视频字幕生成方法、装置、介质及电子设备制造方法及图纸

本公开涉及一种视频字幕生成方法、装置、介质及电子设备，方法包括：获取目标音频；确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，所述事件包括在所述目标音频中的语音片段中发生的事件和在所述目标音频中的非语音片段中发生的事件；根据所述事件在所述目标音频中持续的事件时间范围，将所述事件对应的事件标签作为字幕添加到视频对应该事件时间范围的视频帧中，所述视频为与所述目标音频对应的视频，提升了视频字幕展示的效果。果。果。

【技术实现步骤摘要】
视频字幕生成方法、装置、介质及电子设备


[0001]本公开涉及电子信息
，具体地，涉及一种视频字幕生成方法、装置、介质及电子设备。

技术介绍

[0002]为了提升用户观看视频的体验，需要为视频添加字幕。而在自动添加字幕技术中，只是展示了语音识别模型输出的文字内容。

技术实现思路

[0003]提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0004]第一方面，本公开提供一种视频字幕生成方法，包括：
[0005]获取目标音频；
[0006]确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，所述事件包括在所述目标音频中的语音片段中发生的事件和在所述目标音频中的非语音片段中发生的事件；
[0007]根据所述事件在所述目标音频中持续的事件时间范围，将所述事件对应的事件标签作为字幕添加到视频对应该事件时间范围的视频帧中，所述视频为与所述目标音频对应的视频。
[0008]第二方面，本公开提供一种视频字幕生成装置，包括：
[0009]获取模块，用于获取目标音频；
[0010]确定模块，用于确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，所述事件包括在所述目标音频中的语音片段中发生的事件和在所述目标音频中的非语音片段中发生的事件；
[0011]生成模块，用于根据所述事件在所述目标音频中持续的事件时间范围，将所述事件对应的事件标签作为字幕添加到视频对应该事件时间范围的视频帧中，所述视频为与所述目标音频对应的视频。
[0012]第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
[0013]第四方面，本公开提供一种电子设备，包括：
[0014]存储装置，其上存储有至少一个计算机程序；
[0015]至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现第一方面中所述方法的步骤。
[0016]通过上述技术方案，确定目标音频中的事件在目标音频中持续的事件时间范围，进而根据事件在目标音频中持续的事件时间范围，将事件对应的事件标签作为字幕添加到
视频对应该事件时间范围的视频帧中，这样，能够使用户根据视频中的字幕有效定位在视频中发生的事件及事件对应的时间，从而提高用户基于字幕展示对视频的内容理解。
[0017]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0018]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。在附图中：
[0019]图1是根据本公开一示例性实施例示出的一种视频字幕生成方法的流程图。
[0020]图2是根据本公开一示例性实施例示出的分句的发音时间范围与事件的事件时间范围的重叠部分的示意图。
[0021]图3是根据本公开一示例性实施例示出的一种视频字幕生成方法的另一流程图。
[0022]图4是根据本公开一示例性实施例示出的一种视频字幕生成装置的框图。
[0023]图5是根据本公开一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
[0024]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0025]应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0026]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0027]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0028]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0029]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0030]本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0031]可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
[0032]例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用
户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
[0033]作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
[0034]可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
[0035]同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
[0036]在自动添加字幕技术中，只是展示了语音识别模型输出的文字内容，不存在音频内事件所对应的内容的展示，尤其是一些无文字内容的事件，如“纯音乐”、“鼓掌声”、“开门声”和“爆炸声”等；此外，对于一些有文字内容展示的事件，常规的字幕展示是用语音识别模型输出的对应的文字进行展示，例如，对于用户发出的笑声事件，语音识别模型通常可以识别出文字“哈哈哈”，因此，利用识别出的文字“哈哈哈”作为字幕进行展示。而只是展示语音识别模型输出的文字内容使得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频字幕生成方法，其特征在于，包括：获取目标音频；确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，所述事件包括在所述目标音频中的语音片段中发生的事件和在所述目标音频中的非语音片段中发生的事件；根据所述事件在所述目标音频中持续的事件时间范围，将所述事件对应的事件标签作为字幕添加到视频对应该事件时间范围的视频帧中，所述视频为与所述目标音频对应的视频。2.根据权利要求1所述的方法，其特征在于，所述确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，包括：将所述目标音频输入到语音识别模型，得到第一识别结果；将所述目标音频输入到语音事件检测模型，得到第二识别结果；根据所述第一识别结果和所述第二识别结果，确定所述目标音频中的事件在所述目标音频中持续的事件时间范围。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一识别结果和所述第二识别结果，确定所述目标音频中的事件在所述目标音频中持续的事件时间范围，包括：根据分句模型和所述第一识别结果，确定分句结果和分句结果中每一分句在所述目标音频中持续的发音时间范围；针对所述第二识别结果中与分句相匹配的事件，以消除发音时间范围与事件时间范围之间的重叠部分为目标调整该事件在所述目标音频中持续的事件时间范围，或者调整与该分句所对应的发音时间范围；并，根据调整结果确定该事件在所述目标音频中持续的事件时间范围。4.根据权利要求3所述的方法，其特征在于，所述针对所述第二识别结果中与分句相匹配的事件，以消除发音时间范围与事件时间范围之间的重叠部分为目标调整该事件在所述目标音频中持续的事件时间范围，或者调整与该分句所对应的发音时间范围，包括：针对所述第二识别结果中与分句相匹配的事件，确定该事件在所述目标音频中的音效所对应的发音字符集，并确定该分句的发音时间范围与该事件的事件时间范围的重叠部分；在对应该分句的重叠部分所对应的文字内容属于所述发音字符集的情况下，删除该分句所对应的发音时间范围中所确定的重叠部分；...

【专利技术属性】
技术研发人员：孙修松，马泽君，
申请(专利权)人：北京有竹居网络技术有限公司，
类型：发明
国别省市：