WO2021238084A1 - 语音包推荐方法、装置、设备及存储介质 - Google Patents

语音包推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2021238084A1
WO2021238084A1 PCT/CN2020/127704 CN2020127704W WO2021238084A1 WO 2021238084 A1 WO2021238084 A1 WO 2021238084A1 CN 2020127704 W CN2020127704 W CN 2020127704W WO 2021238084 A1 WO2021238084 A1 WO 2021238084A1
Authority
WO
WIPO (PCT)
Prior art keywords
video
voice
target
candidate
package
Prior art date
Application number
PCT/CN2020/127704
Other languages
English (en)
French (fr)
Inventor
丁世强
吴迪
黄际洲
Original Assignee
百度在线网络技术（北京）有限公司
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 百度在线网络技术（北京）有限公司 filed Critical 百度在线网络技术（北京）有限公司
Priority to KR1020217020009A priority Critical patent/KR20210090273A/ko
Priority to SG11202107217VA priority patent/SG11202107217VA/en
Priority to EP20911296.0A priority patent/EP3944592B1/en
Priority to JP2021538331A priority patent/JP7240505B2/ja
Priority to US17/420,740 priority patent/US20230075403A1/en
Publication of WO2021238084A1 publication Critical patent/WO2021238084A1/zh

Links

Images

Classifications

    • 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
    • G06F16/73—Querying
    • G06F16/738—Presentation of query results
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B27/00—Editing; Indexing; Addressing; Timing or synchronising; Monitoring; Measuring tape travel
    • G11B27/02—Editing, e.g. varying the order of information signals recorded on, or reproduced from, record carriers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • 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
    • G06F16/75—Clustering; Classification
    • 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
    • G06F16/7834—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 audio features
    • 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
    • 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
    • G06F16/7847—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 low-level visual features of the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources

Abstract

本申请公开了一种语音包推荐方法、装置、设备及存储介质，涉及智能搜索技术领域。具体实现方案为：从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；向所述用户推荐所述目标语音包。本申请实施例提高了用户获取语音包的便捷度，同时提高了语音包的获取效率。

