の人物を指定して特定し、予め特定された人物ごとに記憶された声紋データである音声情報を読出し、読出された人物の音声情報に基づいて、予めユーザが登録した情報（録音された音声）などの所定の情報を出力する電子アルバム装置が開示されている。

さらに、特許文献３では、取得された音声付き動画データから動画データと音声データとを分離し、分離された動画データからフレーム分割処理を行い、複数フレームの静止画データとして取り出し、これらの中から、複数の注目フレーム候補を特定する処理を行い、一方、分離された波形データ、そのテキスト化データの中から、予め取得していた注目音声の波形データ、テキストデータと一致するものを注目音声波形、注目キーワードとして特定し、特定された音声データに対応する注目フレーム候補を注目フレームとして確定し、全ての注目音声について複数の注目フレームの静止画データをプリント情報として取得し、複数の写真プリントとして出力し、写真アルバムを作成する写真アルバム作成方法が開示されている。

特開２００４−１２０１２７号公報 特開２００２−１９０００９号公報 特開２００６−３３３０６５号公報

しかしながら、特許文献１に記載の画像レイアウト装置は、レイアウトする静止画像に対して、動画中のどのタイミングの音声を抽出するか明確ではなく、また、レイアウトする静止画像の近傍の音声を抽出するとした場合であっても、必ずしも最適な音声の抽出タイミングとは限らない。さらに、被写体によっては、音声情報をテキストで表示することにより、画像観賞の品質を落とす場合もあった。

また、特許文献２に記載の電子アルバム装置は、音として出力できるのは予め登録された特定された人物が録音した音声のみであり、また、人物を特定するために、予め人物の顔画像と声紋データを登録することが必要であった。

また、特許文献３に記載の写真アルバム作成方法は、注目音声を基に最適な静止画像を写真プリントするものである。しかし、注目音声の波形データ、テキストデータを予め登録する必要があり、また、注目音声のタイミングが必ずしも最適な静止画像（ベストショット）であるとは限らない。

本発明の目的は、動画像ファイルまたは動画像ファイルから生成された静止画像ファイルを解析することで、静止画像に最適なタイミングの音声を抽出し、最適な音声付きの静止画像ファイルを生成することができる画像ファイル生成方法、そのプログラム、その記録媒体および画像ファイル生成装置を提供することにある。

上記課題を解決するために、本発明は、動画像ファイルから音声付き静止画像ファイルを生成するための画像ファイル生成方法であって、動画像ファイルを読み込むステップと、読み込まれた前記動画像ファイルから選択された静止画像を抽出して静止画像ファイルを生成するステップと、前記生成された静止画像ファイルを解析し、音声モード情報を生成するステップと、前記音声モード情報によって前記動画像ファイルの解析方法を変更し、変更された前記解析方法により前記動画像ファイルを解析するステップと、前記音声モード情報、および前記動画像ファイルの解析結果から、前記生成された静止画像ファイルに最適な音声の抽出タイミングを決定するステップと、前記抽出タイミングで前記動画像ファイルから前記最適な音声を抽出するステップと、前記生成された静止画像ファイルと前記最適な音声を関連付けて音声付き静止画像ファイルを生成するステップと、を有することを特徴とする画像ファイル生成方法を提供する。

また、前記生成された静止画像ファイルの解析は、前記生成された静止画像ファイルに人物が撮影されているか検出するステップと、前記人物の大きさを検出し、所定の値以上であれば、前記人物の音声を重視して前記動画像ファイルを解析するステップと、を有するのが好ましい。
さらに、前記人物の検出は、顔検出によって検出するのが好ましい。
さらに、前記人物の大きさは、前記顔検出によって検出された顔の大きさ、および位置のうち１以上から求めるのが好ましい。

また、前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であるのが好ましい。
さらに、前記抽出タイミングは、音量の急な変化が発生したタイミングであるのが好ましい。
また、前記抽出タイミングは、ズームが行われたタイミングであるのが好ましい。

また、前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であり、前記顔検出により検出された前記顔の口の形状を解析し、口を大きく開け、かつ音量の大きいタイミングであるのが好ましい。
また、前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であり、前記顔検出により検出された前記顔の表情を判定し、笑顔かつ音量の大きいタイミングであるのが好ましい。
また、前記抽出タイミングは、前記生成された静止画像ファイルと同一のシーン内であるのが好ましい。

