WO2023011050A1

WO2023011050A1 - 进行连麦合唱的方法、系统、设备及存储介质

Info

Publication number: WO2023011050A1
Application number: PCT/CN2022/101609
Authority: WO
Inventors: 冯涛; 黄斯亮; 王玉奎; 王磊; 刘腾飞; 欧阳金凯; 管振航; 文绍斌; 雷勇; 杜擎; 李扬
Original assignee: 腾讯音乐娱乐科技（深圳）有限公司
Priority date: 2021-08-06
Filing date: 2022-06-27
Publication date: 2023-02-09
Also published as: CN113596516A; CN113596516B

Abstract

本申请公开了一种进行连麦合唱的方法、系统、设备及存储介质，属于互联网技术领域。该方法包括：接收第一终端发送的第一直播多媒体数据，以及第二终端发送的第二直播多媒体数据，第一直播多媒体数据中携带有伴奏播放进度；当接收到的第二直播多媒体数据中携带有延迟标签时，删除第二直播多媒体数据；当接收到的第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于第二直播多媒体数据携带的伴奏播放进度，以及第一直播多媒体数据携带的伴奏播放进度，对第一直播多媒体数据和第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据。采用本申请可以解决观众终端出现的两个主播在连麦合唱时接唱不连贯的问题。

Description

进行连麦合唱的方法、系统、设备及存储介质

本申请要求于2021年08月06日提交的申请号为202110902528.8、发明名称为“进行连麦合唱的方法、系统、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及互联网技术领域，特别涉及一种进行连麦合唱的方法、系统、设备及存储介质。

背景技术

随着互联网技术的发展，人们通过网络观看主播直播已经是日常生活中常见的一种娱乐方式。

随着视频直播行业的发展，主播进行直播的形式越来越多，例如两个主播可以进行连麦唱歌。即两个主播可以按照预设的演唱顺序接唱同一首歌曲。用户可以通过进入任一主播的直播间，观看到两个主播共同演唱一首歌曲的直播视频。

在实现本申请的过程中，发明人发现相关技术至少存在以下问题：

在连麦唱歌时，两个主播都是在听到对方主播演唱完属于对方的演唱部分后，才开始演唱自己的演唱部分。但是由于网络传输存在延迟问题，主播在听到对方主播演唱完属于对方的演唱部分后再进行接唱，会导致主播接唱歌曲的接唱时间点落后，如此观众终端可能会出现两个主播接唱歌曲不连贯的问题。

发明内容

本申请实施例提供了一种进行连麦合唱的方法、系统、设备及存储介质，能够解决观众终端出现的两个主播在连麦合唱时接唱不连贯的问题。所述技术方案如下：

第一方面，提供了一种进行连麦合唱的方法，所述方法应用于第一终端，所述方法包括：

向服务器发送目标歌曲的连麦合唱请求；

接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；

开始播放所述目标歌曲的伴奏并进入第一处理状态，所述第一处理状态中的处理包括：在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态，所述第二处理状态中的处理包括：当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据。

可选的，所述方法还包括：

当接收到的第二直播多媒体数据中携带的第二终端伴奏播放进度为任一演唱时间段的演唱开始时间点时，由所述演唱开始时间点开始播放所述伴奏，并切换到所述第一处理状态。

可选的，所述根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段，包括：

根据所述目标歌曲的分段信息，确定所述第一终端和第二终端分别在目标歌曲中分别对应的演唱段落；

对于所述第一终端对应的任一演唱段落，如果所述任一演唱段落非所述目标歌曲中对应的最后一个演唱段落，则基于所述任一演唱段落在所述目标歌曲中对应的目标播放结束时间，以及所述任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定所述任一演唱段落对应的演唱结束时间点；

如果所述任一演唱段落非所述目标歌曲中对应的第一个演唱段落，则将所述任一演唱段落相邻的上一个演唱段落的演唱结束时间点，确定为所述任一演唱段落的演唱开始时间点；

基于所述任一演唱段落对应的演唱开始时间点和演唱结束时间点，确定所述任一演唱段落对应的演唱时间段。

可选的，所述基于所述任一演唱段落在所述目标歌曲中对应的目标播放结束时间，以及所述任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定所述任一演唱段落对应的演唱结束时间点，包括：

确定所述目标播放结束时间与所述目标开始播放时间点之间的时间间隔；

如果所述时间间隔大于预设的时间间隔阈值，则将所述目标播放结束时间与所述目标开始播放时间点之间的中间时间点，确定为所述任一演唱段落对应的演唱结束时间点；

如果所述时间间隔小于等于预设的时间间隔阈值，则基于预设的划分比例，在所述目标播放结束时间与所述目标开始播放时间点之间，确定目标时间点，其中，所述目标时间点与所述目标播放结束时间点之间的第一时间间隔与所述目标时间点与所述目标开始结束时间点之间的第二时间间隔的比值，满足所述划分比例，且所述第一时间间隔大于所述第二时间间隔。

可选的，所述当伴奏播放时间点达到当前的演唱时间段的演唱结束时间点时，切换为第二处理状态之后，所述方法还包括：

停止播放所述目标歌曲的伴奏。

第二方面、提供了一种进行连麦合唱的方法，所述方法应用于服务器，所述方法包括：

接收第一终端以及第二终端发送的目标歌曲的连麦合唱请求；

向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；

接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；

当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；

将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端对应的观众终端。

可选的，所述基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据，包括：

将所述第一直播多媒体数据以及所述第二直播多媒体数据中，携带有相同伴奏播放进度的音频帧进行音频合成处理，得到音频合成处理后的音频帧；

基于进行音频合成处理的音频帧，对所述第一直播多媒体数据中的视频帧和所述第二直播多媒体数据中的视频帧，进行视频对齐处理，得到视频对齐处理后的视频数据。

可选的，所述方法还包括：

当确定所述第一终端进入所述第二处理状态时，确定接收所述第一终端在所述第一处理状态时发送的所述第一直播多媒体数据对应的第一数据包数目，并确定接收所述第二终端在所述第二处理状态时发送的所述第二直播多媒体数据对应的第二数据包数目；

如果所述第一数据包数目大于所述第二数据包数目，则基于所述第一数据包数目与所述第二数据包数目的差值，对已接收的第二直播多媒体数据进行补包处理，如果所述第一数据包数目小于所述第二数据包数目，则基于所述差值对所述第二直播多媒体数据进行删包处理。

第三方面、提供了一种进行连麦合唱的装置，所述装置应用于第一终端，所述装置包括：

发送模块，用于向服务器发送目标歌曲的连麦合唱请求；

确定模块，用于接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；

处理模块，用于开始播放所述目标歌曲的伴奏并进入第一处理状态，所述第一处理状态中的处理包括：在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

