CN115150631A - 字幕处理方法、装置、电子设备和存储介质 - Google Patents

Abstract

本公开实施例公开了一种字幕处理方法、装置、电子设备和存储介质，该方法包括：获取直播视频流，并获取直播视频流中的音频流；对音频流进行语音识别，得到音频流对应的一个或多个文本信息、以及一个或多个文本信息中每个文本信息对应的时间信息；根据每个文本信息和每个文本信息对应的时间信息，生成字幕文件。本公开提供的技术方案可以为直播视频流添加字幕做准备，整个过程由一个电子设备完成，整个流程链路简单，整个字幕处理过程的可靠性高，并且由于最终生成的是以文本形式存储的字幕文件，而非图片，后续再将字幕文件与直播视频流进行融合时，不需要去除图片背景，便于设置字幕样式，可以达到丰富字幕样式和提升字幕显示清晰度等效果。

Description

字幕处理方法、装置、电子设备和存储介质

技术领域

本公开涉及信息技术领域，尤其涉及一种字幕处理方法、装置、电子设备和存储介质。

背景技术

随着视频直播技术的不断发展，用户对直播视频流的需求也在不断增加。但是，现有的直播视频流中没有字幕，从而使得观看直播视频流的用户无法清楚了解直播视频流的内容，降低了用户体验。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种字幕处理方法、装置、电子设备和存储介质。

本公开实施例提供了一种字幕处理方法，所述方法包括：

获取直播视频流，并获取所述直播视频流中的音频流；

对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

本公开实施例还提供了一种字幕处理装置，包括：

获取模块，用于获取直播视频流，并获取所述直播视频流中的音频流；

语音识别模块，用于对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

生成模块，用于根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的字幕处理方法。

本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的字幕处理方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机程序或指令被处理器执行时实现如上所述的字幕处理方法。

本公开实施例提供的技术方案与现有技术相比至少具有如下优点：

本公开实施例提供的技术方案通过获取直播视频流，并获取直播视频流中的音频流；对音频流进行语音识别，得到音频流对应的一个或多个文本信息、以及一个或多个文本信息中每个文本信息对应的时间信息；根据每个文本信息和每个文本信息对应的时间信息，生成字幕文件，可以为直播视频流添加字幕做准备，可以使得观看直播视频流的用户清楚了解直播视频流的内容。其整个过程可以由一个电子设备完成，不需要由多个设备配合完成，整个流程链路简单，给直播视频流配字幕的成本低廉，整个字幕处理过程具有较高的可靠性。

本公开实施例提供的技术方案由于最终生成的是以文本形式存储的字幕文件，而非图片，后续再将字幕文件与直播视频流进行融合时，不需要去除图片背景，便于设置字幕样式，可以达到丰富字幕样式和提升字幕显示清晰度等效果。此处，字幕样式包括字体大小、字体颜色以及字幕显示方式等。字幕显示方式包括按句显示方式和逐字显示方式。

