CN114120992A - 语音生成视频的方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本公开提供了一种语音生成视频的方法、装置、电子设备及计算机可读介质，涉及视频制作技术领域。语音生成视频的方法，包括：获取语音功能开启指令，以开启语音功能开启指令对应的语音功能；获取语音信息；根据语音信息识别语音信息对应的语义；根据语义生成第一类型视频。本公开所提供的技术方案，在获取语音功能开启指令后，才去获取语音信息，能防止在不需要生成视频时启用对应的功能，且本公开根据语义自动生成视频，生成的视频符合用户的需求，无需用户手动去搜索视频素材，无需用户自己手动制作视频，生成视频方便快捷，生成视频效率高。

Description

语音生成视频的方法、装置、电子设备及计算机可读介质

技术领域

本公开实施例涉及视频制作技术领域，具体而言，本公开涉及一种语音生成视频的方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网和智能终端的发展，越来越多的用户使用终端制作视频，并将视频分享给他人，以获得关注度、点击量或粉丝等。例如，在短视频观看平台，用户会发布短视频，以将短视频进行发布，供他人观看。

发布视频，则需要制作视频。现有技术中，用户制作视频时，需要手动制作视频，如手动拍摄视频，或者手动寻找视频素材，然后制作视频，制作视频花费的时间较多，制作视频的效率低。

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，提供了一种语音生成视频的方法，该方法包括：

获取语音功能开启指令，以开启所述语音功能开启指令对应的语音功能；

获取语音信息；

根据所述语音信息识别所述语音信息对应的语义；

根据所述语义生成第一类型视频。

第二方面，还提供一种语音生成视频的装置，该装置包括：

指令获取模块，用于获取语音功能开启指令，以开启所述语音功能开启指令对应的语音功能；

语音获取模块，用于获取语音信息；

语音识别模块，用于根据所述语音信息识别所述语音信息对应的语义；

视频生成模块，用于根据所述语义生成第一类型视频。

第三方面，还提供一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行本公开第一方面所示的语音生成视频的方法。

第四方面，还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所示的语音生成视频的方法。

与现有技术相比，本公开实施例提供一种语音生成视频的方法、装置、电子设备及计算机可读介质，在获取语音功能开启指令后，才去获取语音信息，能防止在不需要生成视频时启用对应的功能，且本公开根据语义自动生成视频，视频不是仅和语音信息中的关键字或关键词有关，视频而是和语音信息对应的整个语义有关，生成的视频符合用户语义所表述的使用情景，生成的视频符合用户语义中多方面的需求，无需用户手动去搜索视频素材，无需用户自己手动制作视频，生成视频方便快捷，生成视频效率高。

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。

图1为本公开实施例提供的一种语音生成视频的方法的流程示意图；

图2为本公开实施例提供的虚拟控件A在终端的显示界面的位置示意图；

图3为图1中步骤S104的详细流程示意图；

图4为本公开实施例提供的显示语音提示信息的界面示意图；

图5为本公开实施例提供的一种语音生成视频的方法还包括的流程示意图；

图6为本公开实施例提供的一种语音生成视频的装置的结构示意图；

图7为本公开实施例提供的一种语音生成视频的的电子设备的结构示意图。

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、模块或单元一定为不同的装置、模块或单元，也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。

本公开提供的语音生成视频的方法、装置、电子设备及介质，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。

本技术领域技术人员可以理解，本公开所使用的“终端”可以是手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、MID(Mobile Internet Device，移动互联网设备)等。

请参阅图1，本公开实施例中提供了一种语音生成视频的方法，语音生成视频的方法可应用于终端，该方法包括：

步骤S101：获取语音功能开启指令，以开启语音功能开启指令对应的语音功能。

请参阅图2，语音功能开启指令可以由用户操作终端触发。具体的，语音功能开启指令可以由用户按压预设的虚拟控件预设时长触发。预设时长不做限定，如预设时长可以为1s，2s或2.5s等。预设时长为2s时，若用户按压虚拟控件大于或等于2s，则终端可以获取到语音功能开启指令。具体的，如一个用于拍摄短视频的app(Application，手机软件)，app的显示界面的中下部有一个虚拟控件A，用户用手指按压虚拟控件A超过预设时长，终端即可获取到语音功能开启指令。终端开启语音功能后，终端即能够获取到语音信息。

