CN106385548A - 一种移动终端及生成视频字幕的方法 - Google Patents

Abstract

发明提供的移动终端包括语音识别模块、字幕生成模块、人脸识别模块，语音识别模块用于通过语音识别功能识别视频文件中的语音内容；字幕生成模块用于将语音内容转换成文字内容，并将文字内容制作成为字幕文件；人脸识别模块用于通过人脸识别功能判断视本频文件中讲话者的姓名，并给字幕文件标示对应的讲话者姓名。本发明还提供一种生成视频字幕的方法。本发明提供移动终端及生成视频字幕的方法，可减少用户查找相关视频文件的时间，给字幕文件标示发言者的姓名作为视频文件的记录文档，便于用户查阅视频内容。

Description

一种移动终端及生成视频字幕的方法

技术领域

本发明涉及通信领域，更具体地说，涉及一种移动终端及生成视频字幕的方法。

背景技术

随着带有摄像功能的电子设备的普及，越来越多的人开始使用摄像功能进行录像，获得视频文件资料，现有的电子设备获取视频文件资料后无法提供对应的字幕，不能满足用户阅读字幕的需求，对会议进行视频录像后，无法判别每个讲话者的发言内容，无法提供详细的会议记录文档。

发明内容

本发明提供了一种移动终端，能对视频文件生成字幕文件、判别视频文件中讲话者的发言内容。所述移动终端包括：

语音识别模块，用于通过语音识别功能识别视频文件中的语音内容；

字幕生成模块，用于将所述语音内容转换成文字内容，并将所述文字内容制作成为字幕文件；及

人脸识别模块，用于通过人脸识别功能判断所述视频文件中讲话者的面部特征，根据所述面部特征确定讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

进一步地，所述语音识别模块，还用于通过语音识别功能识别讲话者的声音特征，根据所述声音特征确定所述视频文件中讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

进一步地，所述移动终端还包括：

检索模块，用于获取关键词，并从所述文字内容中检索出与所述关键词相关的文字段落，并查找出所述文字段落对应的视频文件。

进一步地，所述移动终端还包括：

文档生成模块，用于将所述字幕文件、所述字幕文件在所述视频文件中所处的时间、所述字幕文件对应的讲话者姓名整理成为文档资料；

显示模块，用于同步显示所述视频文件及所述字幕文件。

进一步地，所述移动终端还包括：

控制模块，用于接收第一控制信号，根据所述第一控制信号关闭所述人脸识别功能、打开所述语音识别功能，通过所述语音识别功能判断所述视频文件中的讲话者姓名，及接收第二控制信号，根据所述第二控制信号关闭所述语音识别功能、打开所述人脸识别功能，通过所述人脸识别功能判断所述视频文件中的讲话者姓名。

本发明提供的移动终端通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，进行视频录像后，判别每个讲话者的发言内容，提供详细的记录文档，简化对视频文件进行文字整理流程。

本发明还提供一种生成视频字幕的方法，能对视频文件生成字幕文件、判别视频文件中讲话者的发言内容。所述生成视频字幕的方法包括：

通过语音识别功能识别视频文件中的语音内容；

将所述语音内容转换成文字内容，并将所述文字内容制作成为字幕文件；及

通过人脸识别功能判断所述视频文件中讲话者的面部特征，根据所述面部特征确定讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

进一步地，所述生成视频字幕的方法还包括：

通过语音识别功能识别讲话者的声音特征，根据所述声音特征确定所述视频文件中讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