本公开实施例提供的技术方案尤其适用于大型会议及活动直播、行业及学术峰会直播、娱乐明星直播以及电商直播等情景。

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字幕处理方法使用场景的示意图；

图2为本公开实施例提供的另一种字幕处理方法使用场景的示意图；

图3为本公开实施例提供的又一种字幕处理方法使用场景的示意图；

图4为本公开实施例提供的又一种字幕处理方法使用场景的示意图；

图5为本公开实施例提供的一种字幕处理方法的流程图；

图6为本公开实施例提供的另一种字幕处理方法的流程图；

图7为本公开实施例提供的一种同步播放字幕文件和直播视频流的过程中某一时刻的截图；

图8为本公开实施例提供的一种用于显示每个文本信息和每个文本信息对应的目标文本的显示界面的示意图；

图9为本公开实施例提供的另一种字幕处理方法的流程图；

图10为本公开实施例中的一种字幕处理装置的结构示意图；

图11为本公开实施例中的一种电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

图1为本公开实施例提供的一种字幕处理方法使用场景的示意图。本公开提供的字幕处理方法可应用于图1所示的应用环境中。参见图1，该字幕处理系统包括终端1、服务器2、服务器3、服务器6和终端7。其中，终端1与服务器2通过网络通讯连接。服务器2和服务器3通过网络通讯连接。服务器3和服务器6通过网络通讯连接。服务器6和终端7通过网络通讯连接。终端1为是主播方的终端，终端1将直播视频流上传到服务器2，此时的直播视频流并不带字幕。服务器3从服务器2中拉取该直播视频流，并执行本公开提供的字幕处理方法，得到字幕文件，然后将字幕文件和不带字幕的直播视频流推送到服务器6。服务器6可以进一步将字幕文件和不带字幕的直播视频流发送给终端7，终端7同步播放字幕文件和不带字幕的直播视频流，以在效果上实现直播视频流带字幕显示。或者，服务器6基于字幕文件和不带字幕的直播视频流，得到添加有字幕的直播视频流，然后将添加有字幕的直播视频流发送给终端7。终端7可以播放带字幕的直播视频流。终端7为观看直播的粉丝的终端。

可选地，还可以设置该字幕处理系统不包括服务器6，服务器3和终端7通过网络通讯连接。由服务器3从服务器2中拉取该直播视频流，并执行本公开提供的字幕处理方法，得到字幕文件，然后将字幕文件和不带字幕的直播视频流推送到终端7。终端7同步播放字幕文件和不带字幕的直播视频流，以在效果上实现直播视频流带字幕显示。

图2为本公开实施例提供的另一种字幕处理方法使用场景的示意图。本公开提供的字幕处理方法可应用于图2所示的应用环境中。与图1相比，图2中缺少服务器2，终端1与服务器3通过网络通讯连接。终端1将直播视频流上传到服务器3，此时的直播视频流并不带字幕。服务器3针对从终端1获取的不带字幕的直播视频流，执行本公开提供的字幕处理方法。

图3为本公开实施例提供的又一种字幕处理方法使用场景的示意图。本公开提供的字幕处理方法可应用于图3所示的应用环境中。与图1相比，图3中，将服务器3替换为终端4，其他连接关系保持不变。即由终端4从服务器2中拉取不带字幕的直播视频流，执行本公开提供的字幕处理方法，以得到字幕文件，然后将字幕文件和不带字幕的直播视频流推送到服务器6。

图4为本公开实施例提供的又一种字幕处理方法使用场景的示意图。本公开提供的字幕处理方法可应用于图4所示的应用环境中。与图1相比，图4中还包括终端5，终端5与服务器3通过网络通讯连接。服务器3利用本公开提供的字幕处理方法，以得到字幕文件。终端5从服务器3获取字幕文件，以进行人工校验，并将经过人工校验的字幕文件发送至服务器3。服务器3将经过人工校验后的字幕文件和不带字幕的直播视频流推送到服务器6。

可选地，在图1中服务器2、图2中服务器3、图3中服务器2以及图4中服务器2为直播服务器，也称源服务器。图1、图2、图3以及图4中服务器6均为CDN(Content DeliveryNetwork，内容分发网络)缓存服务器。这样设置的实质是利用CDN技术完成直播视频流由终端1到终端7的流转。其可以进一步缩小直播视频流由终端1流转到终端7所花费的时间。

在上述各使用场景中，各服务器均可以用独立的服务器或是多个服务器组成的服务器集群来实现。终端可以包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机等。

图5为本公开实施例提供的一种字幕处理方法的流程图，本实施例可适用于需要对直播视频流添加字幕的情况，该方法可以由字幕处理装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如终端，具体包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机等。或者，本实施例可适用于服务端中进行直播视频流的处理的情况，该方法可以由字幕处理装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中，例如服务器。如图5所示，该方法具体可以包括：

