视频修正方法、装置、可读介质及电子设备
技术领域
本公开涉及视频处理领域，具体地，涉及一种视频修正方法、装置、可读介质及电子设备。
背景技术
近年来，随着互联网技术的快速发展和设备硬件配置的升级，电子设备的功能越来越丰富，越来越多的用户使用电子设备开展娱乐活动，例如，使用电子设备进行视频直播(例如，西瓜视频)、视频播客拍摄等视频录制活动。目前，在视频录制过程中，可能会出现错误发音(例如，发音不准、说错词汇)或者敏感词汇。为此，需要对录制好的视频进行修正，现阶段主要采用重新录制、视频剪辑和后处理等方式进行修正，费时费力，并且无法批量自动化修正。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种视频修正方法，所述方法包括：
获取目标视频数据，所述目标视频数据包括音频数据；
根据所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；
从所述目标视频数据中确定与所述待修正词对应的第一目标视频帧；
获取与所述替换词对应的第二目标视频帧；
将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。
第二方面，本公开提供一种视频修正装置，所述装置包括：
第一获取模块，用于获取目标视频数据，所述目标视频数据包括音频数据；
第一确定模块，用于根据所述第一获取模块获取到的所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；
第二确定模块，用于从所述目标视频数据中确定与所述第一确定模块确定出的所述待修正词对应的第一目标视频帧；
第二获取模块，用于获取与所述第一确定模块确定出的所述替换词对应的第二目标视频帧；
替换模块，用于将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面提供的所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。
在上述技术方案中，在获取到目标视频数据后，可以根据该目标视频数据中的音频数据对应的文本信息，确定待修正词和用于替换该待修正词的替换词；然后，从目标视频数据中确定与待修正词对应的第一目标视频帧，并获取与替换词对应的第二目标视频帧；最后，将目标视频数据中的第一目标视频帧替换为第二目标视频帧，得到修正后的目标视频数据。这样，可以实现视频的自动修正，省时省力，方便快捷，适用于视频的批量修正。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种视频修正方法的流程图。
图2是根据一示例性实施例示出的一种确定与替换词对应的第二目标视频帧的方法的流程图。
图3是根据一示例性实施例示出的一种从多个视频帧组合中确定与替换词对应的第二目标视频帧的方法的流程图。
图4是根据另一示例性实施例示出的一种视频修正方法的流程图。
图5是根据一示例性实施例示出的一种视频修正装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种视频修正方法的流程图。如图1所示，该方法包括S101～S105。
在S101中，获取目标视频数据，其中，目标视频数据包括音频数据。
在本公开中，目标视频数据可以是关于某一主持人或者主播的视频。
在S102中，根据音频数据对应的文本信息，确定待修正词和用于替换待修正词的替换词。
在本公开中，文本信息可以是目标视频数据中的字幕数据，也可以根据音频数据获取到的文本内容。
在本公开中，可以根据音频数据，通过多种方式获取到的音频数据对应的文本信息。在一种实施方式中，可以通过接收用户输入的音频数据对应的文本信息的方式来获取上述文本信息。
在另一种实施方式中，可以将该音频数据输入至第一语音识别模型(例如，前馈神经网络(Deep-feedforward sequential memory networks，DFSMN)模型、长短时记忆网络(Long Short-Term Memory，LSTM)模型等)中，以通过该语音识别模型对该音频数据进行语音识别，以得到上述文本信息。该种方式可以自动获取到音频数据对应的文本信息，方便快捷。