步骤S102：获取语音信息。

终端开启语音功能后，若用户输入语音信息，即用户说话，终端可获取到用户说话对应的语音信息。如用户的话语为“我想把去重庆的旅行做个卡点视频”，则终端即可获取到“我想把去重庆的旅行做个卡点视频”的语音信息。

步骤S103：根据语音信息识别语音信息对应的语义。

如语音信息为“我想把去重庆的旅行做个卡点视频”，则终端会解析语音信息的语义，以获取语音信息的语义，终端即可确定用户想要做什么，需要什么类型的视频。获取语音信息对应的语义的具体方案为现有技术，本公开不再进行说明。

步骤S104：根据语义生成第一类型视频。

根据语义生成第一类型视频，可以包括：获取语义对应的视频素材，根据视频素材生成第一类型的视频。

如语音信息为“我想把去重庆的旅行做个卡点视频”，获取到语音信息对应的语义，则可在终端本地获取语义对应的视频素材。“我想把去重庆的旅行做个卡点视频”，则对应的视频素材为去重庆旅行的照片以及终端本地预设的音频。用户在拍照时，得到的照片可以包括照片基本信息，如照片基本信息包括拍摄照片时的地点信息和时间信息，终端获取照片基本信息，将照片基本信息符合语义“我想把去重庆的旅行做个卡点视频”的照片作为视频素材，并获取预设的音频作为视频素材，根据照片和音频生成视频。其中，预设的音频可以有多个，选择其中一个音频作为视频素材时，可以随机选择一个音频作为视频素材，或选择一个符合语义的音频作为视频素材。具体地，如根据语义判断用户的心情，用户的心情为欢快，则选择欢快类型的音频作为视频素材。

本公开的实施例提供的语音生成视频的方法，在获取语音功能开启指令后，才去获取语音信息，能防止在不需要生成视频时启用对应的功能，且本公开根据语义自动生成视频，视频不是仅和语音信息中的关键字或关键词有关，视频而是和语音信息对应的整个语义有关，生成的视频符合用户语义所表述的使用情景，生成的视频符合用户语义中多方面的需求，无需用户手动去搜索视频素材，无需用户自己手动制作视频，生成视频方便快捷，生成视频效率高。

请参阅图3，可选的，根据语义生成第一类型视频，包括：

S301：根据语义确定生成视频的视频维度，视频维度包括时间、地点、人物、景点、情绪、语音转文字效果、音频、场景、特效效果中至少两个。

在本公开中，视频温度包括但不限于括时间、地点、人物、对象、景点、情绪、语音转文字效果、音频、场景、特效效果。

其中，时间、地点和人物可以为视频素材对应的时间、地点和人物，对象可以为视频素材的对象，如照片。语音转文字效果可以为制作的视频中的字母效果。场景，可以为素材的场景，如对象为照片，场景为草原，则获取对应草原的照片。特殊效果可以为给视频添加的效果，如运用滤镜。在获取语音信息对应的语音后，即可确定视频的维度。如语音信息为“帮我把昨天拍的猫的照片做个照片电影”，则确定语音信息的语义后，即可根据语音确定视频的维度包括时间“昨天”、人物“猫”以及对象“照片”。

S302：根据视频维度获取视频素材。

视频素材预先存储在终端中。视频素材可以为用户自己日常生活中采集生成，如用户自己拍摄的照片。视频素材的类型不做限定，如可以包括照片，音频和文字等。视频素材包括预设的基本信息。视频素材的基本信息和视频维度对应。在视频维度确定后，即可根据视频维度获取视频素材。如视频维度包括时间“昨天”、人物“猫”以及对象“照片”，则需要获取昨天拍摄的猫的照片，以将获取的照片作为视频素材，即根据视频维度和视频素材对应的基本信息获取和视频维度对应的视频素材。

可选地，还可以获取预设的视频素材，如预设音频。预设的音频可以有多个，选择其中一个音频作为视频素材时，可以随机选择一个音频作为视频素材，或选择一个符合语义的音频作为视频素材。

S303：根据视频素材和语义生成第一类型视频。

获取到视频素材后，即可根据视频素材和语义生成第一类型视频。

如语音信息为“帮我把昨天我的照片做个照片电影，我的形象加A特效”，则在获取到视频维度为时间“昨天”，人物“我”，对象“照片”，则根据视频维度获取对应的素材，即我昨天的照片，并且生成的视频中，还在“我”的形象中增加了A特效。

