一种音频处理方法、装置、电子设备及存储介质与流程

本公开涉及音频处理技术领域，尤其涉及一种音频处理方法、装置、电子设备及存储介质。

背景技术：

在视频编辑时，通常对用户导入视频的进行转码，再抽取图像帧，然后分析抽取图像帧的清晰度、色彩丰富度、画面意义显著性等，在此基础上，以不同权重对视频画面的质量打分，依据一定的量化标准(如裁剪时长范围、是否需按音乐节拍卡点等)，裁剪出最优质、精彩的视频内容，并根据其他维度(如视频内容的场景等)，为视频选择合适音乐和图像装饰特效。

相关技术中，在通过图像处理技术对视频或者混合的视频和图片进行智能化裁剪编辑时，注重视频画面的基础特征(比如清晰度、色彩丰富度以及画面意义等)、内容场景等基础信息，未将视频中的原音频作为智能化编辑的参考信息。目前，对视频进行智能化裁剪编辑时，会将视频中的原音频内容简单化处理，比如将视频中的原声的音量默认为零，然后，基于该视频的内容和场景，为该视频选择一首合适的配乐，从而生成合成视频。

但是，相关技术中，由于视频中的音频作为该视频内容中的重要信息，在智能化裁剪编辑的过程中，会被完全抹掉，使该视频丢失了原有的音频(比如人声等)，降低了视频的表现力。

技术实现要素：

本公开提供一种音频处理方法、装置、电子设备及存储介质，以至少解决相关技术中由于在对视频进行智能裁剪编辑时，完全抹掉视频中的音频，导致视频的表现力差的技术问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种音频处理方法，包括：

对待处理视频的原音频数据进行人声检测，得到人声检测结果；

获取所述待处理视频的配乐音频数据；

根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。

可选的，所述根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理，包括：

根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理；

将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加。

可选的，所述人声检测结果包括：人声出现的音频时间段；所述根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理，包括：

将所述人声出现的音频时间段对应的所述原音频数据乘以第一增益系数，并将该音频时间段对应的所述配乐音频数据乘以第二增益系数；

将人声未出现的音频时间段对应的所述原音频数据乘以第三增益系数，并将该音频时间段对应的配乐音频数据乘以第四增益系数。

可选的，所述第一增益系数为1，所述第二增益系数小于1；所述第三增益系数为0，所述第四增益系数为1。

可选的，所述方法还包括：

对所述人声出现的音频时间段和所述人声未出现的音频时间段的连接点，在所述连接点两侧预设时间段内，对所述连接点两侧的对应增益系数进行渐变处理。

可选的，所述人声检测结果还包括：人声出现的概率，所述方法还包括:

判断所述人声出现的概率是否达到预设阈值；

如果所述人声出现的概率达到预设阈值，则将所述人声出现的概率达到预设阈值的音频时间段作为人声出现的音频时间段。

可选的，所述人声检测结果还包括：噪声出现的概率和音乐出现的概率的至少一种，所述方法还包括：

判断所述人声出现的概率是否大于所述噪声出现的概率和音乐出现的概率的至少一种；

如果是，则执行所述判断所述人声出现的概率是否达到预设阈值的步骤。

可选的，所述对待处理视频中的原音频数据进行人声检测，得到人声检测结果，包括：

获取待处理视频的原音频数据；

将所述待处理视频的原音频数据按照设定时间划分为多个音频数据段；

通过声音检测模型对所述多个音频数据段中的每个音频数据段进行人声检测，得到人声检测结果。

可选的，在对待处理视频中的原音频数据进行人声检测，得到人声检测结果后，所述方法还包括：

基于所述人声出现的音频时间段和所述待处理视频的内容特征对所述待处理视频进行裁剪，得到裁剪后的视频段；

根据所述人声检测结果对裁剪后得到的所述视频段中的原音频数据和所述配乐音频数据进行叠加处理。

可选的，所述基于所述人声出现的音频时间段和所述待处理视频的内容特征对所述待处理视频进行裁剪，得到裁剪后的视频段，包括：

通过视频深度分析模型对所述待处理视频的内容特征进行内容画面和内容场景分析，得到满足预设内容条件的视频图像帧；

基于所述人声出现的音频时间段对应的视频图像帧，以及得到的满足预设内容条件的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段。

