视频播放方法、装置、电子设备及计算机可读存储介质与流程

本申请涉及计算机技术领域，尤其涉及视频播放技术。

背景技术：

目前，用户在观看视频的过程中，当具有调整播放内容的需求时，往往只能通过手动方式比如点击弹出的选择框，来调整视频的播放内容。由此，现有调整视频播放内容的方式单一，用户体验差。

技术实现要素：

本申请实施例提供一种视频播放方法、装置、电子设备及计算机可读存储介质，以解决现有调整视频播放内容的方式单一的问题。

为了解决上述技术问题，本申请是这样实现的：

第一方面，本申请实施例提供了一种视频播放方法，包括：

在第一视频流的播放过程中，获取用户输入的语音信息；

根据所述语音信息，从与所述第一视频流关联的多个第二视频流中选择目标视频流；其中，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上，所述目标视频采用了树形结构；

对所述目标视频流进行播放。

这样，相比于目前往往只能通过手动方式调整视频的播放内容，可以丰富用户与播放视频的交互方式，加强用户在观看视频时的参与感，提升用户观看体验。

可选的，所述获取用户输入的语音信息，包括：

获取所述第一视频流的标记信息；其中，所述标记信息包括所述第一视频流对应的视频分支条件；

提示用户所述视频分支条件；

接收用户基于提示信息输入的所述语音信息。

这样，可以方便用户选择所需的视频流进行播放。

可选的，所述获取所述第一视频流的标记信息之后，在选择所述目标视频流之前，所述方法还包括：

根据所述视频分支条件，异步获取所述多个第二视频流；

对所述多个第二视频流进行预加载；

其中，所述目标视频流是从预加载的多个第二视频流中选择的。

这样，借助预加载过程，可以保证视频切换的流畅性，从而在基于用户输入选择目标视频流后，可以从当前播放的视频流平滑切换到目标视频流进行播放。

可选的，所述获取用户输入的语音信息，包括：

采集环境声音信息，其中，所述环境声音信息包括所述语音信息和环境噪声信息；

将所述环境声音信息输入到预先训练的与所述用户对应的语音提取模型中，得到所述语音信息。

这样，借助预先训练的语音提取模型，可以从嘈杂环境声音中准确识别用户输入的语音信息。

可选的，所述提示用户所述视频分支条件，包括：

采用以下至少一种方式，提示用户所述视频分支条件：

语音播报方式、文本显示方式。

这样，借助语音播报和/或文本显示方式，可以达到快速准确地提示用户的效果。

第二方面，本申请实施例提供了一种视频播放装置，包括：

第一获取模块，用于在第一视频流的播放过程中，获取用户输入的语音信息；

选择模块，用于根据所述语音信息，从与所述第一视频流关联的多个第二视频流中选择目标视频流；其中，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上，所述目标视频采用了树形结构；

播放模块，用于对所述目标视频流进行播放。

可选的，所述第一获取模块包括：

获取单元，用于获取所述第一视频流的标记信息；其中，所述标记信息包括所述第一视频流对应的视频分支条件；

提示单元，用于提示用户所述视频分支条件；

接收单元，用于接收用户基于提示信息输入的所述语音信息。

可选的，所述装置还包括：

第二获取模块，用于在获取所述第一视频流的标记信息之后，根据所述视频分支条件，异步获取所述多个第二视频流；

加载模块，用于对所述多个第二视频流进行预加载，以从预加载的所述多个第二视频流中选择目标视频流。

可选的，所述第一获取模块包括：

采集单元，用于采集环境声音信息，其中，所述环境声音信息包括所述语音信息和环境噪声信息；

提取单元，用于将所述环境声音信息输入到预先训练的与所述用户对应的语音提取模型中，得到所述语音信息。

可选的，所述提示单元具体用于：

采用以下至少一种方式，提示用户所述视频分支条件：

语音播报方式、文本显示方式。

第三方面，本申请实施例还提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的视频播放方法。

第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的视频播放方法。

上述申请中的一个实施例具有如下优点或有益效果：可以丰富用户与播放视频的交互方式，加强用户在观看视频时的参与感，提升用户观看体验。因为采用根据用户输入的语音信息，从与当前播放的第一视频流关联的多个第二视频流中选择目标视频流，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上，并对选择的目标视频流进行播放的技术手段，所以克服了现有调整视频播放内容的方式单一的技术问题，进而达到丰富用户与播放视频的交互方式，加强用户在观看视频时的参与感，提升用户观看体验的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例的视频播放方法的流程图；

