CN111429941A - 音频定位的方法、装置、终端设备及服务器 - Google Patents
音频定位的方法、装置、终端设备及服务器 Download PDFInfo
- Publication number
- CN111429941A CN111429941A CN202010197245.3A CN202010197245A CN111429941A CN 111429941 A CN111429941 A CN 111429941A CN 202010197245 A CN202010197245 A CN 202010197245A CN 111429941 A CN111429941 A CN 111429941A
- Authority
- CN
- China
- Prior art keywords
- audio
- live broadcast
- live
- sub
- determining
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000003993 interaction Effects 0.000 claims abstract description 88
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 16
- 230000004807 localization Effects 0.000 description 25
- 238000012545 processing Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本公开关于一种音频定位的方法、装置、终端设备及服务器。该方法包括:当检测到用户的直播互动操作时,采集第一预设时长的直播音频;将所述直播音频划分为多个子直播音频;针对每个子直播音频,确定该子直播音频对应的音频指纹集合;根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。基于本公开可以基于音频指纹技术实现直播场景中音频定位。
Description
技术领域
本公开涉及音频识别技术领域,尤其涉及一种音频定位的方法、装置、终端设备及服务器。
背景技术
音频指纹技术(Audio fingerprinting technology)是指通过特定的算法将一段音频中独一无二的数字特征以标识符的形式提取出来,用于识别海量的声音样本或跟踪定位样本在数据库中的位置。音频指纹技术作为内容自动识别技术的的核心算法,已广泛应用于音乐识别,版权内容监播,内容库去重和电视第二屏互动等领域。目前的音频指纹技术主要应用于音乐搜索场景中。对于直播场景中,由于音频具有实时性。相应的,音频对于的音频指纹的生成、比对和检测也具有实时性。因此,亟需一种基于音频指纹技术实现直播场景中音频定位的方案。
发明内容
本公开提供一种音频定位的方法、装置、终端设备及服务器,以基于音频指纹技术实现直播场景中音频定位。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种音频定位的方法,所述方法应用于终端设备,所述方法包括:
当检测到用户的直播互动操作时,采集第一预设时长的直播音频;
将所述直播音频划分为多个子直播音频;
针对每个子直播音频,确定该子直播音频对应的音频指纹集合;
根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
作为一种可选的实施方式,所述将所述直播音频划分为多个子直播音频,包括:
根据所述直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻;
根据各子直播音频对应的第二起始时刻和预设的子直播音频的时长,将所述直播音频划分为多个子直播音频。
作为一种可选的实施方式,所述针对每个子直播音频,确定该子直播音频对应的音频指纹集合,包括:
针对每个子直播音频,在该子直播音频对应的频谱图中,确定该子直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该子直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对该子直播音频对应的音频指纹集合中的每个音频指纹,在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,所述方法还包括:
获取终端设备的当前时间和直播延迟时间;
根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第二预设时长,确定定位时段;
在服务器发送的各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
根据本公开实施例的第二方面,提供一种音频定位的方法,所述方法应用于服务器,所述方法包括:
在直播互动时段内,周期性获取预设时长的基准直播音频和所述基准直播音频对应的直播起止时段,所述直播起止时段为直播互动的开始时刻至结束时刻之间的时间段;
针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合;
接收终端设备发送的直播音频包含的各子直播音频的音频指纹集合,所述直播音频为当检测到用户的直播互动操作时,所述终端设备采集的直播音频;
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段;
将所述用户的直播互动操作对应的直播互动时段发送至所述终端设备。
作为一种可选的实施方式,所述针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合,包括:
针对每个基准直播音频,在该基准直播音频对应的频谱图中,确定该基准直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该基准直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对每个子直播音频对应的音频指纹集合中的每个音频指纹,在各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,所述方法还包括:
获取服务器的当前时间和直播延迟时间;
根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第三预设时长,确定定位时段;
在各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