本公开实施例的方案，在生成视频时，考虑了至少两个视频维度，生成的视频符合用户需求。

可选地，获取语音功能开启指令之后，语音生成视频的方法还包括：

显示语音提示信息，语音提示信息用于提示用户根据语音提示信息输入语音信息。

请参阅图4，用户在观看到语音提示信息后，可以根据语音提示信息输入语音信息。语音提示信息，给用户提供一个参考，提示用户按照预设格式输入语音信息。语音提示信息用于提示用户根据语音提示信息输入语音信息，可以为语音提示信息用于提示用户模仿语音提示信息的格式输入语音信息。用户根据语音提示信息输入语音信息，能使终端更易识别用户的语音信息，从而容易判别语音信息对应的语义，能快速获取对应的视频素材。例如，语音提示信息可以为“我想把去重庆的旅行做个卡点视频”，则用户可以输入语音信息“我想把去北京的旅行做个卡点视频”，若用户不根据语音提示信息输入语音信息，而是随意说话，则可能不会根据语音信息生成对应的第一类型视频。

语音提示信息的具体类型不做限定。可选地，语音提示信息可以包括多种提示信息，用于使终端执行不同的功能。可选地，语音提示信息包括第一类型信息、第二类型信息，第一类型的信息用于生成第一类型视频，第二类型信息用于实现其他功能。

可选地，语音提示信息包括第一类型信息、第二类型信息和第三类型信息，根据所述语音信息识别所述语音信息对应的语义；根据所述语义生成第一类型视频，包括：

所述语音信息的类型为所述第一类型语音时，根据所述语音信息识别所述语音信息对应的语义；根据所述语义生成第一类型视频。

即获取语音功能开启指令，以开启语音功能开启指令对应的语音功能，获取语音信息；显示语音提示信息，语音提示信息用于提示用户根据语音提示信息输入语音信息；并在语音信息的类型为第一类型语音时，执行本公开中步骤S103和S104的步骤，以生成第一类型视频。

请参阅图5，获取语音信息之后，语音生成视频的方法还包括：

S501：根据预设的对应语音提示信息的语言模型确定语音信息的类型，语音信息的类型包括第一类型语音、第二类型语音和第三类型语音。

语言模型和语音提示信息对应。语言模型可以根据多个预设的语音样本训练获得。第一类型语音和第二类型语音分别对应多个语音新本，语言模型根据第一类型语音和第二类型语音分别对应多个语音样本训练获得。可根据预设的对应语音提示信息的语言模型确定语音信息为第一类型语音或是第二类型语音，在语音信息不属于第一类型语音和第二类型语音时，确定语音信息为第三类型语音。

可选地，根据预设的对应语音提示信息的语言模型确定语音信息的类型，包括：

根据预设的对应语音提示信息的语言模型确定语音信息为第一类型语音或第二类型语音；

在语音不属于第一类型语音和第二类型语音时，将语音信息确定为第三类型语音。

其中，在语音信息的类型为第一类型语音时，根据所述语音信息识别所述语音信息对应的语义；根据所述语义生成第一类型视频。

S502：语音信息的类型为第二类型语音时，根据语音信息开启所对应语音信息的功能。

第二类型语音用于开启对应语音信息的功能。如语音信息为“我想试试最近最火的影集”，则终端打开影集模式并且将近期最火影集置顶，以使用户观看到最火影集的预览；如语音信息为“我想试试最新的道具”，则终端打开前置摄像头并且打开最新道具，以使用户使用最新的道具自拍。第二类型语音对应的具体的语音信息不做限定，能使终端开启对应语音信息的功能即可。可以理解，在终端开启对应语音信息的功能后，用户可以直接手动操作终端，以使用相应功能，或用户继续发出语音，以使终端根据语音对应的语音信息使用相应的功能。终端的用户如何使用相应功能，本公开中不做限定。

S503：语音信息的类型为第三类型语音时，根据语音信息生成第二类型视频。

可选地，根据语音信息生成第二类型视频，可以包括：

获取语音信息对应的文字；

根据文字和第三类型语音对应的预设的音频生成第二类型视频。

得到语音信息后，可以解析得到语音信息对应的文字。如用获取到的第三类型语音对应的语音信息为“我今天很高兴”，则可以获取到语音信息对应的文字“我今天很高兴”。

第三类型语音可以预设对应一个或多个音频。音频即音乐。生成第二视频时，可以选择一个或多个第三类型对应的音频作为视频素材，以生成第二类型的视频。可以理解，第二视频在播放时，用户可以观看到自己说的语音信息对应的文字，也能听到对应的音频。