在本公开中，可以通过多种方式确定待修正词和用于替换该待修正词的替换词。在一种实施方式中，可以通过接收用户输入的待修正词和用于替换该待修正词的替换词来得到目标视频数据中的待修正词和相应的替换词。
在另一种实施方式中，获取到音频数据对应的文本信息后，输出该文本信息；然后，由用户根据该文本信息，确定待修正词和用于替换待修正词的替换词，并将其输入至用于执行视频修正方法的电子设备(例如，终端设备或服务器)中；之后，该电子设备将用户输入的待修正词和用于替换待修正词的替换词确定为目标视频数据中的待修正词和相应的替换词。
在又一种实施方式中，将该文本信息与目标视频数据对应的剧本信息进行匹配，将匹配失败的词确定为待修正词，并将剧本信息中、与该待替换词不匹配的词确定为用于替换该待修正词的替换词。该种方式不需要人工参与，可以自动确定待修正词和相应的替换词，省时省力。
需要说明的是，确定出的待修正词可以为一个或者多个，相应地，针对每一待修正词，可以确定出一用于替换该待修正词的替换词，即确定出的替换词的数量与待修正词的数量相同。
在S103中，从目标视频数据中确定与待修正词对应的第一目标视频帧。
在S104中，获取与替换词对应的第二目标视频帧。
在S105中，将目标视频数据中的第一目标视频帧替换为第二目标视频帧，以得到修正后的目标视频数据。
另外，需要说明的是，上述S104可以在S103之后执行，也可以在S103之前执行，还可以与S103同时执行，在本公开中不作具体限定。
在上述技术方案中，在获取到目标视频数据后，可以根据该目标视频数据中的音频数据对应的文本信息，确定待修正词和用于替换该待修正词的替换词；然后，从目标视频数据中确定与待修正词对应的第一目标视频帧，并获取与替换词对应的第二目标视频帧；最后，将目标视频数据中的第一目标视频帧替换为第二目标视频帧，得到修正后的目标视频数据。这样，可以实现视频的自动修正，省时省力，方便快捷，适用于视频的批量修正。
下面针对上述S103中的从目标视频数据中确定与待修正词对应的第一目标视频帧的具体实施方式进行详细说明。
在一种实施方式中，可以将组成待修正词的各字符在目标视频数据中对应的视频帧，按照相应字符在待修正词中的顺序进行拼接，以得到与待修正词对应的第一目标视频帧。
在另一种方式，将组成待修正词的音素在目标视频数据中对应的视频帧进行拼接，以得到第一目标视频帧。
在本公开中，音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素；音素分为元音与辅音两大类。示例地，对于中文来说，音素包括声母(声母，是使用在韵母前面的辅音，跟韵母一起构成一个完整的音节)和韵母(即元音)。对于英文来说，音素包括元音和辅音。
具体来说，可以通过以下方式得到第一目标视频帧：
(1)确定文本信息所包含的每一音素对应的视频帧，其中，每一音素通常对应多个视频帧(例如，230个)。
示例地，可以将目标视频数据输入至第二语音识别模型(例如，隐马尔可夫模型(Hidden Markov Model，HMM)、双向长短时记忆网络模型等)中，以得到文本信息所包含的每一音素对应的视频帧。
(2)将组成待修正词的音素在目标视频数据中对应的视频帧，按照相应音素在待修正词中的顺序进行拼接，得到第一目标视频帧。
示例地，目标视频数据包括4000个视频帧，该目标视频数据中音频数据对应的文本信息为“我爱你，中国”，其所包含的音素为：w、o、a、i、n、i、zh、ong、g、uo，各音素对应的视频帧分别为1-200帧、201-599帧、600-968帧、969-1265帧、1266-1769帧、1770-1999帧、2000-2546帧、2547-2968帧、2969-3602帧、3603-4000帧，待修正词为“中国”，组成“中国”的音素分别为zh、ong、g、uo。其中，目标视频数据中与音素zh、ong、g、uo分别对应的视频帧分别为2000-2546帧、2547-2968帧、2969-3602帧、3603-4000帧，将它们按照相应音素在待修正词中的前后顺序进行拼接，得到2000-4000帧，即第一目标视频帧为目标视频数据中的2000-4000帧。
下面针对上述S104中的获取与替换词对应的第二目标视频帧的具体实施方式进行详细说明。