图2是本申请具体实施例中视频上传及播放过程的流程示意图；

图3是用来实现本申请实施例的视频播放方法的视频播放装置的框图；

图4是用来实现本申请实施例的视频播放方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参见图1，图1是本申请实施例提供的一种视频播放方法的流程图，应用于电子设备，如图1所示，该方法包括如下步骤：

步骤101：在第一视频流的播放过程中，获取用户输入的语音信息。

本实施例中，由于用户可能是在包含噪音的嘈杂环境中输入的语音信息，为了精确获取用户输入的语音信息，上述步骤101中的获取用户输入的语音信息的过程可包括：首先，采集环境声音信息，该环境声音信息包括用户输入的语音信息和环境噪声信息，该环境噪声信息比如包括视频播放声音和其他环境噪音等；然后，将采集的环境声音信息输入到预先训练的与用户对应的语音提取模型中，得到所述语音信息。

可理解的，对于环境声音信息的采集，可以借助声音采集器比如麦克风等实现。上述语音提取模型主要用于识别相应用户的语音信息，可以理解为语音过滤模块。不同用户的语音提取模型通常是不同的。这样，借助预先训练的语音提取模型，可以从嘈杂环境声音中准确识别用户输入的语音信息。

一种实施方式中，以用户a为例，与该用户a对应的语音提取模型的训练过程可以包括：首先，采集用户a的一些常用的语音样本，以及包含该语音样本和噪声的对话音频vf；然后，利用训练的用于提取用户声纹特征的模型(也可称为说话人编码器)对采集的语音样本进行处理，即输入采集的语音样本，输出特征向量sv，一条语音样本对应输出一个特征向量sv，当得到多个特征向量sv时，可将对该多个sv进行l2正则化得到的平均值作为用户a的声纹特征pf；一种实施方式中，该用于提取用户声纹特征的模型使用的网络可以是一个基于长短期记忆(longshort-termmemory，lstm)的三层网络，外加广义估计方程(gee)损失求导，输入语音所采用的形式可为1600ms的音频对数梅尔mel频谱，输出的特征向量sv宽度可为x；最后，基于预先构建的基础模型，将上述的声纹特征pf和对话音频vf作为输入，和将上述语音样本(即移除不相关噪声后的用户a的语音)作为输出，训练得到与用户a对应的语音提取模型。比如，上述基础模型可为时间维度掩码的网络，可生成一个软掩码，用于乘以噪声(对话音频vf)幅度谱从而生成一个增强幅度谱，然后将噪声音频的相位增加到增强幅度谱上，并利用短时傅里叶逆变换(inverseshort-timefouriertransform，istft)得到移除不相关的音频的增强音频。

步骤102：根据所述语音信息，从与所述第一视频流关联的多个第二视频流中选择目标视频流。

本实施例中，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上。所述目标视频采用了树形结构。对于目标视频采用了树形结构可理解为，该目标视频的视频流索引采用树形的存储结构，以实现树状视频播放路径。该目标视频可包括多个不同分支的视频流，而不同分支之间的视频流可以切换，比如当前分支的视频流可以切换到其下一级分支的视频流。不同分支的视频流可根据预定义规则设置。

例如，视频上传者在上传视频时，可根据自定义规则比如剧情发展走向，将待上传的平行视频列表中的视频采用拖拽的方式进行上传，以形成一个树状的视频结构，并控制不同分支的视频内容。比如树状的视频结构中，根分支上的视频内容是最开始播放部分，而不同子分支上的视频内容对应于不同剧情走向。