进一步地，所述生成视频字幕的方法还包括：

获取关键词，并从所述文字内容中检索出与所述关键词相关的文字段落，并查找出所述文字段落对应的视频文件。

进一步地，所述生成视频字幕的方法还包括：

将所述字幕文件、所述字幕文件在所述视频文件中所处的时间、所述字幕文件对应的讲话者姓名整理成为文档资料；

同步显示所述视频文件及所述字幕文件。

进一步地，所述生成视频字幕的方法还包括：

接收第一控制信号，根据所述第一控制信号关闭所述人脸识别功能、打开所述语音识别功能，通过所述语音识别功能判断所述视频文件中的讲话者姓名；

接收第二控制信号，根据所述第二控制信号关闭所述语音识别功能、打开所述人脸识别功能，通过所述人脸识别功能判断所述视频文件中的讲话者姓名。

本发明提供的生成视频字幕的方法通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，进行视频录像后，判别每个讲话者的发言内容，提供详细的记录文档，简化对视频文件进行文字整理流程。

附图说明

图1为实现本发明各个实施例的移动终端的硬件结构示意图；

图2为如图1所示的移动终端的无线通信***示意图；

图3是本发明实施例一移动终端的功能模块图；

图4是本发明实施例二移动终端的功能模块图；

图5是本发明实施例三移动终端的应用环境图；

图6是本发明实施例四生成视频字幕的方法的流程图；

图7是本发明实施例五生成视频字幕的方法的流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，″模块″与″部件″可以混合地使用。

移动终端可以以各种形式来实施。例如，本发明中描述的终端可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。下面，假设终端是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本发明的实施方式的构造也能够应用于固定类型的终端。

图1为实现本发明各个实施例的移动终端的硬件结构示意图。

移动终端10可以包括，但不限于，存储器20、控制器30、无线通信单元40、输入单元50、输入单元60、摄像头70、麦克风71、接口单元80及电源单元90。图1示出了具有各种组件的移动终端10，但是应当理解的是，并不要求实施所有示出的组件。可以替代地实施更多或更少的组件。将在下面详细描述移动终端10的元件。

无线通信单元40通常包括一个或多个组件，其允许移动终端10与无线通信***或网络之间的无线点通信。例如，无线通信单元可以包括广播接收模块、移动通信模块、无线互联网模块、短程通信模块和位置信息模块中的至少一个。

广播接收模块经由广播信道从外部广播管理服务器接收广播信号和/或广播相关信息。广播信道可以包括卫星信道和/或地面信道。广播管理服务器可以是生成并发送广播信号和/或广播相关信息的服务器或者接收之前生成的广播信号和/或广播相关信息并且将其发送给终端的服务器。广播信号可以包括TV广播信号、无线电广播信号、数据广播信号等等。而且，广播信号可以进一步包括与TV或无线电广播信号组合的广播信号。广播相关信息也可以经由移动通信网络提供，并且在该情况下，广播相关信息可以由移动通信模块来接收。广播信号可以以各种形式存在，例如，其可以以数字多媒体广播(DMB)的电子节目指南(EPG)、数字视频广播手持(DVB-H)的电子服务指南(ESG)等等的形式而存在。广播接收模块可以通过使用各种类型的广播***接收信号广播。特别地，广播接收模块可以通过使用诸如多媒体广播-地面(DMB-T)、数字多媒体广播-卫星(DMB-S)、数字视频广播-手持(DVB-H)，前向链路媒体(MediaFLO@)的数据广播***、地面数字广播综合服务(ISDB-T)等等的数字广播***接收数字广播。广播接收模块可以被构造为适合提供广播信号的各种广播***以及上述数字广播***。经由广播接收模块接收的广播信号和/或广播相关信息可以存储在存储器20(或者其它类型的存储介质)中。

移动通信模块将无线电信号发送到基站(例如，接入点、节点B等等)、外部终端以及服务器中的至少一个和/或从其接收无线电信号。这样的无线电信号可以包括语音通话信号、视频通话信号、或者根据文本和/或多媒体消息发送和/或接收的各种类型的数据。

无线互联网模块支持移动终端的无线互联网接入。该模块可以内部或外部地耦接到终端。该模块所涉及的无线互联网接入技术可以包括WLAN(无线LAN)(Wi-Fi)、Wibro(无线宽带)、Wimax(全球微波互联接入)、HSDPA(高速下行链路分组接入)等等。

