申请/专利权人：深圳市大而信科技有限公司

申请日：2023-10-27

公开（公告）日：2024-03-19

公开（公告）号：CN117135305B

主分类号：H04N7/15

分类号：H04N7/15;H04N5/268;H04N23/60;H04N23/695;G10L17/02;H04M3/56;G06V40/16;G06V40/20

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.12.15#实质审查的生效;2023.11.28#公开

摘要：本申请属于计算机领域，尤其涉及一种电话会议实现方法、装置和系统，其中方法通过声纹识别的方法，将每一个与会者的声音与其身份相结合，即使某一个终端有多位与会者参会也能够识别相应的正在发言的与会者的身份，并且能够实时监测接收到的音频音量调节至用户的适听音量并播出，并且能够实时监测与会者的位置进而相应的调整摄像头的位置以保证与会者的轮廓实时处于视频画面中的标准位置，为用户保证了良好的视听体验，另外还可以通过与会者的面部表情以及肢体语言进行分析得到其讲话时的情绪，再结合其讲话内容从而推导出其真实意图；即本申请能够弥补传统电话会议音质差、视频画面偏移、难以捕捉发言者情绪等缺陷，显著提升了通话质量。

主权项：1.一种电话会议实现方法，其特征在于，包括：S1：响应于用户输入的指令，接入电话会议并连通视频和音频；S2：获取各个与会者的测试语音，每一段测试语音中包含对应的与会者身份；S3：对各段测试语音进行声纹标记，以对各个测试语音的声纹与对应的与会者身份建立联系；S4：在一个与会者发言时，对发言语音进行声纹识别，以确定与会者的身份，并发出身份提示信号；S5：监测发言语音的音量是否为预设的适听音量，若不是，则实时调整发言语音的音量以使发言语音的音量始终为适听音量；S6：将正在讲话的与会者的视频画面作为主视频画面，将其它与会者的视频画面作为辅视频画面，主视频画面的画幅大于辅视频画面的画幅；S7：识别主视频画面中的与会者轮廓，监测与会者轮廓与预设轮廓是否吻合，若不吻合，则实时调整该与会者对应的摄像头的角度和焦距以使与会者轮廓与预设轮廓吻合；S8：实时识别发言语音的内容，并监测主视频画面中的与会者发言时的面部表情和肢体动作；S9：结合面部表情和肢体动作对发言语音的内容进行语义分析，以得到该与会者的潜在语义；S10：将潜在语义整合成潜在语义信号，并将潜在语义信号向用户发出；S11：在下一个与会者发言时，执行步骤S4至步骤S10，重复执行本步骤，直至会议结束；所述实时识别发言语音的内容，并监测主视频画面中的与会者发言时的面部表情和肢体动作包括：从与会者开始发言的时间点起，通过语音识别算法实时将每一时间点的发言语音转化为文本内容；实时对该与会者的面部进行识别，并捕捉每一时间点的瞬时表情；实时对该与会者的肢体进行识别，并捕捉每一时间点的瞬时肢体动作；从与会者开始发言的时间点起，在与会者说完任意一句话时，将与会者说这句话的起始时间点与结束时间点之间的时段作为第一时段，每一个第一时段中包括若干个时间点；将第一时段中的每一个时间点转化出来的文本内容按时序顺序连接起来，从而得到完整语句；将第一时段中的每一个时间点捕捉的瞬时表情按时序顺序连接起来，从而得到与完整语句对应的完整面部表情；将第一时段中的每一个时间点捕捉的瞬时肢体动作按时序顺序连接起来，从而得到与完整语句对应的完整肢体动作；结合面部表情和肢体动作对发言语音的内容进行语义分析，以得到该与会者的潜在语义，包括：获取完整面部表情的表情特征；获取完整肢体动作的动作特征；依据情绪与行为的关系数据库确定该表情特征和动作特征对应的第一情绪类型，情绪与行为的关系数据库包括了各种表情特征和各种动作特征，以及任意一种表情特征与任意一种动作特征的组合及该组合所对应的情绪类型；通过语义分析算法对文本内容进行语义分析，进而得到第一文本语义；依据语义与情绪的关系数据库确定该第一文本语义在第一情绪类型的条件下的潜在语义，语义与情绪的关系数据库中包括各种文本语义，以及每一种文本语义在不同情绪类型下的潜在语义。

全文数据：

权利要求：

百度查询： 深圳市大而信科技有限公司 一种电话会议实现方法、装置和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD