[发明专利]一种生成视频摘要的方法及装置

权利要求书

1.一种生成视频摘要的方法，其特征在于，该方法包括：

将音视频文件按照帧的顺序依次分离出对应的音频帧和视频帧；

当确定当前音频帧的声音类型与目标音频的声音类型相同时，确定包括所述当前音频帧在内的、预设时长内的、连续多个音频帧的特征信息；

当确定所述多个音频帧的特征信息与目标音频的特征信息匹配时，确定所述多个音频帧的发生时间段；

根据所述发生时间段，确定与所述发生时间段相同的、连续多个视频帧；

根据上述步骤确定完所述音视频文件中包括的、多个所述连续多个视频帧后，将确定的多个所述连续多个视频帧生成视频摘要；

确定所述多个音频帧的发生时间段时，还包括：

确定所述多个音频帧所对应的通道来源或音频分类；

生成视频摘要之后，该方法还包括：

将所述视频摘要按照所述通道来源或音频分类进行保存；

当确定当前音频帧的声音类型与目标音频的声音类型相同时，确定包括所述当前音频帧在内的、预设时长内的、连续多个音频帧的特征信息，包括：

根据语音识别方法，确定当前音频帧中包括的声音的内容，当确定当前音频帧的声音类型与目标音频的声音类型相同时，确定包括当前音频帧在内的、预设时长内的、连续多个音频帧；

根据语音识别方法，确定所述多个音频帧的特征信息。

2.根据权利要求1所述的方法，其特征在于，将确定的多个所述连续多个视频帧生成视频摘要，还包括：

将确定的多个所述连续多个视频帧和所述发生时间段所对应的多个音频帧进行融合，生成视频摘要。

3.根据权利要求1所述的方法，其特征在于，所述目标音频的特征信息可以通过如下方式确定：

获取包括目标声音的目标音频，根据语音识别算法，确定目标音频中包括的声音的类别、音调及音色，将该声音的类别、音调及音色作为目标音频的特征信息；或者，

建立包括目标声音的模型数据，根据语音识别算法，确定所述模型数据中包括的声音的类别、音调及音色，将该声音的类别、音调及音色作为目标音频的特征信息。

4.根据权利要求1或3所述的方法，其特征在于，确定所述多个音频帧的特征信息与目标音频的特征信息匹配，包括：

当所述多个音频帧的特征信息与目标音频的特征信息之间的相似度在预设范围内时，确定所述多个音频帧的特征信息与目标音频的特征信息匹配。

5.根据权利要求1所述的方法，其特征在于，根据所述发生时间段，确定与所述发生时间段相同的、连续多个视频帧之后，且在生成视频摘要前，该方法还包括：

将所述连续多个视频帧进行存储；

当确定完所述音视频文件中包括的、多个所述连续多个视频帧后，将存储的多个所述连续多个视频帧进行融合并生成视频摘要。

6.根据权利要求1所述的方法，其特征在于，根据所述发生时间段，确定与所述发生时间段相同的、连续多个视频帧之后，且在生成视频摘要前，该方法还包括：

将所述发生时间段进行存储；

当确定完所述音视频文件中包括的、多个所述连续多个视频帧后，将存储的多个所述发生时间段所对应的多个视频帧生成视频摘要。

7.根据权利要求1所述的方法，其特征在于，将音视频文件按照帧的顺序依次分离出对应的音频帧之后，且确定当前音频帧的声音类型与目标音频的声音类型相同之前，该方法还包括：

将所述音频帧进行解码处理。