切换模块，用于当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态；

处理模块，用于在所述第二处理状态中，当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；

当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据。

可选的，所述切换模块，还用于：

可选的，所述确定模块，用于：

可选的，所述处理模块还用于：

停止播放所述目标歌曲的伴奏。

第四方面、提供了一种进行连麦合唱的装置，其特征在于，所述装置应用于服务器，所述装置包括：

接收模块，用于接收第一终端以及第二终端发送的目标歌曲的连麦合唱请求；

发送模块，用于向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；

所述接收模块，用于接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；

处理模块，用于当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；

所述发送模块，用于将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端对应的观众终端。

可选的，所述处理模块，用于：

可选的，所述处理模块，还用于：

第五方面、提供了一种进行连麦合唱的系统，所述系统包括第一终端、第二终端和服务器，其中：

所述第一终端，用于向所述服务器发送目标歌曲的连麦合唱请求；接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；开始播放所述目标歌曲的伴奏并进入第一处理状态，所述第一处理状态中的处理包括：在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态，所述第二处理状态中的处理包括：当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

所述服务器，用于接收所述第一终端以及第二终端发送的目标歌曲的连麦合唱请求；向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端对应的观众终端。

第六方面、提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如第一方面所述的进行连麦合唱的方法所执行的操作。

第七方面、提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如第二方面所述的进行连麦合唱的方法所执行的操作。

第八方面、提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上所述的进行连麦合唱的方法所执行的操作。

本申请实施例提供的技术方案带来的有益效果是：

在本申请实施例，将第一终端和第二终端在进行连麦合唱时，将进行连麦合唱的过程分为了两种处理状态，第一终端在第一处理状态时，可以向服务器发送携带伴奏播放进度的直播多媒体数据，第二终端在第二处理状态时，可以向服务器发送携带接收的第一终端发送的伴奏播放进度的直播多媒体数据，如此，服务器可以根据第一终端和第二终端分别发送的携带伴奏播放进度的直播多媒体数据，进行合成处理。这样发送至观众终端的直播多媒体数据是按照伴奏播放进度发送的，可以解决两个主播在连麦合唱时在观众终端出现接唱不连贯的问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种实施环境示意图；

图2是本申请实施例提供的一种进行连麦合唱的方法流程图；

图3是本申请实施例提供的一种进行连麦合唱的方法流程图；

图4是本申请实施例提供的一种进行连麦合唱的方法流程图；

图5是本申请实施例提供的一种进行连麦合唱的方法示意图；

图6是本申请实施例提供的一种进行连麦合唱的方法示意图；

图7是本申请实施例提供的一种进行连麦合唱的方法流程图；

图8是本申请实施例提供的一种进行连麦合唱的装置结构示意图；

图9是本申请实施例提供的一种进行连麦合唱的装置结构示意图；

图10是本申请实施例提供的一种终端结构示意图；

图11是本申请实施例提供的服务器结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

本申请提供的进行连麦合唱的方法可以由终端和服务器共同实现。终端可以运行有用于直播应用程序，终端可以具备摄像头、麦克风、耳机等部件，终端具有通信功能，可以接入互联网，终端可以是手机、平板电脑、智能穿戴设备、台式计算机、笔记本电脑等。服务器可以是上述应用程序的后台服务器，服务器可以与终端建立通信。该服务器可以是一个单独的服务器也可以是一个服务器组，如果是单独的服务器，该服务器可以负责下述方案中的所有处理，如果是服务器组，服务器组中的不同服务器分别可以负责下述方案中的不同处理，具体的处理分配情况可以由技术人员根据实际需求任意设置，此处不再赘述。

如图1所示，图1是本申请实施例提供的一种实施环境的示意图。其中，第一终端对应的第一主播可以与第二终端对应的第二主播可以进行连麦直播。在连麦直播的过程中，第一终端可以将包括第一主播直播视频和音频的第一直播多媒体数据发送至服务器，第二终端可以将包括第二主播直播视频和音频的第二直播多媒体数据发送至服务器，然后服务器可以对第一直播多媒体数据和第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据，并发送至观看第一主播和第二主播连麦直播的观众终端。其中，第一终端也可以将第一直播多媒体数据发送至第二终端，第二终端也可以将第一直播多媒体数据发送至第一终端，进而第一主播和第二主播可以通过直播多媒体数据进行互动。

由于第一终端和第二终端的直播多媒体数据是通过网络传输的，存在不可避免的网络延时。第一终端将第一直播多媒体数据发送至服务器和第二终端，第二终端和服务器接收到第一终端发送的第一直播多媒体数据时，就已经存在了延时，而第二终端将第二主播根据第一直播多媒体数据进行互动过程中的第二直播多媒体数据发送到第一终端和服务器时，也会存在一定的延时。

例如在第一主播和第二主播在直播间中进行连麦合唱时，第二主播在接收并播放第一主播演唱完第一歌词的音频后，接唱了第二句歌词，并且第二终端将第二主播接唱第二句歌词过程中的第二直播多媒体数据发送至第一终端和服务器。由于存在网络延迟的原因，第一终端和服务器接收到第二句歌词的音频的时间点，相对于第二主播的接唱第二句歌词的时间点会靠后。这样在服务器中，接收到第一终端发送的第一句歌词对应的直播多媒体数据与第二终端发送的第二句歌词对应的直播多媒体数据之间会存在一段延迟时间(在该段延迟时间内服务器接收的为第二主播在演唱第二句歌词之前的直播多媒体数据)，如此服务器将第一主播和第二主播对应的直播多媒体数据发送至观众终端后，观众终端看到的第一主播和第二主播在接唱两句歌词之间会存在一段延迟时间，从而导致观众终端显示的两个主播接唱歌曲的过程不连贯。

图2是本申请实施例提供的一种进行连麦合唱的方法的流程图，该方法应用于第一终端。参见图2，该方法包括：

步骤201、向服务器发送目标歌曲的连麦合唱请求。

步骤202、接收服务器发送的目标歌曲的开始演唱命令，根据目标歌曲的分段信息，确定本地的至少一个演唱时间段。

步骤203、开始播放目标歌曲的伴奏并进入第一处理状态，在第一处理状态中，在本地生成的第一直播多媒体数据中，添加录制第一直播多媒体数据时的伴奏播放进度以及演唱标签，向服务器发送添加处理后的第一直播多媒体数据。

步骤204、当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态。

其中，在第二处理状态中，当接收到服务器发送的携带有第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向服务器发送添加处理后的第一直播多媒体数据；当接收到服务器发送的携带有第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向服务器发送添加处理后的第一直播多媒体数据。