S110、获取直播视频流，并获取直播视频流中的音频流。

本步骤的实现方法有多种，本公开对此不作限制。示例性地，本步骤的实现方法包括：根据直播视频流的地址信息(即直播视频流的源流地址)，获取直播视频流，并获取直播视频流中的音频流。可选地，直播视频流的地址可以为URL(Uniform Resource Locator,统一资源定位器)。

示例性地，参见图1，当用户需要控制服务器3执行本公开提供的字幕处理方法时，用户在服务器3中输入直播视频流的地址信息(可选地，该直播视频流的地址信息为rtmp等格式)，服务器3根据直播视频流的地址信息，从服务器2中，获取直播视频流；然后对直播视频流进行解码、分离，以获取直播视频流中的音频流。可选地，解码和分离可以同步进行；也可以分为两步进行，即先解码，后对解码后的直播流进行分离。

直播视频流分离后得到音频流和视频流。音频流仅包括音频信息，视频流既包括音频信息又包括画面信息。分离后得到的视频流和分离前的直播视频流是一样的。分离后得到的音频流中的音频和分离前的直播视频流中的音频是一样的。因此，本步骤的实质是将直播视频流中的音频信息进行提取，形成音频流。

S120、对音频流进行语音识别，得到音频流对应的一个或多个文本信息、以及一个或多个文本信息中每个文本信息对应的时间信息。

一个文本信息是指一句话或一段话的语音识别结果。文本信息对应的时间信息，即是指文本信息对应的时间戳，包括文本信息的开始时间和文本信息的结束时间。其中文本信息的开始时间为文本信息对应的音频信息在直播视频流或音频流中的开始时间信息；文本信息的结束时间为文本信息对应的音频信息在直播视频流或音频流中的结束时间信息。

本步骤的实现方法有多种，本公开对此不作限制。可选地，若直播视频流包括多个视频帧，分离后得到的音频流包括多个音频帧，视频帧和音频帧一一对应。具有对应关系的视频帧和音频帧具有相同的时间戳，本步骤的实现方法包括：以N(N为正整数)个音频帧为一个待识别单元，将该音频流划分为多个待识别单元；分别对各语音识别单元进行识别，形成多个文本单元；将所有文本单元进行拼接、断句；以句或段为单位，将所有文本单元整合为一个或多个文本信息；基于各文本信息对应的音频帧的时间戳，确定每个文本信息对应的时间信息。

示例性地，假设以100个音频帧作为一个待识别单元进行语音识别，某个音频流可以划分为3个待识别单元，分别为待识别单元1、待识别单元2以及待识别单元3。一个待识别单元的语音识别结果(即文本单元)可能包括半句话、一句话、一句半话或两句话等。示例性地，待识别单元1的识别结果是“阳春三月百花争艳浦江郊野公园春季艺术花展”，为一句半话。待识别单元2的识别结果是“今天揭幕43万平方米的奇迹花园呈现出满园春色”，为一句半话。待识别单元3的识别结果是“由上万株各色郁金香打造出的奇迹花毯好似孔雀开屏美轮美奂”，为一句话。将所有待识别单元的语音识别结果(即文本单元)中的文本进行拼接、断句后，可以得到“阳春三月，百花争艳。浦江郊野公园春季艺术花展今天揭幕。43万平方米的奇迹花园呈现出满园春色。由上万株各色郁金香打造出的奇迹花毯好似孔雀开屏，美轮美奂。”进一步，以句为单位，三个待识别单元的识别结果可以整合为四个文本信息，文本信息1为“阳春三月，百花争艳”。文本信息2为“浦江郊野公园春季艺术花展今天揭幕”。文本信息3为“43万平方米的奇迹花园呈现出满园春色”。文本信息4为“由上万株各色郁金香打造出的奇迹花毯好似孔雀开屏，美轮美奂”。最后确定每一个文本信息具体对应哪些音频帧，将与文本信息对应的第一个音频帧的时间戳作为该文本信息的开始时间信息，将与文本信息对应的最后一个音频帧的时间戳作为该文本信息的结束时间信息。示例性地，假设经确定文本信息1对应第一个音频帧至第53个音频帧。将第一个音频帧的时间戳作为该文本信息1的开始时间信息，将第53个音频帧的时间戳作为该文本信息1的结束时间信息。