根据本公开实施例的第二方面，提供一种音频处理装置，包括：

检测模块，被配置为执行对待处理视频的原音频数据进行人声检测，得到人声检测结果；

第一获取模块，被配置为执行获取所述待处理视频的配乐音频数据；

叠加处理模块，被配置为执行根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。

可选的，所述叠加处理模块包括：

增益处理模块，被配置为执行根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理；

叠加模块，被配置为执行将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加。

可选的，所述检测模块检测得到的所述人声检测结果包括：人声出现的音频时间段；所述增益处理模块包括：

第一计算模块，被配置为执行将所述人声出现的音频时间段对应的所述原音频数据乘以第一增益系数，并将该音频时间段对应的所述配乐音频数据乘以第二增益系数；

第二计算模块，被配置为执行将人声未出现的音频时间段对应的所述原音频数据乘以第三增益系数，并将该音频时间段对应的配乐音频数据乘以第四增益系数。

可选的，

所述第一计算模块乘以的所述第一增益系数为1，所述第二增益系数小于1；

所述第二计算模块乘以的所述所述第三增益系数为0，所述第四增益系数为1。

可选的，所述装置还包括：

渐变处理模块，被配置为执行对所述人声出现的音频时间段和所述人声未出现的音频时间段的连接点，在所述连接点两侧预设时间段内，对所述连接点两侧的对应增益系数进行渐变处理。

可选的，所述检测模块检测得到的所述人声检测结果还包括：人声出现的概率，所述装置还包括:

第一判断模块，被配置为执行判断所述人声出现的概率是否达到预设阈值；

确定模块，被配置为执行在所述第一判断模块判定所述人声出现的概率达到预设阈值时，将所述人声出现的概率达到预设阈值的音频时间段作为人声出现的音频时间段。

可选的，所述检测模块检测得到的所述人声检测结果还包括：噪声出现的概率和音乐出现的概率的至少一种，所述装置还包括：

第二判断模块，被配置为执行判断所述人声出现的概率是否大于所述噪声出现的概率和音乐出现的概率的至少一种；

所述第一判断模块，还被配置为执行在所述第二判断模块判定所述人声出现的概率大于所述噪声出现的概率和音乐出现的概率的至少一种时，判断所述人声出现的概率是否达到预设阈值。

可选的，所述检测模块包括：

第二获取模块，被配置为执行获取待处理视频的原音频数据；

划分模块，被配置为执行将所述待处理视频的原音频数据按照设定时间划分为多个音频数据段；

音频检测模块，被配置为执行通过声音检测模型对所述多个音频数据段中的每个音频数据段进行人声检测，得到人声检测结果。

可选的，所述装置还包括：

裁剪模块，被配置为执行在所述检测模块对待处理视频中的原音频数据进行人声检测，得到人声检测结果后，基于所述人声出现的音频时间段和所述待处理视频的内容特征对所述待处理视频进行裁剪，得到裁剪后的视频段；

所述叠加处理模块，还被配置为执行根据所述人声检测结果对所述裁剪模块裁剪后得到的视频段中的原音频数据与对应的配乐音频数据进行叠加处理。

可选的，所述裁剪模块包括：

视频内容分析模块，被配置为执行通过视频深度分析模型对所述待处理视频的内容特征进行内容画面和内容场景分析，得到满足预设内容条件的视频图像帧；

视频内容裁剪模块，被配置为执行基于所述人声出现的音频时间段对应的视频图像帧，以及得到的满足预设内容条件的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述任一种音频处理方法。

根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备执行上述任一种音频处理方法。

根据本公开实施例的第五方面，提供根据一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行上述任一种音频处理方法。