Description

语音包推荐方法、装置、设备及存储介质
本申请要求在2020年5月27日提交中国专利局、申请号为202010463398.8的中国专利申请的优先权，该申请的全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据处理技术领域，例如涉及智能搜索技术。
背景技术
目前，电子地图可以提供多个语音包，用户可以从中选择自己需要的语音包使用。通常，用户通过逐一试听的方式，选择自己需要的语音包，这种方式操作繁琐、效率较低。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请提供了一种操作便捷、效率更高的语音包推荐方法、装置、设备及存储介质。
根据本申请的一方面，提供了一种语音包推荐方法，包括：
从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；
根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；
向所述用户推荐所述目标语音包。
根据本申请的另一方面，提供了一种语音包推荐装置，包括：
目标展现视频选择模块，设置为从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；
目标语音包选择模块，设置为根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；
目标语音包推荐模块，设置为向所述用户推荐所述目标语音包。
根据本申请的又一方面，提供了一种电子设备，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本申请实施例提供的一种语音包推荐方法。
根据本申请的再一方面，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，所述计算机指令设置为使所述计算机执行本申请实施例提供的一种语音包推荐方法。
本申请实施例通过从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将目标展现视频所属的语音包作为候选语音包；根据候选语音包的属性信息和目标展现视频的属性信息，从候选语音包中为用户选择目标语音包；向用户推荐目标语音包。本申请实施例提高了用户获取语音包的便捷度，同时提高了语音包的获取效率。
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。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种语音包推荐方法的流程图；
图2是本申请实施例提供的另一种语音包推荐方法的流程图；
图3是本申请实施例提供的另一种语音包推荐方法的流程图；
图4是本申请实施例提供的另一种语音包推荐方法的流程图；
图5A是本申请实施例提供的另一种语音包推荐方法的流程图；
图5B是本申请实施例提供的第一神经网络模型的结构示意图；
图5C是本申请实施例提供的第二神经网络模型的结构示意图；
图5D是本申请实施例提供的用户的画像标签确定过程示意图；
图6是本申请实施例提供的一种语音包推荐装置的结构图；
图7是用来实现本申请实施例的语音包推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的每一种细节以助于理解，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每一种改变和修改，而不会背离本申请的范围和精神。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。
本申请实施例提供的语音包推荐方法和语音包推荐装置，适用于采用包含语音播报功能的应用程序过程中，进行语音包获取的情况。该语音包推荐装置由语音包推荐装置执行，该装置采用软件、或硬件、或软件和硬件实现，并具体配置于电子设备中。
图1是本申请实施例提供的一种语音包推荐方法的流程图，该方法包括：
S101、从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包。
其中，语音包关联的候选展现视频中，包括语音提供者的形象、声音和字幕等中的至少一种，设置为表征语音包中语音提供者的形象特征以及语音特征。其中，形象特征包括萝莉、御姐、大叔、IP(Intellectual Property，知识产权)形象等中的至少一种。其中，语音特征包括音质特点、或语音风格、或音质特点和语音风格等。其中，音质特点包括男生、女生、甜美和沙哑等中的至少一种；语音风格包括播音腔和幽默等中的至少一种。
其中，语音包关联有至少一个候选展现视频。在一实施例中，可以将语音包与候选展现视频的关联关系，预先存储在电子设备本地、与电子设备关联的其他存储设备或云端中。相应的，在需要时，根据该关联关系从语音包关联的候选展现视频中，进行目标展现视频的查找。在一实施例中， 目标展现视频可以预先存储在电子设备本地、与电子设备关联的其他存储设备或云端中，并在查找到目标展现视频时，进行目标展现视频的获取。例如，可以进行目标展现视频的视频标识的查找，并根据该视频标识进行目标展现视频的获取。
在本申请实施例的一种可选实施方式中，可以根据用户的相似用户进行语音包获取时所获取的展现视频，从语音包关联的候选展现视频中，为用户进行目标展现视频的选取。
为了减少目标展现视频选取时的数据运算量，提高目标展现视频的选取效率，在本申请实施例的另一可选实施方式中，还可以根据用户在进行语音包获取时所获取的历史展现视频与每一候选展现视频的相似度，从语音包关联的每一候选展现视频中，为用户进行目标展现视频的选取。
为了实现大数据量影响即时结果，在申请实施例的再一可选实施方式中，还可以基于样本用户和样本用户的历史行为数据进行机器学习模型的训练，并采用训练好的机器学习模型，从语音包关联的候选展现视频中，为用户进行目标展现视频的选取。
相应的，在从语音包关联的候选展现视频中，为用户选择至少一个目标展现视频后，可以将目标展现视频所述的语音包作为候选语音包。需要说明的是，由于语音包的数量至少为一个，语音包关联的候选展现视频的数量也至少为一个，因此最终确定的候选语音包的数量也至少为一个。后续可以从至少一个候选语音包中进行目标语音包的选取。
S102、根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包。
其中，候选语音包的属性信息，包括用户交互数据和语音包描述数据等中的至少一种。其中，用户交互数据设置为表征当前用户或其他用户对候选语音包的交互情况，其中交互包括点击、下载、浏览、评论和分享等中的至少一种。其中，语音包描述数据设置为表征语音包的基本属性，例如包括声音特点、播音特点和语音包提供者的形象特点等中的至少一个。
其中，目标展现视频的属性信息包括视频描述数据和语音包关联数据。其中，视频描述数据设置为表征视频的自身属性，例如可以是视频类型和视频来源等中的至少一种。其中，语音包关联数据设置为表征视频与语音 包的关联性，例如可以是视频与语音包的相似度。
在本申请实施例的一种可选实施方式中，可以基于排序模型，根据候选语音包的属性信息和目标展现视频的属性信息，从候选语音包中为用户选择目标语音包。其中，排序模型可以是属性模型或神经网络模型，排序模型可以基于以下方式中的至少一种加以实现：pointwise(单文档方法)、pairwise(文档对方法)或listwise(文档列表方法)等。
示例性地，在对排序模型进行模型训练时，可以基于用户的操作行为自动构建训练数据。以listwise为例，同一用户会浏览大量的视频，这些视频中的排序关系，可以根据用户对视频的交互行为以及交互程度进行确定。例如，按照以下顺序，由高到低对不同的视频依次排序：“下载行为转化为视频、点击过的视频、评论过的视频、浏览完成的视频、浏览未完成的视频、以及几乎无浏览的视频”。当然，还可以由技术人员根据需要或经验在排序关系中添加或修改视频的前后顺序，本申请实施例对此不做任何限定。