在一种实施方式中，可以将替换词拆分为多个字符；然后，根据预先存储的字符与视频帧的对应关系，确定上述每一字符对应的视频帧；最后按照该字符在替换词中的顺序，将每一字符对应的视频帧进行拼接，得到与替换词对应的第二目标视频帧。其中，字符与视频帧的对应关系可以通过以下方式来建立：获取预先录制的关于上述主持人或者主播的大量视频数据(即目标视频数据与该预先录制的大量视频数据均是关于同一主持人或者主播的视频)，然后，从大量视频数据中提取常用字符对应的视频帧(字符与视频帧是一一对应的关系)，并建立各常用字符与对应的视频帧的对应关系。
由于大量视频数据中提取常用字符对应的视频帧时，提取视频帧的精度有所欠缺，例如，可能出现多提取或者少提取几个视频帧的情况，由此，造成根据字符与视频帧的对应关系确定出的第二目标视频帧的准确度不高。为此，可以基于音素级别的视频帧来确定与替换词对应的第二目标视频帧，以提升第二目标视频帧的准确度。具体来说，在另一种实施方式中，可以通过图2中所示的S1041～S1044来实现。
在S1041中，确定替换词所包含的音素，以得到多个目标音素。
在本公开中，可以先将替换词拆分为字符，然后确定每一字符所包含的音素，即得到多个目标音素。
在S1042中，根据预先存储的音素与视频帧的对应关系，获取与每一目标音素分别对应的视频帧。
在本公开中，在音素与视频帧的对应关系中，每一音素对应有至少一组视频帧，每一组视频帧由多个连续的视频帧构成。其中，音素与视频帧的对应关系可以通过以下方式来建立：获取预先录制的上述主持人或者主播的大量视频数据，然后，从大量视频数据中提取各音素对应的视频帧，其中，针对每一音素，可以提取到多组视频帧，之后，建立各音素与相应多组视频帧之间的对应关系。
其中，可以通过以下方式从大量视频数据中提取各音素对应的视频帧：针对大量视频数据中的每一视频数据，将该视频数据输入至第二语音识别模型中，以得到参考文本信息所包含的每一音素对应的视频帧，其中，参考文本信息为该视频数据中音频数据对应的文本信息；然后，从各参考文本信息所包含的每一音素对应的视频帧中，获取不同音素对应的多组视频帧。
在S1043中，将不同目标音素对应的视频帧、按照目标音素在替换词中的顺序进行组合，以得到多个视频帧组合。
示例地，替换词“中国”所包含的音素分别为：zh、ong、g、uo，即得到多个目标音素；根据预先存储的音素与视频帧的对应关系，得到音素“zh”对应有100组视频帧，音素“ong”对应有300组视频帧，音素“g”对应有246组视频帧，音素“uo”对应有368组视频帧；将目标音素zh、ong、g、uo对应的视频帧、按照目标音素在替换词中的顺序进行组合，得到(100*300*246*368)个视频帧组合。
在S1044中，从多个视频帧组合中确定与替换词对应的第二目标视频帧。
下面针对上述S1044中的从多个视频帧组合中确定与替换词对应的第二目标视频帧的具体实施方式进行详细说明。
在一种实施方式中，针对每一视频帧组合，将目标视频数据中的第一目标视频帧替换为视频帧组合，得到候选视频数据；然后，通过人工来判定候选视频的平滑度，以及其是否存在违和感、不真实感等，以从所有候选视频数据中筛选出效果最优的视频数据，并将其对应的视频帧组合作为与替换词对应的第二目标视频帧。
当视频帧组合数量较多时，需要耗费大量的人工去筛选，并且可能会因筛选人的主观因素导致筛选出的视频数据并非是最优的，即筛选出的视频帧组合并非是最优的，从而影响到后续目标视频数据的修正效果。为此，在另一种实施方式中，可以通过图3中所示的S301～S304来从多个视频帧组合中确定与替换词对应的第二目标视频帧。
在S301中，针对每一视频帧组合，将目标视频数据中的第一目标视频帧替换为视频帧组合，得到候选视频数据。
在S302中，根据视频帧组合和候选视频数据中、位于视频帧组合之前的预设数量的视频帧，预测视频帧组合之后的N个视频帧。
在本公开中，N为目标视频数据中、位于第一目标视频帧之后的视频帧的数量。示例地，可以通过循环神经网络(Recurrent Neural Network，RNN)模型、简单循环单元(Simple Recurrent Unit，SRU)模型来预测视频帧组合之后的N个视频帧。
在S303中，计算真实视频帧与N个视频帧之间的相似度。