短程通信模块是用于支持短程通信的模块。短程通信技术的一些示例包括蓝牙^TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、紫蜂^TM等等。

位置信息模块是用于检查或获取移动终端的位置信息的模块。位置信息模块的典型示例是GPS(全球定位***)。根据当前的技术，GPS模块计算来自三个或更多卫星的距离信息和准确的时间信息并且对于计算的信息应用三角测量法，从而根据经度、纬度和高度准确地计算三维当前位置信息。当前，用于计算位置和时间信息的方法使用三颗卫星并且通过使用另外的一颗卫星校正计算出的位置和时间信息的误差。此外，GPS模块能够通过实时地连续计算当前位置信息来计算速度信息。

输出单元50被构造为以视觉、音频和/或触觉方式提供输出信号(例如，音频信号、视频信号、警报信号、振动信号等等)。输出单元50可以包括显示单元51、音频输出模块52、警报单元53等等。

显示单元51可以显示在移动终端10中处理的信息。例如，当移动终端10处于电话通话模式时，显示单元51可以显示与通话或其它通信(例如，文本消息收发、多媒体文件下载等等)相关的用户界面(UI)或图形用户界面(GUI)。当移动终端10处于视频通话模式或者图像捕获模式时，显示单元51可以显示捕获的图像和/或接收的图像、示出视频或图像以及相关功能的UI或GUI等等。

同时，当显示单元51和触摸板以层的形式彼此叠加以形成触摸屏时，显示单元51可以用作输入装置和输出装置。显示单元51可以包括液晶显示器(LCD)、薄膜晶体管LCD(TFT-LCD)、有机发光二极管(OLED)显示器、柔性显示器、三维(3D)显示器等等中的至少一种。这些显示器中的一些可以被构造为透明状以允许用户从外部观看，这可以称为透明显示器，典型的透明显示器可以例如为TOLED(透明有机发光二极管)显示器等等。根据特定想要的实施方式，移动终端10可以包括两个或更多显示单元(或其它显示装置)，例如，移动终端可以包括外部显示单元(未示出)和内部显示单元(未示出)。触摸屏可用于检测触摸输入压力以及触摸输入位置和触摸输入面积。

音频输出模块52可以在移动终端处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将无线通信单元40接收的或者在存储器20中存储的音频数据转换音频信号并且输出为声音。而且，音频输出模块52可以提供与移动终端10执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出模块52可以包括扬声器、蜂鸣器等等。

警报单元53可以提供输出以将事件的发生通知给移动终端10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或视频输出之外，警报单元53可以以不同的方式提供输出以通知事件的发生。例如，警报单元53可以以振动的形式提供输出，当接收到呼叫、消息或一些其它进入通信(incoming communication)时，警报单元53可以提供触觉输出(即，振动)以将其通知给用户。通过提供这样的触觉输出，即使在用户的移动电话处于用户的口袋中时，用户也能够识别出各种事件的发生。警报单元53也可以经由显示单元51或音频输出模块52提供通知事件的发生的输出。

输入单元60可以根据用户输入的命令生成键输入数据以控制移动终端的各种操作。输入单元60允许用户输入各种类型的信息，并且可以包括键盘、锅仔片、触摸板(例如，检测由于被接触而导致的电阻、压力、电容等等的变化的触敏组件)、滚轮、摇杆等等。特别地，当触摸板以层的形式叠加在显示单元50上时，可以形成触摸屏。在本发明的实施例中，所述输入单元60包括触控屏及水墨屏。摄像头70用于拍摄图像资料，麦克风71用于录取音频资料。