本公开的实施例提供的技术方案至少可以包括以下有益效果：

本示例性实施例示出的音频处理方法，对待处理视频中的音频数据进行人声检测，得到人声检测结果；将所述待处理视频中的原音频数据与对应的配乐音频数据进行音频处理；获取所述待处理视频的配乐音频数据；根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。也就是说，本公开中，根据人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理，保留了视频中原音频数据中的原人声，降低对应视频片段中的配乐音量，提升了视频中的音频处理效果，使处理后的视频更具丰富度和表现力。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种音频处理方法的流程图。

图2是根据一示例性实施例示出的一种音频处理方法的另一流程图。

图3是根据一示例性实施例示出的一种音频处理装置的框图。

图4是根据一示例性实施例示出的叠加处理模块的框图。

图5是根据一示例性实施例示出的一种音频处理装置的另一框图。

图6是根据一示例性实施例示出的一种音频处理装置的又一框图。

图7是根据一示例性实施例示出的检测模块的框图。

图8是根据一示例性实施例示出的一种电子设备的结构框图。

图9是根据一示例性实施例示出的一种具有音频处理装置的结构框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种音频处理方法的流程图，如图1所示，音频处理方法用于终端中，包括以下步骤：

在步骤101中，对待处理视频中的音频数据进行人声检测，得到人声检测结果；

在步骤102中，获取所述待处理视频的配乐音频数据；

在步骤103中，根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。

本公开所述的音频处理方法可以应用于终端、服务器等，在此不作限制，其终端实施设备可以是智能手机，笔记本电脑、平板电脑等电子设备，在此不作限制。

下面结合图1，对本公开实施例提供的一种音频处理方法的具体实施步骤进行详细说明。

首先，执行步骤101，对待处理视频中的音频数据进行人声检测，得到人声检测结果。

该步骤具体包括：

1)获取待处理视频的原音频数据。

在检测到用户将待处理视频导入音视频制作界面时，获取所述待处理视频中的原音频数据，其中，导入的待处理视频可以是一段视频，也可以是多段视频，或者是包括至少一段视频与至少一张图片的混合等，本实施例不做限制。

该实施例中，用户可以将待处理视频发送到音视频制作界面，比如，快手发布作品的音视频制作界面等。后台在检测到用户导入的待处理视频时，对该待处理视频进行音视频解码，提取对应的音频数据。其中，对待处理视频的音视频解码的过程，对于本领域技术人员来说，已是熟知技术，在此不再赘述。当然，该步骤中，也可以对该视频进行格式转换，直接转换成音频等，再提取对应的音频数据等，本实施例不做限制。

2)将获取的所述原音频数据按照设定时间划分为多个音频数据段。

该步骤中，设定的时间可以是同一时间段，也可以是不同的时间段，比如划分为相同的时间段5秒，或者是递增的时间点3秒，5秒，7秒，10秒等，当然，也可以是递减的时间段，或者是根据需要来设置划分的时间段，本实施例不做限制。

3)通过声音检测模型对所述多个音频数据段中的每个音频数据段进行人声检测，得到人声检测结果。

该步骤中，可以将所述多个音频数据段发送给音频检测软件开发工具包(sdk，softwaredevelopmentkit)，由所述音频检测sdk通过声音检测模型对所述多个音频数据段中的每个音频数据段进行人声检测，得到人声检测结果。

其中，sdk为特定的软件包、软件框架、硬件包平台、操作系统等建立应用软件时的开发工具的集合。音频检测sdk就是为音频检测定制的软件包。

声音检测模型，也可以称为人声检测模型，用于对视频中人的声音的检测，该声音检测模型可以集成有声音检测器等。比如，把音频数据输入到声音检测模型，声音检测模块对该音频数据进行人声检测，输出检测结果，该检测结果可以包括人声出现的音频时间段，当然，该检测结果还可以包括：人声出现的概率；音乐出现的概率和噪声出现的概率的至少一种等。在实际应用中，还可以根据需要包括其他的参数等，本实施例不做限制。