进一步地，用于实现“具有对应关系的视频帧和音频帧具有相同的时间戳”的方法有多种，本申请对此不作限制。示例性地，可以设置视频帧的时间戳在直播视频流形成的过程中一并生成，并随着直播视频帧的不断形成，视频帧的时间戳不断递增；在基于直播视频流获取直播视频流中的音频流时，基于直播视频流中每一个视频帧的时间戳，为与各视频帧对应的音频帧中添加相同的时间戳。

或者，用于实现“具有对应关系的视频帧和音频帧具有相同的时间戳”的方法还可以为，在基于直播视频流获取直播视频流中的音频流时，同时为分离出的直播视频流中的每一个视频帧和音频流中每一个音频帧添加时间戳，并且具有对应关系的视频帧和音频帧所添加的时间戳相同；其随着直播视频帧播放的先后顺序，视频帧的时间戳不断递增。

S130、根据每个文本信息和每个文本信息对应的时间信息，生成字幕文件。

字幕文件中文本信息以文本的形式存储，而非图片的形式存储。

上述技术方案通过获取直播视频流，并获取直播视频流中的音频流；对音频流进行语音识别，得到音频流对应的一个或多个文本信息、以及一个或多个文本信息中每个文本信息对应的时间信息；根据每个文本信息和每个文本信息对应的时间信息，生成字幕文件，可以为直播视频流添加字幕做准备，可以使得观看直播视频流的用户清楚了解直播视频流的内容。其整个过程可以由一个电子设备完成，不需要由多个设备配合完成，整个流程链路简单，给直播视频流配字幕的成本低廉，整个字幕处理过程具有较高的可靠性。

可选地，在实际中，在执行S130时，可以设置基于所有的文本信息生成一个字幕文件，也可以设置针对每一个文本信息分别生成一个字幕文件。本申请对此不作限制。

上述技术方案由于最终生成的是以文本形式存储的字幕文件，而非图片，后续再将字幕文件与直播视频流进行融合时，不需要去除图片背景，便于设置字幕样式，可以达到丰富字幕样式和提升字幕显示清晰度等效果。此处，字幕样式包括字体大小、字体颜色以及字幕显示方式等。字幕显示方式包括按句显示方式和逐字显示方式。

上述技术方案尤其适用于大型会议及活动直播、行业及学术峰会直播、娱乐明星直播以及电商直播等情景。

可选地，在上述技术方案的基础上，可选地，S130之后，还包括：将字幕文件和直播视频流同步发送给一个或多个第一设备，每个第一设备用于将字幕文件和直播视频流同步发送给用户终端，用户终端用于同步播放字幕文件和直播视频流。这样设置的实质是利用用户终端将字幕文件和直播视频流进行融合。其整个字幕处理过程，在实现同步播放字幕文件和直播视频流的前提下，不需要导播人员参与，可以进一步降低直播事故发生的几率。

“用户终端同步播放字幕文件和直播视频流”的方法有多种，示例性地，如果针对每一个文本信息分别生成一个字幕文件，将文本信息的开始时间作为字幕文件的开始时间，将文本信息的结束时间作为字幕文件的结束时间，“用户终端同步播放字幕文件和直播视频流”的方法包括：在终端播放直播视频流的整个过程中，同步读取以当前时刻为基准，所需播放的下一帧视频帧的时间戳；判断是否存在以下一帧视频帧的时间戳为开始时间的字幕文件，若是，在播放下一帧视频帧的过程中，同步播放该以下一帧视频帧的时间戳为开始时间的字幕文件；在执行“同步播放该以下一帧视频帧的时间戳为开始时间的字幕文件”的过程中，继续读取以当前时刻为基准，所需播放的下一帧视频帧的时间戳；判断下一帧视频帧的时间戳是否与当前正在播放的字幕文件的结束时间一致，若是，在播放完下一帧视频帧之后，停止播放当前正在播放的字幕文件。