可选的，本实施例中可通过对用户意图的识别来选择目标视频流。该步骤102中选择目标视频流的过程可为：首先，对用户输入的语音信息进行意图识别，得到用户意图；然后，根据所述用户意图，从与第一视频流关联的多个第二视频流中选择目标视频流。其中，在进行意图识别时，可以将待识别的语音信息(即用户输入的语音信息)输入到预先训练的意图识别模型中，得到与该语音信息匹配的用户意图。对于该意图识别模型的训练过程，可以采用现有方式，本实施例不对此进行限制。这样，通过用户意图的识别，可以实现按照用户意图动态的切换相应分支的视频流进行播放，从而呈现给用户个性化视角的视频播放。

步骤103：对所述目标视频流进行播放。

一种实施方式中，以目标视频包括视频流1、视频流2和视频流3为例，假设视频流1为目标视频的开始部分且是对事件a的描述部分，视频流2和视频流3是分别与视频流1关联的、位于下一级分支的视频部分，表示事件a的不同结局，则在播放视频流1的过程中，借助用户输入的语音信息，可以从视频流2和视频流3中选择其一进行播放。

另一种实施方式中，以目标视频为某体育比赛视频为例，该比赛视频包括由根节点存储的视频流0(此为比赛的概况说明)，以及由不同子节点存储的视频流3和视频流4，该视频流3是采用语言1解说的比赛内容，该视频流4是采用语言2解说的比赛内容，则在播放视频流0的过程中，若用户希望听到语言1，可以通过输入相应语音信息比如观看视频流1，对该视频流1进行播放；而若用户希望听到语言2，可以通过输入相应语音信息比如观看视频流2，对该视频流2进行播放。

本申请实施例的视频播放方法，可以根据用户输入的语音信息，从与当前播放的第一视频流关联的多个第二视频流中选择目标视频流，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上，并对选择的目标视频流进行播放。这样，相比于目前往往只能通过手动方式调整视频的播放内容，可以丰富用户与播放视频的交互方式，从而加强用户在观看视频时的参与感，提升用户观看体验。

本实施例中，为了方便用户选择所需的视频流进行播放，可以对目标视频中的视频流进行标记，而标记信息包括指示该视频流为互动视频一部分的指示信息以及该视频流对应的视频分支条件等，以在视频流的播放过程中获取标记信息并基于此进行提示。该视频分支条件比如为剧情分支条件或者视频版本分支条件等，可以基于用户需求设置，本实施例不对此进行限制。

可选的，上述步骤101中获取用户输入的语音信息的过程可包括：

获取所述第一视频流的标记信息；其中，所述标记信息包括所述第一视频流对应的视频分支条件；。

提示用户所述视频分支条件；

接收用户基于提示信息输入的所述语音信息。

在具体实施过程中，在提示相应视频分支条件时，可以采用语音播报方式和文本显示方式中的至少一种方式进行提示。这样，可以达到快速准确地提示用户的效果。

一种实施方式中，以目标视频包括视频流1、视频流2和视频流3为例，假设视频流1为目标视频的开始部分且是对事件a的描述部分，视频流1的视频分支条件为剧情分支条件，该剧情分支条件为视频流1具有两个关联的位于下一级分支的视频部分，分别为视频流2和视频流3，分别表示事件a的结局1和结局2，则终端在播放视频流1的过程中，可以获取视频流1的剧情分支条件并进行提示，以由用户基于提示信息选择播放所要观看的视频流2或视频流3。

进一步的，在获取所述第一视频流的标记信息之后，在选择目标视频流之前，所述方法还可包括：根据所述视频分支条件，异步获取所述多个第二视频流，并对所述多个第二视频流进行预加载。之后，可以从预加载的所述多个第二视频流中选择目标视频流。这样，借助预加载过程，可以保证视频切换的流畅性，从而在基于用户输入选择目标视频流后，可以从当前播放的视频流平滑切换到目标视频流进行播放。