其次，执行步骤102，获取所述待处理视频的配乐音频数据。

该步骤中，可以根据待处理视频的内容，从推荐的配乐中获取对应的配乐音频数据；当然，也可以根据用户指令，搜索并选择对应的配乐音频数据。具体包括：

一种方式是：系统根据待处理视频内容从库存中选取一首或几首与该待处理视频内容相关的配乐音频；并将这些配乐音频推荐给用户，之后，在用户选定对应的配乐音频后，获取所述配乐音频数据作为待处理视频的配乐音频数据。

另一种方式是：根据该待处理视频内容直接选取对应的配乐音频，即获取所述待处理视频的配乐音频数据。

最后，执行步骤103，根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。

该步骤具体包括：

1)根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理；

该步骤中，增益处理，就是基于人声检测结果对音频数据的响度进行调整。本公开中的增益处理可以通过自动增益(agc，automaticgaincontrol)算法(或自动增益控制电路等)来处理。比如，基于所述人声检测结果，将所述原音频数据乘上一个增益因子，它也等同于在频域每个频率都同时乘上这个增益因子，但由于人的听觉对所有频率的感知不是线性的，是遵循等响度曲线的，这样处理后，听起来感觉有的频率加强了，有的频率削弱了，导致语言失真的放大。同理，基于所述人声检测结果，对所述配乐音频数据也进行agc处理。

2)将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加。

该步骤中，将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加，以实现根据所述人声检测结果对叠加后的音频数据进行音量调整。即在叠加后的音频数据中保留了所述原人声，降低所述人声出现时的配乐音量的值，以及将人声未出现的音频时间段的音频数据的音量设置为零，且将所述人声未出现的音频时间段的配乐音量设置为原音量，这样可以消除所述待处理视频中除所述人声出现的音频时间段的其余时间段内的冗余声音，保留为其余时间段内的配乐音量的正常值，得到音量调整后包括该视频中原人声的视频。

本示例性实施例示出的音频处理方法，对待处理视频中的音频数据进行人声检测，得到人声检测结果；将所述待处理视频中的原音频数据与对应的配乐音频数据进行音频处理；获取所述待处理视频的配乐音频数据；根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。也就是说，本公开中，根据人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理，留了视频中原音频数据中的原人声，降低对应视频片段中的配乐音量，提升了视频中的音频处理效果，使处理后的视频更具丰富度和表现力。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述人声检测结果包括：人声出现的音频时间段；

所述根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理，包括：

将所述人声出现的音频时间段对应的所述原音频数据乘以第一增益系数，并将该音频时间段对应的所述配乐音频数据乘以第二增益系数；将人声未出现的音频时间段对应的所述原音频数据乘以第三增益系数，并将该音频时间段对应的配乐音频数据乘以第四增益系数。其中，所述第一增益系数为1，所述第二增益系数小于1；所述第三增益系数为0，所述第四增益系数为1。

也就是说，该步骤中，根据所述人声出现的音频时间段，将所述原音频数据乘以第一增益系数，即将人声出现的音频时间段内的原音频数据的音量设置为原人声音量(也可以解列为将视频中原音频数据的音量设置为1)，并将该音频时间段对应的所述配乐音频数据乘以第二增益系数，即降低所人声出现时间段内的配乐音量(也可以理解为将配乐音量设置为小于1)，以及将音频处理后的音频数据中人声未出现的音频时间段的音频数据的音量设置为零，且将所述人声未出现的音频时间段的配乐音量设置为原音量，即设置为1。