また、上記課題を解決するために、本発明は、上記に記載の画像ファイル生成方法の各工程を手順としてコンピュータに実行させるためのプログラムを提供する。
また、上記課題を解決するために、本発明は、上記に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体を提供する。

さらに、上記課題を解決するために、本発明は、動画像ファイルから音声付き静止画像ファイルを生成するための画像ファイル生成装置であって、動画像ファイルを読み込む動画像読込手段と、読み込まれた前記動画像ファイルから選択された静止画像を抽出して静止画像ファイルを生成する静止画像生成手段と、前記生成された静止画像ファイルを解析し、音声モード情報を生成する静止画像解析手段と、前記音声モード情報によって前記動画像ファイルの解析方法を変更し、変更された前記解析方法により前記動画像ファイルを解析し、前記音声モード情報、および前記動画像ファイルの解析結果から、前記生成された静止画像ファイルに最適な音声の抽出タイミングを決定し、前記抽出タイミングで前記動画像ファイルから前記最適な音声を抽出する動画像解析手段と、前記生成された静止画像ファイルと前記最適な音声を関連付けて音声付き静止画像ファイルを生成する音声付き静止画像生成手段と、を有することを特徴とする画像ファイル生成装置を提供する。

本発明によれば、手作業によって静止画像に最適な音声を動画像から探し出すことなく、動画像ファイルおよび動画像ファイルから生成された静止画像ファイルを自動的に解析することで、静止画像に最適な音声を抽出し、最適な音声付きの静止画像ファイルを生成することができる。また、撮影者や被写体となった人物に、最適な音声が再生される満足度の高いフォトフレームやフォトブックを作製することができる。

（ａ），（ｂ）は、静止画像と最適な音声のタイミングが略同一の場合の一例を示す説明図である。 （ａ）〜（ｆ）は、静止画像と最適な音声のタイミングが異なる場合の一例を示す説明図である。 （ａ），（ｂ）は、抽出する最適な音声が人物の声の場合の一例を示す説明図である。 （ａ）〜（ｄ）は、抽出する最適な音声が背景およびシーンの音声の場合の一例を示す説明図である。 本発明に係る画像ファイル生成方法を実施する画像ファイル生成装置の構成の一例を示すブロック図である。 本発明に係る画像ファイル生成方法の、一実施形態を示すフローチャートである。 （ａ）〜（ｃ）は、静止画像に最適な音声を抽出するタイミングの一例を示す図であり、（ｄ），（ｅ）は、静止画像に最適な音声を抽出するタイミングの他の一例を示す図である。 （ａ）〜（ｃ）は、音声を抽出する場面の一例を示す図である。 （ａ）は大きな音の変化がない場面の一例を示す図であり，（ｂ）は、ほとんど音がない場面の一例を示す図である。 （ａ）は、本発明に係る、被写体に最適な音声が再生されるフォトフレームの一例を示す図であり、（ｂ）は、被写体に最適な音声が再生されるフォトブックの一例を示す図である。

本発明に係る画像ファイル生成方法を実施する本発明の画像ファイル生成装置について、添付の図面に示す好適実施形態に基づいて以下に詳細に説明する。

まず、本発明に係る画像ファイル生成方法における、静止画像に対する最適な音声のタイミングについて説明する。図１（ａ），（ｂ）は、静止画像と最適な音声のタイミングが略同一の場合の一例を示す説明図である。図１（ａ）に示す、打ち上げ花火の最適な音声である「ドーン」，「たーまや」など、および図１（ｂ）に示す野球の打撃シーンの最適な音声である、打撃音「キーン」、あるいは空振り後の「ストライク」などは、最適な音声が静止画像に対して略同一のタイミングで動画像ファイルに記録されている。