接口单元80用作至少一个外部装置与移动终端10连接可以通过的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。识别模块可以是存储用于验证用户使用移动终端10的各种信息并且可以包括用户识别模块(UIM)、客户识别模块(SIM)、通用客户识别模块(USIM)等等。另外，具有识别模块的装置(下面称为"识别装置")可以采取智能卡的形式，因此，识别装置可以经由端口或其它连接装置与移动终端10连接。接口单元80可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端10内的一个或多个元件或者可以用于在移动终端和外部装置之间传输数据。

另外，当移动终端10与外部底座连接时，接口单元80可以用作允许通过其将电力从底座提供到移动终端10的路径或者可以用作允许从底座输入的各种命令信号通过其传输到移动终端的路径。从底座输入的各种命令信号或电力可以用作用于识别移动终端是否准确地安装在底座上的信号。

存储器20可以存储由控制器30执行的处理和控制操作的软件程序等等，或者可以暂时地存储己经输出或将要输出的数据(例如，电话簿、消息、静态图像、视频等等)。而且，存储器20可以存储关于当触摸施加到触摸屏时输出的各种方式的振动和音频信号的数据。

存储器20可以包括至少一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等等。而且，移动终端10可以与通过网络连接执行存储器20的存储功能的网络存储装置协作。

控制器30通常控制移动终端的总体操作。例如，控制器30执行与语音通话、数据通信、视频通话等等相关的控制和处理。另外，控制器30可以包括用于再现(或回放)多媒体数据的多媒体模块，多媒体模块可以构造在控制器30内，或者可以构造为与控制器30分离。控制器30可以执行模式识别处理，以将在触摸屏上执行的手写输入或者图片绘制输入识别为字符或图像。

电源单元90在控制器30的控制下接收外部电力或内部电力并且提供操作各元件和组件所需的适当的电力。

这里描述的各种实施方式可以以使用例如计算机软件、硬件或其任何组合的计算机可读介质来实施。对于硬件实施，这里描述的实施方式可以通过使用特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、被设计为执行这里描述的功能的电子单元中的至少一种来实施，在一些情况下，这样的实施方式可以在控制器180中实施。对于软件实施，诸如过程或功能的实施方式可以与允许执行至少一种功能或操作的单独的软件模块来实施。软件代码可以由以任何适当的编程语言编写的软件应用程序(或程序)来实施，软件代码可以存储在存储器160中并且由控制器180执行。

至此，己经按照其功能描述了移动终端。下面，为了简要起见，将描述诸如折叠型、直板型、摆动型、滑动型移动终端等等的各种类型的移动终端中的滑动型移动终端作为示例。因此，本发明能够应用于任何类型的移动终端，并且不限于滑动型移动终端。

如图1中所示的移动终端10可以被构造为利用经由帧或分组发送数据的诸如有线和无线通信***以及基于卫星的通信***来操作。

现在将参考图2描述其中根据本发明的移动终端能够操作的通信***。

这样的通信***可以使用不同的空中接口和/或物理层。例如，由通信***使用的空中接口包括例如频分多址(FDMA)、时分多址(TDMA)、码分多址(CDMA)和通用移动通信***(UMTS)(特别地，长期演进(LTE))、全球移动通信***(GSM)等等。作为非限制性示例，下面的描述涉及CDMA通信***，但是这样的教导同样适用于其它类型的***。

参考图2，CDMA无线通信***可以包括多个移动终端10、多个基站(BS)270、基站控制器(BSC)275和移动交换中心(MSC)280。MSC280被构造为与公共电话交换网络(PSTN)290形成接口。MSC280还被构造为与可以经由回程线路耦接到基站270的BSC275形成接口。回程线路可以根据若干己知的接口中的任一种来构造，所述接口包括例如E1/T1、ATM，IP、PPP、帧中继、HDSL、ADSL或xDSL。将理解的是，如图2中所示的***可以包括多个BSC2750。

每个BS270可以服务一个或多个分区(或区域)，由多向天线或指向特定方向的天线覆盖的每个分区放射状地远离BS270。或者，每个分区可以由用于分集接收的两个或更多天线覆盖。每个BS270可以被构造为支持多个频率分配，并且每个频率分配具有特定频谱(例如，1.25MHz，5MHz等等)。