根据本公开实施例的第三方面,提供一种音频定位的装置,所述装置应用于终端设备,所述装置包括:
采集模块,被配置为当检测到用户的直播互动操作时,采集第一预设时长的直播音频;
划分模块,被配置为将所述直播音频划分为多个子直播音频;
第一确定模块,被配置为针对每个子直播音频,确定该子直播音频对应的音频指纹集合;
第二确定模块,被配置为根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
第三确定模块,被配置为如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
作为一种可选的实施方式,所述划分模块,具体用于:
根据所述直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻;
根据各子直播音频对应的第二起始时刻和预设的子直播音频的时长,将所述直播音频划分为多个子直播音频。
作为一种可选的实施方式,所述第一确定模块,具体用于:
针对每个子直播音频,在该子直播音频对应的频谱图中,确定该子直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该子直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述第二确定模块,具体用于:
针对该子直播音频对应的音频指纹集合中的每个音频指纹,在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,所述装置还包括:
获取模块,被配置为获取终端设备的当前时间和直播延迟时间;
第四确定模块,被配置为根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第二预设时长,确定定位时段;
第五确定模块,被配置为在服务器发送的各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述第二确定模块,具体用于:
根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
根据本公开实施例的第四方面,提供一种音频定位的装置,所述装置应用于服务器,所述装置包括:
第一获取模块,被配置为在直播互动时段内,周期性获取预设时长的基准直播音频和所述基准直播音频对应的直播起止时段,所述直播起止时段为直播互动的开始时刻至结束时刻之间的时间段;
第一确定模块,被配置为针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合;
接收模块,被配置为接收终端设备发送的直播音频包含的各子直播音频的音频指纹集合,所述直播音频为当检测到用户的直播互动操作时,所述终端设备采集的直播音频;
第二确定模块,被配置为针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
第三确定模块,被配置为如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段;
发送模块,被配置为将所述用户的直播互动操作对应的直播互动时段发送至所述终端设备。
作为一种可选的实施方式,所述第一确定模块,具体用于:
针对每个基准直播音频,在该基准直播音频对应的频谱图中,确定该基准直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该基准直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述第二确定模块,具体用于:
针对每个子直播音频对应的音频指纹集合中的每个音频指纹,在各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,所述装置还包括:
第二获取模块,被配置为获取服务器的当前时间和直播延迟时间;
第四确定模块,被配置为根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第三预设时长,确定定位时段;
第五确定模块,被配置为在各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述第二确定模块,具体用于:
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
根据本公开实施例的第五方面,提供一种终端设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现第一方面中任一项所述的音频定位的方法。
根据本公开实施例的第六方面,提供一种服务器,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如第二方面中任一项所述的音频定位的方法。
根据本公开实施例的第七方面,提供一种音频定位的***,所述***包括第五方面所述的终端设备和第六方面所述的服务器。
根据本公开实施例的第八方面,提供一种存储介质,当所述存储介质中的指令由终端设备的处理器执行时,使得终端设备能够执行第一方面中任一项所述的音频定位的方法。
根据本公开实施例的第九方面,提供一种存储介质,当所述存储介质中的指令由服务器的处理器执行时,使得服务器能够执行第二方面中任一项所述的音频定位的方法。
根据本公开实施例的第十方面,提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序,使得设备执行第一方面的任一项实施例中所述的音频定位方法。
根据本公开实施例的第十一方面,提供一种计算机程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序,使得设备执行第二方面的任一项实施例中所述的音频定位方法。
本公开的实施例提供的技术方案至少带来以下有益效果:当终端设备检测到用户的直播互动操作时,采集第一预设时长的直播音频。然后,终端设备将所述直播音频划分为多个子直播音频,并针对每个子直播音频,确定该子直播音频对应的音频指纹集合。之后,终端设备根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则终端设备根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。这样,可以基于音频指纹技术实现直播场景中音频定位的方案。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种音频定位的方法的应用环境图;
图2是根据一示例性实施例示出的一种音频定位的方法的流程图;
图3是根据一示例性实施例示出的一种音频定位的方法的流程图;
图4是根据一示例性实施例示出的一种音频定位的方法的流程图;
图5是根据一示例性实施例示出的一种音频定位的方法的流程图;
图6是根据一示例性实施例示出的一种音频定位的方法的流程图;
图7是根据一示例性实施例示出的一种音频定位的方法的流程图;
图8是根据一示例性实施例示出的一种音频定位的方法的流程图;
图9是根据一示例性实施例示出的一种音频定位的方法的流程图;
图10是根据一示例性实施例示出的一种音频定位的方法的流程图;
图11是根据一示例性实施例示出的一种音频定位的装置的框图;
图12是根据一示例性实施例示出的一种音频定位的装置的框图;
图13是根据一示例性实施例示出的一种终端设备的内部结构图;
图14是根据一示例性实施例示出的一种服务器的内部结构图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开所提供的音频定位的方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括终端设备102和服务器104。在一种示例中,服务器104在直播互动时段内,周期性获取预设时长的基准直播音频和基准直播音频对应的直播起止时段。然后,针对每个基准直播音频,服务器104确定该基准直播音频对应的音频指纹集合,并将各基准直播音频对应的音频指纹集合和直播起止时段发送至终端设备。当检测到用户的直播互动操作时,终端设备102采集第一预设时长的直播音频。然后,终端设备102将所述直播音频划分为多个子直播音频,并针对每个子直播音频,确定该子直播音频对应的音频指纹集合。之后,终端设备102根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。最后,如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则终端设备102根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。在另一种实施例中,服务器104在直播互动时段内,周期性获取预设时长的基准直播音频和基准直播音频对应的直播起止时段。然后,针对每个基准直播音频,服务器104确定该基准直播音频对应的音频指纹集合。当检测到用户的直播互动操作时,终端设备102采集第一预设时长的直播音频。然后,终端设备102将所述直播音频划分为多个子直播音频,并针对每个子直播音频,确定该子直播音频对应的音频指纹集合,并将各子直播音频对应的音频指纹集合发送至服务器104。针对每个子直播音频,服务器102根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。然后,如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则服务器104根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,作为用户的直播互动操作对应的直播互动时段,并将用户的直播互动操作对应的直播互动时段发送至终端设备102。
图2是根据一示例性实施例示出的一种音频定位的方法的流程图,如图2所示,该音频定位的方法用于终端设备中,包括以下步骤。
在步骤S210中,当检测到用户的直播互动操作时,采集第一预设时长的直播音频。
在实施中,当用户观看的直播节目中需要进行直播互动时,用户可以通过安装在终端设备上的应用程序进行直播互动操作(比如摇手机抢红包等)。相应的,终端设备则可以检测到用户的直播互动操作。然后,终端设备可以采集当前直播节目中第一预设时长的直播音频。其中,该第一预设时长可以由技术人员进行设置(比如2s-3s)。
在步骤S220中,将直播音频划分为多个子直播音频。
在实施中,终端设备采集到第一预设时长的直播音频后,可以按照预设的音频划分规则,将直播音频划分为多个子直播音频。其中,多个子直播音频可以是相互重叠的子直播音频,也可以是首尾连接的子直播音频,还可以是间隔一定时长的子直播音频,本公开不作限定。
在一示例性实施例中,如图3所示,步骤220中终端设备将直播音频划分为多个子直播音频的处理过程,包括以下步骤:
在步骤S221中,根据直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻。
在实施中,终端设备采集到第一预设时长的直播音频后,可以根据直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻。其中,音频划分步幅可以由技术人员进行设置。例如,终端设备采集到直播音频的第一起始时刻为20:00:00:00,时长为3s(也即直播音频对应的时段为20:00:00:00至20:00:03:00),音频划分步幅为0.5s,则第一子直播音频对应的第二起始时刻为20:00:00:00,第二子直播音频对应的第二起始时刻为20:00:00:30,第三子直播音频对应的第二起始时刻为20:00:01:00,第四子直播音频对应的第二起始时刻为20:00:01:30,第五子直播音频对应的第二起始时刻为20:00:02:00,第六子直播音频对应的第二起始时刻为20:00:02:30。
在步骤S222中,根据各子直播音频对应的第二起始时刻和预设的子直播音频的时长,将直播音频划分为多个子直播音频。
在实施中,终端设备得到各子直播音频对应的第二起始时刻后,针对每个子直播音频,终端设备可以根据该子直播音频对应的第二起始时刻和预设的子直播音频的时长,确定该子直播音频对应的终止时刻。然后,终端设备可以根据各子直播音频对应的第二起始时刻和终止时刻,将直播音频划分为多个子直播音频。其中,子直播音频的时长可以由技术人员进行设置。可选的,如果某一子直播音频的终止时刻超过直播音频的终止时刻,则该子直播音频的终止时刻为该直播音频的终止时刻。例如,子直播音频的时长为1s,则第一子直播音频对应的终止时刻为20:00:01:00,即第一子直播音频的时段为20:00:00:00至20:00:01:00,第二子直播音频对应的终止时刻20:00:01:30,即第二子直播音频的时段为20:00:00:30至20:00:01:30,第三子直播音频对应的终止时刻为20:00:02:00,即第三子直播音频的时段为20:00:01:00至20:00:02:00,第四子直播音频对应的终止时刻为20:00:02:30,即第四子直播音频的时段为20:00:01:30至20:00:02:30,第五子直播音频对应的终止时刻20:00:03:00,即第五子直播音频的时段为20:00:02:00至20:00:03:00,第六子直播音频对应的终止时刻20:00:03:00,即第六子直播音频的时段为20:00:02:30至20:00:03:00。
