技术特征：
1.一种语音与图像的匹配方法，其特征在于，包括：实时录音获得语音记录；响应于拍摄指令，拍照并输出图像；对所述图像进行人像识别，得到第一识别结果；其中，所述第一识别结果至少包括对所述图像中人像数量的识别；从所述语音记录中选取解析段，对所述解析段中的语音进行语音解析得到第二识别结果；其中，所述第二识别结果至少包括对所述语音记录中人像数量的识别；自动匹配所述第一识别结果与所述第二识别结果得到匹配关系，根据所述匹配关系合成带有语音的图像。2.根据权利要求1所述的一种语音与图像的匹配方法，其特征在于，所述响应于拍摄指令，拍照并输出图像还包括：响应于拍摄指令，在短时间内进行录像，并截取任意一帧作为图像输出。3.根据权利要求2所述的一种语音与图像的匹配方法，其特征在于，所述自动匹配所述第一识别结果与所述第二识别结果得到匹配关系，根据所述匹配关系合成带有语音的图像还包括：若所述图像中存在相似度高的多个人像，则提取部分所述录像与对应的所述语音记录；根据唇音融合识别，判断所述人像的唇形与语音之间的匹配；若判断结果为匹配，则将所述人像与所述语音记录对应匹配，合成带有语音的图像。4.根据权利要求1所述的一种语音与图像的匹配方法，其特征在于，所述第一识别结果至少还包括：对所述图像中人像性别的识别和对所述图像中人像年龄段的识别；所述第二识别结果至少还包括：对所述语音记录中人像性别的识别和对所述语音记录中人像年龄段的识别。5.根据权利要求1所述的一种语音与图像的匹配方法，其特征在于，所述第二识别结果的数量不大于所述第一识别结果的数量。6.根据权利要求1所述的一种语音与图像的匹配方法，其特征在于，所述根据所述匹配关系合成带有语音的图像还包括：从所述语音记录中选取至少一段添加段；根据所述匹配关系，对所述添加段与所述图像进行合成，形成带有语音的图像。7.根据权利要求6所述的一种语音与图像的匹配方法，其特征在于，所述添加段的所述第二识别结果的数量不大于所述解析段的所述第二识别结果的数量。8.一种语音与图像的匹配装置，其特征在于，包括：语音记录模块，用于实时录音获得语音记录；图像记录模块，用于响应于拍摄指令，拍照并输出图像；第一识别模块，用于对所述图像进行人像识别，得到第一识别结果；其中，所述第一识别结果至少包括对所述图像中人像数量的识别；第二识别模块，用于从所述语音记录中选取解析段，对所述解析段中的语音进行语音解析得到第二识别结果；其中，所述第二识别结果至少包括对所述语音记录中人像数量的
识别；自动匹配及合成模块，用于自动匹配所述第一识别结果与所述第二识别结果得到匹配关系，根据所述匹配关系合成带有语音的图像。9.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1
‑
7任一项所述的语音与图像的匹配方法。10.一种设备，其特征在于，包括如权利要求8所述的语音与图像的匹配装置。
技术总结
本发明公开了一种语音与图像的匹配方法、装置、存储介质及设备，包括实时录音获得语音记录；响应于拍摄指令，拍照并输出图像；对所述图像进行人像识别，得到第一识别结果；其中，所述第一识别结果至少包括对所述图像中人像数量的识别；从所述语音记录中选取解析段，对所述解析段中的语音进行语音解析得到第二识别结果；其中，所述第二识别结果至少包括对所述语音记录中人像数量的识别；自动匹配所述第一识别结果与所述第二识别结果得到匹配关系，根据所述匹配关系合成带有语音的图像。本发明能够精确实现语音中声纹与图像中人像的自动识别与自动匹配，智能化地快速合成带有语音的图像，精确度高，方便快速，用户体验感受好。用户体验感受好。用户体验感受好。
技术研发人员：李丰军 周剑光 李婷婷
受保护的技术使用者：中汽创智科技有限公司
技术研发日：2021.06.30
技术公布日：2021/10/15