分区与频率分配的交叉可以被称为CDMA信道。BS270也可以被称为基站收发器子***(BTS)或者其它等效术语。在这样的情况下，术语″基站″可以用于笼统地表示单个BSC275和至少一个BS270。基站也可以被称为"蜂窝站"。或者，特定BS270的各分区可以被称为多个蜂窝站。

如图2中所示，广播发射器(BT)295将广播信号发送给在***内操作的移动终端10。如图1中所示的广播接收模块111被设置在移动终端10处以接收由BT295发送的广播信号。在图2中，示出了几个全球定位***(GPS)卫星300。卫星300帮助定位多个移动终端10中的至少一个。

在图2中，描绘了多个卫星300，但是理解的是，可以利用任何数目的卫星获得有用的定位信息。如图1中所示的GPS模块115通常被构造为与卫星300配合以获得想要的定位信息。替代GPS跟踪技术或者在GPS跟踪技术之外，可以使用可以跟踪移动终端的位置的其它技术。另外，至少一个GPS卫星300可以选择性地或者额外地处理卫星DMB传输。

作为无线通信***的一个典型操作，BS270接收来自各种移动终端10的反向链路信号。移动终端10通常参与通话、消息收发和其它类型的通信。特定基站270接收的每个反向链路信号被在特定BS270内进行处理。获得的数据被转发给相关的BSC275。BSC提供通话资源分配和包括BS270之间的软切换过程的协调的移动管理功能。BSC275还将接收到的数据路由到MSC280，其提供用于与PSTN290形成接口的额外的路由服务。类似地，PSTN290与MSC280形成接口，MSC与BSC275形成接口，并且BSC275相应地控制BS270以将正向链路信号发送到移动终端10。

基于上述移动终端硬件结构以及通信***，提出本发明方法各个实施例。

请参阅图3，图3是本发明实施例一移动终端的功能模块图。图3所示的移动终端10包括：语音识别模块101、字幕生成模块103、人脸识别模块105。语音识别模块101通过语音识别功能识别视频文件中的语音内容，并将语音内容传输给字幕生成模块103。字幕生成模块103将语音内容转换成文字内容，并将文字内容制作成为字幕文件。人脸识别模块105通过人脸识别功能判断视频文件中讲话者的面部特征，根据面部特征确定讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。补充说明的是，语音识别模块101通过语音识别功能识别讲话者的声音特征，根据声音特征确定视频文件中讲话者姓名，并给字幕文件标示对应的讲话者姓名。

本实施例提供的移动终端通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容。

请参阅图4，图4是本发明实施例二移动终端的功能模块图。图4所示的移动终端10包括语音识别模块101、字幕生成模块103、人脸识别模块105、检索模块109、文档生成模块111、显示模块113、控制模块115。在本实施例中，语音识别模块101通过语音识别功能识别视频文件中的语音内容，并将语音内容传输给字幕生成模块103。字幕生成模块103将语音内容转换成文字内容，并将文字内容制作成为字幕文件。人脸识别模块105通过人脸识别功能判断视频文件中讲话者的姓名，并给字幕文件标示对应的讲话者姓名。补充说明的是，语音识别模块101通过语音识别功能识别讲话者的声音特征，判断视频文件中讲话者姓名，并给字幕文件标示对应的讲话者姓名。

检索模块109获取关键词，并从文字内容中检索出与关键词相关的文字段落，并查找出文字段落对应的视频文件，能够根据关键字对字幕文件进行广泛而具有针对性的检索，可以实现快速的视频文件定位，为用户查找到与关键字相关的有视频文件，减少用户查找相关视频文件的时间。

