[发明专利]视讯通信系统、装置及其字幕显示方法

说明书

技术领域

本发明涉及一种视讯通信系统、装置及其字幕显示方法，特别是适用于视讯会议的视讯通信系统、装置及其显示方法。 

背景技术

随着VoIP、DSP处理、网络带宽等技术的发展，当代人们已经能够方便的通过视讯会议系统在异地进行通话，并且通过图像来看到对方的音容笑貌。传统的视讯会议系统通常包括视讯终端，传输网络及多点控制单元MCU。视讯终端用于接收本地的音视频输入，并把音视频码流进行编码，再通过传输网络发送到远端，其也用于接收远端来的音视频码流，并进行解码，然后再通过本地的扬声器和显示器还原远端的声音和图像；MCU主要用于会议控制和媒体交换，如可以通过MCU来召开一个或者多个多点会议，MCU还接收各个终端来的音视频码流，并进行混音和组合多画面，然后把处理过的音视频码流发送给对应的终端。然而，上述传统视讯通信系统大都不支持实时的字幕显示功能，如果能在会议中实时显示字幕，把说话者的声音转化为文字，并在屏幕上同步显示出来，不但可提高用户的视觉体验，同时也可使得有听力障碍或者有语言障碍的人能够使用视讯系统来进行通讯，减少沟通障碍。 

一种现有的带字幕显示的视讯会议解决方案是在开会的时候由终端通过界面输入需要发送的字幕，并把输入的文本叠加到图像上，对图像进行编码，然后发送到接收端，接收端接收到图像之后，对图像解码并显示。然而，此种现有技术的缺陷在于需要大量的人工输入，通常需要事先编辑好显示的字幕内容，且无法实现实时传输字幕内容，因此，此种字幕显示方法通常仅仅只适用于会议的信息通知上。 

美国第5,774,857号专利揭示了一种带字幕显示的通讯设备，其通过在接收端外接电话机和一些用户接口如键盘，并集成语音识别模块，当用户通过电话 建立通话后，设备接收远端来的语音信号，然后通过语音识别模块把接收的语音信号转换成文本信号，再通过一个射频调制器把文本信号调制到视频基带信号中，然后送到电视进行显示。然而，在发明过程中，发明人发现了如下的技术问题：上述现有设备通过射频调制器把文本信号调制成射频信号调制到视频基带信号后再显示，大大增加了字幕显示的技术复杂度，实时性不高；其次，上述现有设备的语音识别模块设置于接收端，不利于用户进行语音识别训练；再次，在多点会议中，如果上述现有设备接收的语音信号是多个人的语音合成信号时，单一的语音识别模块无法同时识别不同的语音信号，导致识别信号紊乱，不能正确显示字幕。 

发明内容

为了克服现有视讯通信系统的字幕显示技术复杂、实时性不高的不足，本发明提供一种视讯通信系统、装置及其字幕显示方法，其字幕显示方法简单，实时性高。 

在本发明的一个实施例中，可以提供一种视讯通信控制装置，其包括多点控制单元，接入视讯通信系统的多个视讯终端装置通过连接多点控制单元实现会议控制和媒体交换，所述视讯终端装置分别包括语音拾取模块和影像拾取模块，所述多点控制单元内部集成了多个语音识别模块和视频编码模块，每一语音识别模块分别与一接入视讯通信系统的视讯终端装置的语音拾取模块连接并将其收集的语音信号转换成文本信号传输给一视频编码模块，所述视频编码模块将所述文本信号和其他会议参加人需接收显示的会场视讯终端的影像拾取模块收集的图像视频信号叠加编码发送，所述多点控制单元根据接入视讯通信系统的视讯终端装置数量或系统设置的最大启动数量相应配置并启动至少一个语音识别模块和至少一个视频编码模块，所述多点控制单元还包括一混音模块，其根据多点控制单元启动的语音识别模块数量相应选取对应数量的语音信号，并对所选取的对应数量的语音信号解码之后的语音数据进行混音，将每一选取的语音信号被分别传输至一语音识别模块进行文字信息转换，再分别多点分发 到对应其他与会者的视频编码模块与视频信号叠加编码，将混音数据以及叠加编码之后的视频信号发送给对应的视讯终端装置。 

相较于现有技术而言，本发明实施例中的技术方案至少具有如下的优点：本发明实施例通过将语音信号识别成文本信号直接叠加到视频信号上编码传输，用户可直接解码显示图像和对应语音的文字信息，其方法简单且实时性高。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 

图1是本发明实施例视讯通信系统、装置点对点通信第一实施例的原理示意图；