可选地，第一设备具体可以为服务器或者导播台。这样可以使得该方法支持导播转推、多端转推。其中，多端转推是指，第一设备为服务器，将字幕文件和直播视频流同步发送给多个服务器，多个服务器分别向各自对应的终端推送字幕文件和直播视频流。

可选地，在上述技术方案的基础上，可选地，S130之后，还包括：将字幕文件和直播视频流同步发送给一个或多个第一设备，每个第一设备用于根据字幕文件和直播视频流，得到添加有字幕的直播视频流，并将添加有字幕的直播视频流发送给用户终端。这样设置的实质是利用第一设备将字幕文件和直播视频流进行融合。其整个字幕处理过程，在实现同步播放字幕文件和直播视频流的前提下，不需要导播人员参与，可以进一步降低直播事故发生的几率。此外，这样设置将字幕文件压制在直播视频流中，对终端播放器的性能要求较低，具有较高的平台适配性。

“每个第一设备用于根据字幕文件和直播视频流，得到添加有字幕的直播视频流”的实现方法有多种，示例性地，如果将文本信息的开始时间作为字幕文件的开始时间，将文本信息的结束时间作为字幕文件的结束时间，“每个第一设备用于根据字幕文件和直播视频流，得到添加有字幕的直播视频流”的实现方法包括：将每个字幕文件对应的开始时间和结束时间与直播视频流中视频帧的时间戳对齐，得到直播视频流中与每个字幕文件分别对应的视频帧；将每个中任一字幕文件添加到任一字幕文件对应的视频帧中，得到融合后的添加有字幕的直播视频流。

示例性地，若某字幕文件开始时间为20:50:02，结束时间为20:50:50，直播视频流中第5视频帧的时间戳为20:50:02，第73视频帧的时间戳为20:50:50，则得到该直播视频流中从第5视频帧-第73视频帧与该字幕文件对应，据此将基于该字幕文件添加到第5视频帧-第73视频帧中，得到添加有字幕的直播视频流。

其中，“将每个中任一字幕文件添加到任一字幕文件对应的视频帧中”可以为将通过叠画技术，将字幕文件添加到任一字幕文件对应的视频帧中。

类似地，第一设备具体可以为服务器或者导播台。这样可以使得该方法支持导播转推、多端转推。其中，多端转推是指，第一设备为服务器，将字幕文件和直播视频流同步发送给多个服务器，多个服务器分别基于字幕文件和直播视频流，得到添加有字幕的直播视频流，然后将添加有字幕的直播视频流向各自对应的终端推送字幕文件和直播视频流。

图6为本公开实施例提供的另一种字幕处理方法的流程图。图6为图5中的一个具体示例性。参见图6，该方法具体可以包括：

S210、获取直播视频流，并获取直播视频流中的音频流。

S220、对音频流进行语音识别，得到音频流对应的一个或多个文本信息、以及一个或多个文本信息中每个文本信息对应的时间信息。

S230、将每个文本信息翻译为目标语言的目标文本。

目标语言具体可以为英语、韩语、汉语以及日语等。

示例性地，如果直播的过程中，主播方以中文进行解说，则直播视频流、音频流使用的语音均为中文。若设置目标语言为英文，则S220中的文本信息以中文的形式呈现，目标文本以英文的形式呈现。

S240、根据每个文本信息、每个文本信息对应的目标文本、以及每个文本信息对应的时间信息，生成字幕文件。

示例性地，图7为本公开实施例提供的一种同步播放字幕文件和直播视频流的过程中某一时刻的截图。参见图7，从该截图中可以看见直播视频流的画面和字幕文件。画面中有个人正在讲话，字幕文件所呈现内容为该人正在讲话的内容。用户可以借助字幕文件理解该视频内容。

上述技术方案通过增设将每个文本信息翻译为目标语言的目标文本的步骤，并设置根据每个文本信息、每个文本信息对应的目标文本、以及每个文本信息对应的时间信息，生成字幕文件，可以满足不同语种用户的观看需求，可以使得直播视频的受众更广。

在上述技术方案的基础上，可选地，在S230之后，该方法还包括：显示每个文本信息和每个文本信息对应的目标文本；响应于文本信息修改指令和/或目标文本修改指令，对文本信息修改指令指向的文本信息进行修改和/或对目标文本修改指令指向的目标文本进行修改。此种情况适用于该字幕处理方法的执行主体为带有显示屏幕的终端。如图3所示，此种情况可适用于该字幕处理方法的执行主体为终端4的情况。其中，文本信息修改指令和/或目标文本修改指令，基于用户操作生成。这样设置的实质是对S220中识别出的文本信息和S230中翻译得到的目标文本进行人工校对，以提高文本信息和/或目标文本的正确率。

图8为本公开实施例提供的一种用于显示每个文本信息和每个文本信息对应的目标文本的显示界面的示意图。示例性地，参见图8，该显示界面包括四个区域，区域1用于显示S220中识别出的文本信息，区域2用于显示S230中翻译得到的目标文本，区域3用于显示音频流或直播视频流的播放进度，区域4用于对直播过程中的相关参数进行配置。相关参数包括但不限于识别语言、翻译语言、直播视频流的源流地址、直播视频流的推流地址。可选地，还可以设置相关参数包括直播延时以及字幕样式等。

在上述技术方案的基础上，可选地，在S230之后，该方法还包括：将每个文本信息和每个文本信息对应的目标文本发送给一个或多个第二设备；从一个或多个第二设备接收修改后的文本信息和/或修改后的目标文本。此种情况适用于该字幕处理方法的执行主体为无显示屏幕的服务器。第二设备为带有显示屏幕的电子设备。如图4所示，此种情况可用于该字幕处理方法的执行主体为服务器3，第二设备为终端5。这样设置的实质是便于对S220中识别出的文本信息和S230中翻译得到的目标文本进行人工校对，以提高文本信息和/或目标文本的正确率。

在上述各技术方案的基础上，可选地，若对S220中识别出的文本信息和S230中翻译得到的目标文本进行人工校对，则S240可包括：根据已经确认的文本信息、修改后的文本信息、已经确认的目标文本、修改后的目标文本、以及每个文本信息对应的时间信息，生成字幕文件。其中，已经确认的文本信息是指，经过人工校对，认为原文本信息无误的文本信息。修改后的文本信息是指，经过人工校对，认为原文本信息有误，对其进行修改后的文本信息。已经确认的目标文本是指，经过人工校对，认为原目标文本无误的目标文本。修改后的目标文本是指，经过人工校对，认为原目标文本有误，对其进行修改后的目标文本。这样设置可确保后续播放时所显示的字幕正确。

图9为本公开实施例提供的另一种字幕处理方法的流程图。图9为图5中的一个具体示例性。参见图9，该方法具体可以包括：

S310、获取直播视频流，并获取直播视频流中的音频流。

S320、对音频流中连续的多个音频帧进行语音识别，得到多个音频帧中非静音帧对应的文本信息、以及文本信息对应的时间信息，文本信息对应的时间信息包括文本信息对应的非静音帧的时间戳。

静音帧是指主播在静音期间生成的视频帧所对应的音频帧。因此静音帧中不包括需要进行语音识别的内容。

可选地，本步骤的实现方法可以为：以N个音频帧为一个待识别单元，将该音频流划分为多个待识别单元；剔除各待识别单元中的静音帧，得到剔除处理后的待识别单元；分别对各剔除处理后的待识别单元进行识别，形成多个文本单元；将所有文本单元进行拼接、断句；以句或段为单位，将所有文本单元整合为一个或多个文本信息；基于各文本信息对应的音频帧的时间戳，确定每个文本信息对应的时间信息。

