[发明专利]一种基于人工智能的字幕生成方法和装置

权利要求书

1.一种基于人工智能的字幕生成方法，其特征在于，所述方法包括：

获取来自同一个音频流、且根据静音片段切分的多个语音片段；

对所述多个语音片段进行语音识别，得到所述多个语音片段分别对应的文本；

确定所述多个语音片段之间静音片段的时间长度；

根据音频流时间轴的顺序，从所述多个语音片段中目标语音片段开始依次确定静音片段的时间长度是否大于预设时长，其中，所述预设时长是根据句子间的表达停顿的时长确定的；

若确定出目标静音片段的时间长度大于预设时长，将处于所述目标静音片段与所述目标语音片段之间的语音片段所对应文本加入待处理文本组；所述待处理文本组至少包括所述目标语音片段对应的文本；

根据所述待处理文本组中的分隔符从所述待处理文本组中确定字幕文本；所述待处理文本组中的分隔符是根据文本语义添加的；

确定所述字幕文本中第一个字符在所对应语音片段中的相对开始时刻；

根据所述相对开始时刻与所述第一个字符所对应语音片段在音频流时间轴上的时间偏移，确定出所述字幕文本所对应音频流时间轴区间的开始时刻；

确定所述字幕文本中最后一个字符在所对应语音片段中的相对结束时刻；

根据所述相对结束时刻与所述最后一个字符所对应语音片段在音频流时间轴上的时间偏移，确定出所述字幕文本所对应音频流时间轴区间的结束时刻；

将所述字幕文本作为所对应音频流时间轴区间的字幕；

其中，确定字幕文本的公式为：

其中，L_text为确定出的字幕文本长度，L_sil为待处理文本组的文本长度；L_seg为根据显示字幕长度确定的预设数量；L_punc为待处理文本组中从第一个字符到所述待处理文本组前预设数量字符中最后一个分隔符之间的文本长度，或为第一个字符到最后一个分隔符之间的文本长度；L_max为显示字幕最长长度所对应的字符数量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

判断所述待处理文本组的字符数量是否大于预设数量，所述预设数量是根据显示字幕长度确定的；

若是，执行所述根据所述待处理文本组中的分隔符从所述待处理文本组中确定出字幕文本的步骤；

若否，将所述待处理文本组确定为所述字幕文本。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待处理文本组中的分隔符从所述待处理文本组中确定字幕文本，包括：

将所述待处理文本组中从第一个字符到最后一个分隔符之间的部分确定为字幕文本；或者，

将所述待处理文本组中从第一个字符到所述待处理文本组前预设数量字符中最后一个分隔符之间的部分确定为字幕文本，所述预设数量是根据显示字幕长度确定的。

4.根据权利要求2所述的方法，其特征在于，若判断所述待处理文本组的字符数量大于所述预设数量，且所述待处理文本组中不包括分隔符，所述方法还包括：

判断所述待处理文本组的字符数量是否大于最大数量，所述最大数量为显示字幕最长长度所对应的字符数量；

若是，将所述待处理文本组前所述最大数量的字符确定为所述字幕文本；

若否，将所述待处理文本组确定为所述字幕文本。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据字幕展示语种对所述字幕文本进行翻译，得到翻译后的字幕文本；

所述将所述字幕文本作为所对应音频流时间轴区间的字幕，包括：

将所述翻译后的字幕文本作为所对应音频流时间轴区间的字幕。