在本公开中，真实视频帧包括目标视频数据中、位于第一目标视频帧之后的视频帧。示例地，可以通过计算真实视频帧与N个视频帧之间的均方误差来确定二者之间的相似度。
在S304中，将与真实视频帧之间的相似度最高的N个视频帧对应的视频帧组合确定为与替换词对应的第二目标视频帧。
在又一种实施方式中，可以针对每一视频帧组合，将目标视频数据中的第一目标视频帧替换为视频帧组合，得到候选视频数据，然后，将候选视频数据输入至视频语言模型(例如，RNN)模型、SRU模型等)，得到与替换词对应的第二目标视频帧。其中，所述视频语言模型用于根据视频帧组合和候选视频数据中、位于视频帧组合之前的预设数量的视频帧，预测视频帧组合之后的N个视频帧，计算真实视频帧与N个视频帧之间的相似度，并将与真实视频帧之间的相似度最高的N个视频帧对应的视频帧组合确定为与替换词对应的第二目标视频帧。
其中，视频语言模型可以通过以下方式训练得到：
获取上述主持人或主播的大量参考视频数据以及每一参考视频数据的参考修正词和用于替换该参考修正词的参考替换词；从参考视频数据中确定与所述参考修正词对应的第一参考视频帧；获取参考替换词对应的多个参考视频帧组合；针对每一参考视频帧组合，将参考视频数据中的第一参考视频帧替换为参考视频帧组合，得到多个候选参考视频数据；将多个候选参考视频数据输入至初始视频语言模型中，得到参考替换词对应的第二参考视频帧；根据第二参考视频与针对参考替换词重新录制的视频的比较结果，对模型参数进行更新，最终得到视频语言模型。
其中，在预测视频帧组合之后的N个视频帧时，是根据视频帧组合和候选视频数据中、位于视频帧组合之前的预设数量的视频帧进行预测的，即预测时考虑了目标视频数据中前后视频帧信息(包括声学信息和图像信息)，这样，能够提升预测的精度，从而能够筛选出最优的视频帧组合，提升候选目标视频数据的修正效果。
图4是根据另一示例性实施例示出的一种视频修正方法的流程图。如图4所示，上述视频修正方法还可以包括以下S106。
在S106中，对修正后的目标视频数据进行平滑处理。
将目标视频数据中的第一目标视频帧直接替换为第二目标视频帧，得到的修正后的目标视频数据可能会存在不连续和失真的情况。为此，在得到修改后的目标视频数据后，可以对其进行平滑处理，以提升修正后的目标视频数据的真实度和自然度。示例地，可以通过中值滤波的方式来实现平滑处理。具体来说，可以将修正后的目标视频数据中的第i帧后的连续M(例如，10)帧和该第i帧的平均值作为目标视频数据的第i帧，其中，修正后的目标视频数据中的最后M-1帧可不作处理。示例地，将修正后的目标视频数据中的第1帧后的连续10帧和第1帧(即第1～11帧)的平均值作为目标视频数据的第1帧，将修正后的目标视频数据中的第2帧后的连续10帧和第2帧(即第2～12帧)的平均值作为该第2帧，将修正后的目标视频数据中的第3帧后的连续10帧和第3帧(即第3～13帧)的平均值作为目标视频数据的第3帧，……，以此类推，可以到平滑处理后的视频数据。
图5是根据一示例性实施例示出的一种视频修正装置的框图。如图5所示，该装置500可以包括：第一获取模块501，用于获取目标视频数据，所述目标视频数据包括音频数据；第一确定模块502，用于根据所述第一获取模块获取到的所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；第二确定模块503，用于从所述目标视频数据中确定与所述第一确定模块502确定出的所述待修正词对应的第一目标视频帧；第二获取模块504，用于获取与所述第一确定模块502确定出的所述替换词对应的第二目标视频帧；替换模块，用于将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。
在本公开中，目标视频数据可以是关于某一主持人或者主播的视频。文本信息可以是目标视频数据中的字幕数据，也可以根据音频数据获取到的文本内容。
在本公开中，第一确定模块502可以根据音频数据，通过多种方式获取到的音频数据对应的文本信息。在一种实施方式中，可以通过接收用户输入的音频数据对应的文本信息的方式来获取上述文本信息。
在另一种实施方式中，可以将该音频数据输入至第一语音识别模型中，以通过该语音识别模型对该音频数据进行语音识别，以得到上述文本信息。该种方式可以自动获取到音频数据对应的文本信息，方便快捷。