在步骤S230中,针对每个子直播音频,确定该子直播音频对应的音频指纹集合。
在实施中,终端设备将直播音频划分为多个子直播音频后,针对每个子直播音频,终端设备可以确定该子直播音频对应的音频指纹集合。
在一示例性实施例中,如图4所示,步骤230中,针对每个子直播音频,终端设备确定该子直播音频对应的音频指纹集合的处理过程,包括如下步骤:
在步骤S231中,针对每个子直播音频,在该子直播音频对应的频谱图中,确定该子直播音频对应的能量峰值点集合。
在实施中,终端设备将直播音频划分为多个子直播音频后,针对每个子直播音频,终端设备基于时频域转换算法(比如快速傅里叶变换等)将该子直播音频由时域转换为频域,得到该子直播音频对应的频谱图。其中,频谱图是一个三维图,X坐标为时间,Y坐标为频率,Z坐标为能量。终端设备得到子直播音频对应的频谱图后,可以在频谱图中,采集多个能量值较高(也即频谱图中Z坐标对应的值较大)的点,作为该子直播音频对应的能量峰值点,从而组成该子直播音频对应的能量峰值点集合。
在步骤S232中,根据能量峰值点集合中各能量峰值点的频率和各能量峰值点之间的时间差,计算各能量峰值点对应的音频指纹,组成该子直播音频对应的音频指纹集合。
在实施中,终端设备得到该子直播音频对应的能量峰值点集合后,针对每个能量峰值点,终端设备可以在能量峰值点集合中,选择与该能量峰值点的距离小于或等于预设距离阈值的能量峰值点,作为该能量峰值点对应的目标峰值点。其中,预设距离阈值可以由技术人员进行设置;能量峰值点的距离可以为欧式距离。终端设备得到该能量峰值点对应的目标能量峰值点后,针对每个目标能量峰值点,终端设备可以计算该能量峰值点与该目标能量峰值点的时间差(记作Δt)。然后,终端设备可以进一步采用哈希算法计算该能量峰值点的频率(记作F1)、该目标能量峰值点的频率(记作F2)和该能量峰值点与该目标能量峰值点的时间差Δt的哈希值(记作H[Δt,F1,F2]),从而得到该能量峰值点对应的音频指纹。终端设备计算出各能量峰值点对应的音频指纹后,可以组成该子直播音频对应的音频指纹集合。
在步骤S240中,根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
在实施中,终端设备确定出该子直播音频对应的音频指纹集合后,可以根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
在一示例性实施例中,如图5所示,步骤240终端设备根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频的处理过程,包括以下步骤:
在步骤S241中,针对该子直播音频对应的音频指纹集合中的每个音频指纹,在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频。
在实施中,针对该子直播音频对应的音频指纹集合中的每个音频指纹,终端设备可以在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,并将确定出的基准直播音频作为该子直播音频对应的候选直播音频。例如,该子直播音频对应的音频指纹集合为{H1,H2,H3},其中,音频指纹集合包含H1的基准直播音频为基准直播音频1和2,音频指纹集合包含H2的基准直播音频为基准直播音频1,音频指纹集合包含H3的基准直播音频为基准直播音频1、2和3,则该子直播音频对应的候选直播音频为基准直播音频1、2和3。
在步骤S242中,按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
在实施中,终端设备得到子直播音频对应的候选直播音频后,可以进一步统计各候选直播音频的重复次数。然后,终端设备可以按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。其中,预设数目可以由技术人员进行设置。例如,该子直播音频对应的候选直播音频为基准直播音频1、2和3,其中,基准直播音频1的重复次数为3,基准直播音频2的重复次数为2,基准直播音频3的重复次数为1,预设数目为2,则该子直播音频对应的目标直播音频为基准直播音频1和2。
在步骤S250中,如果直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
在实施中,终端设备得到直播音频包含的各子直播音频对应的目标直播音频后,可以判断各目标直播音频的直播起止时段是否连续。如果各目标直播音频的直播起止时段连续性,则终端设备可以根据各目标直播音频的直播起止时段,确定直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
在一示例性实施例中,如图6所示,为了提高定位精度,终端设备可以对服务器发送的各基准直播音频进行裁剪,处理过程包括如下步骤:
在步骤S610中,获取终端设备的当前时间和直播延迟时间。
在实施中,终端设备可以获取用户的直播互动操作时,该终端设备的当前时间和直播延迟时间。例如,终端设备的当前时间为20:03:00:00,直播延迟时间为3分钟。
在步骤S620中,根据当前时间和直播延迟时间,确定直播时间,并根据直播时间和第二预设时长,确定定位时段。
在实施中,终端设备获取到当前时间和直播延迟时间后,可以计算当前时间与直播延迟时间的差值,得到当前直播节目的实际的直播时间。例如当前时间为20:03:00:00,直播延迟时间为3分钟,则直播节目的实际的直播时间为20:00:00:00。然后,终端设备可以根据直播时间与第二预设时长,确定定位时段。其中,第二预设时长可以由技术人员进行设置。
在步骤S630中,在服务器发送的各基准直播音频中,将直播起止时段位于定位时段内的基准直播音频,确定为定位直播音频。
在实施中,终端设备得到定位时段后,可以进一步在服务器发送的各基准直播音频中,将直播起止时段位于定位时段内的基准直播音频,确定为定位直播音频。
在步骤S640中,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
在实施中,终端设备确定出该子直播音频对应的音频指纹集合后,可以根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。其中,步骤640的处理过程与步骤241至步骤242的处理过程类似,此处不再赘述。
本公开还提供了一种音频定位的方法,该方法应用于服务器,如图7所示,该方法包括如下步骤:
在步骤S710中,在直播互动时段内,周期性获取预设时长的基准直播音频和基准直播音频对应的直播起止时段。
其中,直播起止时段为直播互动的开始时刻至结束时刻之间的时间段。
在实施中,当直播节目中需要进行直播互动时,服务器可以在直播互动时段内,周期性的获取预设时长的基准直播音频以及该基准直播音频对应的直播起止时段。其中,直播起止时段为直播互动的开始时刻至结束时刻之间的时间段;预设时长可以由技术人员进行设置(比如1s)。
在步骤S720中,针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合。
在实施中,每个基准直播音频,服务器可以确定该基准直播音频对应的音频指纹集合。
在一示例性实施例中,如图8所示,步骤720中,针对每个基准直播音频,服务器该基准直播音频对应的音频指纹集合的处理过程,包括如下步骤:
在步骤S721中,针对每个基准直播音频,在该基准直播音频对应的频谱图中,确定该基准直播音频对应的能量峰值点集合。
在步骤S722中,根据能量峰值点集合中各能量峰值点的频率和各能量峰值点之间的时间差,计算各能量峰值点对应的音频指纹,组成该基准直播音频对应的音频指纹集合。
步骤721至步骤722的处理过程与步骤231和步骤232的处理过程类似,此处不再赘述。
在步骤S730中,接收终端设备发送的直播音频包含的各子直播音频的音频指纹集合。其中,直播音频为当检测到用户的直播互动操作时,终端设备采集的直播音频。
在实施中,当用户观看的直播节目中需要进行直播互动时,用户可以通过安装在终端设备上的应用程序进行直播互动操作(比如摇手机抢红包等)。相应的,终端设备则可以检测到用户的直播互动操作。然后,终端设备可以采集当前直播节目中第一预设时长的直播音频。其中,该第一预设时长可以由技术人员进行设置(比如2s-3s)。终端设备采集到第一预设时长的直播音频后,可以按照预设的音频划分规则,将直播音频划分为多个子直播音频。其中,多个子直播音频可以是相互重叠的子直播音频,也可以是首尾连接的子直播音频,还可以是间隔一定时长的子直播音频,本公开不作限定。终端设备将直播音频划分为多个子直播音频后,针对每个子直播音频,终端设备可以确定该子直播音频对应的音频指纹集合。然后,终端设备可以将直播音频包含的各子直播音频的音频指纹集合发送至服务器。相应的,服务器则会接收到终端设备发送的直播音频包含的各子直播音频的音频指纹集合。
在步骤S740中,针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
在实施中,服务器接收到终端设备发送的直播音频包含的各子直播音频的音频指纹集合后,可以针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
在一示例性实施例中,如图9所示,步骤740针对每个子直播音频,服务器根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频的处理过程,包括以下步骤:
在步骤S741中,针对每个子直播音频对应的音频指纹集合中的每个音频指纹,在各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
在步骤S742中,按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
步骤741至步骤742的处理过程与步骤241和步骤242的处理过程类似,此处不再赘述。
在步骤750中,如果直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
在实施中,服务器得到直播音频包含的各子直播音频对应的目标直播音频后,可以判断各目标直播音频的直播起止时段是否连续。如果各目标直播音频的直播起止时段连续性,则服务器可以根据各目标直播音频的直播起止时段,确定直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
在步骤760中,将用户的直播互动操作对应的直播互动时段发送至终端设备。
在实施中,服务器确定出用户的直播互动操作对应的直播互动时段后,可以将用户的直播互动操作对应的直播互动时段发送至终端设备。相应的,终端设备则可以接收到服务器发送的用户的直播互动操作对应的直播互动时段。
在一示例性实施例中,如图10所示,为了提高定位精度,服务器可以对各基准直播音频进行裁剪,处理过程包括如下步骤:
在步骤1010中,获取服务器的当前时间和直播延迟时间。
在步骤1020中,根据当前时间和直播延迟时间,确定直播时间,并根据直播时间和第三预设时长,确定定位时段。
在步骤1030中,在各基准直播音频中,将直播起止时段位于定位时段内的基准直播音频,确定为定位直播音频。
在步骤1040中,针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
步骤1010至步骤1040的处理过程与步骤610和步骤640的处理过程类似,此处不再赘述。
本公开提供了一种音频的定位方法,当终端设备检测到用户的直播互动操作时,采集第一预设时长的直播音频。然后,终端设备将所述直播音频划分为多个子直播音频,并针对每个子直播音频,确定该子直播音频对应的音频指纹集合。之后,终端设备根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则终端设备根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。这样,可以基于音频指纹技术实现直播场景中音频定位的方案。
应该理解的是,虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图11是根据一示例性实施例示出的一种音频定位的装置的装置框图。该装置应用于终端设备,参照图11,该装置包括:
采集模块1110,被配置为当检测到用户的直播互动操作时,采集第一预设时长的直播音频;
划分模块1120,被配置为将所述直播音频划分为多个子直播音频;
第一确定模块1130,被配置为针对每个子直播音频,确定该子直播音频对应的音频指纹集合;
第二确定模块1140,被配置为根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
第三确定模块1150,被配置为如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
作为一种可选的实施方式,所述划分模块1120,具体用于:
根据所述直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻;