图3是本申请实施例提供的一种进行连麦合唱的方法的流程图，该方法应用于第一终端。参见图3，该方法包括：

步骤301、接收第一终端以及第二终端发送的目标歌曲的连麦合唱请求。

步骤302、向第一终端以及第二终端发送目标歌曲的开始演唱命令。

步骤303、接收第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度。

步骤304、当接收到的第二直播多媒体数据中携带有延迟标签时，删除第二直播多媒体数据；当接收到的第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于第二直播多媒体数据携带的伴奏播放进度，以及第一直播多媒体数据携带的伴奏播放进度，对第一直播多媒体数据和第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据。

步骤305、将合成处理后的直播多媒体数据发送至第一终端和第二终端对应的观众终端。

图4是本申请实施例提供的一种进行连麦合唱的方法的流程图。该方法应用于第一终端和服务器之间的交互。参见图4，该实施例包括：

步骤401、第一终端向服务器发送目标歌曲的连麦合唱请求。

在实施中，第一主播想和第二主播连麦合唱时，第一主播可以操作第一终端中的直播应用程序，选择想要演唱的目标歌曲，然后向第二主播对应的第二终端和服务器发送目标歌曲的连麦合唱请求。在第二终端接收到第一终端发送的目标歌曲的连麦合唱请求后，第二主播可以选择接受与第一主播进行连麦合唱目标歌曲，并同样可以向服务器发送目标歌曲的连麦合唱请求。

步骤402、第一终端接收服务器发送的目标歌曲的开始演唱命令。

服务器在接收第一终端和第二终端发送的目标歌曲的连麦合唱请求后，可以向第一终端和第二终端同时发送目标歌曲的开始演唱命令。

步骤403、第一终端根据目标歌曲的分段信息，确定本地的至少一个演唱时间段。

第一终端和第二终端在接收到目标歌曲的开始演唱命令后，可以开始执行连麦合唱功能。目标歌曲的分段信息可以预先存储在第一终端，也可以由服务器发送至第一终端。在目标歌曲的分段信息中，可以记录有领唱方和接唱方各自需要演唱的歌词部分。其中，领唱方可以为发起连麦合唱的发起端，即第一主播，接唱方可以为接受连麦合唱的接受端，即第二主播。第一终端可以根据目标歌曲的分段信息中记录的领唱方和接唱方各自需要演唱的歌词部分，确定第一终端(即本地)需要演唱目标歌曲的演唱时间段，即开始连麦合唱后，需要第一主播在演唱时间段内演唱目标歌曲。其中，确定根据目标歌曲的分段信息确定本地的至少一个演唱时间段的处理，此处先不做详细介绍。

步骤404、第一终端开始播放目标歌曲的伴奏，并进入第一处理状态。

在实现连麦合唱的功能中，第一终端和第二终端可分别包括两个处理状态，分别是主播处于演唱时间段时的处理状态，即第一处理状态，以及主播处于非演唱时间段时的处理状态，即第二处理状态，其中，在第一终端处于第一处理状态时，第二终端处于第二处理状态。

在本申请中，以第一终端先对目标歌曲进行演唱为例，对方案进行详细说明，即在连麦合唱开始后，第一终端先进入第一处理状态。在第一处理状态下，在本地生成的第一直播多媒体数据中，添加采集第一直播多媒体数据时的伴奏播放时间点以及演唱标签，向服务器发送添加处理后的第一直播多媒体数据。

在本申请中为了便于区分第一终端采集的直播多媒体数据和第二终端采集的直播多媒体数据，可以将第一终端采集的直播多媒体数据称为第一直播多媒体数据，将第二终端采集的直播多媒体数据称为第二直播多媒体数据。

在实施中，在第一终端进入第一处理状态中，可以播放目标歌曲的伴奏音频，第一主播可以随着播放的伴奏音频演唱目标歌曲，第一终端可以采集第一主播演唱目标歌曲时的第一直播多媒体数据，如第一终端的可以通过摄像头拍摄第一主播演唱目标歌曲的视频数据，通过麦克风可以录制第一主播演唱的目标歌曲的音频数据。

第一终端在采集的第一主播演唱目标歌曲时的第一直播多媒体数据后，可以在第一直播多媒体数据中添加当前播放的目标歌曲的伴奏音频的伴奏播放时间点以及演唱标签。例如可以在麦克风采集到第一主播演唱目标歌曲的音频帧时，可以获取当前的伴奏播放时间点，将对应的伴奏播放时间点添加到音频帧中，如添加到音频帧中的元数据，并可以将演唱标签添加到元数据中。之后可以将添加伴奏播放时间点和演唱标签的第一直播多媒体数据发送至服务器以及第二终端，如此服务器和第二终端在接收到第一直播多媒体数据后，可以根据第一直播多媒体数据中添加的演唱标签确定接收到的第一终端发送的第一直播多媒体数据为第一主播演唱目标歌曲的第一直播多媒体数据，且可以根据伴奏播放进度，确定第一主播对目标歌曲的演唱进度。其中，伴奏播放进度可以伴奏播放的时间点，演唱标签可以任一具有标识作用的字符，可由技术人员预先设定。

另外，在第一终端处于第一处理状态时，第二终端处于第二处理状态，其中，第二终端在第二处理状态中的处理如下：当接收到第一终端发送的携带有非演唱标签的第一直播多媒体数据，或者未添加演唱标签的第一直播多媒体数据时，在本地当前生成的第二直播多媒体数据中，添加延迟标签，向服务器和第一终端发送添加处理后的第二直播多媒体数据，当接收到第一终端发送的携带有伴奏播放进度以及演唱标签的第一直播多媒体数据时，在本地当前生成的第二直播多媒体数据中，添加接收到的伴奏播放进度以及非演唱标签，向服务器和第一终端发送添加处理后的第二直播多媒体数据。

在实施中，第二终端在接收到服务器发送的目标歌曲的开始演唱命令后，可以进入第二处理状态。在刚进入第二处理状态的一段时间内，由于网络延迟问题，第二终端接收的第一终端发送的第一直播多媒体数据可能并不是第一终端在第一处理状态时发送的直播多媒体数据。因此，可以通过确定第一终端发送的第一直播多媒体数据中是否携带有演唱标签，进而确定在第二终端在第二处理状态时，接收到的第一直播多媒体数据是否为第一主播在演唱时间段发送的直播多媒体数据。

如果确定第一终端发送的第一直播多媒体数据中，没有携带演唱标签时，则说明当前第一终端发送的第一直播多媒体数据并不是第一主播演唱目标歌曲的直播多媒体数据，所以此时第二主播根据播放的直播多媒体数据做出的反应和互动，不是在看到或听到第一主播演唱目标歌曲是产生的。因此可以在当前第二终端采集的第二直播多媒体数据中添加延迟标签，并将添加延迟标签的第二直播多媒体数据发送至服务器和第一终端。这样，延迟标签可用于表示第二终端发送的第二主播的第二直播多媒体数据并不是在看到或听到第一主播演唱目标歌曲时采集的。另外在第二直播多媒体中添加延迟标签的处理，与上述在第一直播多媒体中添加演唱标签的处理类似，此处不再赘述。