可选地，根据语音信息生成第二类型视频，可以包括：

根据语音信息生成对应语音信息频率的动态波普；

获取用户的预设账号的头像；

根据动态波普、头像和第三类型语音对应的预设的音频生成第二类型视频。

动态波普为跟随语音信息的频率变化而变化的动态曲线。语音信息由用户说话的声音形成，声音具有频率，因此可以生成动态波普。

预设账号，为登录在终端上应用程序的账号。可选地，本公开的方案，由终端上的应用程序运行执行。用户可以具有该应用程序的账号，登录账号时显示对应该账号的头像，终端可以获取到用户的账号的头像。

生成视频时，根据动态波普、头像和第三类型语音生成第二类型视频。可以理解，第二视频在播放时，用户可以观看到自己说的语音信息对应的动态波普以及自己的账号的头像，也能听到对应的音频。

以上只是第三类型语音生成第二类型视频的举例，本公开中，不对根据第三类型语音如何生成第二类型视频做限定。

本公开的技术方案，可以根据用户的语音信息确定语音信息的类型，以执行不同的功能，本公开的技术方案，使语音的作用多样化，根据预设的对应语音提示信息的语言模型确定语音信息的类型，识别语音类型速度快。

请参阅图6，本公开的实施例提供了一种语音生成视频的装置60，该语音生成视频的装置可实现上述实施例的语音生成视频的方法，语音生成视频的装置60可以包括：

指令获取模块601，用于获取语音功能开启指令，以开启语音功能开启指令对应的语音功能；

语音获取模块602，用于获取语音信息；

语音识别模块603，用于根据语音信息识别语音信息对应的语义；

视频生成模块604，用于根据语义生成第一类型视频。

本公开的实施例提供的语音生成视频的装置，在获取语音功能开启指令后，才去获取语音信息，能防止在不需要生成视频时启用对应的功能，且本公开根据语义自动生成视频，视频不是仅和语音信息中的关键字或关键词有关，视频而是和语音信息对应的整个语义有关，生成的视频符合用户语义所表述的使用情景，生成的视频符合用户语义中多方面的需求，无需用户手动去搜索视频素材，无需用户自己手动制作视频，生成视频方便快捷，生成视频效率高。

其中，视频生成模块604，可以包括：

维度获取单元，用于根据语义确定生成视频的视频维度，视频维度包括时间、地点、人物、对象、景点、情绪、语音转文字效果、音频、场景、特效效果中至少两个；

素材获取单元，用于根据视频维度获取视频素材；

第一视频生成单元，用于根据视频素材和语义生成第一类型视频。

其中，语音生成视频的装置60，还可以包括：

提示显示模块，用于显示语音提示信息，语音提示信息用于提示用户根据语音提示信息输入语音信息。

其中，语音识别模块603，具体用于所述语音信息的类型为所述第一类型语音时，根据语音信息识别语音信息对应的语义。

其中，语音生成视频的装置60还可以包括：

语音类型确定模块，用于根据预设的对应语音提示信息的语言模型确定语音信息的类型，语音信息的类型包括第一类型语音、第二类型语音和第三类型语音；

功能开启模块，用于语音信息的类型为第二类型语音时，根据语音信息开启所对应语音信息的功能；

视频模块，用于语音信息的类型为第三类型语音时，根据语音信息生成第二类型视频。

其中，视频模块，可以包括：

文字获取单元，用于获取语音信息对应的文字；

第二视频生成单元，用于根据文字和第三类型语音对应的预设的音频生成第二类型视频

或视频模块，可以包括：

波普获取单元，用于根据语音信息生成对应语音信息频率的动态波普；

头像获取单元，用于获取用户的预设账号的头像；

第三视频生成单元，用于根据动态波普、头像和第三类型语音对应的预设的音频生成第二类型视频。

其中，语音类型确定模块，可以包括：

第一确定单元，用于根据预设的对应语音提示信息的语言模型确定语音信息为第一类型语音或第二类型语音；

第二确定单元，用于在语音不属于第一类型语音和第二类型语音时，将语音信息确定为第三类型语音。

请参阅图7，其示出了适于用来实现本公开实施例的电子设备700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。图中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。