これに対し、図２（ａ）〜（ｃ）に示すように動画像で子供を撮影した場合には、最適な静止画像として図２（ｃ）が選択されたとき、最適な音声、つまり子供の音声は異なるタイミング（図２（ａ）のタイミング）で動画像ファイルに記録されていることがある。また、図２（ｄ）〜（ｆ）に示すように動画像でトラを撮影した場合には、最適な静止画像として図２（ｅ）が選択されたとき、最適な音声、つまりトラの鳴き声は異なるタイミング（図２（ｆ）のタイミング）で動画像ファイルに記録されていることがある。

また、静止画像に対する最適な音声についても、図３（ａ），（ｂ）に示すように、抽出する最適な音声が人物の声の場合もあれば、図４（ａ）〜（ｄ）に示すように、抽出する最適な音声が背景およびシーンの音の場合もある。

図５は、本発明の画像ファイル生成装置の構成を表す一実施形態のブロック図である。
図５に示す画像ファイル生成装置１０は、動画像読込手段１２、静止画像生成手段１４、静止画像解析手段１６、動画像解析手段１８、および音声付き静止画像生成手段２０を有する。

動画像読込手段１２では、デジタルビデオカメラ等で撮影され、ＭＰＥＧ−２（Moving Picture Experts Group），Ｈ．２６４等の形式でメモリーカード等に保存された動画像ファイルがメモリーカード等から読み込まれて取得され、動画像ファイルが出力される。なお、動画像ファイルの読み込みはメモリーカードに限られず、デジタルビデオカメラ等が直接接続されて読み込まれてもよいし、通信回線を介して読み込まれてもよい。

静止画像生成手段１４には、動画像読込手段１２から出力された動画像ファイルが入力される。静止画像生成手段１４では、編集者により静止画像にしたい場面が動画像から選択され、当該選択された静止画像が静止画像ファイルとして生成され出力される。なお、編集者の選択によらず、例えば、画像認識技術により、自動的に人物または特定の被写体が写っている場面が静止画像ファイルとして生成され、出力されるようにしてもよい。

静止画像解析手段１６には、静止画像生成手段１４から出力された静止画像ファイルが入力される。静止画像解析手段１６では、入力された静止画像ファイルに対して顔検出により主要被写体である人物の検出が行われ、検出された人物の大きさが所定値以上（例えば、顔の大きさが、入力された静止画像の短辺の１／６〜１／７程度の長さである正方形の大きさ等）であれば、人物の音声を重視するモード（人物モード）とされ、人物が検出されないか、人物の大きさが所定値未満である場合には、背景またはシーンの音を重視するモード（背景モード）とされる。静止画像解析手段１６からは、解析が行われた静止画像ファイル、および、上記人物モードであるか背景モードであるかを表す音声モード情報が出力される。
なお、静止画像ファイルに対する顔検出技術は既存の技術を適用することができる。

動画像解析手段１８には、動画像読込手段１２から出力された動画像ファイルと、静止画像解析手段１６から出力された音声モード情報が入力される。動画像解析手段１８では、まず、入力された動画像ファイルについて、同一イベントまたは同一シーンの範囲が検出される。同一イベントまたは同一シーンの範囲は、撮影日時および画像解析等により検出することができる。

次に、入力された音声モード情報が人物モードである場合には、動画像ファイルのうち同一イベントまたは同一シーン内について、当該人物の口の形状および音声が解析され、口を大きく開け、かつ音量の大きいタイミング（つまり、声を出しているかを判別）があれば、そのタイミングが抽出タイミングとされ、口を大きく開けた場面がない場合には、表情の解析が行われ、笑顔かつ音量の大きいタイミング（つまり、表情があるときに発せられた声であるかを判別）が抽出タイミングとされる。
なお、ここで、笑顔が検出できない場合は、例えば、びっくりした顔等、表情に何らかの変化があった場面が抽出タイミングとされてもよいし、音量の変化する場面が検出されて抽出タイミングとされてもよい。

入力された音声モード情報が背景モードである場合には、動画像ファイルのうち同一イベント内について、ズームが行われた場面があるときは、そのタイミングが抽出タイミングとされ、ズームが行われた場面がないときは、音声解析が行われ、音量の急な変化が発生した場面が抽出タイミングとされる。
動画像解析手段１８からは、上記のそれぞれの抽出タイミングのうち、いずれかの抽出タイミングで音声抽出が行われ、抽出音声が出力される。

