CN112954453B - 视频配音方法和装置、存储介质和电子设备 - Google Patents
视频配音方法和装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN112954453B CN112954453B CN202110179770.7A CN202110179770A CN112954453B CN 112954453 B CN112954453 B CN 112954453B CN 202110179770 A CN202110179770 A CN 202110179770A CN 112954453 B CN112954453 B CN 112954453B
- Authority
- CN
- China
- Prior art keywords
- video
- sub
- dubbed
- style
- text
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims description 72
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/635—Overlay text, e.g. embedded captions in a TV program
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44012—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving rendering scenes according to scene graphs, e.g. MPEG-4 scene graphs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44016—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving splicing one content stream with another content stream, e.g. for substituting a video clip
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本公开涉及一种视频配音方法和装置、存储介质和电子设备,所述方法包括:将待配音视频依据视频场景拆分为多个子视频;将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签;基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。本公开可以是视频的配音更生动自然。
Description
技术领域
本公开涉及视频处理领域,具体地,涉及一种视频配音方法和装置、存储介质和电子设备。
背景技术
视频是一种常用的多媒体形式,在信息技术高速发展的现在,通过视频获取信息是一种很常见的生活方式。目前,已经有了可以为视频自动配音的功能出现,但是这些自动配音的方案通常无法根据视频的内容调整配音的风格,使得视频的配音不够生动自然。
发明内容
提供该发明内容部分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。该发明内容部分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。
第一方面,本公开提供一种视频配音方法,所述方法包括:将待配音视频依据视频场景拆分为多个子视频;将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签;基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
第二方面,本公开提供一种视频配音装置,所述装置包括:场景确定模块,用于将待配音视频依据视频场景拆分为多个子视频;风格确定模块,用于将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签;配音生成模块,用于基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
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本公开第一方面所述方法的步骤。
第四方面,本公开提供一种电子设备,包括存储装置和处理装置,存储装置上存储有计算机程序的,处理装置用于执行所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,至少可以达到以下的技术效果:
将待配音的视频按照场景拆分为不同的子视频,并为各子视频生成风格标签,基于风格标签为各子视频生成配音,使得不同风格的子视频的配音风格不同,使得视频的配音更加自然、生动。
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
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,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性公开实施例示出的一种视频配音方法的流程图。
图2是根据一示例性公开实施例示出的一种视频配音装置的框图。
图3是根据一示例性公开实施例示出的一种电子设备的框图。
具体实施方式
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。
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。
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。
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。
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”。
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。
图1是根据一示例性公开实施例示出的一种视频配音方法的流程图,如图1所示,所述方法包括:
S11、将待配音视频依据视频场景拆分为多个子视频。
其中,该视频场景指视频的预设拍摄条件发生变化所产生的场景,例如,不同的分镜可以产生不同的视频场景,不同的拍摄环境也可以产生不同的视频场景;子视频可以是由视频场景发生变化的时间点作为分割点进行切分生成的视频片段,例如,可以将视频的拍摄视角为角度1时的视频内容和拍摄角度为角度2时的视频内容作为两个不同的子视频,还可以将视频的拍摄地点为地点1时的视频内容以及拍摄地点为地点2时的视频内容作为两个不同的子视频,还可以将视频的拍摄对象为人物1时的视频内容和拍摄对象为人物2时的视频内容作为两个不同的子视频。
在一种可能的实施方式中,可以将视频长度低于预设阈值的子视频与其邻近的子视频进行合并,得到新的子视频,这样,可以减少需要进行风格预测的场景的数量,并为风格标签的生成提供更多的特征,提高风格标签生成的效率。
例如,视频被分割为了8个子视频,子视频1的视频长度为10秒,子视频2的视频长度为5秒,子视频3的视频长度为7秒,子视频4的视频长度为40秒,子视频5的视频长度为8秒,子视频6的视频长度为17秒,子视频7的视频长度为3秒,子视频8的视频长度为22秒,在预设阈值为20秒,则可以将子视频1、子视频2、子视频3合并为一个子视频,将子视频4作为一个独立的子视频,将子视频5、子视频6合并为一个子视频,将子视频7、子视频8合并为一个子视频。
在一种可能的实施方式中,还可以根据预设的场景数量对视频进行场景拆分,预设的场景数量为四个,分别对应背景部分、叙述部分、高光部分、结束部分,则可以基于视频内容的影像内容和/或文字内容将视频分割为四个子视频。
在一种可能的实施方式中,可以基于场景分割模型,将待配音视频依据视频场景拆分为多个子视频。
其中,所述场景分割模型的训练步骤如下:
将样本视频输入待训练的场景分割模型,并获取所述场景分割模型输出的分割点,并基于样本视频的样本标注分割点、所述场景分割模型输出的分割点、以及预设的损失函数调整所述场景分割模型中的参数,直至样本分割点和模型输出的分割点之间的差异满足训练条件,或者迭代次数满足训练条件。
该预设的损失函数是用于惩罚模型输出的分割点与样本标注分割点的差值的损失函数。
其中,样本视频的样本标注分割点可以基于分割需求确定,例如,当需要根据分镜进行视频拆分时,该样本标注分割点可以是预先按照分镜进行标注的分割点,当需要根据视频剧情进行视频拆分时,可以按照剧情标注分割点,并为视频的分割点添加剧情标签,如,背景分割点、叙述分割点、高光分割点、结束分割点等。为了提高场景分割模型的准确性,可以针对待分割的视频的类型确定样本视频的类型,例如,待分割的视频为电影类视频时,样本视频也为电影类视频,待分割视频为科普视频时,样本视频也为科普视频。在一种可能的实施方式中,可以根据不同的视频分类预先训练多种类型的场景分割模型,在进行场景拆分时,可以选择待分割的视频的类型对应的场景分割模型进行拆分。
在一种可能的实施方式中,当待配音视频具有对应的文案内容时,可以通过语义判别模型对文案内容进行场景分割,将表达不同内容的文案内容划分为不同的场景,并根据文案内容所划分的场景将待配音视频拆分为多个子视频。
S12、将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签。
其中,对应不同的视频,待配音的子视频的待配音文案可以通过以下两种形式获取:
第一种:从所述待配音的子视频中识别字幕内容,并将该字幕内容作为所述待配音文案。当视频本身存在文字字幕时,可以通过识别字幕内容的方式获取待配音的文案,并且,由于字幕内容与视频的时间轴具有对应关系,在获取字幕内容的同时确定该字幕内容对应的时间轴,以便在配音完成后将配音音频添加在对应的时间轴位置。
第二种:获取所述待配音视频的文案内容;获取待配音的子视频的时间信息;基于所述时间信息,从所述文案内容中确定所述待配音的子视频对应的待配音文案。当待配音视频本身存在对应的文案内容时,可以直接从文案内容中提取待配音的子视频对应的文案内容,例如,当文案内容中存在时间轴信息时,可以提取子视频的时间信息,确定该时间信息对应的时间轴,并确定该时间轴对应的文案内容作为待配音文案,当文案内容中不存在时间轴信息时,可以提取子视频的时间信息,确定该子视频在待配音视频中的视频位置,并在文案内容中确定与该视频位置对应的文字位置,并将该文字位置的文案内容作为待配音文案。
通过风格预测模型,可以为待配音文案标注风格标签,风格标签可以包括情感类的标签,例如,兴奋、快乐、悲伤等,还可以包括剧情类的表情,例如,恐怖、喜剧、悲剧等,还可以包括剧情走向类的表情,例如,高光、结尾、陈述等。
在一种可能的实施方式中,该风格预测模型的训练步骤如下:
将样本文本输入待训练的风格预测模型,并获取所述风格预测模型输出的风格标签,并基于样本文本的样本标注风格标签、所述风格预测模型输出的风格标签以及预设的损失函数调整所述风格预测模型中的参数,以使风格预测模型输出的风格标签与样本标注风格标签接近,可以在前述两种标签的差异度满足预设条件,或者在训练迭代次数达到预设次数时停止训练。
