[发明专利]多人视频方法、装置、设备及存储介质

说明书

本公开提供了一种多人视频方法，包括：生成用户的声纹；生成用户的人像模型；为用户配置身份识别号码；通过身份识别号码，匹配用户的声纹和人像模型；通过获取说话人的声音识别说话人的声纹，调取说话人的声纹对应的身份识别号码，基于说话人的身份识别号码，调取说话人的人像模型；以及实时的合成说话人的声音和人像模型。本公开还提供了一种多人视频装置、电子设备及可读存储介质。

技术领域

本公开涉及一种多人视频方法、多人视频装置、电子设备及可读存储介质。

背景技术

视频是远程解决问题和交流感情最重要直观的方式。但现实中很多场景下，由于网速或没有摄像头等原因，无法实现视频交流。

现有技术中的视频方法或系统需要用户在摄像头范围内，不能在无摄像头情况下工作，网速要快，在有网速且有摄像头的情况下，用户也必须盯着屏幕，无法同时处理其他事情或者离开摄像头范围。

声纹是携带言语信息的声波频谱。声纹不仅具有特定性，而且有相对稳定性的特点。成年以后，人的声音可保持长期相对稳定不变。实验证明，无论讲话者是故意模仿他人声音和语气，还是耳语轻声讲话，即使模仿得惟妙惟肖，其声纹却始终不相同。

发明内容

为了解决上述技术问题中的至少一个，本公开提供了一种多人视频方法、多人视频装置、电子设备及可读存储介质。

根据本公开的一个方面，一种多人视频方法，包括：生成用户的声纹；生成用户的人像模型；为用户配置身份识别号码；通过身份识别号码，匹配用户的声纹和人像模型；通过获取说话人的声音识别说话人的声纹，调取说话人的声纹对应的身份识别号码，基于说话人的身份识别号码，调取说话人的人像模型；以及实时的合成说话人的声音和人像模型。

根据本公开的至少一个实施方式，生成用户的声纹包括：录入用户的多个声音，并对多个声音进行训练，生成用户的声纹。

根据本公开的至少一个实施方式，生成用户的人像模型包括：录入用户的多个照片和/或视频，提取每个照片和/或视频的头部姿态特征、唇部姿态特征、脸部姿态特征和/或眼部姿态特征，基于多个照片和/或视频的头部姿态特征、唇部姿态特征、脸部姿态特征和/或眼部姿态特征，生成用户的人像模型。

根据本公开的至少一个实施方式，如果多人说话或者对话，基于各个说话人的声音识别各个说话人的声纹，基于各个说话人的声纹获取各个说话人的身份识别号码，基于各个说话人的身份识别号码，调取各个说话人的人像模型。

根据本公开的至少一个实施方式，还包括：如果多人说话或者对话，基于各个说话人的声音识别各个说话人的声纹，基于各个说话人的声纹识别各个说话人的性别，基于各个说话人的性别将说话人分为两组，对于每组说话人，基于各个说话人的声纹获取各个说话人的身份识别号码，基于各个说话人的身份识别号码，调取各个说话人的人像模型。

根据本公开的至少一个实施方式，用户的声纹和/或用户的人像模型存储在终端和/或云端。

根据本公开的至少一个实施方式，合成的说话人的声音和人像模型配置在虚拟场景中。

根据本公开的另一方面，一种多人视频装置，包括：声纹生成模块，声纹生成模块生成用户的声纹；人像模型生成模块，人像模型生成模块生成用户的人像模型；身份识别号码配置模块，身份识别号码配置模块为用户配置身份识别号码；视频模块，视频模块通过获取说话人的声音识别说话人的声纹，调取说话人的声纹对应的身份识别号码，基于说话人的身份识别号码，调取说话人的人像模型；以及实时的合成说话人的声音和人像模型。

根据本公开的又一方面，一种电子设备，包括：存储器，存储器存储计算机执行指令；以及处理器，处理器执行存储器存储的计算机执行指令，使得处理器执行上述的方法。

根据本公开的再一方面，一种可读存储介质，可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述的方法。