音声付き静止画像生成手段２０には、静止画像解析手段１６から出力された静止画像ファイルと、動画像解析手段１８から出力された抽出音声が入力され、抽出音声が静止画像ファイルと関連付けられて、音声付き静止画像ファイルとして出力される。

音声付き静止画像生成手段２０から出力された音声付き静止画像ファイルは、図示しない記憶手段に音声付き静止画像ファイルとして記憶される。記憶手段に記憶された音声付き静止画像ファイルは、図示しないメモリーカード等にコピーすることで、メモリーカードが装着されたフォトフレームで音声付き静止画像を観賞したり、図示しないフォトブック作製装置にメモリーカードを読み込ませ、音声付きのフォトブックを作製することができる。なお、フォトフレームやフォトブック作製装置に対して通信回線により、音声付き静止画像ファイルを送信してもよい。

次に、本発明に係る画像ファイル生成方法を実現する本発明の画像ファイル生成装置の動作を説明する。

図６は、本発明に係る画像ファイル生成方法の一例のフローチャートを示す。

まず、動画像読込手段１２により、デジタルビデオカメラ等で撮影された動画像ファイルが、メモリーカード等を介して動画像ファイルとして読み込まれる（ステップＳ１００）。読み込まれた動画像ファイルは、静止画像生成手段１４に入力され、編集者により静止画像にしたい場面が動画像から選択され、当該選択された静止画像にしたい場面が抽出され、静止画像ファイルとして生成され出力される。

静止画像生成手段１４から出力された静止画像ファイルは、静止画像解析手段１６に入力され、顔検出により主要被写体である人物の検出が行われる（ステップＳ１０４）。人物が検出され（ステップＳ１０４で“Ｙ”）、検出された人物の大きさが所定値（閾値）以上であれば（ステップＳ１０６で“Ｙ”）、人物モードとされる（ステップＳ１１０）。人物が検出されないか（ステップＳ１０４で“Ｎ”）、人物の大きさが所定値未満である場合には（ステップＳ１０６で“Ｎ”）、背景モードとされる（ステップＳ１０８）。静止画像解析手段１６からは、解析が行われた静止画像ファイル、および、上記人物モードであるか背景モードであるかを表す音声モード情報が出力される。

静止画像解析手段１６から出力された音声モード情報、および動画像読込手段１２から出力された動画像ファイルは、動画像解析手段１８に入力され、動画像ファイルについて同一イベントまたは同一シーンの範囲が検出される。入力された音声モード情報が人物モードである場合には（ステップＳ１１０）、動画像ファイルについて次のように解析が行われ、抽出タイミングが決定される。

まず、動画像ファイルのうち同一イベント内について、口の形状が解析され、つまり口を大きく開けている場面があるか解析される（ステップＳ１１４）。口を大きく開けていれば（ステップＳ１１４で“Ｙ”）、音声解析が行われ（ステップＳ１１６）、口を大きく開け、かつ音量の大きいタイミングが抽出タイミングとされる。
例えば、図７（ａ）に示す静止画像が選択された場合、動画像ファイルが解析され、口を大きく開けている場面（図７（ｂ））が検出される。図７（ｂ）の場面は、子供が何か喋っているため（人物の拡大図；図７（ｃ）参照）、音量が大きいタイミングでもあり、図７（ｂ）のタイミングが抽出タイミングとされる。

動画像ファイルのうち同一イベント内に、口を大きく開けている場面がない場合（ステップＳ１１４で“Ｎ”）、表情の解析が行われる（ステップＳ１１８）。笑顔である場合には（ステップＳ１１８で“Ｙ”）、音声解析が行われ（ステップＳ１２０）、笑顔かつ音量の大きいタイミングが抽出タイミングとされる。なお、口を大きく開け、笑顔であり、かつ音量の大きいタイミングが抽出タイミングとされてもよい。
笑顔でない場合には（ステップＳ１１８で“Ｎ”）、音声解析が行われ（ステップＳ１２２）、音量の変化する場面が検出されて抽出タイミングとされる（ステップＳ１２８）。

