[发明专利]语音识别到视频的转换方法和装置

说明书

技术领域

本发明涉及媒体服务器应用和语音识别领域，并且特别地，涉及利用媒体服务器提供语音识别到视频的转换方法和装置。

背景技术

下一代网络是业务驱动的网络，媒体服务器是提供专用媒体资源功能的独立设备，也是分组网络中的重要设备，它在体系中的位置如附图1所示，其中，图1是业务驱动网络组成的示意图，媒体服务器在应用服务器的控制下，提供软交换上各种业务所需的媒体资源功能，包括：放音，录音，双音多频(dual-tone multi-frequency，DTMF)收号，传真，会议、语音合成(text to speech，TTS)及自动语音识别(automatic speech recognition，ASR)等功能，同时提供语音加载、删除等功能，其中，图2示出了媒体服务器的组成。

随着科技的发展，用户对多媒体生活化的需求会越来越广泛，不但需要文字声音，还要有视觉的感官需求，这就迫使新业务的开展尤为重要，其中，从语音识别到时频的转换技术就是一项值得的研究和开发的课题，然而，目前鲜见有与此相关的技术成果。

发明内容

考虑到上述问题而做出本发明，为此，本发明提供了一种利用媒体服务器来实现语音识别到视频的转换的机制，其可以实现声音到视频的转换，从而满足用户的需求。

本发明的主要发明思想是，基于媒体服务器语音识别的功能，将其输出作为输入到媒体服务器的转换处理程序，通过转换处理程序转换输出视频，输出的视频流由媒体服务器发送到终端。也就是说，在现有硬件资源的基础上，充分利用资源，适当增加软件资源的投入，即可根据网络发展的需求来扩充业务。

首先，根据本发明的一个实施例，提供了一种语音识别到视频的转换方法。

该方法包括以下步骤：第一步骤：媒体服务器在启动时根据视频资源的类型建立对应的识别码；第二步骤：媒体服务器在接收到应用服务器的请求后，建立音频流的连接通道并接收音频流；第三步骤：媒体服务器的语音识别模块识别音频数据，并将识别后的数据输出到转换处理程序；第四步骤：转换处理程序在接收到识别后的数据之后进行转换，并将转换后的数据与在第一步骤中建立的识别码对照，从而实现视频转换；以及第五步骤：媒体服务器将转换后的视频流通过网络输出到终端设备。

其中，在第一步骤中，如果视频资源的类型为新添加的类型，则媒体服务器提供接口，以实时地添加视频资源对应的识别码。并且，在第二步骤中，媒体服务器在接收音频流后通知语音识别模块开始处理。另外，在第三步骤中，语音识别模块在输出识别后的数据之后，通知转换处理程序开始处理。

另外，在第四步骤中，转换处理程序在接收到开始处理的通知后，将由语音识别模块输出的数据读取到自己的缓存中。并且，转换处理程序在将转换后的数据与在第一步骤中建立的识别码对照后，将转换后的视频索引添加到缓存中。

其中，转换处理程序对视频索引排序，并且在完成排序后通知媒体服务器开始发送。另外，媒体服务器在接收到转换处理程序的通知后，根据视频索引找到视频资源，并且开始发送。

此外，根据本发明的另一实施例，本发明提供了一种语音识别到视频的转换装置。

该装置包括：识别码建立模块，用于在媒体服务器在启动时根据视频资源的类型建立对应的识别码；音频流接收模块，连接至识别码建立模块，用于在媒体服务器在接收到应用服务器的请求后，建立音频流的连接通道并接收音频流；语音识别模块，连接至音频流接收模块，用于识别音频数据，并将识别后的数据输出到转换处理模块；转换处理模块，连接至语音识别模块和识别码建立模块，用于在接收到语音识别模块的数据之后进行转换，并将转换后的数据与识别码建立模块建立的识别码对照，从而实现视频转换；以及视频流输出模块，连接至转换处理模块，用于将转换后的视频流通过网络输出到终端设备。

其中，如果视频资源的类型为新添加的类型，则识别码建立模块提供接口，以实时地添加视频资源对应的识别码。并且，音频流接收模块在接收音频流后通知语音识别模块开始处理。

另外，语音识别模块在输出识别后的数据之后，通知转换处理模块开始处理。然后，转换处理模块在接收到开始处理的通知后，将由语音识别模块输出的数据读取到自己的缓存中。其中，转换处理模块在将转换后的数据与由识别码建立模块建立的识别码对照后，将转换后的视频索引添加到缓存中。

并且，转换处理模块对视频索引排序，并且在完成排序后通知视频流输出模块开始发送。然后，视频流输出模块在接收到转换处理模块的通知后，根据视频索引找到视频资源，并且开始发送。