在本公开中，第一确定模块502可以通过多种方式确定待修正词和用于替换该待修正词的替换词。在一种实施方式中，可以通过接收用户输入的待修正词和用于替换该待修正词的替换词来得到目标视频数据中的待修正词和相应的替换词。
在另一种实施方式中，获取到音频数据对应的文本信息后，输出该文本信息；然后，由用户根据该文本信息，确定待修正词和用于替换待修正词的替换词，并将其输入至用于执行视频修正方法的电子设备(例如，终端设备或服务器)中；之后，该电子设备将用户输入的待修正词和用于替换待修正词的替换词确定为目标视频数据中的待修正词和相应的替换词。
在又一种实施方式中，将该文本信息与目标视频数据对应的剧本信息进行匹配，将匹配失败的词确定为待修正词，并将剧本信息中、与该待替换词不匹配的词确定为用于替换该待修正词的替换词。该种方式不需要人工参与，可以自动确定待修正词和相应的替换词，省时省力。
在上述技术方案中，在获取到目标视频数据后，可以根据该目标视频数据中的音频数据对应的文本信息，确定待修正词和用于替换该待修正词的替换词；然后，从目标视频数据中确定与待修正词对应的第一目标视频帧，并获取与替换词对应的第二目标视频帧；最后，将目标视频数据中的第一目标视频帧替换为第二目标视频帧，得到修正后的目标视频数据。这样，可以实现视频的自动修正，省时省力，方便快捷，适用于视频的批量修正。
在一种实施方式中，所述第二确定模块503用于将组成待修正词的各字符在目标视频数据中对应的视频帧，按照相应字符在待修正词中的顺序进行拼接，以得到与待修正词对应的第一目标视频帧。
在另一种实施方式中，所述第二确定模块503用于将组成所述待修正词的音素在所述目标视频数据中对应的视频帧进行拼接，以得到所述第一目标视频帧。
在一种实施方式中，第二获取模块504用于将替换词拆分为多个字符；然后，根据预先存储的字符与视频帧的对应关系，确定上述每一字符对应的视频帧；最后按照该字符在替换词中的顺序，将每一字符对应的视频帧进行拼接，得到与替换词对应的第二目标视频帧。其中，字符与视频帧的对应关系可以通过以下方式来建立：获取预先录制的关于上述主持人或者主播的大量视频数据(即目标视频数据与该预先录制的大量视频数据均是关于同一主持人或者主播的视频)，然后，从大量视频数据中提取常用字符对应的视频帧(字符与视频帧是一一对应的关系)，并建立各常用字符与对应的视频帧的对应关系。
在另一种实施方式中，所述第二获取模块504包括：第一确定子模块，用于确定所述替换词所包含的音素，以得到多个目标音素；获取子模块，用于根据预先存储的音素与视频帧的对应关系，获取与每一所述目标音素分别对应的视频帧，其中，在所述对应关系中，每一所述音素对应有至少一组视频帧；组合子模块，用于将不同目标音素对应的视频帧、按照所述目标音素在所述替换词中的顺序进行组合，以得到多个视频帧组合；第二确定子模块，用于从所述多个视频帧组合中确定与所述替换词对应的第二目标视频帧。
可选地，所述第二确定子模块包括：替换子模块，用于针对每一所述视频帧组合，将所述目标视频数据中的所述第一目标视频帧替换为所述视频帧组合，得到候选视频数据；预测子模块，用于根据所述视频帧组合和所述候选视频数据中、位于所述视频帧组合之前的预设数量的视频帧，预测所述视频帧组合之后的N个视频帧，其中，N为所述目标视频数据中、位于所述第一目标视频帧之后的视频帧的数量；计算子模块，用于计算真实视频帧与所述N个视频帧之间的相似度，其中，所述真实视频帧包括所述目标视频数据中、位于所述第一目标视频帧之后的视频帧；视频帧确定子模块，用于将与所述真实视频帧之间的相似度最高的N个视频帧对应的视频帧组合确定为与所述替换词对应的第二目标视频帧。