文档生成模块111将字幕文件、字幕文件在视频文件中所处的时间、字幕文件对应的讲话者姓名整理成为文档资料，例如对多人参与的会议进行会议录像，文档生成模块111将会议录像中与会人员的发言内容进行整理，将会议录像中字幕文件、字幕文件在会议录像中所处的时间、字幕文件对应会议发言者姓名整理成详细的文档资料，作为会议记录，便于与会人员查阅会议的内容。

当生成字幕文件后，显示模块113同步显示视频文件及字幕文件，方便用户在观看视频文件时阅读字幕文件，当视频文件音量较小、口音不清时，确保用户了解视频的语音内容。

需要说明的是，在本实施例中，能够通过语音识别模块101的语音识别功能判别讲话者的姓名，也可以通过人脸识别模块105的人脸识别功能识别讲话者的姓名，移动终端10的控制模块115从这两种方式中选择一种方式判别讲话者的姓名，具体地，当控制模块115接收第一控制信号时，控制模块115根据第一控制信号关闭人脸识别功能、打开语音识别功能，通过语音识别功能判断视频文件中的讲话者姓名，当控制模块115接收第二控制信号时，控制模块115根据第二控制信号关闭语音识别功能、打开人脸识别功能，通过人脸识别功能判断视频文件中的讲话者姓名。

本实施例提供的移动终端通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，进行视频录像后，判别每个讲话者的发言内容，能自动提供详细的记录文档，简化对视频文件进行文字整理的流程。

参阅图5，图5是本发明实施例三移动终端的应用环境图。在本实施例的应用环境图中包括移动终端10、A用户、B用户、C用户、D用户，移动终端10为图3或图4的移动终端10。在本实施例中，当A用户、B用户、C用户、D用户在进行会议时，移动终端10对会议进行全程录像。移动终端10开启摄像头70对A用户、B用户、C用户、D用户进行视频录像，开启麦克71对A用户、B用户、C用户、D用户进行录音，对会议过程中的发言进行视频录像。

在拍摄视频时，用户可以通过移动终端10的触摸屏发送控制信号，选择判别讲话者的姓名的方式，根据用户选择，能够通过语音识别模块101的语音识别功能判别讲话者的姓名，也可以通过人脸识别模块105的人脸识别功能识别讲话者的姓名，具体地，当控制模块115接收触摸屏传出的第一控制信号时，控制模块115根据第一控制信号关闭人脸识别功能、打开语音识别功能，通过语音识别功能判断视频文件中的讲话者姓名，当控制模块115接收触摸屏传出的第二控制信号时，控制模块115根据第二控制信号关闭语音识别功能、打开人脸识别功能，通过人脸识别功能判断视频文件中的讲话者姓名。

补充说明的是，语音识别模块101的语音识别功能判别讲话者的姓名的具体步骤包括从视频文件中获取A用户、B用户、C用户、D用户的声音特征，将声音特征和用户姓名建立对应关系，对视频文件中的语音内容进行检测，当检测到的语音内容满足A用户的声音特征时，确定该语音内容由A用户发出，同样的方式，确定用户B、C用户、D用户发出的语音内容。通过人脸识别功能判断视频文件中的讲话者姓名的具体步骤包括从视频文件中获取A用户、B用户、C用户、D用户的的面部特征，将面部特征和用户姓名建立对应关系，对视频文件中出现的人脸进行面部识别，当检测到的面部特征满足A用户的面部特征时，确定此时的语音内容为A用户发出，同样的方式，确定用户B、C用户、D用户发出的语音内容。

在确定视频文件中的讲话者姓名的判别方式之前或者之后，语音识别模块101通过语音识别功能识别视频文件中的语音内容，并将语音内容传输给字幕生成模块103。字幕生成模块103将语音内容转换成文字内容，并将文字内容制作成为字幕文件。人脸识别模块105通过人脸识别功能判断视频文件中讲话者的姓名，并给字幕文件标示对应的讲话者姓名。语音识别模块101通过语音识别功能识别讲话者的声音特征，判断视频文件中讲话者姓名，并给字幕文件标示对应的讲话者姓名。