本示例性实施例示出的音频处理方法，根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理，将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加。即实现对配乐后的音频数据进行音量调整，保留了所述人声出现的音频时间段内的原人声，降低所述人声出现的音频时间段内的配乐音量的值，以及将人声未出现的音频时间段的音频数据的音量设置为零，且将所述人声未出现的音频时间段的配乐音量设置为原音量，这样可以消除所述待处理视频中除所述人声出现的音频时间段的其余时间段内的冗余声音，保留为其余时间段内的配乐音量的正常值，得到音量调整后包括该视频中原人声的视频。本公开中，根据人声检测结果对增益处理后的所述原音频数据和所述配乐音频数据进行叠加，实现对音频数据进行音量调整，准确地检测出待处理视频中包括人声的视频片段，并在音频处理时保留该视频片段中的人声，降低对应视频片段中的配乐音量，提升了智能化编辑的效果，在剔除音频中的冗余信息、噪声的同时，最大程度地保留视频中的原人声的音量，提升了视频中的音频处理效果，使处理后的视频更具丰富度和表现力。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述方法还可以包括：对所述人声出现的音频时间段和所述人声未出现的音频时间段的连接点，在所述连接点两侧预设时间段内，对所述连接点两侧的增益系数进行渐变处理。

也就是说，本公开实施例中，在人声出现的音频时间段和所述人声未出现的音频时间段的连接点两侧的预设时间段内，分别按照各自音频时间段内对应的增益系数进行渐变处理，以便于音频音量的平滑过渡。

还请参阅图2，为本公开实施例提供的一种音频处理方法的另一流程图，所述方法包括：

步骤201：对待处理视频中的音频数据进行人声检测，得到人声检测结果，所述人声检测结果包括：人声出现的概率；

其中，步骤201与步骤101同，具体详见上述，在此不再赘述。

步骤202：判断所述人声出现的概率是否达到预设阈值；如果是，执行步骤203；否则，执行步骤207；

该步骤中，人声出现的概率最高为1，可以根据音频中人声的高低来判断人声出现的概率值，如果音频中的人声比较高，则人声出现的概率值就比较大，然后，判断人声出现的概率是否达到预设阈值，当然，也可以根据待处理视频中人声出现的时长来判断是否大于对应的阈值，具体的判断过程类似，在此不再赘述。

步骤203：将所述人声出现的概率达到预设阈值的音频时间段作为人声出现的音频时间段。

该步骤中，先判断所述人声出现的概率是否达到预设阈值；如果达到预设阈值，则认为待处理视频中有部分视频有较为清晰的优质人声，即认为达到预设阈值的这段有人声的视频段为优质视频段，则需要确定所述人声出现的概率达到预设阈值的音频时间段(即人声出现的音频时间段)。在确定后标记该音频时间段对应的视频图像帧为优质视频图像帧，并为该视频图像帧增加一定的分值。

步骤204：基于所述人声出现的音频时间段和所述待处理视频的内容特征对所述待处理视频进行裁剪，得到裁剪后的视频段；

该步骤中，先将所述待处理视频输入到视频深度分析模型，对所述待处理视频的内容特征进行内容画面和内容场景的分析，得到满足预设内容条件的视频图像帧，其中预设内容条件可以是画面清晰、内容场景丰富的视频图像帧等；然后，基于所述人声出现的音频时间段对应的视频图像帧，以及得到的满足预设内容条件的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段，也就是说，基于所述音频时间段对应的视频图像帧，以及得到的画面清晰、内容场景丰富的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段。

也即是说，在人声检测结果中，如果人声出现的概率达到预设阈值，则可认为该部分有较为清晰的优质人声，在对待处理视频的裁剪中，对达到预设阈值的人声出现的概率对应的图像帧会增加一定分值。

该实施例中，将所述待处理视频输入到视频深度分析模型，对所述待处理视频的内容进行画面和内容场景的分析，得到画面清晰、内容场景丰富的视频图像帧；即通过视频深度分析模型得到的分析结果也将作为视频图像帧是否优质的标准，并与人声出现的概率达到预设阈值的音频时间段一同作为裁剪出精彩优质视频的依据。

步骤205：根据所述人声检测结果对裁剪后得到的所述视频段中的原音频数据与所述配乐音频数据进行叠加处理；

其具体的叠加处理过程详见上述部分对应的描述，在此不再赘述。

步骤206：将叠加处理后的音频数据中所述人声出现的音频时间段内的音频数据的音量设置为原音量，且降低所述音频时间段内的配乐音量，以及将音频处理后的音频数据中人声未出现的音频时间段的音频数据的音量设置为零，且将所述人声未出现的音频时间段的配乐音量设置为原音量。

