[发明专利]一种字幕生成方法和装置

权利要求书

1.一种字幕生成方法，其特征在于，包括：

检测目标视频中所包含人物的状态和/或所述目标视频的音频波形幅值，其中，所述人物的状态包括指示人物未说话的第一状态和指示人物在说话的第二状态；

根据所述目标视频中所包含人物的状态和/或所述目标视频的音频波形幅值，判断所述目标视频中是否有在说话的目标人物；

若判定所述目标视频中有在说话的目标人物，则开始获取所述目标视频的语音识别结果，直至根据所述目标人物的状态和/或所述目标视频的音频波形幅值判定所述目标人物不再说话；

根据获取的语音识别结果生成所述目标人物对应的字幕信息。

2.根据权利要求1所述的字幕生成方法，其特征在于，所述根据所述目标视频中所包含人物的状态，判断所述目标视频中是否有在说话的目标人物，包括：

若所述目标视频中有由第一状态切换为第二状态的人物，则判定所述目标视频中有在说话的目标人物。

3.根据权利要求1所述的字幕生成方法，其特征在于，所述根据所述目标视频中所包含人物的状态和/或所述目标视频的音频波形幅值，判断所述目标视频中是否有在说话的目标人物，包括：

若所述目标视频中有由第一状态切换为第二状态的人物，且所述目标视频的音频波形幅值大于或等于预设的幅值阈值，则判定所述目标视频中有在说话的目标人物。

4.根据权利要求1所述的字幕生成方法，其特征在于，所述根据获取的语音识别结果生成所述目标人物对应的字幕信息，包括：

根据获取的所述语音识别结果在指定字幕轨道上生成所述目标人物对应的字幕信息，其中，不同目标人物对应的字幕信息所对应的字幕轨道不同。

5.根据权利要求1所述的字幕生成方法，其特征在于，还包括：

获取所述目标人物的角色信息和/或标签信息；

所述根据获取的语音识别结果生成所述目标人物对应的字幕信息，包括：

根据获取的所述语音识别结果和所述目标人物的角色信息和/或标签信息，生成所述目标人物对应的字幕信息。

6.一种字幕生成装置，其特征在于，包括：检测模块、目标人物判断模块、语音识别结果获取模块和字幕信息生成模块；

所述检测模块，用于检测目标视频中所包含人物的状态和/或所述目标视频的音频波形幅值，其中，所述人物的状态包括指示人物未说话的第一状态和指示人物在说话的第二状态；

所述目标人物判断模块，用于根据所述目标视频中所包含人物的状态和/或所述目标视频的音频波形幅值，判断所述目标视频中是否有在说话的目标人物；

所述语音识别结果获取模块，用于若所述目标人物判断模块判定所述目标视频中有在说话的目标人物，则开始获取所述目标视频的语音识别结果，直至根据所述目标人物的状态和/或所述目标视频的音频波形幅值判定所述目标人物不再说话；

所述字幕信息生成模块，用于根据获取的语音识别结果生成所述目标人物对应的字幕信息。

7.根据权利要求6所述的字幕生成装置，其特征在于，所述目标人物判断模块在根据所述目标视频中所包含人物的状态，判断所述目标视频中是否有在说话的目标人物时，具体用于若所述目标视频中有由第一状态切换为第二状态的人物，则判定所述目标视频中有在说话的目标人物。

8.根据权利要求6所述的字幕生成装置，其特征在于，所述目标人物判断模块，具体用于若所述目标视频中有由第一状态切换为第二状态的人物，且所述目标视频的音频波形幅值大于或等于预设的幅值阈值，则判定所述目标视频中有在说话的目标人物。

9.根据权利要求6所述的字幕生成装置，其特征在于，所述字幕信息生成模块，具体用于根据获取的所述语音识别结果在指定字幕轨道上生成所述目标人物对应的字幕信息，其中，不同目标人物对应的字幕信息所对应的字幕轨道不同。

10.根据权利要求6所述的字幕生成装置，其特征在于，还包括：信息获取模块；

所述信息获取模块，用于获取所述目标人物的角色信息和/或标签信息；

所述字幕信息生成模块，用于根据获取的所述语音识别结果和所述目标人物的角色信息和/或标签信息，生成所述目标人物对应的字幕信息。