根据各子直播音频对应的第二起始时刻和预设的子直播音频的时长,将所述直播音频划分为多个子直播音频。
作为一种可选的实施方式,所述第一确定模块1130,具体用于:
针对每个子直播音频,在该子直播音频对应的频谱图中,确定该子直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该子直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述第二确定模块1140,具体用于:
针对该子直播音频对应的音频指纹集合中的每个音频指纹,在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,该装置还包括:
获取模块,被配置为获取终端设备的当前时间和直播延迟时间;
第四确定模块,被配置为根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第二预设时长,确定定位时段;
第五确定模块,被配置为在服务器发送的各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述第二确定模块1140,具体用于:
根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
图12是根据一示例性实施例示出的一种音频定位的装置的装置框图。该装置应用于服务器,参照图12,该装置包括:
第一获取模块1210,被配置为在直播互动时段内,周期性获取预设时长的基准直播音频和所述基准直播音频对应的直播起止时段,所述直播起止时段为直播互动的开始时刻至结束时刻之间的时间段;
第一确定模块1220,被配置为针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合;
接收模块1230,被配置为接收终端设备发送的直播音频包含的各子直播音频的音频指纹集合,所述直播音频为当检测到用户的直播互动操作时,所述终端设备采集的直播音频;
第二确定模块1240,被配置为针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
第三确定模块1250,被配置为如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段;
发送模块1260,被配置为将所述用户的直播互动操作对应的直播互动时段发送至所述终端设备。
作为一种可选的实施方式,所述第一确定模块1220,具体用于:
针对每个基准直播音频,在该基准直播音频对应的频谱图中,确定该基准直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该基准直播音频对应的音频指纹集合。
作为一种可选的实施方式,所述第二确定模块1240,具体用于:
针对每个子直播音频对应的音频指纹集合中的每个音频指纹,在各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
作为一种可选的实施方式,该装置还包括:
第二获取模块,被配置为获取服务器的当前时间和直播延迟时间;
第四确定模块,被配置为根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第三预设时长,确定定位时段;
第五确定模块,被配置为在各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述第二确定模块1240,具体用于:
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
本公开提供了一种音频的定位装置,当终端设备检测到用户的直播互动操作时,采集第一预设时长的直播音频。然后,终端设备将所述直播音频划分为多个子直播音频,并针对每个子直播音频,确定该子直播音频对应的音频指纹集合。之后,终端设备根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则终端设备根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。这样,可以基于音频指纹技术实现直播场景中音频定位的方案。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图13是根据一示例性实施例示出的一种终端设备1300的框图。例如,终端设备1300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图13,终端设备1300可以包括以下一个或多个组件:处理组件1302,存储器1304,电力组件1306,多媒体组件1308,音频组件1310,输入/输出(I/O)的接口1312,传感器组件1314,以及通信组件1316。
处理组件1302通常控制终端设备1300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件1302可以包括一个或多个模块,便于处理组件1302和其他组件之间的交互。例如,处理组件1302可以包括多媒体模块,以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在终端设备1300的操作。这些数据的示例包括用于在终端设备1300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1306为终端设备1300的各种组件提供电力。电源组件1306可以包括电源管理***,一个或多个电源,及其他与为终端设备1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述终端设备1300和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1308包括一个前置摄像头和/或后置摄像头。当终端设备1300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如,音频组件1310包括一个麦克风(MIC),当终端设备1300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中,音频组件1310还包括一个扬声器,用于输出音频信号。