该步骤中，在裁剪出待处理视频中较为精彩的视频段后，该视频段中有检测到优质人声，且人声的时长达到一定阈值时，有人声的这部分音频时间段内的原声将被保留，减弱对应音频时间段内的配乐音量，而对于该裁剪后的视频段中的其他无人声的音频时间段内，将视频原声的音量设置为0，且将对应无人声的音频时间段内的配乐音量设置为默认配乐的正常值。

步骤207：丢弃所述人声出现的概率没有达到预设阈值的音频时间段。

该步骤中，对于人声出现的概率没有达到预设阈值的音频时间段可以放弃，或者忽略不计。

本示例性实施例示出的音频处理方法，对待处理视频中的音频数据进行人声检测，得到人声检测结果，所述人声检测结果包括人声出现的概率；如果所述人声出现的概率达到预设阈值，则确定所述人声出现的概率达到预设阈值的音频时间段；基于所述人声出现的音频时间段对应的视频图像帧，以及得到的满足预设内容条件的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段；根据所述人声检测结果对对剪切后得到的所述视频段中的原音频数据和所述配乐音频数据进行叠加处理，保留了所述音频时间段内的原人声，降低所述音频时间段内的配乐音量的值，消除所述视频段中除了所述音频时间段的其余时间段内的冗余声音，保留为所述其余时间段内的配乐音量的正常值，得到音量调整后的视频。也就是说，本公开中，将待处理视频中的人声纳入判断视频画面是否优质的标准，以及根据所述人声检测结果对音频处理后的音频数据进行音量调整后，能保留该视频中优质的人声，降低所述音频时间段内的配乐音量。也就是说，本公开能够更准确地识别出导入视频中包括人声的优质视频片段，并提升了智能编辑的效果，在剔除音频中的冗余信息、噪声的同时，最大程度地保留视频中的原声音的音量，提升了视频中的音频处理效果，使处理后的视频更具丰富度和表现力。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述人声检测结果还可以包括：噪声出现的概率和音乐出现的概率的至少一种，所述方法还包括：

判断所述人声出现的概率是否大于所述噪声出现的概率和音乐出现的概率的至少一种；如果大于，则执行所述判断所述人声出现的概率是否达到预设阈值的步骤。

也就是说，该实施例中，在人声检测结果中，人声出现的概率相比音乐出现的概率和噪声出现的概率都要大，且人声出现的概率还要到达一定的阈值，才可以认为该部分视频中有较为清晰的优质人声，在视频裁剪中，才会保留包视频中对应时间段的图像帧，从而该时间段内的图像帧增加一定分值。

本公开能够更准确地识别出待处理视频中包括人声的优质视频片段，并提升了视频智能编辑的效果，在剔除音频中的冗余信息、噪声的同时，最大程度地保留视频中的原人声的音量，使音频调整后的视频更具丰富度和表现力。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开所必须的。

图3是根据一示例性实施例示出的一种音频处理装置框图。参照图3，该装置包括检测模块301，第一获取模块302和叠加处理模块303，其中，

该检测模块301，被配置为执行对待处理视频中的原音频数据进行人声检测，得到人声检测结果；

该第一获取模块302，被配置为执行获取所述待处理视频的配乐音频数据；

该叠加处理模块303，被配置为执行根据所述人声检测结果对所述待处理视频的原音频数据和所述配乐音频数据进行叠加处理。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述叠加处理模块303包括：增益处理模块401和叠加模块402，其结构框图如图4所示，其中，

该增益处理模块401，被配置为执行根据所述人声检测结果分别对所述原音频数据和所述配乐音频数据进行增益处理；

该叠加模块402，被配置为执行将所述增益处理后的所述原音频数据和所述配乐音频数据进行叠加。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述检测模块检测得到的所述人声检测结果包括：人声出现的音频时间段；所述增益处理模块包括：第一计算模块和第二计算模块，其中，