该预设的损失函数是用于惩罚模型输出的风格标签与样本标注风格标签的差值的损失函数。
S13、基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
可以利用具有风格化配音功能的配音模型、程序或引擎进行配音音频的生成,根据不同的配音程序的风格种类为风格预测模型设置可选的标签,例如,当配音程序的风格种类包括开心、激动、难过三种种类时,可以将风格预测模型可输出的标签种类与这三种风格种类对应,例如将分别表征开心、快乐、高兴的标签均对应到开心的风格种类下。
在生成子视频的配音音频之后,可以将该配音音频***至视频中子视频对应的位置,通过对所有的子视频进行配音,可以得到配音后的完整视频,且视频中各场景下的配音风格与该场景下的视频风格相匹配,更加生动自然。
在一种可能的实施方式中,可以确定各字幕内容对应的视频长度,基于各字幕内容对应的视频长度和所述待配音文案的文字长度确定配音速度,并基于所述风格标签和所述待配音文案,并以所述配音速度生成所述待配音的子视频的配音音频。
也就是说,当从视频中识别文字字幕以获取配音文案的情况下,可以确定该文字字幕所覆盖的视频的长度,并根据视频长度和文案长度确定配音的速度,以使配音可以在文字字幕出现的时间内播放完毕;例如,当视频长度较短时,可以加快配音速度,当视频长度较长时,可以降低速度或以预设的配音速度进行配音,该预设的配音速度可以是经过实验测试出的自然朗诵速度。
在一种可能的实施方式中,还可以对所述文案内容进行分句,得到多个文案子句,基于所述待配音的子视频的时间信息,确定各文案子句在该子视频中的时间轴信息,基于各文案子句的时间轴信息,为所述待配音的子视频添加与该文案子句对应的文字字幕和与该文案子句对应的配音音频。
也就是说,可以将文案内容以句为单位调整速度,使得配音的速度更加自然,并且可以合理地为视频添加文字字幕,以免出现文字字幕较长或较短导致的阅读不便。
在一种可能的实施方式中,可以通过场景分割模型,将所述待配音视频拆分为多个子视频,并获取每个所述子视频的场景标签,并将待配音的子视频的待配音文案和该子视频的场景标签输入风格预测模型,并获取所述风格预测模型输出的风格标签。
场景分割模型不仅用于将视频拆分为子视频,还可以为子视频添加场景标签,例如,根据背景的不同,可以为视频添加“办公楼”“森林”“街道”等标签,或者根据剧情的不同,可以为视频添加“背景”“高光”“结尾”等标签,风格预测模型基于场景标签和配音文案生成风格标签,使得生成的风格标签可以更加准确地体现视频风格。
通过上述技术方案,至少可以达到以下的技术效果:
将待配音的视频按照场景拆分为不同的子视频,并为各子视频生成风格标签,基于风格标签为各子视频生成配音,使得不同风格的子视频的配音风格不同,使得视频的配音更加自然、生动。
图2是根据一示例性公开实施例示出的一种视频配音装置的框图,如图2所示,所述装置200包括:
场景确定模块210,用于将待配音视频依据视频场景拆分为多个子视频。
风格确定模块220,用于将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签。
配音生成模块230,用于基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
在一种可能的实施方式中,所述装置还包括文本识别模块,用于从所述待配音的子视频中识别字幕内容,并将该字幕内容作为所述待配音文案。
在一种可能的实施方式中,所述装置还包括文案获取模块,用于获取所述待配音视频的文案内容;获取待配音的子视频的时间信息;基于所述时间信息,从所述文案内容中确定所述待配音的子视频对应的待配音文案。
在一种可能的实施方式中,所述场景确定模块210,用于通过场景分割模型,将所述待配音视频拆分为多个子视频,并获取每个所述子视频的场景标签;所述风格确定模块220,用于将待配音的子视频的待配音文案和该子视频的场景标签输入风格预测模型,并获取所述风格预测模型输出的风格标签。
在一种可能的实施方式中,所述装置还包括长度确定模块,用于确定各字幕内容对应的视频长度;所述配音生成模块230,用于基于各字幕内容对应的视频长度和所述待配音文案的文字长度确定配音速度;基于所述风格标签和所述待配音文案,以所述配音速度生成所述待配音的子视频的配音音频。
在一种可能的实施方式中,所述装置还包括时间确定模块,用于对所述文案内容进行分句,得到多个文案子句;基于所述待配音的子视频的时间信息,确定各文案子句在该子视频中的时间轴信息;基于各文案子句的时间轴信息,为所述待配音的子视频添加与该文案子句对应的文字字幕和与该文案子句对应的配音音频。
在一种可能的实施方式中,所述场景确定模块210,用于基于场景分割模型,将待配音视频依据视频场景拆分为多个子视频;其中,所述场景分割模型的训练步骤如下:将样本视频输入待训练的场景分割模型,并获取所述场景分割模型输出的分割点,并基于样本视频的样本标注分割点、所述场景分割模型输出的分割点、以及第一损失函数调整所述场景分割模型中的参数。
在一种可能的实施方式中,所述风格预测模型的训练步骤如下:将样本文本输入待训练的风格预测模型,并获取所述风格预测模型输出的风格标签,并基于样本文本的样本标注风格标签、所述风格预测模型输出的风格标签以及第二损失函数调整所述风格预测模型中的参数。
上述各模块所具体执行的步骤已经在该模块对应的方法部分实施例中进行了具体说明,在此不做赘述。
通过上述技术方案,至少可以达到以下的技术效果:
将待配音的视频按照场景拆分为不同的子视频,并为各子视频生成风格标签,基于风格标签为各子视频生成配音,使得不同风格的子视频的配音风格不同,使得视频的配音更加自然、生动。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、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)、车载终端(例如车载导航终端)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。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,电子设备可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种视频配音方法,所述方法包括:将待配音视频依据视频场景拆分为多个子视频;将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签;基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述方法还包括:从所述待配音的子视频中识别字幕内容,并将该字幕内容作为所述待配音文案。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,所述方法还包括:获取所述待配音视频的文案内容;获取待配音的子视频的时间信息;基于所述时间信息,从所述文案内容中确定所述待配音的子视频对应的待配音文案。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述将待配音视频依据视频场景拆分为多个子视频,包括:通过场景分割模型,将所述待配音视频拆分为多个子视频,并获取每个所述子视频的场景标签;所述将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签,包括:将待配音的子视频的待配音文案和该子视频的场景标签输入风格预测模型,并获取所述风格预测模型输出的风格标签。
根据本公开的一个或多个实施例,示例5提供了示例2的方法,所述方法还包括:确定各字幕内容对应的视频长度;所述基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频,包括:基于各字幕内容对应的视频长度和所述待配音文案的文字长度确定配音速度;基于所述风格标签和所述待配音文案,以所述配音速度生成所述待配音的子视频的配音音频。
根据本公开的一个或多个实施例,示例6提供了示例3的方法,所述方法还包括:对所述文案内容进行分句,得到多个文案子句;基于所述待配音的子视频的时间信息,确定各文案子句在该子视频中的时间轴信息;基于各文案子句的时间轴信息,为所述待配音的子视频添加与该文案子句对应的文字字幕和与该文案子句对应的配音音频。
根据本公开的一个或多个实施例,示例7提供了示例1的方法,所述将待配音视频依据视频场景拆分为多个子视频,包括:基于场景分割模型,将待配音视频依据视频场景拆分为多个子视频;其中,所述场景分割模型的训练步骤如下:将样本视频输入待训练的场景分割模型,并获取所述场景分割模型输出的分割点,并基于样本视频的样本标注分割点、所述场景分割模型输出的分割点、以及第一损失函数调整所述场景分割模型中的参数。
根据本公开的一个或多个实施例,示例8提供了示例1的方法,所述风格预测模型的训练步骤如下:将样本文本输入待训练的风格预测模型,并获取所述风格预测模型输出的风格标签,并基于样本文本的样本标注风格标签、所述风格预测模型输出的风格标签以及第二损失函数调整所述风格预测模型中的参数。
根据本公开的一个或多个实施例,示例9提供了一种视频配音装置,所述装置包括:场景确定模块,用于将待配音视频依据视频场景拆分为多个子视频;风格确定模块,用于将待配音的子视频的待配音文案输入风格预测模型,并获取所述风格预测模型输出的风格标签;配音生成模块,用于基于所述风格标签和所述待配音文案,生成所述待配音的子视频的配音音频。
根据本公开的一个或多个实施例,示例10提供了示例9的装置,所述装置还包括文本识别模块,用于从所述待配音的子视频中识别字幕内容,并将该字幕内容作为所述待配音文案。
根据本公开的一个或多个实施例,示例11提供了示例9的装置,所述装置还包括文案获取模块,用于获取所述待配音视频的文案内容;获取待配音的子视频的时间信息;基于所述时间信息,从所述文案内容中确定所述待配音的子视频对应的待配音文案。
根据本公开的一个或多个实施例,示例12提供了示例9的装置,所述场景确定模块,用于通过场景分割模型,将所述待配音视频拆分为多个子视频,并获取每个所述子视频的场景标签;所述风格确定模块,用于将待配音的子视频的待配音文案和该子视频的场景标签输入风格预测模型,并获取所述风格预测模型输出的风格标签。
根据本公开的一个或多个实施例,示例13提供了示例10的装置,所述装置还包括长度确定模块,用于确定各字幕内容对应的视频长度;所述配音生成模块,用于基于各字幕内容对应的视频长度和所述待配音文案的文字长度确定配音速度;基于所述风格标签和所述待配音文案,以所述配音速度生成所述待配音的子视频的配音音频。
根据本公开的一个或多个实施例,示例14提供了示例11的装置,所述装置还包括时间确定模块,用于对所述文案内容进行分句,得到多个文案子句;基于所述待配音的子视频的时间信息,确定各文案子句在该子视频中的时间轴信息;基于各文案子句的时间轴信息,为所述待配音的子视频添加与该文案子句对应的文字字幕和与该文案子句对应的配音音频。
根据本公开的一个或多个实施例,示例15提供了示例9的装置,所述场景确定模块,用于基于场景分割模型,将待配音视频依据视频场景拆分为多个子视频;其中,所述场景分割模型的训练步骤如下:将样本视频输入待训练的场景分割模型,并获取所述场景分割模型输出的分割点,并基于样本视频的样本标注分割点、所述场景分割模型输出的分割点、以及第一损失函数调整所述场景分割模型中的参数;