入力された音声モード情報が背景モードである場合には（ステップＳ１０８）、動画像ファイルのうち同一イベント内について、ズームが行われた場面があるときは（ステップＳ１２４で“Ｙ”）、そのタイミングが抽出タイミングとされる。
例えば、動画像において、図７（ｄ）から図７（ｅ）へとズームが行われた場合、ズームが行われた直後を抽出タイミングとすることができる。

ズームが行われた場面がないときは（ステップＳ１２４で“Ｎ”）、音声解析が行われ（ステップＳ１２６）、音量の急な変化が発生した場面が検出されて抽出タイミングとされる（ステップＳ１２８）。
例えば、図８（ａ）に示す静止画像を含む同一イベント内の動画像ファイルには、列車がまだ来ていない状態から、列車が近づいてきて通り過ぎるまでが収録されているとすると、音量の変化が大きい場面である、列車が近づいてきて通り過ぎるまでの音が抽出されるように、抽出タイミングが決定される。

また、図８（ｂ）に示す静止画像には、当該静止画像を含む同一イベント内の動画像ファイルから、音量の変化が大きい場面であるトラの鳴き声（吠える音）が抽出されるように、抽出タイミングが決定される。さらに他の例では、図８（ｃ）に示す静止画像には、当該静止画像を含む同一イベント内の動画像ファイルから、音量の変化が大きい場面である波の音が抽出されるように、抽出タイミングが決定される。

しかし、動画像中に、大きな音の変化がない場合もある。
例えば、図９（ａ）に示す静止画像には滝が撮影されているが、滝の音は常に一定の音が流れていて、音量の急な変化がない。このような場合には、当該静止画像を含む同一イベント内の動画像ファイルから、最も大きな音声を含む所定の範囲が抽出されるように、抽出タイミングが決定される。これにより、例えば、図９（ａ）に示す静止画像に対して、滝の音を関連付けることができる。

さらに、動画像中に、ほとんど音がない場合もある。
例えば、図９（ｂ）に示す静止画像には花が撮影されているが、通常、関連する音はほとんどないと考えられる。このような場合は、図９（ａ）の例と同様に、当該静止画像を含む同一イベント内の動画像ファイルから、最も大きな音声を含む所定の範囲が抽出されるように、抽出タイミングが決定されてもよいし、予め決定された音声を関連付けてもよいし、あるいは、音声を関連付けないと決定されてもよい。

動画像解析手段１８からは、上記のそれぞれの抽出タイミングのうち、いずれかの抽出タイミングで音声抽出が行われ（ステップＳ１３０）、抽出音声が出力される。

静止画像解析手段１６から出力された静止画像ファイルと、動画像解析手段１８から出力された抽出音声は、音声付き静止画像生成手段２０に入力され、抽出音声が静止画像ファイルと関連付けられて、音声付き静止画像ファイルが生成され出力される（ステップＳ１３２）。

音声付き静止画像生成手段２０から出力された音声付き静止画像ファイルは、図示しない記憶手段に音声付き静止画像ファイルとして保存される（ステップＳ１３４）。

保存された音声付き静止画像ファイルは、メモリーカードや通信回線等で自在にコピー等を行うことができ、様々に活用することができる。
例えば、図１０（ａ）に示すように、音声付き静止画像ファイルがコピーされたメモリーカードをフォトフレームに装着することで、音声付き静止画像を観賞することができる。また、フォトフレームに限られず、ＰＣ（Personal Computer）、携帯電話、テレビ等の音声付き静止画像ファイルを再生することができるものであれば、いずれでも音声付き静止画像を観賞することができる。

さらに、図１０（ｂ）に示すように、音声付き静止画像ファイルがコピーされたメモリーカードを、図示しないフォトブック作製装置に読み込ませることで、音声付きのフォトブックを作製することができる。

なお、本発明においては、上述した画像ファイル生成方法の各工程をコンピュータに実行させるための画像ファイル生成プログラムとして構成しても良いし、また、コンピュータを、画像ファイル生成方法の各工程を実施する各手段として、または、上述した画像ファイル生成装置を構成する各手段として機能させる画像ファイル生成プログラムとして構成しても良い。
また、本発明を、上述した画像ファイル生成プログラムをコンピュータにより読取可能な媒体またはコンピュータにより読取可能なメモリとして構成してもよい。