电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置701，存储器可以包括下文中的只读存储器(ROM)702、随机访问存储器(RAM)703以及存储装置708中的至少一项，具体如下所示：

如图所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备700，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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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，客户端、服务器可以利用诸如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。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取语音功能开启指令，以开启语音功能开启指令对应的语音功能；获取语音信息；根据语音信息识别语音信息对应的语义；根据语义生成第一类型视频。

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或单元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，模块或单元的名称在某种情况下并不构成对该单元本身的限定，例如，指令获取模块还可以被描述为“获取外部信息的模块”。

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，提供了一种语音生成视频的方法，包括：

获取语音功能开启指令，以开启语音功能开启指令对应的语音功能；

获取语音信息；

根据语音信息识别语音信息对应的语义；

根据语义生成第一类型视频。

根据本公开的一个或多个实施例，根据语义生成第一类型视频，包括：

根据语义确定生成视频的视频维度，视频维度包括时间、地点、人物、对象、景点、情绪、语音转文字效果、音频、场景、特效效果中至少两个；

根据视频维度获取视频素材；

根据视频素材和语义生成第一类型视频。

根据本公开的一个或多个实施例，获取语音功能开启指令之后，方法还包括：

显示语音提示信息，语音提示信息用于提示用户根据语音提示信息输入语音信息。

根据本公开的一个或多个实施例，语音提示信息包括第一类型信息、第二类型信息和第三类型信息；所述语音信息的类型为所述第一类型语音时，根据语音信息识别语音信息对应的语义。