根据本公开的一个或多个实施例,示例16提供了示例9的装置,所述风格预测模型的训练步骤如下:将样本文本输入待训练的风格预测模型,并获取所述风格预测模型输出的风格标签,并基于样本文本的样本标注风格标签、所述风格预测模型输出的风格标签以及第二损失函数调整所述风格预测模型中的参数。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。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。
Claims (9)
1.一种视频配音方法,其特征在于,所述方法包括:
将待配音视频输入场景分割模型,所述场景分割模型用于,输出用于分割所述待配音视频的不同视频场景的分割点,以根据所述分割点将所述待配音视频拆分为多个子视频,以及还用于,输出用于表征每个子视频的视频背景或视频剧情的场景标签;
将待配音的每一所述子视频的待配音文案和场景标签输入风格预测模型,并获取所述风格预测模型输出的表征所述子视频的视频风格的风格标签;
基于所述子视频对应的所述风格标签和所述待配音文案,生成所述子视频的配音音频,并根据每一所述子视频的配音音频得到所述待配音视频的配音音频;
其中,所述场景分割模型是通过如下步骤训练:
将样本视频输入待训练的场景分割模型,获取所述场景分割模型输出的用于分割所述样本视频的不同视频场景的分割点,并基于样本视频的样本标注分割点和所述场景分割模型输出的分割点,更新所述场景分割模型中的参数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从待配音的所述子视频中识别字幕内容,并将该字幕内容作为所述子视频的待配音文案。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待配音视频的文案内容;
获取每一所述子视频的时间信息;
基于每一所述子视频的所述时间信息,从所述文案内容中确定每一所述子视频对应的待配音文案。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定各字幕内容对应的视频长度;
所述基于所述子视频对应的所述风格标签和所述待配音文案,生成所述子视频的配音音频,包括:
基于所述子视频的字幕内容对应的视频长度,和所述子视频的所述待配音文案的文字长度确定配音速度;
基于所述风格标签和所述待配音文案,以所述配音速度生成所述子视频的配音音频。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述文案内容进行分句,得到多个文案子句;
基于待配音的所述子视频的时间信息,确定各文案子句在该子视频中的时间轴信息;
基于各文案子句的时间轴信息,为待配音的所述子视频添加与该文案子句对应的文字字幕和与该文案子句对应的配音音频。
6.根据权利要求1所述的方法,其特征在于,所述风格预测模型的训练步骤如下:
将样本文本输入待训练的风格预测模型,并获取所述风格预测模型输出的风格标签,并基于样本文本的样本标注风格标签、所述风格预测模型输出的风格标签以及第二损失函数调整所述风格预测模型中的参数。
7.一种视频配音装置,其特征在于,所述装置包括:
场景确定模块,用于将待配音视频输入场景分割模型,所述场景分割模型用于,输出用于分割所述待配音视频的不同视频场景的分割点,以根据所述分割点将所述待配音视频拆分为多个子视频,以及还用于,输出用于表征每个子视频的视频背景或视频剧情的场景标签;
风格确定模块,用于将待配音的每一所述子视频的待配音文案和场景标签输入风格预测模型,并获取所述风格预测模型输出的表征所述子视频的视频风格的风格标签;
配音生成模块,用于基于所述子视频对应的所述风格标签和所述待配音文案,生成所述子视频的配音音频,并根据每一所述子视频的配音音频得到所述待配音视频的配音音频;
其中,所述场景分割模型是通过如下步骤训练:
将样本视频输入待训练的场景分割模型,获取所述场景分割模型输出的用于分割所述样本视频的不同视频场景的分割点,并基于样本视频的样本标注分割点和所述场景分割模型输出的分割点,更新所述场景分割模型中的参数。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179770.7A CN112954453B (zh) | 2021-02-07 | 2021-02-07 | 视频配音方法和装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179770.7A CN112954453B (zh) | 2021-02-07 | 2021-02-07 | 视频配音方法和装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954453A CN112954453A (zh) | 2021-06-11 |
CN112954453B true CN112954453B (zh) | 2023-04-28 |
Family
ID=76244958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179770.7A Active CN112954453B (zh) | 2021-02-07 | 2021-02-07 | 视频配音方法和装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112954453B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205671A (zh) * | 2022-01-17 | 2022-03-18 | 百度在线网络技术(北京)有限公司 | 基于场景对齐的视频内容剪辑方法及其装置 |