一种实施方式中，为保证动态视频切换的流畅性，在父节点(即父分支)的视频流播放至一定进度后，可以异步拉取对应子节点(即子分支)的所有视频流进行预加载，以基于用户输入的语音信息可从预加载的视频流中选择目标视频流，并平滑切换到目标视频流进行播放。

此外，为了方便用户选择所需的视频流进行播放，本实施例中还可基于预设分支节点提示用户执行输入操作。即，在获取用户输入的语音信息之前，所述方法还包括：检测目标视频是否播放到预设分支节点；在所述目标视频播放到所述预设分支节点的情况下，提示用户执行输入语音信息的操作。需说明的，该预设分支节点可表示不同分支的视频流之间的切换点。例如，以目标视频包括视频流1、视频流2和视频流3为例，假设视频流1为目标视频的开始部分且是对事件a的描述部分，视频流2和视频流3是分别与视频流1关联的位于不同分支的视频部分，表示事件a的不同结局，则预设分支节点可选为视频流1对应的分支结束点。

下面结合图2对本申请具体实施例中视频上传及播放过程进行说明。

本申请具体实施例中，如图2所示，对于视频上传端，视频上传者(或视频创造者)可以首先录制视频，然后对录制完成的视频进行编辑，比如，根据自定义规则设置视频不同分支的视频流内容，并采用树形的存储结构存储视频流索引，以实现树状视频播放路径，并将编辑好的视频上传至动态流媒体系统。对于视频观看端，可以首先训练语音提取模型比如采用如上方法；然后若用户观看视频时进行语音输入，则采集包括用户语音信息的环境声音信息，并利用预先训练的语音提取模型，对环境声音信息中的用户语音信息进行提取，得到用户语音信息；最后对用户语音信息进行意图识别，得到用户意图，并借由动态流媒体系统根据用户意图确定视频流调度策略以选择目标视频流，并将选择的目标视频流推送至视频观看端进行播放。

请参见图3，图3是用来实现本申请实施例的视频播放方法的视频播放装置的框图，如图3所示，该视频播放装置30包括：

第一获取模块31，用于在第一视频流的播放过程中，获取用户输入的语音信息；

选择模块32，用于根据所述语音信息，从与所述第一视频流关联的多个第二视频流中选择目标视频流；其中，所述第一视频流和每个所述第二视频流位于目标视频的不同分支上，所述目标视频采用了树形结构；

播放模块33，用于对所述目标视频流进行播放。

可选的，所述第一获取模块包括：

获取单元，用于获取所述第一视频流的标记信息；其中，所述标记信息包括所述第一视频流对应的视频分支条件；

提示单元，用于提示用户所述视频分支条件；

接收单元，用于接收用户基于提示信息输入的所述语音信息。

可选的，所述装置还包括：

第二获取模块，用于在获取所述第一视频流的标记信息之后，根据所述视频分支条件，异步获取所述多个第二视频流；

加载模块，用于对所述多个第二视频流进行预加载，以从预加载的所述多个第二视频流中选择目标视频流。

可选的，所述第一获取模块包括：

采集单元，用于采集环境声音信息，其中，所述环境声音信息包括所述语音信息和环境噪声信息；

提取单元，用于将所述环境声音信息输入到预先训练的与所述用户对应的语音提取模型中，得到所述语音信息。

可选的，所述提示单元具体用于：

采用以下至少一种方式，提示用户所述视频分支条件：

语音播报方式、文本显示方式。

可理解的，本申请实施例的视频播放装置30，可以实现上述图1所示方法实施例中实现的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是用来实现本申请实施例的视频播放方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的视频播放方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的视频播放方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的视频播放方法对应的程序指令/模块(例如，附图3所示的第一获取模块31、选择模块32和播放模块34)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的视频播放方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

视频播放方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与视频播放方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声音输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，可达到丰富用户与播放视频的交互方式，加强用户在观看视频时的参与感，提升用户观看体验的技术效果。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。