如果确定第一终端发送的第一直播多媒体数据中，携带有演唱标签时，则说明当前第一终端发送的第一直播多媒体数据是第一主播演唱目标歌曲的直播多媒体数据，所以此时第二主播根据播放的直播多媒体数据做出的反应和互动，是在看到或听到第一主播演唱目标歌曲是产生的。此时，可以获取接收到的第一直播多媒体数据中添加的伴奏播放进度，将获取的伴奏播放时间点添加到第二终端采集的第二直播多媒体数据中，同时可以在第二直播多媒体数据中添加非演唱标签，然后可以将添加伴奏播放时间点以及非演唱标签的第二直播多媒体数据发送至第一终端和服务器。这样将第二直播多媒体数据中添加接收到的第一直播多媒体中添加的伴奏播放进度，可用于表示第二直播多媒体数据，是在第二主播观看到对应的第一主播在演唱到伴奏播放进度对应的目标歌曲时采集到的。其中，在第二直播多媒体中添加伴奏播放时间点和非演唱标签的处理，与上述在第一直播多媒体中添加伴奏播放时间点和演唱标签的处理类似，此处不再赘述。

另外，由于第二终端接收的第一终端在第一处理状态中发送的第一直播多媒体中包括了目标歌曲伴奏音频，因此第二终端可以在第二处理状态时，可以不对目标歌曲的伴奏进行播放。

步骤405、服务器接收第一终端发送的第一直播多媒体数据，以及第二终端发送的第二直播多媒体数据。

其中，在第一直播多媒体数据和第二多媒体数据中都携带有伴奏播放进度，其中，第一直播多媒体数据是第一终端在第一状态时，发送的直播多媒体数据，其中携带的伴奏播放进度可以为第一终端在采集第一直播多媒体数据时，伴奏的播放时间点。第二直播多媒体数据是第二终端在第二状态时，发送的直播多媒体数据，其中携带的伴奏播放进度为第二终端接收到第一直播多媒体数据时，在第一直播多媒体数据中携带的伴奏播放进度。

步骤406、服务器对第一直播多媒体数据和第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据。

在实施中，服务器接收第一终端发送的第一直播多媒体数据和第二终端的发送的第二直播多媒体数据。如图5所示，接收的第一直播多媒体数据包括第一终端在第一处理状态时发送的携带演唱标签的第一直播多媒体数据，以及在第二处理状态时发送的携带延迟标签或者非演唱标签的第一直播多媒体数据；接收的第二直播多媒体数据包括第二终端在第一处理状态时发送的携带演唱标签的第二直播多媒体数据，以及在第二处理状态时发送的携带延迟标签或者非演唱标签的第二直播多媒体数据。

在服务器接收到第一直播多媒体数据和第二直播多媒体数据之后，可以分别缓存预设数据量的第一直播多媒体数据和第二直播多媒体数据。其中，在分别缓存第一直播多媒体数据和第二直播多媒体数据时，如果确定第一直播多媒体数据或第二直播多媒体数据中携带有延迟标签，则可以不对携带有延迟标签的直播多媒体数据进行缓存，即删除携带延迟标签的第一直播多媒体数据或第二直播多媒体数据。这样服务器分别缓存的第一直播多媒体数据和第二直播多媒体数据中均为在对应的演唱时间段内采集的直播多媒体数据，或者是在接收到对端发送的在演唱时间段内的直播多媒体数据时，采集的直播多媒体数据。

然后可以分别根据第一直播多媒体数据和第二直播多媒体数据携带的伴奏播放进度，对第一直播多媒体数据和第二直播多媒体数据进行合成处理，将合成处理后的直播多媒体数据发送至观看第一主播和第二主播对应的观众终端。如图6所示，图6为观众终端接收到的合成处理后的直播多媒体数据的示意图。

其中，基于第二直播多媒体数据携带的伴奏播放进度，以及第一直播多媒体数据携带的伴奏播放进度，对第一直播多媒体数据和第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据的处理可以如下：

步骤4061、将第一直播多媒体数据以及第二直播多媒体数据中，携带有相同伴奏播放进度的音频帧进行音频合成处理，得到音频合成处理后的音频帧。

在本申请的实施例中，可以将第一直播多媒体数据中的音频帧称为第一音频帧，将第二直播多媒体数据中的音频帧称为第二音频帧。

对于缓存的第一直播多媒体数据和第二直播多媒体数据，可以分别确定第一直播多媒体数据中的各个第一音频帧携带的伴奏播放时间点，以及第二音频帧携带的伴奏播放时间点，然后可以将具有相同伴奏播放时间点的第一音频帧和第二音频帧进行音频合成处理，也就是将具有相同伴奏进度的第一音频帧和第二音频帧进行合成，得到音频合成处理后的音频帧，即得到第一主播和第二主播在连麦合唱时的直播音频。

步骤4062、基于进行音频合成处理的音频帧，对第一直播多媒体数据中包括的第一视频帧和第二直播多媒体数据中包括的第二视频帧，进行视频帧拼接处理，得到视频帧拼接处理后的视频帧。

在本申请的实施例中，可以将第一直播多媒体数据中的视频帧称为第一视频帧，将第二直播多媒体数据中的视频帧称为第二视频帧。

在实施中，可以根据进行音频合成处理的音频帧，将第一直播多媒体数据中的第一视频帧和第二直播多媒体数据中的第二视频帧，与进行音频合成处理的音频帧进行对齐处理。其中，对齐处理可以根据第一视频帧、第二视频帧、第一音频帧、第二音频帧中携带的采集时间点实现。例如，进行音频拼接处理的两个音频帧分别为第一直播多媒体数据中的第一音频帧A、第二直播多媒体数据中的第二音频帧B，则可以确定第一音频帧A中携带的采集时间点a，和第二音频帧B中携带的采集时间点b，然后可以在第一直播多媒体数据中确定在采集时间与采集时间点a相同或最接近的第一视频帧A，并在第二直播多媒体数据中确定在采集时间与采集时间点b相同或最接近的第二视频帧B，将第一视频帧A和第二视频帧B拼接为一个视频帧，在该视频帧中既包括第一视频帧A的画面，也包括第二视频帧B的画面。如此，可以得到进行视频对齐处理后的视频帧。

