申请/专利权人：深圳市欢太科技有限公司;OPPO广东移动通信有限公司

申请日：2019-01-29

公开（公告）日：2024-04-05

公开（公告）号：CN113056908B

主分类号：H04N5/278

分类号：H04N5/278;G10L17/04;G10L17/18

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.07.16#实质审查的生效;2021.06.29#公开

摘要：本申请公开了一种视频字幕合成方法、装置、存储介质及电子设备，包括：获取视频当中的语音信息，根据语音信息的特征得到待识别语音，将待识别语音输入至d‑vector声纹识别模型，以得到待识别语音所对应的声纹标识，声纹标识包含d‑vector特征，对待识别语音进行语音识别以得到对应的文本信息，将声纹标识和文本信息进行合成，以生成待识别语音的字幕。

主权项：1.一种视频字幕合成方法，应用于电子设备，其中，所述方法包括：获取视频当中的语音信息，根据所述语音信息的特征得到待识别语音，包括：通过语音信息中说话人说话的频率、性别、年龄、音色及语速，判断所述语音信息是否符合预设语音信息条件；若是，则确认所述语音信息对应目标对象，提取所述目标对象的待识别语音；将所述待识别语音输入至d-vector声纹识别模型，以得到所述待识别语音所对应的声纹标识，所述声纹标识包含d-vector特征，包括：输入目标对象的语音的梅尔频率倒谱系数，计算类内方差矩阵W： 其中，S代表目标对象，是指说话人个数，是目标对象的语音的梅尔频率倒谱系数输入至d-vector声纹识别模型得到的d-vector特征，即说话人s的第i个音频的d-vector，使用Cholesky分解计算WCCN矩阵B1，公式如下： 其中，B1是对W进行Cholesky分解后的解；是指说话人s的所有音频的d-vector的均值；T是指矩阵的转置；ns是指说话人s的音频数；经过WCCN信道补偿后的d-vectorVWCCN为：其中，V是指说话人s的d-vector；对所述待识别语音进行语音识别以得到对应的文本信息；将所述声纹标识和文本信息进行合成，以生成所述待识别语音的字幕。

全文数据：

权利要求：

百度查询： 深圳市欢太科技有限公司;OPPO广东移动通信有限公司 视频字幕合成方法、装置、存储介质及电子设备

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