需要说明的是，从候选语音包中为用户选择的目标语音包的数量至少为一个。当所选择的目标语音包为至少两个时，还可以对所选取的目标语音包进行排序，例如可以采用前述排序模型进行排序，或随机确定每一目标语音包的顺序。
S103、向所述用户推荐所述目标语音包。
将目标语音包推荐给用户，以使用户基于目标语音包提供语音播报服务。当目标语音包为至少两个时，可以顺序向用户进行目标语音包推荐，并基于用户选择，确定最终提供语音播报服务的目标语音包。
本申请实施例通过从语音包关联的候选专线视频中为用户选择至少一个目标展现视频，且将目标展现视频所属的语音包作为候选语音包；根据候选语音包的属性信息和目标展现视频的属性信息，从候选语音包中为用户选择目标语音包；向用户推荐目标语音包。采用上述技术方案通过语音包关联的视频作为确定语音包的中间媒介，进行目标语音包的自动推荐，实现了由用户找语音包到语音包主动找用户的转变。同时，借助视频进行语音包确定，无需用户频繁进行语音包的试听，提高了用户获取语音包的便捷度，同时提高了语音包的获取效率。
图2是本申请实施例提供的另一种语音包推荐方法的流程图，该方法对应的技术方案，在上述每一技术方案的基础上，进行了优化改进。
在一实施例中，将操作“从语音包关联的候选展现视频中为用户选择至少一个目标展现视频”，细化为“根据所述用户的画像标签与所述语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频”，以完善目标展现视频的确定机制。
如图2所示的一种语音包推荐方法，包括：
S201、根据所述用户的画像标签与所述语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频。
其中，用户的画像标签设置为表征用户的自身属性，例如可以包括甜美、贴心、搞笑和御姐等中的至少一个。
在一实施例中，候选展现视频的分类标签可以包括形象标签设置为表征语音提供者(也即，视频中形象)的形象特征，例如落地、御姐、大叔和IP形象等中的至少一种；或者在一实施例中，候选展现视频的分类标签可以包括音质标签，设置为表征视频中语音提供者的语音特点，例如可以包括男生、女生、甜美和沙哑等中的至少一种。或者在一实施例中，候选展现视频的分类标签可以包括语音风格标签，设置为表征视频中音频播报风格，例如可以包括播音腔和搞笑等中的至少一种。
示例性地，可以根据用户的历史行为数据，确定用户的画像标签。其中，历史行为数据包括用户对历史视频产生交互行为的数据。其中，交互行为包括点击、下载、浏览、评论和分享等中的至少一种。
在一实施例中，根据用户的历史行为数据，确定用户的画像标签，可以是基于协同过滤的方式，结合用户历史行为数据中的历史视频，确定视频的分类标签；根据历史行为数据中的交互行为类型、出现次数进行加权排序，得到用户的画像标签。
在本申请实施例的一种可选实施方式中，候选展现视频的分类标签可以采用人工标注的方式进行添加。
为了提高候选展现视频的分类标签的确定效率，减少人力成本，在本申请实施例的另一可选实施方式中，候选展现视频的分类标签可以采用下述方式进行确定：从所述候选展现视频中抽取图像；将抽取的图像输入预 先训练好的多分类模型，根据模型输出结果，确定所述候选展现视频的至少一个分类标签。其中，多分类模型可以是神经网络模型。
由于视频具有不同维度的分类标签，例如形象标签、音质标签和语音风格标签等，不同维度的分类标签通常会对应有多种标签值，而不同视频可能对应有多种标签值。因此，在进行候选展现视频的分类标签确定时，相当于进行多分类任务的执行。
为了实现多分类任务的批量处理，本申请借助候选展现视频中抽取的至少一张图像作为分类标签确定依据，将所抽取的每一图像输入至预先训练好的多分类模型中，得到不同维度对应的每一标签值的概率值；根据每一标签值的概率值，确定候选展现视频的至少一个分类标签。在一实施例中，可以选取设定数量阈值、或概率值大于设定概率阈值、或设定数量阈值的且概率值大于设定概率阈值的每一标签值，作为候选展现视频的分类标签。其中，设定数量阈值和设定概率阈值由技术人员根据需要或经验值进行设定，或通过大量试验反复确定。
示例性地，多分类模型包括特征提取层和输出层。其中，特征提取层设置为对所出入的图像进行特征提取；输出层，设置为根据所提取特征，进行分类标签确定。
在本申请实施例的一种可选实施方式中，为了提高分类标签的确定效率，可以在确定每一分类标签的过程中，共享多分类模型的模型参数。示例性地，当分类标签包括至少两种类型时，多分类模型中可以针对每种类型的分类标签设置一个分类器，进行每一类型标签值的确定，从而实现特征提取层网络参数的共享，使得针对不同分类标签确定过程中，所提取特征能够相互促进，进行共性特征的提取，从而在一定程度上提高了分类标签确定结果的关联性和准确性。
在多分类模型的训练阶段，可以将样本视频中抽取的样本图像和样本分类标签，对预先构建的神经网络模型进行训练，得到所述多分类模型。其中，样本分类标签可以通过人工标注的方式加以实现。
在多分类模型的训练样本准备阶段，采用人工标注的方式确定样本视频的样本分类标签，费时费力。为了减少训练样本准备阶段投入的人力成本和时间成本，提高训练样本的准备效率，同时解决冷启动问题，扩充训 练样本数据量，在本申请实施例的另一可选实施方式中，在多分类模型的训练阶段，可以通过采用样本视频中的关联数据迁移的方式，替代人工标注，生成样本视频的样本分类标签。示例性地，可以将样本视频的文字描述、或样本视频的观看用户的用户画像、或样本视频的文字描述和样本视频的观看用户的用户画像，作为所述样本视频的样本分类标签；根据所述样本视频中抽取的样本图像和所述样本分类标签，对预先构建的神经网络模型进行训练，得到所述多分类模型。
示例性地，确定用户的画像标签和语音包关联的候选展现视频的分类标签的相关度；根据相关度值对每一候选展现视频进行排序；根据排序结果，确定至少一个候选展现视频作为目标展现视频。
在一实施例中，用户的画像标签、或候选展现视频的分类标签、或用户的画像标签和候选展现视频的分类标签，可以预先存储在电子设备本地或与电子设备关联的存储设备中，并在需要时进行用户的画像标签、或候选展现视频的分类标签、或用户的画像标签和候选展现视频的分类标签的获取；或者在一实施例中，用户的画像标签、或候选展现视频的分类标签、或用户的画像标签和候选展现视频的分类标签，还可以在进行目标展现视频确定过程中，采用前述至少一种方式进行用户的画像标签、或候选展现视频的分类标签、或用户的画像标签和候选展现视频的分类标签的实时确定。相应的，根据获取或确定的用户的画像标签和语音包关联的候选展现视频的分类标签，进行相关度确定，进而基于相关度进行目标展现视频的选择。
S202、将所述目标展现视频所属的语音包作为候选语音包。
S203、根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包。
S204、向所述用户推荐所述目标语音包。
本申请实施例通过将从语音包关联的候选展现视频中为用户选择至少一个目标展现视频的操作，细化为根据用户的画像标签与语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频。上述技术方案通过用户的画像标签和候选展现视频的分类标签作为参考音因子进行目标展现视频的选取，从而使得选取出与用户兴趣更匹配的目标展现 视频，为后续所选取的目标语音包与用户的匹配度奠定了基础。
图3是本申请实施例提供的另一种语音包推荐方法的流程图，该方法对应的技术方案，在上述每一技术方案的基础上，进行了优化改进。
在一实施例中，在执行语音包推荐方法时，追加“确定所述语音包的初始展现视频；根据每一所述初始展现视频的视频来源优先级，确定与所述语音包关联的所述候选展现视频”，以完善语音包与候选展现视频的关联关系构建机制。
在一实施例中，在执行语音包推荐方法时，追加“确定所述语音包的初始展现视频；根据每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频”，以完善语音包与候选展现视频的关联关系构建机制。
如图3所示的语音包推荐方法，包括：
S301、确定所述语音包的初始展现视频。