在得到音频合成处理后的音频帧，以及进行视频对齐处理后的视频帧后，可以将对应的音频帧和视频帧发送至观众终端。另外，在将对应的音频帧和视频帧发送至观众终端之前，还可以对音频帧和视频帧的采集时间点进行统一修改，使得音频合成处理后的音频帧和视频对齐处理后的视频帧中携带的采集时间点一致且连续，如此，观众终端在接收到合成处理后的直播多媒体数据后，可以根据对应的采集时间点对合成处理后的直播多媒体数据中的音频帧和视频帧进行播放。

另外，由于不同的第一终端和第二终端在计算精度上可能存在不同，或者第一终端或第二终端在进行直播时出现了意外卡顿等情况，导致服务器在同一段时间内接收到的第一终端和第二终端发送的直播多媒体数据对应的数据包数量不同。因此在本申请中还提供了一种对直播多媒体数据数据包数量进行校正的方法，如下：

1)当确定第一终端进入第二处理状态时，确定接收第一终端在第一处理状态时发送的第一直播多媒体数据对应的第一数据包数目，并确定接收第二终端在第二处理状态时发送的第二直播多媒体数据对应的第二数据包数目；

在实施中，服务器可以在第一终端和第二终端切换到下一个处理状态时，分别确定第一终端和第二终端在上一个处理状态时，分别发送的数据包的数量。其中，服务器如果确定第一直播多媒体数据中携带有演唱标签时，可以确定第一终端处于第一处理状态中，如果确定第一直播多媒体数据中携带有非演唱标签或延迟标签时，可以确定第一终端处于第二处理状态中。当服务器确定接收的第一直播多媒体数据中携带的演唱标签切换为延迟标签或非演唱标签时，可以确定第一终端由第一处理状态进入第二处理状态，此时可以确定第一终端在第一处理状态时发送的数据包的数目(即第一数据包数目)，同理可以确定第二终端在第二处理状态时发送的数据包的数目(即第二数据包数目)。

2)如果第一数据包数目大于第二数据包数目，则基于第一数据包数目与第二数据包数目的差值，对已接收的第二直播多媒体数据进行补包处理，如果第一数据包数目小于第二数据包数目，则基于差值对第二直播多媒体数据进行删包处理。

在实施中，如果确定第一数据包数目大于第二数据包数目，则可以确定第二终端发送的第二直播多媒体对应的数据包较少，则可以对第二终端发送的第二直播多媒体数据进行补包处理，例如在第二终端在第二处理状态中发送的最后一个数据包后面添加空包，其中添加空包的个数可以等于第一数据包数目与第二数据包数目的差值。

如果确定第一数据包数目小于第二数据包数目，则可以确定第二终端发送的第二直播多媒体对应的数据包较多，则可以对删除第二终端在切换处理状态之前发送的数据包，对应删除的数目可以等于第一数据包数目与第二数据包数目的差值。

步骤407、将合成处理后的直播多媒体数据发送至第一终端和第二终端对应的观众终端。

在实施中，可以将合成处理后的直播多媒体数据发送至观看第一主播和第二主播进行连麦合唱的观众终端。在本申请实施例，将第一终端和第二终端在进行连麦合唱时，将进行连麦合唱的过程分为了两种处理状态，第一终端在第一处理状态时，可以向服务器发送携带伴奏播放进度的直播多媒体数据，第二终端在第二处理状态时，可以向服务器发送携带接收的第一终端发送的伴奏播放进度的直播多媒体数据，如此，服务器可以根据第一终端和第二终端分别发送的携带伴奏播放进度的直播多媒体数据，进行合成处理。这样发送至观众终端的直播多媒体数据是按照伴奏播放进度发送的，可以解决两个主播在连麦合唱时，在观众终端出现接唱不连贯的问题。

其中，在上述步骤401-407中，对第一终端处于第一处理状态时，第二终端处于第二处理状态时的处理进行了介绍，并对应的介绍了服务器的处理。在本申请中，还提供了一种由第一处理状态转为第二处理状态的方法：当伴奏播放进度达到当前的演唱时间段的演唱结束时间点时，切换为第二处理状态。

在实施中，第一终端在第一处理状态的过程中，当检测到伴奏播放时间点播放到当前的演唱时间段的演唱结束时间点，第一终端可以进入第二处理状态，执行第二处理状态对应的处理。

其中，第一终端在第二处理状态下，当接收到第二终端发送的携带有非演唱标签的第二直播多媒体数据时，可以在本地当前生成的第一直播多媒体数据中，添加延迟标签，向服务器发送添加处理后的第一直播多媒体数据，当接收到第二终端发送的携带有伴奏播放进度以及演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的伴奏播放进度以及非演唱标签，向服务器发送添加处理后的第一直播多媒体数据。

在实施中，当第一终端在进入第二处理状态时，可以停止对目标歌曲的伴奏音频的播放。由于网络延迟的原因，第一终端在进入第二处理状态的一段时间内，接收到的第二终端发送的第二直播多媒体数据，仍然是第二终端在第二处理状态时，发送的直播多媒体数据。所以第一终端在进入第二处理状态时，当接收到第二终端发送的携带有非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加延迟标签，向服务器和第二终端发送添加延迟标签的第一直播多媒体数据。其中，延迟标签用于表示第一终端发送的第一主播的第一直播多媒体数据并不是在看到或听到第二主播演唱目标歌曲时采集的。另外在第一直播多媒体中添加延迟标签的处理，与上述在第一直播多媒体中添加演唱标签的处理相同，此处不再赘述。

如果确定第二终端发送的第二直播多媒体数据中，携带有演唱标签时，则说明当前第二终端发送的直播多媒体数据是第二主播演唱目标歌曲的直播多媒体数据，所以此时第一主播根据播放的直播多媒体数据做出的反应和互动，是在看到或听到第二主播演唱目标歌曲是产生的。此时，可以获取接收到的第二直播多媒体数据中添加的伴奏播放时间点，并将获取的伴奏播放时间点添加到第一终端采集的第一直播多媒体数据中，同时可以在第一直播多媒体数据中添加非演唱标签，然后可以将添加伴奏播放时间点以及非演唱标签的直播多媒体数据发送至第二终端和服务器。这样将第一直播多媒体数据中添加接收到的第一直播多媒体中添加的伴奏播放时间点，可用于表示第一直播多媒体数据，是在第一主播观看到对应的第二主播在演唱到伴奏播放时间点对应的目标歌曲时采集到的。其中，在第一直播多媒体中添加伴奏播放时间点和非演唱标签的处理，与上述在第一直播多媒体中添加伴奏播放时间点和演唱标签的处理类似，此处不再赘述。

另外，本申请提供了一种由第二处理状态转为第一处理状态的方法：当接收到的伴奏播放时间点为任一演唱时间段的演唱开始时间点时，由演唱开始时间点开始播放伴奏，切换到第一处理状态。

在实施中，当第二终端接收到的第一终端发送的第一直播多媒体数据中携带的时间点为，第二终端对应的任一演唱时间段的演唱开始时间点时，则第二终端可以进入第一处理状态。其中，在第一处理状态中，第二终端与第一终端的处理相同，可以在本地生成的直播多媒体数据中，添加录制第二直播多媒体数据时的伴奏播放时间点以及演唱标签，向服务器和第一终端发送添加处理后的第二直播多媒体数据。

这样在第一终端和第二终端在接唱目标歌曲的过程中，第一终端和第二终端不断的在第一处理状态和第二处理状态中切换，当第一终端在第一处理状态时，第二终端应该处于第二处理状态，当第二终端在第一处理状态时，第一终端应该处于第一处理状态。其中，上述步骤405-407为第一终端在第一处理状态时，服务器对第一终端发送的第一直播多媒体数据以及第二终端发送的第二直播多媒体数据进行处理的过程。而对于第二终端在第一处理状态时，服务器对第二终端发送的第二直播多媒体数据的处理，与上述步骤405-407中服务器对第一直播多媒体数据的处理相同；服务器对第一终端发送的第一直播多媒体数据的处理，与上述步骤405-407中服务器对第二直播多媒体数据的处理相同，此处不再赘述。

在本申请实施例，将第一终端和第二终端在进行连麦合唱时，将进行连麦合唱的过程分为了两种处理状态，第一终端在第一处理状态时，可以向服务器发送携带伴奏播放进度的直播多媒体数据，第二终端在第二处理状态时，可以向服务器发送携带接收的第一终端发送的伴奏播放进度的直播多媒体数据，如此，服务器可以根据第一终端和第二终端分别发送的携带伴奏播放进度的直播多媒体数据，进行合成处理。这样发送至观众终端的直播多媒体数据是按照伴奏播放进度发送的，可以解决两个主播在连麦合唱时，在观众终端出现接唱不连贯的问题。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

图7是本申请实施例提供的一种确定演唱时间段的流程图。参见图7，该实施例包括：

步骤701、根据目标歌曲的分段信息，确定第一终端和第二终端分别在目标歌曲中分别对应的演唱段落。

在实施中，目标歌曲的分段信息中包括目标歌曲中每一句歌词对应的演唱者，例如记录第一句歌词是领唱者演唱，第二句歌词是接唱者演唱，第三句歌词是领唱者演唱。其中，领唱者可以是发起连麦合唱的一方，例如可以是第一终端对应的第一主播。如此，便可以根据目标歌曲的分段信息，确定第一终端需要演唱的歌词部分以及第二终端需要演唱的歌词部分。

步骤702、对于第一终端对应的任一演唱段落，如果任一演唱段落不为目标歌曲中对应的最后一个演唱段落，则基于任一演唱段落在目标歌曲中对应的目标播放结束时间，以及任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定任一演唱段落对应的演唱结束时间点。

其中，第一终端对应的任一演唱段落，可以是第一终端需要演唱的任一歌词部分。例如，第一终端对应的演唱段落可以时第一至第三句歌词，第七至第九句歌词，第十三至第十五句歌词。

目标歌曲可对应有歌词文件，在歌词文件中记录有每句歌词在目标歌曲中的播放开始时间点和播放结束时间点。如此，便可以根据目标歌曲对应的歌词文件，确定目标歌曲各个演唱段落在目标歌曲中的播放开始时间点和播放结束时间点。

根据演唱段落在目标歌曲中对应的目标播放结束时间，以及任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定任一演唱段落对应的演唱结束时间点的处理如下：

确定目标播放结束时间与目标开始播放时间点之间的时间间隔。如果时间间隔大于预设的时间间隔阈值，则将目标播放结束时间与目标开始播放时间点之间的中间时间点，确定为任一演唱段落对应的演唱结束时间点。

其中，预设的时间间隔阈值可以由技术人员预先设置，此处不进行限定。例如可以为3秒、4秒、5秒等。

在目标播放结束时间与目标开始播放时间点之间的时间间隔时，可以说明两个演唱段落中，前一个演唱段落最后一句歌词与后一个演唱段落第一句歌词之间的伴奏时间较长，两个主播可以平分该段伴奏时长。因此可以将将目标播放结束时间与目标开始播放时间点之间的中间时间点，确定为任一演唱段落对应的演唱结束时间点。

如果时间间隔小于等于预设的时间间隔阈值，则基于预设的划分比例，在目标播放结束时间与目标开始播放时间点之间，确定目标时间点，其中，目标时间点与目标播放结束时间点之间的第一时间间隔与目标时间点与目标开始结束时间点之间的第二时间间隔的比值，满足划分比例，且第一时间间隔大于第二时间间隔。

在时间间隔小于等于预设的时间间隔阈值，可以说明两个演唱段落中，前一个演唱段落最后一句歌词与后一个演唱段落第一句歌词之间的伴奏时间较短。由于主播在演唱目标歌曲对应歌词时，可能存在拉长音的情况，导致主播对一句歌词的演唱时长，可能超出了歌词文本中设定的对应歌词的播放时长，因此，在两个演唱段落对应的时间间隔较短时，可以多留出一些时间给前一个演唱段落的演唱者，因此可以基于预设的划分比例，在目标播放结束时间与目标开始播放时间点之间，确定目标时间点。其中，根据该预设的比例确定的目标时间点与目标播放结束时间点之间的第一时间间隔与目标时间点与目标开始结束时间点之间的第二时间间隔的比值，满足划分比例，且第一时间间隔大于第二时间间隔。

步骤703、如果任一演唱段落不为目标歌曲中对应的第一个演唱段落，则将任一演唱段落相邻的上一个演唱段落的演唱结束时间点，确定为任一演唱段落的演唱开始时间点。

在实施中，在确定第一终端需要演唱的歌词部分以及第二终端需要演唱的歌词部分之后，可以确定每个演唱段落对应的演唱开始时间点和演唱结束时间点。其中，对于第一终端的对应各个演唱段落，如果第一终端的对应演唱段落为目标歌曲中的第一个演唱段落，则可以将目标歌曲的开始时间点，即零分零秒确定为该演唱段落的演唱开始时间。而如果第一终端的对应演唱段落不是目标歌曲中的第一个演唱段落，则演唱段落对应的开始时间点，可以是该演唱段落对应的上一个演唱段落的结束时间点。即在目标歌曲中相邻的两个演唱段落中，前一个演唱段落的演唱结束时间点，即为后一个演唱段落的演唱开始时间点。