可选地，所述装置500还包括：平滑模块，用于对所述修正后的目标视频数据进行平滑处理。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标视频数据，所述目标视频数据包括音频数据；根据所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；从所述目标视频数据中确定与所述待修正词对应的第一目标视频帧；获取与所述替换词对应的第二目标视频帧；将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取目标视频数据的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种视频修正方法，包括：获取目标视频数据，所述目标视频数据包括音频数据；根据所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；从所述目标视频数据中确定与所述待修正词对应的第一目标视频帧；获取与所述替换词对应的第二目标视频帧；将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述从所述目标视频数据中确定与所述待修正词对应的第一目标视频帧，包括：
将组成所述待修正词的音素在所述目标视频数据中对应的视频帧进行拼接，以得到所述第一目标视频帧。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述获取与所述替换词对应的第二目标视频帧，包括：确定所述替换词所包含的音素，以得到多个目标音素；根据预先存储的音素与视频帧的对应关系，获取与每一所述目标音素分别对应的视频帧，其中，在所述对应关系中，每一所述音素对应有至少一组视频帧；将不同目标音素对应的视频帧、按照所述目标音素在所述替换词中的顺序进行组合，以得到多个视频帧组合；从所述多个视频帧组合中确定与所述替换词对应的第二目标视频帧。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述从所述多个视频帧组合中确定与所述替换词对应的第二目标视频帧，包括：针对每一所述视频帧组合，将所述目标视频数据中的所述第一目标视频帧替换为所述视频帧组合，得到候选视频数据；根据所述视频帧组合和所述候选视频数据中、位于所述视频帧组合之前的预设数量的视频帧，预测所述视频帧组合之后的N个视频帧，其中，N为所述目标视频数据中、位于所述第一目标视频帧之后的视频帧的数量；计算真实视频帧与所述N个视频帧之间的相似度，其中，所述真实视频帧包括所述目标视频数据中、位于所述第一目标视频帧之后的视频帧；将与所述真实视频帧之间的相似度最高的N个视频帧对应的视频帧组合确定为与所述替换词对应的第二目标视频帧。
根据本公开的一个或多个实施例，示例5提供了示例1-4中任一项所述的方法，还包括：对所述修正后的目标视频数据进行平滑处理。
根据本公开的一个或多个实施例，示例6提供了一种视频修正装置包括：第一获取模块，用于获取目标视频数据，所述目标视频数据包括音频数据；第一确定模块，用于根据所述第一获取模块获取到的所述音频数据对应的文本信息，确定待修正词和用于替换所述待修正词的替换词；第二确定模块，用于从所述目标视频数据中确定与所述第一确定模块确定出的所述待修正词对应的第一目标视频帧；第二获取模块，用于获取与所述第一确定模块确定出的所述替换词对应的第二目标视频帧；替换模块，用于将所述目标视频数据中的所述第一目标视频帧替换为所述第二目标视频帧，以得到修正后的目标视频数据。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述第二确定模块用于将组成所述待修正词的音素在所述目标视频数据中对应的视频帧进行拼接，以得到所述第一目标视频帧。
根据本公开的一个或多个实施例，示例8提供了示例6的方法，所述第二获取模块包括：第一确定子模块，用于确定所述替换词所包含的音素，以得到多个目标音素；获取子模块，用于根据预先存储的音素与视频帧的对应关系，获取与每一所述目标音素分别对应的视频帧，其中，在所述对应关系中，每一所述音素对应有至少一组视频帧；组合子模块，用于将不同目标音素对应的视频帧、按照所述目标音素在所述替换词中的顺序进行组合，以得到多个视频帧组合；第二确定子模块，用于从所述多个视频帧组合中确定与所述替换词对应的第二目标视频帧。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-5中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-5中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