根据本公开的一个或多个实施例，获取语音信息之后，语音生成视频的方法还包括：

根据预设的对应语音提示信息的语言模型确定语音信息的类型，语音信息的类型包括第一类型语音、第二类型语音和第三类型语音；

语音信息的类型为第二类型语音时，根据语音信息开启所对应语音信息的功能；

语音信息的类型为第三类型语音时，根据语音信息生成第二类型视频。

根据本公开的一个或多个实施例，根据语音信息生成第二类型视频，包括：

获取语音信息对应的文字；

根据文字和第三类型语音对应的预设的音频生成第二类型视频；或

根据语音信息生成第二类型视频，包括：

根据语音信息生成对应语音信息频率的动态波普；

获取用户的预设账号的头像；

根据动态波普、头像和第三类型语音对应的预设的音频生成第二类型视频。

根据本公开的一个或多个实施例，根据预设的对应语音提示信息的语言模型确定语音信息的类型，包括：

根据预设的对应语音提示信息的语言模型确定语音信息为第一类型语音或第二类型语音；

在语音不属于第一类型语音和第二类型语音时，将语音信息确定为第三类型语音。

根据本公开的一个或多个实施例，提供了一种语音生成视频的装置，包括：

指令获取模块，用于获取语音功能开启指令，以开启语音功能开启指令对应的语音功能；

语音获取模块，用于获取语音信息；

语音识别模块，用于根据语音信息识别语音信息对应的语义；

视频生成模块，用于根据语义生成第一类型视频。

根据本公开的一个或多个实施例，视频生成模块，可以包括：

维度获取单元，用于根据语义确定生成视频的视频维度，视频维度包括时间、地点、人物、对象、景点、情绪、语音转文字效果、音频、场景、特效效果中至少两个；

素材获取单元，用于根据视频维度获取视频素材；

第一视频生成单元，用于根据视频素材和语义生成第一类型视频。

根据本公开的一个或多个实施例，语音生成视频的装置，还可以包括：

提示显示模块，用于显示语音提示信息，语音提示信息用于提示用户根据语音提示信息输入语音信息。

根据本公开的一个或多个实施例，语音识别模块，具体用于所述语音信息的类型为所述第一类型语音时，根据语音信息识别语音信息对应的语义。

根据本公开的一个或多个实施例，语音生成视频的装置还可以包括：

语音类型确定模块，用于根据预设的对应语音提示信息的语言模型确定语音信息的类型，语音信息的类型包括第一类型语音、第二类型语音和第三类型语音；

功能开启模块，用于语音信息的类型为第二类型语音时，根据语音信息开启所对应语音信息的功能；

视频模块，用于语音信息的类型为第三类型语音时，根据语音信息生成第二类型视频。

根据本公开的一个或多个实施例，视频模块，可以包括：

文字获取单元，用于获取语音信息对应的文字；

第二视频生成单元，用于根据文字和第三类型语音对应的预设的音频生成第二类型视频

或视频模块，可以包括：

波普获取单元，用于根据语音信息生成对应语音信息频率的动态波普；

头像获取单元，用于获取用户的预设账号的头像；

第三视频生成单元，用于根据动态波普、头像和第三类型语音对应的预设的音频生成第二类型视频。

根据本公开的一个或多个实施例，语音类型确定模块，可以包括：

第一确定单元，用于根据预设的对应语音提示信息的语言模型确定语音信息为第一类型语音或第二类型语音；

第二确定单元，用于在语音不属于第一类型语音和第二类型语音时，将语音信息确定为第三类型语音。

根据本公开的一个或多个实施例，提供了一种电子设备，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行根据任一上述实施例的语音生成视频的方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现任一上述实施例的语音生成视频的方法。

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。

Claims (10)

1.一种语音生成视频的方法，其特征在于，包括：

获取语音功能开启指令，以开启所述语音功能开启指令对应的语音功能；

获取语音信息；

根据所述语音信息识别所述语音信息对应的语义；

根据所述语义生成第一类型视频。

2.根据权利要求1所述的语音生成视频的方法，其特征在于，所述根据所述语义生成第一类型视频，包括：

根据所述语义确定生成视频的视频维度，所述视频维度包括时间、地点、人物、对象、景点、情绪、语音转文字效果、音频、场景、特效效果中至少两个；

根据所述视频维度获取视频素材；

根据所述视频素材和所述语义生成第一类型视频。

3.根据权利要求1所述的语音生成视频的方法，其特征在于，所述获取语音功能开启指令之后，所述方法还包括：

显示语音提示信息，所述语音提示信息用于提示用户根据所述语音提示信息输入语音信息。

4.根据权利要求3所述的语音生成视频的方法，其特征在于，所述语音提示信息包括第一类型信息、第二类型信息和第三类型信息；

所述根据所述语音信息识别所述语音信息对应的语义；根据所述语义生成第一类型视频，包括：

所述语音信息的类型为所述第一类型语音时，根据所述语音信息识别所述语音信息对应的语义；根据所述语义生成第一类型视频；

所述获取语音信息之后，所述方法还包括：

根据预设的对应所述语音提示信息的语言模型确定所述语音信息的类型，所述语音信息的类型包括第一类型语音、第二类型语音和第三类型语音；

所述语音信息的类型为所述第二类型语音时，根据所述语音信息开启所对应所述语音信息的功能；

所述语音信息的类型为所述第三类型语音时，根据所述语音信息生成第二类型视频。

5.根据权利要求4所述的语音生成视频的方法，其特征在于，所述根据所述语音信息生成第二类型视频，包括：

获取所述语音信息对应的文字；

根据所述文字和所述第三类型语音对应的预设的音频生成第二类型视频；或

所述根据所述语音信息生成第二类型视频，包括：

根据所述语音信息生成对应所述语音信息频率的动态波普；

获取用户的预设账号的头像；

根据所述动态波普、所述头像和所述第三类型语音对应的预设的音频生成第二类型视频。

6.根据权利要求4所述的语音生成视频的方法，其特征在于，所述根据预设的对应所述语音提示信息的语言模型确定所述语音信息的类型，包括：

根据预设的对应所述语音提示信息的语言模型确定所述语音信息为第一类型语音或第二类型语音；

在所述语音不属于第一类型语音和第二类型语音时，将所述语音信息确定为第三类型语音。

7.根据权利要求1所述的语音生成视频的方法，其特征在于：所述语音功能开启指令由用户按压预设的虚拟控件预设时长触发。

8.一种语音生成视频的装置，其特征在于，包括：

指令获取模块，用于获取语音功能开启指令，以开启所述语音功能开启指令对应的语音功能；

语音获取模块，用于获取语音信息；

语音识别模块，用于根据所述语音信息识别所述语音信息对应的语义；

视频生成模块，用于根据所述语义生成第一类型视频。

9.一种电子设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1-7任一项所述的语音生成视频的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的语音生成视频的方法。

Images