步骤704、基于任一演唱段落对应的演唱开始时间点和演唱结束时间点，确定任一演唱段落对应的演唱时间段。

在实施中，在得到每个演唱段落对应的演唱开始时间点和演唱结束时间点后，每个演唱段落对应的演唱开始时间点和演唱结束时间点对应的时间段即为每个演唱段落对应的演唱时间段。

本申请实施例提供了一种演唱时间段的方法，可以根据目标歌曲的分段信息，确定第一终端和第二终端分别在目标歌曲中分别对应的演唱时间段，能够为分别为第一终端和第二终端对应的每个演唱部分分配合理的演唱时长。

图8是本申请实施例提供的一种进行连麦合唱的装置，该装置可以是上述实施例中的第一终端或是第二终端，该装置包括：

发送模块810，用于向服务器发送目标歌曲的连麦合唱请求；

确定模块820，用于接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；

处理模块830，用于开始播放所述目标歌曲的伴奏并进入第一处理状态，在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

切换模块840，用于当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态；

处理模块830，用于当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据。

可选的，所述切换模块840，还用于：

可选的，所述确定模块820，用于：

可选的，所述处理模块830还用于：

停止播放所述目标歌曲的伴奏。

图9是本申请实施例提供的一种进行连麦合唱的装置，该装置可以是上述实施例中的服务器，该装置包括：

接收模块910，用于接收第一终端以及第二终端发送的目标歌曲的连麦合唱请求；

发送模块920，用于向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；

所述接收模块910，用于接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；

处理模块930，用于当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；

所述发送模块920，用于将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端对应的观众终端。

可选的，所述处理模块930，用于：

可选的，所述处理模块930，还用于：

需要说明的是：上述实施例提供的进行连麦合唱的装置在进行连麦合唱时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的进行连麦合唱的装置与进行连麦合唱的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在本申请中还提供了一种进行连麦合唱的系统，所述系统包括第一终端、第二终端和服务器，其中：

所述第一终端，用于向所述服务器发送目标歌曲的连麦合唱请求；接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；开始播放所述目标歌曲的伴奏并进入第一处理状态，在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态，当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

图10示出了本申请一个示例性实施例提供的计算机设备1000的结构框图。该计算机设备1000可以是上述实施例中的第一终端或第二终端，该计算机设备1000可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(moving picture experts group audio layer III，动态影像专家压缩标准音频层面3)、MP4(moving picture experts group audio layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。计算机设备1000还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，计算机设备1000包括有：处理器1001和存储器1002。

处理器1001可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(digital signal processing，数字信号处理)、FPGA(field－programmable gate array，现场可编程门阵列)、PLA(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1001可以集成有GPU(graphics processing unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1001还可以包括AI(artificial intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1002可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的进行连麦合唱的方法。

在一些实施例中，计算机设备1000还可选包括有：外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地，外围设备包括：射频电路1004、显示屏1005、摄像头组件1006、音频电路1007、定位组件1008和电源1009中的至少一种。

外围设备接口1003可被用于将I/O(input/output，输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中，处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上；在一些其他实施例中，处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1004用于接收和发射RF(radio frequency，射频)信号，也称电磁信号。射频电路1004通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1004将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1004包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1004可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路1004还可以包括NFC(near field communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏1005用于显示UI(user interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时，显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时，显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1005可以为一个，设置在计算机设备1000的前面板；在另一些实施例中，显示屏1005可以为至少两个，分别设置在计算机设备1000的不同表面或呈折叠设计；在另一些实施例中，显示屏1005可以是柔性显示屏，设置在计算机设备1000的弯曲表面上或折叠面上。甚至，显示屏1005还可以设置成非矩形的不规则图形，也即异形屏。显示屏1005可以采用LCD(liquid crystal display，液晶显示屏)、OLED(organic light-emitting diode，有机发光二极管)等材质制备。

摄像头组件1006用于采集图像或视频。可选地，摄像头组件1006包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1006还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1007可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1001进行处理，或者输入至射频电路1004以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备1000的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1001或射频电路1004的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1007还可以包括耳机插孔。

定位组件1008用于定位计算机设备1000的当前地理位置，以实现导航或LBS(location based service，基于位置的服务)。定位组件1008可以是基于美国的GPS(global positioning system，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源1009用于为计算机设备1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，计算机设备1000还包括有一个或多个传感器1010。该一个或多个传感器1010包括但不限于：加速度传感器1011、陀螺仪传感器1012、压力传感器1013、指纹传感器1014、光学传感器1015以及接近传感器1016。

加速度传感器1011可以检测以计算机设备1000建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1011可以用于检测重力加速度在三个坐标轴上的分量。处理器1001可以根据加速度传感器1011采集的重力加速度信号，控制显示屏1005以横向视图或纵向视图进行用户界面的显示。加速度传感器1011还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1012可以检测计算机设备1000的机体方向及转动角度，陀螺仪传感器1012可以与加速度传感器1011协同采集用户对计算机设备1000的3D动作。处理器1001根据陀螺仪传感器1012采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1013可以设置在计算机设备1000的侧边框和/或显示屏1005的下层。当压力传感器1013设置在计算机设备1000的侧边框时，可以检测用户对计算机设备1000的握持信号，由处理器1001根据压力传感器1013采集的握持信号进行左右手识别或快捷操作。当压力传感器1013设置在显示屏1005的下层时，由处理器1001根据用户对显示屏1005的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器1014用于采集用户的指纹，由处理器1001根据指纹传感器1014采集到的指纹识别用户的身份，或者，由指纹传感器1014根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1001授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1014可以被设置在计算机设备1000的正面、背面或侧面。当计算机设备1000上设置有物理按键或厂商Logo时，指纹传感器1014可以与物理按键或厂商Logo集成在一起。

光学传感器1015用于采集环境光强度。在一个实施例中，处理器1001可以根据光学传感器1015采集的环境光强度，控制显示屏1005的显示亮度。具体地，当环境光强度较高时，调高显示屏1005的显示亮度；当环境光强度较低时，调低显示屏1005的显示亮度。在另一个实施例中，处理器1001还可以根据光学传感器1015采集的环境光强度，动态调整摄像头组件1006的拍摄参数。

接近传感器1016，也称距离传感器，通常设置在计算机设备1000的前面板。接近传感器1016用于采集用户与计算机设备1000的正面之间的距离。在一个实施例中，当接近传感器1016检测到用户与计算机设备1000的正面之间的距离逐渐变小时，由处理器1001控制显示屏1005从亮屏状态切换为息屏状态；当接近传感器1016检测到用户与计算机设备1000的正面之间的距离逐渐变大时，由处理器1001控制显示屏1005从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图10中示出的结构并不构成对计算机设备1000的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

