[發明專利]用于移動終端的字幕生成方法、裝置、設備以及存儲介質

有效

• 申請號: 202011497650.3
• 申請日: 2020-12-17
• 公開（公告）號: CN112653932B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 董曉飛
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: H04N21/488
• 分類號: H04N21/488;H04N5/278;G10L15/26
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種用于移動終端的字幕生成方法，包括：

獲取基于音頻數據采集設備采集的輸入語音，其中，所述輸入語音包括用戶基于預設的操作方式對所述輸入語音的至少一個時間節點所做的斷點標識，其中，所述預設的操作方式是指對所述輸入語音的任意時間節點進行斷點操作的行為方式，斷點是對所述輸入語音的某個時間點打標簽，所述斷點操作不會導致所述輸入語音停止，所述斷點標識包括開始標識和結束標識；

采用語音識別模型，將所述輸入語音轉換為輸入文字；

獲取配置于輸入視頻的時間軸，其中，所述時間軸用于按照時間的先后順序對視頻幀進行串聯，得到所述輸入視頻；

將所述輸入文字添加至用戶選擇的所述輸入視頻的時間軸片段；

其中，所述采用語音識別模型，將所述輸入語音轉換為輸入文字還包括：

基于所述斷點標識，對所述輸入語音進行截取，得到多段語音；

對所述多段語音進行識別，得到多段字幕文本；

其中，所述獲取基于音頻數據采集設備采集的輸入語音，包括：響應于用戶開啟語音字幕功能，開啟移動終端麥克風功能并采集用戶語音輸入的字幕內容；

其中，所述將所述輸入文字添加至用戶選擇的所述輸入視頻的時間軸片段，包括：

將所述時間軸片段的開始時間作為所述輸入文字的開始顯示時間；將所述時間軸片段的結束時間作為所述輸入文字的結束顯示時間。

2.根據權利要求1所述的方法，還包括：

基于用戶選擇的預設的美術效果，對所述輸入文字進行裝飾。

3.根據權利要求1所述的方法，還包括：

將所述輸入文字與所述輸入視頻進行合并處理，生成附帶文字的視頻數據。

4.根據權利要求1-3任一項所述的方法，其中，所述音頻數據采集設備為移動終端麥克風設備。

5.一種用于移動終端的字幕生成裝置，包括：

第一獲取模塊，被配置為獲取基于音頻數據采集設備采集的輸入語音，其中，所述輸入語音包括用戶基于預設的操作方式對所述輸入語音的至少一個時間節點所做的斷點標識，其中，所述斷點標識包括開始標識和結束標識，所述預設的操作方式是指對所述輸入語音的任意時間節點進行斷點操作的行為方式，斷點是對所述輸入語音的某個時間點打標簽，所述斷點操作不會導致所述輸入語音停止；

轉換模塊，被配置為采用語音識別模型，將所述輸入語音轉換為輸入文字；

第二獲取模塊，被配置為獲取配置于輸入視頻的時間軸，其中，所述時間軸用于按照時間的先后順序對視頻幀進行串聯，得到所述輸入視頻；

添加模塊，被配置為將所述輸入文字添加至用戶選擇的所述輸入視頻的時間軸片段；

其中，所述轉換模塊進一步被配置成：

基于所述斷點標識，對所述輸入語音進行截取，得到多段語音；對所述多段語音進行識別，得到多段字幕文本；

其中，所述第一獲取模塊進一步被配置成：

響應于用戶開啟語音字幕功能，開啟移動終端麥克風功能并采集用戶語音輸入的字幕內容；

其中，所述添加模塊進一步被配置為：

將所述時間軸片段的開始時間作為所述輸入文字的開始顯示時間；將所述時間軸片段的結束時間作為所述輸入文字的結束顯示時間。

6.根據權利要求5所述的裝置，其中，所述裝置還包括：

裝飾模塊，被配置為基于用戶選擇的預設的美術效果，對所述輸入文字進行裝飾。

7.根據權利要求5所述的裝置，其中，所述裝置還包括：

合并模塊，被配置為將所述輸入文字與所述輸入視頻進行合并處理，生成附帶文字的視頻數據。

8.根據權利要求5-7任一項所述的裝置，其中，音頻數據采集設備為移動終端麥克風設備。