该第一计算模块，被配置为执行将所述人声出现的音频时间段对应的所述原音频数据乘以第一增益系数，并将该音频时间段对应的所述配乐音频数据乘以第二增益系数；

该第二计算模块，被配置为执行将人声未出现的音频时间段对应的所述原音频数据乘以第三增益系数，并将该音频时间段对应的配乐音频数据乘以第四增益系数。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第一计算模块乘以的所述第一增益系数为1，所述第二增益系数小于1；

所述第二计算模块乘以的所述所述第三增益系数为0，所述第四增益系数为1。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还可以包括：渐变处理模块，其中，

该渐变处理模块，被配置为执行对所述人声出现的音频时间段和所述人声未出现的音频时间段的连接点，在所述连接点两侧预设时间段内，对所述连接点两侧的增益系数进行渐变处理。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述检测模块检测得到的所述人声检测结果还包括：人声出现的概率，所述装置还包括:第一判断模块501和确定模块502，其结构示意图如图5所示，其中，

该第一判断模块501，被配置为执行被配置为执行判断所述人声出现的概率是否达到预设阈值；

该确定模块502，被配置为执行在所述第一判断模块501判定所述人声出现的概率达到预设阈值时，将所述人声出现的概率达到预设阈值的音频时间段作为人声出现的音频时间段。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述检测模块检测得到的所述人声检测结果还包括：噪声出现的概率和音乐出现的概率的至少一种，所述装置还可以包括：第二判断模块601，其结构示意图如图6所示，其中，

该第二判断模块601，被配置为执行被配置为执行判断所述人声出现的概率是否大于所述噪声出现的概率和音乐出现的概率的至少一种；

所述第一判断模块501，还被配置为执行在所述第二判断模601块判定所述人声出现的概率大于所述噪声出现的概率和音乐出现的概率的至少一种时，判断所述人声出现的概率是否达到预设阈值。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述检测模块301包括：第二获取模块701，划分模块702和音频检测模块703，其结构示意图如图7所示，其中，

该第二获取模块701，被配置为执行获取待处理视频的原音频数据；

该划分模块702，被配置为执行将所述获取模块601获取的所述原音频数据按照设定时间划分为多个音频数据段；

该音频检测模块703，被配置为执行通过声音检测模型对所述多个音频数据段中的每个音频数据段进行人声检测，得到人声检测结果。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括：裁剪模块，其中，

该裁剪模块，被配置为执行在所述检测模块对待处理视频中的原音频数据进行人声检测，得到人声检测结果后，基于所述人声出现的音频时间段和所述待处理视频的内容特征对所述待处理视频进行裁剪，得到裁剪后的视频段；

该叠加处理模块，还被配置为执行根据所述人声检测结果对所述裁剪模块裁剪后得到的视频段中的原音频数据与对应的配乐音频数据进行叠加处理。

可选的，在另一实施例中，该实施例在上述实施例的基础上，所述裁剪模块包括：视频内容分析模块和视频内容裁剪模块，其中，

该视频内容分析模块，被配置为执行通过视频深度分析模型对所述待处理视频的内容特征进行内容画面和内容场景分析，得到满足预设内容条件的视频图像帧；

该视频内容裁剪模块，被配置为执行基于所述人声出现的音频时间段对应的视频图像帧，以及得到的满足预设内容条件的视频图像帧对所述待处理视频进行裁剪，得到裁剪后的视频段。

在示例性实施例中，本公开还提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如上所述的音频处理方法。

在示例性实施例中，本公开还提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的音频处理方法。

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，相关之处参见方法实施例的部分说明即可，此处将不做详细阐述说明。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

图8是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以为移动终端也可以为服务器,本公开实施例中以电子设备为移动终端为例进行说明。例如,电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的音频处理方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述所示的音频处理方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备800的处理器820执行时，使得电子设备800执行上述所示的音频处理方法。

图9是根据一示例性实施例示出的一种用于音频处理的装置900的框图。例如，装置900可以被提供为一服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。

装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(i/o)接口958。装置900可以操作基于存储在存储器932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。