I/O接口1312为处理组件1302和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器,用于为终端设备1300提供各个方面的状态评估。例如,传感器组件1314可以检测到终端设备1300的打开/关闭状态,组件的相对定位,例如所述组件为终端设备1300的显示器和小键盘,传感器组件1314还可以检测终端设备1300或终端设备1300一个组件的位置改变,用户与终端设备1300接触的存在或不存在,终端设备1300方位或加速/减速和终端设备1300的温度变化。传感器组件1314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1316被配置为便于终端设备1300和其他设备之间有线或无线方式的通信。终端设备1300可以接入基于通信标准的无线网络,如WiFi,运营商网络(如2G、3G、4G或5G),或它们的组合。在一个示例性实施例中,通信组件1316经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,终端设备1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1304,上述指令可由终端设备1300的处理器1320执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图14是根据一示例性实施例示出的一种服务器1400的框图。例如,服务器1400可以为一服务器。参照图14,服务器1400包括处理组件1422,其进一步包括一个或多个处理器,以及由存储器1432所代表的存储器资源,用于存储可由处理组件1422的执行的指令,例如应用程序。存储器1432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1422被配置为执行指令,以执行上述音频定位的方法。
服务器1400还可以包括一个电源组件1426被配置为执行服务器1400的电源管理,一个有线或无线网络接口1450被配置为将服务器1400连接到网络,和一个输入输出(I/O)接口1458。服务器1400可以操作基于存储在存储器1432的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器1304,上述指令可由设备1300的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种音频定位的方法,其特征在于,所述方法应用于终端设备,所述方法包括:
当检测到用户的直播互动操作时,采集第一预设时长的直播音频;
将所述直播音频划分为多个子直播音频;
针对每个子直播音频,确定该子直播音频对应的音频指纹集合;
根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
2.根据权利要求1所述的方法,其特征在于,所述将所述直播音频划分为多个子直播音频,包括:
根据所述直播音频对应的第一起始时刻和预设的音频划分步幅,确定各子直播音频对应的第二起始时刻;
根据各子直播音频对应的第二起始时刻和预设的子直播音频的时长,将所述直播音频划分为多个子直播音频。
3.根据权利要求1所述的方法,其特征在于,所述针对每个子直播音频,确定该子直播音频对应的音频指纹集合,包括:
针对每个子直播音频,在该子直播音频对应的频谱图中,确定该子直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该子直播音频对应的音频指纹集合。
4.根据权利要求1所述的方法,其特征在于,所述根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对该子直播音频对应的音频指纹集合中的每个音频指纹,在服务器发送的各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取终端设备的当前时间和直播延迟时间;
根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第二预设时长,确定定位时段;
在服务器发送的各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
6.一种音频定位的方法,其特征在于,所述方法应用于服务器,所述方法包括:
在直播互动时段内,周期性获取预设时长的基准直播音频和所述基准直播音频对应的直播起止时段,所述直播起止时段为直播互动的开始时刻至结束时刻之间的时间段;
针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合;
接收终端设备发送的直播音频包含的各子直播音频的音频指纹集合,所述直播音频为当检测到用户的直播互动操作时,所述终端设备采集的直播音频;
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段;
将所述用户的直播互动操作对应的直播互动时段发送至所述终端设备。
7.根据权利要求6所述的方法,其特征在于,所述针对每个基准直播音频,确定该基准直播音频对应的音频指纹集合,包括:
针对每个基准直播音频,在该基准直播音频对应的频谱图中,确定该基准直播音频对应的能量峰值点集合;
根据所述能量峰值点集合中各能量峰值点的频率和所述各能量峰值点之间的时间差,计算所述各能量峰值点对应的音频指纹,组成该基准直播音频对应的音频指纹集合。
8.根据权利要求6所述的方法,其特征在于,所述针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对每个子直播音频对应的音频指纹集合中的每个音频指纹,在各基准直播音频对应的音频指纹集合中,确定音频指纹集合包含该音频指纹的基准直播音频,作为该子直播音频对应的候选直播音频;
按照重复次数由高到低的顺序,在该子直播音频对应的候选直播音频中,选择预设数目个候选直播音频,作为该子直播音频对应的目标直播音频。
9.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取服务器的当前时间和直播延迟时间;
根据所述当前时间和直播延迟时间,确定直播时间,并根据所述直播时间和第三预设时长,确定定位时段;
在各基准直播音频中,将直播起止时段位于所述定位时段内的基准直播音频,确定为定位直播音频;
所述针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频,包括:
针对每个子直播音频,根据该子直播音频对应的音频指纹集合和各定位直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频。
10.一种音频定位的装置,其特征在于,所述装置应用于终端设备,所述装置包括:
采集模块,被配置为当检测到用户的直播互动操作时,采集第一预设时长的直播音频;
划分模块,被配置为将所述直播音频划分为多个子直播音频;