以上、本発明の画像ファイル生成方法、そのプログラム、その記録媒体および画像ファイル生成装置について詳細に説明したが、本発明は、上記実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において、各種の改良や変更を行ってもよい。

１０ 画像生成装置
１２ 動画像読込手段
１４ 静止画像生成手段
１６ 静止画像解析手段
１８ 動画像解析手段
２０ 音声付き静止画像生成手段

Claims (13)

1. 動画像ファイルから音声付き静止画像ファイルを生成するための画像ファイル生成方法であって、
   動画像ファイルを読み込むステップと、
   読み込まれた前記動画像ファイルから選択された静止画像を抽出して静止画像ファイルを生成するステップと、
   前記生成された静止画像ファイルを解析し、音声モード情報を生成するステップと、
   前記音声モード情報によって前記動画像ファイルの解析方法を変更し、変更された前記解析方法により前記動画像ファイルを解析するステップと、
   前記音声モード情報、および前記動画像ファイルの解析結果から、前記生成された静止画像ファイルに最適な音声の抽出タイミングを決定するステップと、
   前記抽出タイミングで前記動画像ファイルから前記最適な音声を抽出するステップと、
   前記生成された静止画像ファイルと前記最適な音声を関連付けて音声付き静止画像ファイルを生成するステップと、を有することを特徴とする画像ファイル生成方法。
2. 前記生成された静止画像ファイルの解析は、
   前記生成された静止画像ファイルに人物が撮影されているか検出するステップと、
   前記人物の大きさを検出し、所定の値以上であれば、前記人物の音声を重視して前記動画像ファイルを解析するステップと、を有することを特徴とする請求項１に記載の画像ファイル生成方法。
3. 前記人物の検出は、顔検出によって検出することを特徴とする請求項２に記載の画像ファイル生成方法。
4. 前記人物の大きさは、前記顔検出によって検出された顔の大きさ、および位置のうち１以上から求めることを特徴とする請求項３に記載の画像ファイル生成方法。
5. 前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であることを特徴とする請求項１〜４のいずれかに記載の画像生成方法。
6. 前記抽出タイミングは、音量の急な変化が発生したタイミングであることを特徴とする請求項５に記載の画像ファイル生成方法。
7. 前記抽出タイミングは、ズームが行われたタイミングであることを特徴とする請求項５に記載の画像ファイル生成方法。
8. 前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であり、前記顔検出により検出された前記顔の口の形状を解析し、口を大きく開け、かつ音量の大きいタイミングであることを特徴とする請求項３または４に記載の画像ファイル生成方法。
9. 前記抽出タイミングは、前記生成された静止画像ファイルと同一のイベント内であり、前記顔検出により検出された前記顔の表情を判定し、笑顔かつ音量の大きいタイミングであることを特徴とする請求項３または４に記載の画像ファイル生成方法。
10. 前記抽出タイミングは、前記生成された静止画像ファイルと同一のシーン内であることを特徴とする請求項１〜４のいずれかに記載の画像ファイル生成方法。
11. 請求項１〜１０のいずれかに記載の画像ファイル生成方法の各工程を手順としてコンピュータに実行させるためのプログラム。
12. 請求項１１に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。
13. 動画像ファイルから音声付き静止画像ファイルを生成するための画像ファイル生成装置であって、
    動画像ファイルを読み込む動画像読込手段と、
    読み込まれた前記動画像ファイルから選択された静止画像を抽出して静止画像ファイルを生成する静止画像生成手段と、
    前記生成された静止画像ファイルを解析し、音声モード情報を生成する静止画像解析手段と、
    前記音声モード情報によって前記動画像ファイルの解析方法を変更し、変更された前記解析方法により前記動画像ファイルを解析し、前記音声モード情報、および前記動画像ファイルの解析結果から、前記生成された静止画像ファイルに最適な音声の抽出タイミングを決定し、前記抽出タイミングで前記動画像ファイルから前記最適な音声を抽出する動画像解析手段と、
    前記生成された静止画像ファイルと前記最適な音声を関連付けて音声付き静止画像ファイルを生成する音声付き静止画像生成手段と、を有することを特徴とする画像ファイル生成装置。

Images