图11是本申请实施例提供的一种服务器的结构示意图，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)1101和一个或一个以上的存储器1102，其中，所述存储器1102中存储有至少一条指令，所述至少一条指令由所述处理器1101加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中进行连麦合唱的方法。该计算机可读存储介质可以是非暂态的。例如，所述计算机可读存储介质可以是ROM(read-only memory，只读存储器)、RAM(random access memory，随机存取存储器)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

一种进行连麦合唱的方法，其特征在于，所述方法应用于第一终端，所述方法包括：

向服务器发送目标歌曲的连麦合唱请求；

接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；

开始播放所述目标歌曲的伴奏并进入第一处理状态，所述第一处理状态中的处理包括：在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态，所述第二处理状态中的处理包括：当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据。
根据权利要求1所述的方法，其特征在于，所述方法还包括：

当接收到的第二直播多媒体数据中携带的第二终端伴奏播放进度为任一演唱时间段的演唱开始时间点时，由所述演唱开始时间点开始播放所述伴奏，并切换到所述第一处理状态。
根据权利要求1所述的方法，其特征在于，所述根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段，包括：

根据所述目标歌曲的分段信息，确定所述第一终端和第二终端分别在目标歌曲中分别对应的演唱段落；

对于所述第一终端对应的任一演唱段落，如果所述任一演唱段落非所述目标歌曲中对应的最后一个演唱段落，则基于所述任一演唱段落在所述目标歌曲中对应的目标播放结束时间，以及所述任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定所述任一演唱段落对应的演唱结束时间点；

如果所述任一演唱段落非所述目标歌曲中对应的第一个演唱段落，则将所述任一演唱段落相邻的上一个演唱段落的演唱结束时间点，确定为所述任一演唱段落的演唱开始时间点；

基于所述任一演唱段落对应的演唱开始时间点和演唱结束时间点，确定所述任一演唱段落对应的演唱时间段。
根据权利要求3所述的方法，其特征在于，所述基于所述任一演唱段落在所述目标歌曲中对应的目标播放结束时间，以及所述任一演唱段落相邻的下一个演唱段落的目标播放开始时间点，确定所述任一演唱段落对应的演唱结束时间点，包括：

确定所述目标播放结束时间与所述目标开始播放时间点之间的时间间隔；

如果所述时间间隔大于预设的时间间隔阈值，则将所述目标播放结束时间与所述目标开始播放时间点之间的中间时间点，确定为所述任一演唱段落对应的演唱结束时间点；

如果所述时间间隔小于等于预设的时间间隔阈值，则基于预设的划分比例，在所述目标播放结束时间与所述目标开始播放时间点之间，确定目标时间点，其中，所述目标时间点与所述目标播放结束时间点之间的第一时间间隔与所述目标时间点与所述目标开始结束时间点之间的第二时间间隔的比值，满足所述划分比例，且所述第一时间间隔大于所述第二时间间隔。
根据权利要求1所述的方法，其特征在于，所述当伴奏播放时间点达到当前的演唱时间段的演唱结束时间点时，切换为第二处理状态之后，所述方法还包括：

停止播放所述目标歌曲的伴奏。
一种进行连麦合唱的方法，其特征在于，所述方法应用于服务器，所述方法包括：

接收第一终端以及第二终端发送的目标歌曲的连麦合唱请求；

向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；

接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；

当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；

将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端。
根据权利要求6所述的方法，其特征在于，所述基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据，包括：

将所述第一直播多媒体数据以及所述第二直播多媒体数据中，携带有相同伴奏播放进度的音频帧进行音频合成处理，得到音频合成处理后的音频帧；

基于进行音频合成处理的音频帧，对所述第一直播多媒体数据中的视频帧和所述第二直播多媒体数据中的视频帧，进行视频对齐处理，得到视频对齐处理后的视频数据。
根据权利要求6所述的方法，其特征在于，所述方法还包括：

当确定所述第一终端进入所述第二处理状态时，确定接收所述第一终端在所述第一处理状态时发送的所述第一直播多媒体数据对应的第一数据包数目，并确定接收所述第二终端在所述第二处理状态时发送的所述第二直播多媒体数据对应的第二数据包数目；

如果所述第一数据包数目大于所述第二数据包数目，则基于所述第一数据包数目与所述第二数据包数目的差值，对已接收的第二直播多媒体数据进行补包处理，如果所述第一数据包数目小于所述第二数据包数目，则基于所述差值对所述第二直播多媒体数据进行删包处理。
一种进行连麦合唱的系统，其特征在于，所述系统包括第一终端、第二终端和服务器，其中：

所述第一终端，用于向所述服务器发送目标歌曲的连麦合唱请求；接收所述服务器发送的所述目标歌曲的开始演唱命令，根据所述目标歌曲的分段信息，确定本地的至少一个演唱时间段；开始播放所述目标歌曲的伴奏并进入第一处理状态，所述第一处理状态中的处理包括：在本地生成的第一直播多媒体数据中，添加录制所述第一直播多媒体数据时的伴奏播放进度以及演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；当伴奏播放进度达到当前的演唱时间段结束时间点时，切换为第二处理状态，所述第二处理状态中的处理包括：当接收到所述服务器发送的携带有所述第二终端非演唱标签的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中添加延迟标签，并向所述服务器发送添加处理后的第一直播多媒体数据；当接收到所述服务器发送的携带有所述第二终端演唱标签及伴奏播放进度的第二直播多媒体数据时，在本地当前生成的第一直播多媒体数据中，添加接收到的第二终端伴奏播放进度以及非演唱标签，向所述服务器发送添加处理后的第一直播多媒体数据；

所述服务器，用于接收所述第一终端以及第二终端发送的目标歌曲的连麦合唱请求；向所述第一终端以及第二终端发送所述目标歌曲的开始演唱命令；接收所述第一终端在第一处理状态时发送的第一直播多媒体数据，以及第二终端在第二处理状态时发送的第二直播多媒体数据，其中，第一直播多媒体数据中携带有伴奏播放进度；当接收到的所述第二直播多媒体数据中携带有延迟标签时，删除所述第二直播多媒体数据；当接收到的所述第二直播多媒体数据中携带有非演唱标签以及伴奏播放进度时，基于所述第二直播多媒体数据携带的伴奏播放进度，以及所述第一直播多媒体数据携带的伴奏播放进度，对所述第一直播多媒体数据和所述第二直播多媒体数据进行合成处理，得到合成处理后的直播多媒体数据；将所述合成处理后的直播多媒体数据发送至所述第一终端和所述第二终端对应的观众终端。
一种终端，其特征在于，所述第一终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至权利要求5任一项所述的进行连麦合唱的方法所执行的操作。
一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求6至权利要求8任一项所述的进行连麦合唱的方法所执行的操作。
一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求8任一项所述的进行连麦合唱的方法所执行的操作。