第一确定模块,被配置为针对每个子直播音频,确定该子直播音频对应的音频指纹集合;
第二确定模块,被配置为根据该子直播音频对应的音频指纹集合和服务器发送的各基准直播音频对应的音频指纹集合,确定该子直播音频对应的目标直播音频;
第三确定模块,被配置为如果所述直播音频包含的各子直播音频对应的目标直播音频的直播起止时段存在连续性,则根据各目标直播音频的直播起止时段,确定所述直播音频对应的直播起止时段,并作为用户的直播互动操作对应的直播互动时段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197245.3A CN111429941B (zh) | 2020-03-19 | 2020-03-19 | 音频定位的方法、装置、终端设备及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010197245.3A CN111429941B (zh) | 2020-03-19 | 2020-03-19 | 音频定位的方法、装置、终端设备及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429941A true CN111429941A (zh) | 2020-07-17 |
CN111429941B CN111429941B (zh) | 2023-08-22 |
Family
ID=71549631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010197245.3A Active CN111429941B (zh) | 2020-03-19 | 2020-03-19 | 音频定位的方法、装置、终端设备及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429941B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763586A (zh) * | 2014-01-16 | 2014-04-30 | 北京酷云互动科技有限公司 | 电视节目互动方法、装置和服务器 |
CN104125509A (zh) * | 2013-04-28 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 节目识别方法、装置及服务器 |
CN104125265A (zh) * | 2013-04-28 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 节目互动方法、装置、终端、服务器及*** |
-
2020
- 2020-03-19 CN CN202010197245.3A patent/CN111429941B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104125509A (zh) * | 2013-04-28 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 节目识别方法、装置及服务器 |
CN104125265A (zh) * | 2013-04-28 | 2014-10-29 | 腾讯科技(深圳)有限公司 | 节目互动方法、装置、终端、服务器及*** |
CN103763586A (zh) * | 2014-01-16 | 2014-04-30 | 北京酷云互动科技有限公司 | 电视节目互动方法、装置和服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111429941B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9583121B2 (en) | Apparatus and method for determining co-location of services | |
CN105279898A (zh) | 报警方法及装置 | |
CN110890083B (zh) | 音频数据的处理方法、装置、电子设备及存储介质 | |
CN103916711A (zh) | 一种播放视频信号的方法及装置 | |
CN104866409A (zh) | 内存泄露监控方法和装置 | |
CN109121468A (zh) | 关于网络切片的接入方法及装置 | |
CN107911386B (zh) | 获取服务授权信息的方法及装置 | |
CN105487863A (zh) | 基于场景的界面设置方法及装置 | |
CN111128253B (zh) | 音频剪辑方法及装置 | |
CN104836924A (zh) | 号码标记方法及装置 | |
CN104301528A (zh) | 显示信息的方法及装置 | |
CN112180378A (zh) | 设备间距离确定方法、装置及存储介质 | |
CN112702633A (zh) | 多媒体智能播放方法、装置、播放设备以及存储介质 | |
CN111696553A (zh) | 一种语音处理方法、装置及可读介质 | |
CN115238787A (zh) | 异常数据检测方法、装置、设备及存储介质 | |
CN111355995A (zh) | 蓝牙设备声音延迟时长的确定方法、装置及终端设备 | |
CN104932970A (zh) | 内存泄露监控方法和装置 | |
CN112489653B (zh) | 语音识别的方法、装置及存储介质 | |
US20170034347A1 (en) | Method and device for state notification and computer-readable storage medium | |
CN113190207A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN111429941B (zh) | 音频定位的方法、装置、终端设备及服务器 | |
CN111489757A (zh) | 音频处理方法、装置、电子设备及可读存储介质 | |
CN109788367A (zh) | 一种信息提示方法、装置、电子设备及存储介质 | |
CN110866147B (zh) | 对直播应用程序进行分类的方法、装置及存储介质 | |
CN107886956B (zh) | 音频识别方法、装置及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |