[发明专利]混合音频标记方法和装置

说明书

本发明公开了一种混合音频标记方法和装置。其中，该方法包括：获取待标记的第一音频，和与第一音频同步的第一视频，其中，第一音频中包括多个对象的音频，第一视频中包括多个对象的面部信息；识别第一视频中当前对象的口型，得到当前对象产生音频的第一时间段，其中，多个对象中包括当前对象；为第一音频中处于第一时间段的目标音频添加当前对象的身份标识。本发明解决了对混合音频进行标记效率低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种混合音频标记方法和装置。

背景技术

现有技术中，在对预定场景进行录音之后，录音中通常包含了多个人的音频信息，录音内容为混合音频。而在对混合音频中的音频信息进行分割前，通常需要对混合音频中的音频进行身份的标记，以区分每一句是由谁说的。而标记方法，一般为人为的播放混合音频，并将混合音频中的每一段是谁的音频进行标记。

而若是采用上述方法，则对混合音频进行标记的效率低，进一步造成对混合音频进行分离的效率低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种混合音频标记方法和装置，以至少解决对混合音频进行标记效率低的技术问题。

根据本发明实施例的一个方面，提供了一种混合音频标记方法，包括：获取待标记的第一音频，和与上述第一音频同步的第一视频，其中，上述第一音频中包括多个对象的音频，上述第一视频中包括上述多个对象的面部信息；识别上述第一视频中当前对象的口型，得到上述当前对象产生音频的第一时间段，其中，上述多个对象中包括上述当前对象；为上述第一音频中处于上述第一时间段的目标音频添加上述当前对象的身份标识。

作为一种可选的示例，上述识别上述第一视频中上述当前对象的口型，得到上述当前对象产生音频的第一时间段包括：识别上述第一视频的每一帧中，上述当前对象的第一面部信息；将上述第一面部信息中，口型处于打开状态的第一帧图像所在的时间点作为上述第一时间段的开始时间点；将上述第一面部信息中，口型处于打开状态的最后一针图像所在的时间点作为上述第一时间段的结束时间点。

作为一种可选的示例，在为上述第一音频中处于上述第一时间段的上述目标音频添加上述当前对象的上述身份标识之前，上述方法还包括：将上述当前对象的第一面部信息与数据库中预存的多个面部信息进行比对，其中，上述数据库中预存的每一个上述面部信息对应一个身份标识；在上述第一面部信息与上述数据库中的当前面部信息的相似度大于或等于第二阈值的情况下，将上述当前面部信息对应的身份标识确定为上述当前对象的身份标识；在上述第一面部信息与上述数据库中的每个上述面部信息的相似度均小于上述第二阈值的情况下，为上述当前对象创建身份标识；将上述当前对象的上述第一面部信息与上述当前对象的身份标识保存到上述数据库中。

作为一种可选的示例，在为上述第一音频中处于上述第一时间段的上述目标音频添加上述当前对象的上述身份标识之后，上述方法还包括：将上述目标音频转换成第一文字信息；获取上述当前对象的目标文字信息，其中，上述目标文字信息为上述第一视频中上述当前对象陈述的内容；在上述第一文字信息与上述目标文字信息相似度大于或等于第一阈值的情况下，将上述第一文字信息添加到与上述当前对象的身份标识对应的存储位置；在上述第一文字信息与上述目标文字信息相似度小于第一阈值的情况下，删除为上述目标音频添加的上述身份标识。

作为一种可选的示例，在为上述第一音频中处于上述第一时间段的上述目标音频添加上述当前对象的上述身份标识之后，上述方法还包括：从上述第一音频中截取上述目标音频；将截取的上述目标音频存储到与上述当前对象的身份标识对应的存储位置。