本步骤的实质是，对音频流中的非静音帧进行提取，将提取后的非静音帧进行语音识别。

S330、根据多个音频帧中非静音帧对应的文本信息、以及文本信息对应的时间信息，生成字幕文件。

上述技术方案通过对音频流中连续的多个音频帧进行语音识别，得到多个音频帧中非静音帧对应的文本信息、以及文本信息对应的时间信息，文本信息对应的时间信息包括文本信息对应的非静音帧的时间戳，其本质是对音频流中的非静音帧进行提取，将提取后的非静音帧进行语音识别，可以降低整个音频流语音识别耗时，进而降低直播视频流的整体处理耗时。

在上述各技术方案的基础上，可选地，在获取直播视频流中的音频流之后，该字幕处理方法还包括：将音频流的格式转换为自动语音识别技术能够识别的格式。这样设置的目的是确保对音频流顺利进行语音识别，进而确保本公开提供的字幕处理方法能够被顺利执行。

图10为本公开实施例中的一种字幕处理装置的结构示意图。本公开实施例所提供的字幕处理装置可以配置于客户端中，或者可以配置于服务端中，该字幕处理装置具体包括：

获取模块410，用于获取直播视频流，并获取所述直播视频流中的音频流；

语音识别模块420，用于对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

生成模块430，用于根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

进一步地，该装置还包括推流模块，用于根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件之后，将所述字幕文件和所述直播视频流同步发送给一个或多个第一设备，每个第一设备用于将所述字幕文件和所述直播视频流同步发送给用户终端，所述用户终端用于同步播放所述字幕文件和所述直播视频流。

进一步地，该装置还包括推流模块，用于根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件之后，将所述字幕文件和所述直播视频流同步发送给一个或多个第一设备，每个第一设备用于根据所述字幕文件和所述直播视频流，得到添加有字幕的直播视频流，并将添加有字幕的直播视频流发送给用户终端。

进一步地，该装置还包括翻译模块，用于对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息之后，将所述每个文本信息翻译为目标语言的目标文本；

生成模块430，用于根据所述每个文本信息、所述每个文本信息对应的目标文本、以及所述每个文本信息对应的时间信息，生成所述字幕文件。

进一步地，该装置还包括第一校对模块，用于将所述每个文本信息翻译为目标语言的目标文本之后，显示所述每个文本信息和所述每个文本信息对应的目标文本；

响应于文本信息修改指令和/或目标文本修改指令，对所述文本信息修改指令指向的文本信息进行修改和/或对所述目标文本修改指令指向的目标文本进行修改。

进一步地，该装置还包括第一校对模块，用于将所述每个文本信息翻译为目标语言的目标文本之后，将所述每个文本信息和所述每个文本信息对应的目标文本发送给一个或多个第二设备；

从所述一个或多个第二设备接收修改后的文本信息和/或修改后的目标文本。

进一步地，生成模块430，用于根据已经确认的文本信息、所述修改后的文本信息、已经确认的目标文本、所述修改后的目标文本、以及所述每个文本信息对应的时间信息，生成所述字幕文件。

进一步地，语音识别模块420，用于对所述音频流中连续的多个音频帧进行语音识别，得到所述多个音频帧中非静音帧对应的文本信息、以及所述文本信息对应的时间信息，所述文本信息对应的时间信息包括所述文本信息对应的非静音帧的时间戳。

进一步地，获取模块410，用于根据所述直播视频流的地址信息，获取所述直播视频流，并获取所述直播视频流中的音频流。

进一步地，该装置还包括转换模块，用于获取所述直播视频流中的音频流之后，将所述音频流的格式转换为自动语音识别技术能够识别的格式。

本公开实施例提供的字幕处理装置，可执行本公开方法实施例所提供的字幕处理方法中客户端或服务端所执行的步骤，具备执行步骤和有益效果此处不再赘述。

图11为本公开实施例中的一种电子设备的结构示意图。下面具体参考图11，其示出了适于用来实现本公开实施例中的电子设备1000的结构示意图。本公开实施例中的电子设备1000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)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图11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11所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的字幕处理方法。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和信息。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