用户可以通过触摸屏输入待检索的关键字，检索模块109获取关键词后，从文字内容中检索出与关键词相关的文字段落，并查找出文字段落对应的视频文件，将相关联的视频文件以列表的形式显示出来，能够根据关键字对字幕文件进行广泛而具有针对性的检索，可以实现快速的视频文件定位，为用户查找到与关键字相关的有视频文件，减少用户查找相关视频文件的时间。

在会议录像之后，文档生成模块111将字幕文件、字幕文件在视频文件中所处的时间、字幕文件对应的讲话者姓名整理成为文档资料，按照会议过程中发言顺序对A用户、B用户、C用户、D用户发言内容进行整理，将会议录像中字幕文件、字幕文件在会议录像中所处的时间、字幕文件对应会议发言者姓名整理成详细的文档资料，作为会议记录，便于与会人员查阅会议的内容。

当生成字幕文件后，在会议录像的同时，显示模块113同步显示视频文件及字幕文件，方便用户在观看视频文件时阅读字幕文件，当视频文件音量较小、口音不清时，确保用户了解视频的语音内容。

本实施例提供的移动终端通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，进行视频录像后，判别每个讲话者的发言内容，能自动提供详细的记录文档，简化对视频文件进行文字整理的流程。

本发明还提供一种生成视频字幕的方法，该方法应用图3或图4所示的移动终端10，下面对本实施例的生成视频字幕的方法进行详细介绍。

参阅图6，图6是本发明实施例四生成视频字幕的方法的流程图。

在步骤S601中，语音识别模块101通过语音识别功能识别视频文件中的语音内容，并将语音内容传输给字幕生成模块103。

在步骤S603中，字幕生成模块103将语音内容转换成文字内容，并将文字内容制作成为字幕文件。

在步骤S605中，人脸识别模块105通过人脸识别功能判断视频文件中讲话者的姓名，并给字幕文件标示对应的讲话者姓名。

在步骤S607中，语音识别模块101通过语音识别功能识别讲话者的声音特征，判断视频文件中讲话者姓名，并给字幕文件标示对应的讲话者姓名。

需要补充说明的是，在本实施例中，可以只选择通过语音识别模块101的语音识别功能判别讲话者的姓名，也可以只选择通过人脸识别模块105的人脸识别功能识别讲话者的姓名，具体地，当移动终端10的控制模块115接收第一控制信号时，控制模块115根据第一控制信号关闭人脸识别功能、打开语音识别功能，通过语音识别功能判断视频文件中的讲话者姓名，当控制模块115接收第二控制信号时，控制模块115根据第二控制信号关闭语音识别功能、打开人脸识别功能，通过人脸识别功能判断视频文件中的讲话者姓名。

本实施例提供的生成视频字幕的方法通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，并实时了解发言者的姓名。

参阅图7，图7是本发明实施例五生成视频字幕的方法流程图。该方法应用与图3或图4所示的移动终端10，下面对本实施例的生成视频字幕的方法进行详细介绍。

在步骤S701中，检索模块109获取关键词，并从文字内容中检索出与关键词相关的文字段落，并查找出文字段落对应的视频文件。在该步骤中，获取关键词的方法可以是通过移动终端10的触摸屏输入相应的关键字，根据关键字对字幕文件进行广泛而具有针对性的检索，可以实现快速的视频文件定位，为用户查找到与关键字相关的有视频文件，减少用户查找相关视频文件的时间。

在步骤S703中，文档生成模块111将字幕文件、字幕文件在视频文件中所处的时间、字幕文件对应的讲话者姓名整理成为文档资料。例如对多人参与的会议进行会议录像，文档生成模块111将会议录像中与会人员的发言内容进行整理，将会议录像中字幕文件、字幕文件在会议录像中所处的时间、字幕文件对应会议发言者姓名整理成详细的文档资料，作为会议记录，便于与会人员查阅会议的内容。