CN114938473B (zh) * | 2022-05-16 | 2023-12-12 | 上海幻电信息科技有限公司 | 评论视频生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018120362A (ja) * | 2017-01-24 | 2018-08-02 | 日本放送協会 | シーン変化点モデル学習装置、シーン変化点検出装置およびそれらのプログラム |
CN110971969A (zh) * | 2019-12-09 | 2020-04-07 | 北京字节跳动网络技术有限公司 | 视频配乐方法、装置、电子设备及计算机可读存储介质 |
CN112270920A (zh) * | 2020-10-28 | 2021-01-26 | 北京百度网讯科技有限公司 | 一种语音合成方法、装置、电子设备和可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109391842B (zh) * | 2018-11-16 | 2021-01-26 | 维沃移动通信有限公司 | 一种配音方法、移动终端 |
CN111031386B (zh) * | 2019-12-17 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 基于语音合成的视频配音方法、装置、计算机设备及介质 |
CN112188117B (zh) * | 2020-08-29 | 2021-11-16 | 上海量明科技发展有限公司 | 视频合成方法、客户端及*** |
-
2021
- 2021-02-07 CN CN202110179770.7A patent/CN112954453B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018120362A (ja) * | 2017-01-24 | 2018-08-02 | 日本放送協会 | シーン変化点モデル学習装置、シーン変化点検出装置およびそれらのプログラム |
CN110971969A (zh) * | 2019-12-09 | 2020-04-07 | 北京字节跳动网络技术有限公司 | 视频配乐方法、装置、电子设备及计算机可读存储介质 |
CN112270920A (zh) * | 2020-10-28 | 2021-01-26 | 北京百度网讯科技有限公司 | 一种语音合成方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112954453A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445902B (zh) | 数据收集方法、装置、存储介质及电子设备 | |
CN111277892B (zh) | 用于选取视频片段的方法、装置、服务器和介质 | |
WO2022037419A1 (zh) | 音频内容识别方法、装置、设备和计算机可读介质 | |
CN112954453B (zh) | 视频配音方法和装置、存储介质和电子设备 | |
CN112397104B (zh) | 音频与文本的同步方法、装置、可读介质和电子设备 | |
CN109815448B (zh) | 幻灯片生成方法及装置 | |
CN113889113A (zh) | 分句方法、装置、存储介质及电子设备 | |
CN112929746A (zh) | 视频生成方法和装置、存储介质和电子设备 | |
CN111897950A (zh) | 用于生成信息的方法和装置 | |
CN112380365A (zh) | 一种多媒体的字幕交互方法、装置、设备及介质 | |
CN112949430A (zh) | 视频处理方法和装置、存储介质和电子设备 | |
CN113886612A (zh) | 一种多媒体浏览方法、装置、设备及介质 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN115209215B (zh) | 视频处理方法、装置及设备 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113011169B (zh) | 一种会议纪要的处理方法、装置、设备及介质 | |
CN117036827A (zh) | 多模态分类模型训练、视频分类方法、装置、介质及设备 | |
CN108664610B (zh) | 用于处理数据的方法和装置 | |
CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
JP2024521940A (ja) | マルチメディア処理方法、装置、デバイスおよび媒体 | |
CN112395844B (zh) | 拼音生成方法、装置和电子设备 | |
CN114697762A (zh) | 一种处理方法、装置、终端设备及介质 | |
CN112905838A (zh) | 信息检索方法和装置、存储介质和电子设备 | |
CN112699687A (zh) | 内容编目方法、装置和电子设备 | |
CN113221554A (zh) | 文本处理方法、装置、电子设备和存储介质 |
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 |