在本申请实施例的一种可选实施方式中，可以通过语音包提供方直接进行视频录制的方式，生成语音包的初始展现视频。可以理解的是，由于语音包提供方更清楚自己的语音包的风格特点，因此会录制出更能凸显语音包特点的视频，从而使得初始展现视频与语音包更加贴合。
为了提高初始展现视频的生成效率，减少初始展现视频生成所投入的人力物力成本，在本申请实施例的另一可选实施方式中，还可以根据语音包提供者的推广图片，确定语音包的推广文本；基于所述语音包提供者的声学合成模型，根据所述推广文本生成推广音频和推广字幕；根据所述推广图片、所述推广音频和所述推广字幕，生成所述初始展现视频。
示例性地，可以根据推广图片中包含的语音包提供者，确定语音包的推广文本。例如，将语音包提供者的介绍信息作为推广文本。基于语音包提供者的声学合成模型，根据推广文本生成推广音频，以及生成与推广音频相对应的推广字幕。为了使推广音频和推广字幕更加具备语音包宣传功能，还可以在根据推广文本生成推广音频和推广字幕时，根据预先构建的宣传话术模板，进行推广字幕的生成，并基于语音包提供者的声学合成模型，合成与推广字幕相对应的推广音频，从而达到模拟语音包提供者的声音的目的，得到语音包提供者的声音播放的推广字幕。
其中，宣传话术模板可以由技术人员根据需要或宣传经验进行构建，例如在电子地图对应的语音包中，可以采用以下宣传话术模板“【人物简介】，欢迎大家使用我的语音包，【人物名称】伴您安全出行”。
可以理解的是，通过上述模板化制作的方式进行视频生成，无需进行视频的录制，提高了视频生成效率，同时减少了视频生成的人力物力成本。
为了提高初始展现视频的生成效率，减少初始展现视频生成所投入的人力物力成本，在本申请实施例的又一可选实施方式中，还可以根据语音包提供者信息构建视频搜索词；根据所述视频搜索词，搜索与所述语音包提供者的视频作为所述初始展现视频。
其中，语音包提供者信息包括语音包提供者的特点描述信息，例如声音特点，包括甜美、沙哑、贴心等；还可以包括播音风格，包括幽默、搞笑等。
可以理解的是，通过全网挖掘的方式，搜索与语音包提供者信息相关联的视频，无需进行视频的录制，提高了视频生成效率，同时减少了视频生成的人力物力成本。
S302、根据每一所述初始展现视频的视频来源优先级，或者，根据每一所述初始展现视频与所述语音包的相似度，或者，根据每一所述初始展现视频的视频来源优先级和每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频。
在一实施例中，预先设置有不同视频来源对应的视频来源优先级，从而针对不同来源的初始展现视频，能够根据视频来源优先级，确定与语音包关联的候选展现视频。其中，视频来源优先级能够表征语音包与候选展现视频的关联性，优先级越高，则关联性越大。可以理解的是，通过引入视频来源优先级，保证了语音包与候选展现视频之间的关联程度，为后续进行语音包的选取，奠定了基础，从而为目标语音包推荐结果与用户之间的匹配结果的准确度提供了保障。
示例性地，视频来源可以包括语音包提供者录制、模板化制作以及全网挖掘等中的至少一种。其中，视频来源优先级可以由技术人员根据需要或经验进行设定。当初始展现视频中存在视频来源变动时，相应的，还可以由技术人员根据需要或经验，在视频来源优先级中进行视频来源的编辑， 并对每一视频来源的优先级顺序进行调整。其中，视频来源变动可以包括视频来源的添加或删除；相应的，对视频来源的编辑可以是添加视频来源或删除视频来源。
举例说明，当视频来源包括语音包提供者录制、模板化制作以及全网挖掘时，所设置的视频来源优先级顺序由高到低，依次可以是：、语音包提供者录制、模板化制作、以及全网挖掘”。
在一实施例中，针对相同或不同来源的初始展现视频，还可以确定每一初始展现视频与语音包的相似度，并根据相似度确定与语音包关联的候选展现视频。可以理解的是，通过引入相似度，辅助构建语音包和候选展现视频的关联关系，从而保证了语音包与候选展现视频之间的关联程度，为后续进行语音包的选取，奠定了基础，从而为目标语音包推荐结果与用户之间的匹配结果的准确度提供了保障。
示例性地，可以通过神经网络的方式计算出语音包的声音和初始展现视频中的余弦相似度；对每一初始展现视频的余弦相似度进行排序；选择设定数量阈值、或满足设定数值条件、或选择设定数量阈值的且满足设定数值条件的初始展现视频作为语音包关联的候选展现视频。其中，设定数量阈值、或设定数值条件可以由技术人员根据需要或经验值进行设定。
其中，神经网络的训练阶段，可有通过人工标注的方式构建训练语料，得到样本语音包和与样本语音包对应的正负样本视频；相应的，通过训练语料对神经网络进行训练，从而对神经网络中的网络参数进行优化调整。
在本申请实施例的一种可选实施方式中，可以将语音包和与语音包关联的候选展现视频，关联存储在电子设备本地、或与电子设备关联的其他存储设备中。为了提高存储效率可以通过键值对(key-value)的方式进行语音包和候选展现视频关联关系的存储。在一实施例中，可以采用正排拉链，以语音包标识为键域(key)，以候选展现视频的关联信息为值域(value)进行存储；或者，在一实施例中，还可以采用倒排拉链，以视频的标签信息为key，以语音包标识为value进行存储。
为了便于后续进行目标展现视频的属性信息的获取，在采用正排拉链进行存储时，还可以将候选展现视频的属性信息作为候选展现视频的关联信息存储在value中。
为了进一步保证语音包与候选展现视频之间的关联性，同时减少构建语音包与候选展现视频关联关系时的数据运算量，在一实施例中，还可以首先根据每一初始展现视频的视频来源优先级，对初始展现视频进行初步筛选；根据每一筛选后的初始展现视频与语音包的相似度，对筛选后的初始展现视频进行再次筛选，得到与语音包关联的候选展现视频。
S303、从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包。
S304、根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包。
S305、向所述用户推荐所述目标语音包。
本申请实施例通过在进行语音包推荐过程中，追加确定语音包的初始展现视频，并根据每一初始展现视频的视频来源优先级，或者，根据每一所述初始展现视频与所述语音包的相似度，或者，根据每一初始展现视频的视频来源优先级和每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频。采用上述技术方案，完善了语音包与候选展现视频的关联关系的构建机制，为后续进行目标展现视频的选择，进而进行候选语音包和目标语音包的逐步选取奠定了基础。同时，通过视频来源优先级、或视频与语音包的相似度、或视频来源优先级和视频与语音包的相似度，对初始视频进行筛选，得到与语音包关联的候选展现视频，保证了语音包与候选展现视频之间的关联度，从而为目标语音包推荐结果与用户之间的匹配结果的准确度提供了保障。
图4是本申请实施例提供的另一种语音包推荐方法的流程图，该方法对应的技术方案，在上述每一技术方案的基础上，进行了优化改进。
在一实施例中，将“向所述用户推荐所述目标语音包”，细化为“通过所述目标语音包关联的目标展现视频，向所述用户推荐所述目标语音包”，以完善目标语音包的推荐机制。
如图4所示的一种语音包推荐方法，包括：
S401、从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包。
S402、根据所述候选语音包的属性信息和所述目标展现视频的属性信 息，从所述候选语音包中为所述用户选择目标语音包。
S403、通过所述目标语音包关联的目标展现视频，向所述用户推荐所述目标语音包。
可以理解的是，通过视频展现的方式，能够让用户更加直观全面的获取到目标语音包的特点，且强化用户对目标语音包的印象，进一步提高了用户的选择效率。并且，通过视频展现的方式向用户提供信息，能够让用户更加轻松的获取到语音包特点信息，增强了用户的浏览体验和使用体验。
为了便于用户对目标语音包的下载，缩短下载步长，在目标展现视频中，还可以添加目标语音包的下载链接。其中，下载链接可以通过网址或携带网址信息的二维码加以呈现。
在一实施例中，当目标展现视频存在至少两个时，可以通过滑动切换的方式实现视频的顺序播放，从而使用户操作更加便捷。
在一实施例中，为了进一步增强视频交互性，还可以在目标展现视频中增加分享、点赞和评论外漏功能，从而缩短用户的视频交互或用户间交互的步长，提升了用户参与度，同时提高了视频在用户间的传播效率。
图5A是本申请实施例提供的另一种语音包推荐方法的流程图，该方法对应的技术方案，在上述每一技术方案的基础上，提供了一种优选实施方式。
如图5A所示的一种语音包推荐方法，包括语音包视频生成、语音包视频存储和语音包个性化推荐两个阶段。
1、语音包视频生成
a、初始视频生成
语音包视频的来源主要有三类：专家生产、全网挖掘、模板化制作。具体如下：
专家生产：主要通过语音包提供方录制视频的方式生产初始视频。语音包提供方更清楚自己的语音包的特点(音色、风格等等)，会录制出凸显出语音包特点的视频。以小A的语音包视频制作为例，这是一款年轻漂亮的女生、声音甜美并且很贴心的语音包时，通过在视频中甜美的装扮、外加一些很贴心的台词(小哥哥、去我心里、更近哦)，将该语音包的特点表现的淋漓尽致。
全网挖掘：主要通过构造关键词的方式挖掘出视频。同样以小A的语音包视频制作为例，根据模板自动构造出“小A贴心视频”、“小A甜美视频”等搜索词，并通过搜索词在搜索引擎中进行搜索，获取大量初始视频。
模板化制作：主要通过将相关图片和台词(通过该语音包声音进行播报)融合的方式制作出视频。仍以小A的语音包视频制作为例，将小A的个人简介通过宣传话术模板生成推广字幕，譬如，“【简介】，欢迎大家使用我的语音包，【人称】伴你平安出行”等等。根据小A的声学合成模型，合成推广字幕对应的推广音频；根据推广字幕、推广音频和小A的个人照片，制作初始视频。
b、语音包与视频关联
通过以上方式会构造出大量的初始视频，需要根据初始视频与语音包的相关性进行排序，并根据排序结果，选取至少一个初始视频作为候选视频。具体方式如下：
a)针对不同视频来源的视频选取
可以预先定义优先级规则，以定义不同来源视频的优先级。例如，优先级由高到低依次可以是：专家生产、模板化制作及全网挖掘。从而根据视频来源优先级，选取至少一个初始视频作为候选视频。
b)针对相同来源的视频选取
主要通过第一神经网络的方式计算出语音包声音和视频的余弦相似度；对余弦相似度进行排序，并根据排序结果，选取至少一个初始视频作为候选视频。
参见图5B所示的第一神经网络模型的结构示意图，以两个初始视频为例，进行候选视频选取。
其中，第一神经网络包括特征提取层、相似度确定层和输出层。
其中，特征提取层包括视频特征提取层，设置为对初始视频进行特征提取，得到视频特征向量；特征提取层还包括语音包特征提取层，设置为对语音包音频进行特征提取，得到音频特征向量。其中，特征提取网络基于神经网络实现。
其中，相似度确定层，设置为分别计算每一视频特征向量与音频特征向量的余弦相似度。
其中，输出层，设置为根据每一余弦相似度，从初始视频中选取至少一个候选视频。
需要说明的是，在第一神经网络训练阶段，可以通过人工标注的方式进行训练语料的构建。
c、视频标签生成
由于每个候选视频均具有不同维度的分类标签，例如包括反映语音提供者个人形象的形象标签、反映语音提供者声音特点的音质标签和反映声音播报风格的风格标签等。每种维度都会对用有至少一种标签值，例如音质标签中包括甜美、沙哑等；形象标签中包括御姐、萝莉、大叔等；风格标签中包括播音腔、幽默等。
对于某个维度的具体标签值的确定，可以认定为是个多分类的任务，有多少个维度，就对应多少任务。基于此，通过第二神经网络，采用多任务学习的方法，对候选视频进行分类，从而确定每一候选视频的分类标签。
参见图5C所示的第二神经网络模型的结构示意图。其中，模型的输入为从候选视频中抽样得到的多个抽样画面；模型的输出结果为每个维度概率最大的标签值和每一标签值对应的概率值。
其中，模型包括特征提取层和输出层。
其中，特征提取层基于神经网络实现，设置为对候选视频的抽样画面进行特征提取；输出层包括多个分类器，设置为确定不同维度的分类标签的标签值。
需要说明的是，由于针对同一视频进行不同维度的分类标签的标签值确定时，由于分类任务相关，因此可以通过共享特征提取层的网络参数的方式，实现共性特征的提取。
在第二神经网络模型的模型训练阶段，训练语料可以通过人工标注的方式，标注出每一样本视频对应的分类标签；还可以通过将样本视频的文字描述或者观看样本视频的用户对应的用户画像作为分类标签，以解决冷启动问题，从而扩充训练语料的数据量，进而提高所训练模型的模型精度。
需要说明的是，进行视频标签生成阶段所采用的特征提取层和进行语音包与视频关联阶段所采用的特征提取层所基于的神经网络结构相同或不同。
2、语音包视频信息存储
通过键值对(key-value)的方式存储在后端存储系统中，可以采用正排拉链和倒排拉链两种索引方式。其中，正排拉链可以以语音包标识为key，候选视频的视频内容和视频来源、语音包音频和候选视频的余弦相似度、语音包视频的分类标签为value。其中，倒排拉链是可以以视频的标签信息为key，语音包标识为value。通过以上的存储方式，很好支持个性化推荐的在线查询需求。
3、语音包个性化推荐
a、语音包候选召回
主要通过用户的画像标签为key，通过查询倒排拉链进行召回。
参见图5D所示的用户的画像标签确定过程示意图，基于协同过滤的方式，结合用户历史行为关联的历史视频的分类标签，确定用户的初始画像标签；按照交互行为、交互次数对初始画像标签进行加权排序，得到用户的画像标签，并列表呈现；根据用户的画像标签与语音包的候选视频的分类标签之间的相关度，召回目标视频，并将召回的目标视频所属的语音包作为候选语音包。
其中，交互行为包括浏览、评论、点赞、下载和分享等行为中的至少一种。其中，交互行为还包括交互程度，例如浏览部分和浏览全部等。
b、语音包候选排序
通过上述语音包召回方法，将会召回很多候选语音包，并通过排序模型对每一候选语音包进行排序，从而从候选语音包中进行目标语音包选取。并针对每个用户返回一个排序好的目标语音包列表进行展现。
其中，排序模型可以采用树形模型或者神经网络模型，框架可以选择pointwise、pairwise、listwise成熟框架。
例如，采用排序模型，根据语音包自身的CTR(Click Through Rate，点击通过率)特征、语音包描述信息、候选语音包的来源信息、语音包音频和相应的目标视频的余弦相似度、以及目标视频的分类标签，对候选语音包进行排序，并根据排序结果选择至少一个候选语音包作为目标语音包。
在排序模型的训练阶段，训练语料可以使用样本用户的用户交互行为自动构建得到。以listwise为例，同一个样本用户会浏览大量的包含样本 语音包的样本视频，这些样本视频中的排序关系，可以按照以下顺序由高到低进行排序设置：有下载行为转化的视频、点赞过的视频、评论过的视频、浏览完成的视频、浏览未完成的视频、以及几乎未浏览的视频。
c、视频交互形式展现
通过目标语音包关联的目标视频，向用户推荐目标语音包，让用户更加直观全面的获取到语音包的特点且印象深刻，大幅度提升用户的选择效率，并且视频形式的浏览体验更好，让用户能够更轻松地获取信息。
通过视频交互形式展现目标语音包，具体包含了三大方面：首先分享、点赞、评论功能外漏，使得交互方式更加便捷；动态生成该语音包下载的二维码图片，放到目标视频的右上角展现，缩短了用户分享下载步长，大幅度提升用户传播效率；支持滑动切换等便捷交互操作。
图6是本申请实施例提供的一种语音包推荐装置的结构图，该语音包推荐装置600，包括：目标展现视频选择模块601、目标语音包选择模块602和目标语音包推荐模块603。其中，
目标展现视频选择模块601，设置为从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；
目标语音包选择模块602，设置为根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；
目标语音包推荐模块603，设置为向所述用户推荐所述目标语音包。
本申请实施例通过目标展现视频选择模块从语音包关联的候选专线视频中为用户选择至少一个目标展现视频，且将目标展现视频所属的语音包作为候选语音包；通过目标语音包选择模块根据候选语音包的属性信息和目标展现视频的属性信息，从候选语音包中为用户选择目标语音包；通过目标语音包推荐模块向用户推荐目标语音包。采用上述技术方案通过语音包关联的视频作为确定语音包的中间媒介，进行目标语音包的自动推荐，实现了由用户找语音包到语音包主动找用户的转变。同时，借助视频进行语音包确定，无需用户频繁进行语音包的试听，提高了用户获取语音包的便捷度，同时提高了语音包的获取效率。
在一实施例中，所述目标展现视频选择模块601，包括：
目标展现视频确定单元，设置为根据所述用户的画像标签与所述语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频。
在一实施例中，该装置，还包括：
图像抽取模块，设置为从所述候选展现视频中抽取图像；
分类标签确定模块，设置为将抽取的图像输入预先训练好的多分类模型，根据模型输出结果，确定所述候选展现视频的至少一个分类标签。
在一实施例中，该装置，还包括：
样本分类标签确定模块，设置为将样本视频的文字描述、或样本视频的观看用户的用户画像、或样本视频的文字描述和样本视频的观看用户的用户画像，作为所述样本视频的样本分类标签；
多分类模型训练模块，设置为根据所述样本视频中抽取的样本图像和所述样本分类标签，对预先构建的神经网络模型进行训练，得到所述多分类模型。
在一实施例中，所述多分类模型在确定每一所述分类标签的过程中，共享模型参数。
在一实施例中，所述分类标签包括形象标签、音质标签和语音风格标签中的至少一种。
在一实施例中，该装置，还包括：
初始展现视频确定模块，设置为确定所述语音包的初始展现视频；
候选展现视频确定模块，设置为根据每一所述候选展现视频的视频来源优先级，确定与所述语音包关联的所述候选展现视频。
在一实施例中，该装置，还包括：
初始展现视频确定模块，设置为确定所述语音包的初始展现视频；
候选展现视频确定模块，设置为根据每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频。
在一实施例中，所述初始展现视频确定模块，包括：
推广文本确定单元，设置为根据语音包提供者的推广图片，确定语音包的推广文本；
音频字幕生成单元，设置为基于所述语音包提供者的声学合成模型， 根据所述推广文本生成推广音频和推广字幕；
初始展现视频生成单元，设置为根据所述推广图片、所述推广音频和所述推广字幕，生成所述初始展现视频。
在一实施例中，所述初始展现视频确定模块，包括：
视频搜索词构建单元，设置为根据语音包提供者信息构建视频搜索词；
初始展现视频生成单元，设置为根据所述视频搜索词，搜索与所述语音包提供者的视频作为所述初始展现视频。
在一实施例中，所述目标语音包推荐模块603，包括：
目标语音包推荐单元，设置为通过所述目标语音包关联的目标展现视频，向所述用户推荐所述目标语音包。
上述语音包推荐装置可执行本申请实施例所提供的每一语音推荐方法，具备执行语音推荐方法相应的功能模块和有益效果。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是实现本申请实施例的语音包推荐方法的电子设备的框图。电子设备旨在表示每一种形式的数字计算机，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每一种形式的移动装置，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或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及设置为连接每一部件的接口，包括高速接口和低速接口。每一个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器、或多条总线、或多个服务器和多条总线，与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，每一个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多 处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的语音包推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令设置为使计算机执行本申请所提供的语音包推荐方法。
存储器702作为一种非瞬时计算机可读存储介质，可设置为存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的语音包推荐方法对应的程序指令/模块(例如，附图6所示的目标展现视频选择模块601、目标语音包选择模块602和目标语音包推荐模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的每一种功能应用以及数据处理，即实现上述方法实施例中的语音包推荐方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现语音包推荐方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至实现语音包推荐方法的电子设备。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。
实现语音包推荐方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与实现音包推荐方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和 等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的每一种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、或它们的组合中实现。这些每一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、或解释或执行和解释，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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程或面向对象的编程语言、或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是设置为将机器指令或数据提供给可编程处理器的任何计算机程序产品、设备、或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是设置为将机器指令或数据提供给可编程处理器的任何信号。
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：设置为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设置为提供与用户的交互；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)和互联网。
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。
根据本申请实施例的技术方案，通过从语音包关联的候选专线视频中为用户选择至少一个目标展现视频，且将目标展现视频所属的语音包作为候选语音包；根据候选语音包的属性信息和目标展现视频的属性信息，从候选语音包中为用户选择目标语音包；向用户推荐目标语音包。采用上述技术方案通过语音包关联的视频作为确定语音包的中间媒介，进行目标语音包的自动推荐，实现了由用户找语音包到语音包主动找用户的转变。同时，借助视频进行语音包确定，无需用户频繁进行语音包的试听，提高了用户获取语音包的便捷度，同时提高了语音包的获取效率。
应该理解，可以使用上面所示的每一种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的每一步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行每一种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (24)

  1. 一种语音包推荐方法，包括：
    从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；
    根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；
    向所述用户推荐所述目标语音包。
  2. 根据权利要求1所述的方法，其中，所述“从语音包关联的候选展现视频中为用户选择至少一个目标展现视频”，包括：
    根据所述用户的画像标签与所述语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频。
  3. 根据权利要求2所述的方法，还包括：
    从所述候选展现视频中抽取图像；
    将抽取的图像输入预先训练好的多分类模型，根据模型输出结果，确定所述候选展现视频的至少一个分类标签。
  4. 根据权利要求3所述的方法，还包括：
    将样本视频的文字描述、或样本视频的观看用户的用户画像、或样本视频的文字描述和样本视频的观看用户的用户画像，作为所述样本视频的样本分类标签；
    根据所述样本视频中抽取的样本图像和所述样本分类标签，对预先构建的神经网络模型进行训练，得到所述多分类模型。
  5. 根据权利要求3所述的方法，其中，所述多分类模型在确定每一所述分类标签的过程中，共享模型参数。
  6. 根据权利要求2所述的方法，所述分类标签包括形象标签、音质标签和语音风格标签中的至少一种。
  7. 根据权利要求1所述的方法，还包括：
    确定所述语音包的初始展现视频；
    根据每一所述初始展现视频的视频来源优先级，确定与所述语音包关联的所述候选展现视频。
  8. 根据权利要求1所述的方法，还包括：
    确定所述语音包的初始展现视频；
    根据每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频。
  9. 根据权利要求7或8所述的方法，其中，所述“确定所述语音包的初始展现视频”，包括：
    根据语音包提供者的推广图片，确定语音包的推广文本；
    基于所述语音包提供者的声学合成模型，根据所述推广文本生成推广音频和推广字幕；
    根据所述推广图片、所述推广音频和所述推广字幕，生成所述初始展现视频。
  10. 根据权利要求7或8所述的方法，其中，所述“确定所述语音包的初始展现视频”，包括：
    根据语音包提供者信息构建视频搜索词；
    根据所述视频搜索词，搜索所述语音包提供者的视频作为所述初始展现视频。
  11. 根据权利要求1-8任一项所述的方法，其中，所述“向所述用户推荐所述目标语音包”，包括：
    通过所述目标语音包关联的目标展现视频，向所述用户推荐所述目标语音包。
  12. 一种语音包推荐装置，包括：
    目标展现视频选择模块，设置为从语音包关联的候选展现视频中为用户选择至少一个目标展现视频，且将所述目标展现视频所属的语音包作为候选语音包；
    目标语音包选择模块，设置为根据所述候选语音包的属性信息和所述目标展现视频的属性信息，从所述候选语音包中为所述用户选择目标语音包；
    目标语音包推荐模块，设置为向所述用户推荐所述目标语音包。
  13. 根据权利要求12所述的装置，其中，所述目标展现视频选择模块，包括：
    目标展现视频确定单元，设置为根据所述用户的画像标签与所 述语音包关联的候选展现视频的分类标签的相关度，确定至少一个目标展现视频。
  14. 根据权利要求13所述的装置，还包括：
    图像抽取模块，设置为从所述候选展现视频中抽取图像；
    分类标签确定模块，设置为将抽取的图像输入预先训练好的多分类模型，根据模型输出结果，确定所述候选展现视频的至少一个分类标签。
  15. 根据权利要求14所述的装置，还包括：
    样本分类标签确定模块，设置为将样本视频的文字描述、或样本视频的观看用户的用户画像、或样本视频的文字描述和样本视频的观看用户的用户画像，作为所述样本视频的样本分类标签；
    多分类模型训练模块，设置为根据所述样本视频中抽取的样本图像和所述样本分类标签，对预先构建的神经网络模型进行训练，得到所述多分类模型。
  16. 根据权利要求14所述的装置，其中，所述多分类模型在确定每一所述分类标签的过程中，共享模型参数。
  17. 根据权利要求13所述的装置，所述分类标签包括形象标签、音质标签和语音风格标签中的至少一种。
  18. 根据权利要求12所述的装置，还包括：
    初始展现视频确定模块，设置为确定所述语音包的初始展现视频；
    候选展现视频确定模块，设置为根据每一所述候选展现视频的视频来源优先级，确定与所述语音包关联的所述候选展现视频。
  19. 根据权利要求12所述的装置，还包括：
    初始展现视频确定模块，设置为确定所述语音包的初始展现视频；
    候选展现视频确定模块，设置为根据每一所述初始展现视频与所述语音包的相似度，确定与所述语音包关联的所述候选展现视频。
  20. 根据权利要求18或19所述的装置，其中，所述初始展现视频确定模块，包括：
    推广文本确定单元，设置为根据语音包提供者的推广图片，确定语音包的推广文本；
    音频字幕生成单元，设置为基于所述语音包提供者的声学合成模型，根据所述推广文本生成推广音频和推广字幕；
    初始展现视频生成单元，设置为根据所述推广图片、所述推广音频和所述推广字幕，生成所述初始展现视频。
  21. 根据权利要求18或19所述的装置，其中，所述初始展现视频确定模块，包括：
    视频搜索词构建单元，设置为根据语音包提供者信息构建视频搜索词；
    初始展现视频生成单元，设置为根据所述视频搜索词，搜索与所述语音包提供者的视频作为所述初始展现视频。
  22. 根据权利要求12-19任一项所述的装置，其中，所述目标语音包推荐模块，包括：
    目标语音包推荐单元，设置为通过所述目标语音包关联的目标展现视频，向所述用户推荐所述目标语音包。
  23. 一种电子设备，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1-11中任一项所述的一种语音包推荐方法。
  24. 一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令设置为使所述计算机执行权利要求1-11中任一项所述的一种语音包推荐方法。
PCT/CN2020/127704 2020-05-27 2020-11-10 语音包推荐方法、装置、设备及存储介质 WO2021238084A1 (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020217020009A KR20210090273A (ko) 2020-05-27 2020-11-10 음성패킷 추천방법, 장치, 설비 및 저장매체
SG11202107217VA SG11202107217VA (en) 2020-05-27 2020-11-10 Voice packet recommendation method and apparatus, device and storage medium
EP20911296.0A EP3944592B1 (en) 2020-05-27 2020-11-10 Voice packet recommendation
JP2021538331A JP7240505B2 (ja) 2020-05-27 2020-11-10 音声パケット推薦方法、装置、電子機器およびプログラム
US17/420,740 US20230075403A1 (en) 2020-05-27 2020-11-10 Voice packet recommendation method and apparatus, device and storage medium

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010463398.8 2020-05-27
CN202010463398.8A CN113746874B (zh) 2020-05-27 2020-05-27 一种语音包推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2021238084A1 true WO2021238084A1 (zh) 2021-12-02

Family

ID=78000616

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/127704 WO2021238084A1 (zh) 2020-05-27 2020-11-10 语音包推荐方法、装置、设备及存储介质

Country Status (7)

Country Link
US (1) US20230075403A1 (zh)
EP (1) EP3944592B1 (zh)
JP (1) JP7240505B2 (zh)
KR (1) KR20210090273A (zh)
CN (1) CN113746874B (zh)
SG (1) SG11202107217VA (zh)
WO (1) WO2021238084A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780339B (zh) * 2021-08-03 2024-03-29 阿里巴巴（中国）有限公司 模型训练、预测及内容理解方法及电子设备
CN113722537B (zh) * 2021-08-11 2024-04-26 北京奇艺世纪科技有限公司 短视频排序及模型训练方法、装置、电子设备和存储介质
CN113837910B (zh) * 2021-09-28 2024-04-16 科大讯飞股份有限公司 试题推荐方法、装置、电子设备和存储介质
CN115022732B (zh) * 2022-05-25 2023-11-03 阿里巴巴（中国）有限公司 视频生成方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674012A (zh) * 2012-09-21 2014-03-26 高德软件有限公司 语音定制方法及其装置、语音识别方法及其装置
US10325592B2 (en) * 2017-02-15 2019-06-18 GM Global Technology Operations LLC Enhanced voice recognition task completion
CN110674241A (zh) * 2019-09-30 2020-01-10 百度在线网络技术（北京）有限公司 地图播报的管理方法、装置、电子设备和存储介质
CN110795593A (zh) * 2019-10-12 2020-02-14 百度在线网络技术（北京）有限公司 语音包的推荐方法、装置、电子设备和存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100306249A1 (en) * 2009-05-27 2010-12-02 James Hill Social network systems and methods
CA2817103C (en) * 2010-11-11 2016-04-19 Google Inc. Learning tags for video annotation using latent subtags
JP2014035541A (ja) * 2012-08-10 2014-02-24 Casio Comput Co Ltd コンテンツ再生制御装置、コンテンツ再生制御方法及びプログラム
CN103631823B (zh) * 2012-08-28 2017-01-18 腾讯科技（深圳）有限公司 一种媒体内容推荐方法及设备
US9848215B1 (en) * 2016-06-21 2017-12-19 Google Inc. Methods, systems, and media for identifying and presenting users with multi-lingual media content items
US10659505B2 (en) * 2016-07-09 2020-05-19 N. Dilip Venkatraman Method and system for navigation between segments of real time, adaptive and non-sequentially assembled video
US20180322411A1 (en) * 2017-05-04 2018-11-08 Linkedin Corporation Automatic evaluation and validation of text mining algorithms
WO2020031292A1 (ja) * 2018-08-08 2020-02-13 株式会社ウフル 音声ａｉモデル切替システム、音声ａｉモデル切替方法、及びプログラム
CN109040297B (zh) * 2018-08-30 2021-04-06 广州酷狗计算机科技有限公司 用户画像生成方法及装置
CN109492169A (zh) * 2019-01-10 2019-03-19 自驾旅行网(上海)信息科技有限公司 一种基于ai语音算法的自驾旅途多媒体推荐方法及其应用系统
CN111081088A (zh) * 2019-05-10 2020-04-28 广东小天才科技有限公司 一种听写字词收录方法及电子设备
CN110648170A (zh) * 2019-09-02 2020-01-03 平安科技（深圳）有限公司 一种物品推荐的方法及相关装置
CN110704682B (zh) * 2019-09-26 2022-03-18 新华智云科技有限公司 一种基于视频多维特征智能推荐背景音乐的方法及系统
CN110837579A (zh) * 2019-11-05 2020-02-25 腾讯科技（深圳）有限公司 视频分类方法、装置、计算机以及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103674012A (zh) * 2012-09-21 2014-03-26 高德软件有限公司 语音定制方法及其装置、语音识别方法及其装置
US10325592B2 (en) * 2017-02-15 2019-06-18 GM Global Technology Operations LLC Enhanced voice recognition task completion
CN110674241A (zh) * 2019-09-30 2020-01-10 百度在线网络技术（北京）有限公司 地图播报的管理方法、装置、电子设备和存储介质
CN110795593A (zh) * 2019-10-12 2020-02-14 百度在线网络技术（北京）有限公司 语音包的推荐方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3944592A4

Also Published As

Publication number Publication date
KR20210090273A (ko) 2021-07-19
CN113746874B (zh) 2024-04-05
EP3944592A4 (en) 2022-04-20
EP3944592A1 (en) 2022-01-26
SG11202107217VA (en) 2021-12-30
CN113746874A (zh) 2021-12-03
JP2022538702A (ja) 2022-09-06
EP3944592B1 (en) 2024-02-28
JP7240505B2 (ja) 2023-03-15
US20230075403A1 (en) 2023-03-09

Similar Documents

Publication Publication Date Title
WO2021238084A1 (zh) 语音包推荐方法、装置、设备及存储介质
EP3819791A2 (en) Information search method and apparatus, device and storage medium
US20240107127A1 (en) Video display method and apparatus, video processing method, apparatus, and system, device, and medium
CN104735468B (zh) 一种基于语义分析将图像合成新视频的方法及系统
US20180213289A1 (en) Method of authorizing video scene and metadata
WO2018177139A1 (zh) 一种视频摘要生成方法、装置、服务器及存储介质
JP2024516666A (ja) 検索結果表示方法、装置、機器及び媒体
CN102368262A (zh) 一种提供与查询序列相对应的搜索建议的方法与设备
WO2022052749A1 (zh) 一种消息处理方法、装置、设备及存储介质
CN111680189B (zh) 影视剧内容检索方法和装置
WO2021238081A1 (zh) 语音包推荐方法、装置、设备及存储介质
CN109063198B (zh) 融媒体资源的多维可视化搜索推荐系统
US11061651B2 (en) Systems and methods for organizing, classifying, and discovering automatically generated computer software
US20220092071A1 (en) Integrated Dynamic Interface for Expression-Based Retrieval of Expressive Media Content
WO2022042157A1 (zh) 视频数据的制作方法、装置、计算机设备和存储介质
CN111309200B (zh) 一种扩展阅读内容的确定方法、装置、设备及存储介质
JP2022518645A (ja) 映像配信時効の決定方法及び装置
JP7337172B2 (ja) 音声パケット推薦方法、装置、電子機器およびプログラム
US20230418874A1 (en) Styling a query response based on a subject identified in the query
CN113557504A (zh) 用于基于媒体内容项的目的地的对媒体内容项的改进的搜索和分类的系统和方法
KR102408256B1 (ko) 검색을 수행하는 방법 및 장치
CN111353070A (zh) 视频标题的处理方法、装置、电子设备及可读存储介质
CN110908525A (zh) 一种输入法及其客户端和提供候选图片/视频的方法
US20240028661A1 (en) Augmented ui generated through natural language query and semantic data connections
WO2023217122A1 (zh) 视频剪辑模板搜索方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 20217020009

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021538331

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020911296

Country of ref document: EP

Effective date: 20210713

NENP Non-entry into the national phase

Ref country code: DE