通常，以下装置可以连接至I/O接口1005：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1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换信息。虽然图11示出了具有各种装置的电子设备1000，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，从而实现如上所述的字幕处理方法。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001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、或半导体的系统、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系统、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信息信号，其中承载了计算机可读的程序代码。这种传播的信息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系统、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信息通信(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：

获取直播视频流，并获取所述直播视频流中的音频流；

对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。

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系统、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系统来实现，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，单元的名称在某种情况下并不构成对该单元本身的限定。

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)、片上系统(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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

1.一种字幕处理方法，其特征在于，所述方法包括：

获取直播视频流，并获取所述直播视频流中的音频流；

对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

2.根据权利要求1所述的方法，其特征在于，根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件之后，所述方法还包括：

将所述字幕文件和所述直播视频流同步发送给一个或多个第一设备，每个第一设备用于将所述字幕文件和所述直播视频流同步发送给用户终端，所述用户终端用于同步播放所述字幕文件和所述直播视频流。

3.根据权利要求1所述的方法，其特征在于，根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件之后，所述方法还包括：

将所述字幕文件和所述直播视频流同步发送给一个或多个第一设备，每个第一设备用于根据所述字幕文件和所述直播视频流，得到添加有字幕的直播视频流，并将添加有字幕的直播视频流发送给用户终端。

4.根据权利要求1-3任一项所述的方法，其特征在于，对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息之后，所述方法还包括：

将所述每个文本信息翻译为目标语言的目标文本；

相应的，根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件，包括：

根据所述每个文本信息、所述每个文本信息对应的目标文本、以及所述每个文本信息对应的时间信息，生成所述字幕文件。

5.根据权利要求4所述的方法，其特征在于，将所述每个文本信息翻译为目标语言的目标文本之后，所述方法还包括：

显示所述每个文本信息和所述每个文本信息对应的目标文本；

响应于文本信息修改指令和/或目标文本修改指令，对所述文本信息修改指令指向的文本信息进行修改和/或对所述目标文本修改指令指向的目标文本进行修改。

6.根据权利要求4所述的方法，其特征在于，将所述每个文本信息翻译为目标语言的目标文本之后，所述方法还包括：

将所述每个文本信息和所述每个文本信息对应的目标文本发送给一个或多个第二设备；

从所述一个或多个第二设备接收修改后的文本信息和/或修改后的目标文本。

7.根据权利要求5或6所述的方法，其特征在于，根据所述每个文本信息、所述每个文本信息对应的目标文本、以及所述每个文本信息对应的时间信息，生成所述字幕文件，包括：

根据已经确认的文本信息、所述修改后的文本信息、已经确认的目标文本、所述修改后的目标文本、以及所述每个文本信息对应的时间信息，生成所述字幕文件。

8.根据权利要求1所述的方法，其特征在于，对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息，包括：

对所述音频流中连续的多个音频帧进行语音识别，得到所述多个音频帧中非静音帧对应的文本信息、以及所述文本信息对应的时间信息，所述文本信息对应的时间信息包括所述文本信息对应的非静音帧的时间戳。

9.根据权利要求1所述的方法，其特征在于，获取直播视频流，并获取所述直播视频流中的音频流，包括：

根据所述直播视频流的地址信息，获取所述直播视频流，并获取所述直播视频流中的音频流。

10.根据权利要求1或9所述的方法，其特征在于，获取所述直播视频流中的音频流之后，所述方法还包括：

将所述音频流的格式转换为自动语音识别技术能够识别的格式。

11.一种字幕处理装置，其特征在于，包括：

获取模块，用于获取直播视频流，并获取所述直播视频流中的音频流；

语音识别模块，用于对所述音频流进行语音识别，得到所述音频流对应的一个或多个文本信息、以及所述一个或多个文本信息中每个文本信息对应的时间信息；

生成模块，用于根据所述每个文本信息和所述每个文本信息对应的时间信息，生成字幕文件。

12.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一项所述的方法。

13.一种计算机可读存储介质，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如权利要求1-10中任一项所述的方法。

Images