在步骤S705中，当生成字幕文件后，显示模块113同步显示视频文件及字幕文件，方便用户在观看视频文件时阅读字幕文件，当视频文件音量较小、口音不清时，确保用户了解视频的语音内容。

本实施方式提供的生成视频字幕的方法通过语音识别功能识别视频文件中的语音内容，将语音内容转换成文字内容，将文字内容整理成字幕文件，将字幕文件和视频文件同步显示，并判断视频文件中讲话者的姓名，在讲话者的语音内容对应的字幕文件中标示讲话者的姓名，方便用户阅读视频文件的字幕内容，进行视频录像后，判别每个讲话者的发言内容，提供详细的记录文档，简化对视频文件进行文字整理的流程。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种移动终端，其特征在于，包括：

语音识别模块，用于通过语音识别功能识别视频文件中的语音内容；

字幕生成模块，用于将所述语音内容转换成文字内容，并将所述文字内容制作成为字幕文件；及

人脸识别模块，用于通过人脸识别功能判断所述视频文件中讲话者的面部特征，根据所述面部特征确定讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

2.如权利要求1所述的移动终端，其特征在于，所述语音识别模块还用于通过语音识别功能识别讲话者的声音特征，根据所述声音特征确定所述视频文件中讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

3.如权利要求1-2任一一项所述的移动终端，其特征在于，还包括：

检索模块，用于获取关键词，并从所述文字内容中检索出与所述关键词相关的文字段落，并查找出所述文字段落对应的视频文件。

4.如权利要求1-2所述的移动终端，其特征在于，还包括：

文档生成模块，用于将所述字幕文件、所述字幕文件在所述视频文件中所处的时间、所述字幕文件对应的讲话者姓名整理成为文档资料；

显示模块，用于同步显示所述视频文件及所述字幕文件。

5.权利要求1-2任一一项所述的移动终端，其特征在于，还包括：

控制模块，用于接收第一控制信号，根据所述第一控制信号关闭所述人脸识别功能、打开所述语音识别功能，通过所述语音识别功能判断所述视频文件中的讲话者姓名，及接收第二控制信号，根据所述第二控制信号关闭所述语音识别功能、打开所述人脸识别功能，通过所述人脸识别功能判断所述视频文件中的讲话者姓名。

6.一种生成视频字幕的方法，其特征在于，包括：

通过语音识别功能识别视频文件中的语音内容；

将所述语音内容转换成文字内容，并将所述文字内容制作成为字幕文件；及

通过人脸识别功能判断所述视频文件中讲话者的面部特征，根据所述面部特征确定讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

7.如权利要求6所述的生成视频字幕的方法，其特征在于，还包括：

通过语音识别功能识别讲话者的声音特征，根据所述声音特征确定所述视频文件中讲话者姓名，并给所述字幕文件标示对应的讲话者姓名。

8.如权利要求6-7任一一项所述的生成视频字幕的方法，其特征在于，还包括：

获取关键词，并从所述文字内容中检索出与所述关键词相关的文字段落，并查找出所述文字段落对应的视频文件。

9.如权利要求6-7所述的生成视频字幕的方法，其特征在于，还包括：

将所述字幕文件、所述字幕文件在所述视频文件中所处的时间、所述字幕文件对应的讲话者姓名整理成为文档资料；

同步显示所述视频文件及所述字幕文件。

10.权利要求6-7任一一项所述的生成视频字幕的方法，其特征在于，还包括：

接收第一控制信号，根据所述第一控制信号关闭所述人脸识别功能、打开所述语音识别功能，通过所述语音识别功能判断所述视频文件中的讲话者姓名；

接收第二控制信号，根据所述第二控制信号关闭所述语音识别功能、打开所述人脸识别功能，通过所述人脸识别功能判断所述视频文件中的讲话者姓名。