(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210556456.0 (22)申请日 2022.05.17 (71)申请人 深圳传音 控股股份有限公司 地址 518000 广东省深圳市南 山区粤海街 道深南大道9789 号德赛科技大厦标识 层17层 （自然层15层） 1702-170 3号 (72)发明人 党香福　黄河　 (74)专利代理 机构 深圳市嘉勤知识产权代理有 限公司 4 4651 专利代理师 辛鸿飞 (51)Int.Cl. H04N 21/439(2011.01) H04N 21/4402(2011.01) H04N 21/43(2011.01) H04N 21/488(2011.01)H04N 5/278(2006.01) G10L 15/26(2006.01) G10L 15/18(2013.01) G10L 15/00(2013.01) G06F 40/30(2020.01) G06F 40/58(2020.01) (54)发明名称 数据处理方法、 智能终端及存 储介质 (57)摘要 本申请提出了一种数据处理方法、 智能终端 及存储介质。 该方法包括： 从目标数据中提取音 频数据， 对音频数据进行识别和/或翻译， 确定或 生成文本信息， 对目标数据以及 文本信息进行同 步播放。 通过本申请的技术方案可以在智能终端 播放视频时自动对音 频数据进行提取识别， 生成 字幕与视频同步播放， 提升了字幕显示的准确性 以及效率。 权利要求书1页 说明书14页 附图11页 CN 115278351 A 2022.11.01 CN 115278351 A 1.一种数据处 理方法， 其特 征在于， 包括： S11： 从目标 数据中提取音频 数据； S12： 对所述音频 数据进行识别和/或翻译， 确定或生成文本信息； S13： 对所述目标 数据以及所述文本信息进行同步 播放。 2.根据权利要求1所述的方法， 其特 征在于， 所述S1 1包括： 识别或确定所述目标 数据中的音频流； 将所述音频流划分为第一音频数据、 第二音频数据以及第三音频数据， 所述第一音频 数据为目标音频 数据。 3.根据权利要求2所述的方法， 其特征在于， 所述将所述音频流划分为第一音频数据、 第二音频 数据以及第三音频 数据， 包括： 根据预设频率范围和/或音频特征信 息， 将所述音频流划分为第一音频数据、 第 二音频 数据以及第三音频 数据。 4.根据权利要求1至 3中任一项所述的方法， 其特 征在于， 所述S12包括： 提取所述音频 数据中的声纹信息， 识别或确定所述声纹信息对应的目标语种； 在所述目标语种对应的预设区域中对所述声纹信息进行匹配， 确定或生成文本信息； 和/或， 所述S12之后， 还 包括： 对所述文本信息进行语义分析， 根据分析 结果对所述文本信息进行调整。 5.根据权利要求1至 3中任一项所述的方法， 其特 征在于， 所述S13包括： 提取所述音频 数据的时间轴； 识别或确定所述文本信息的显示 参数； 根据所述时间轴和所述显示 参数对所述目标 数据以及所述文本信息进行同步 播放。 6.根据权利要求5所述的方法， 其特征在于， 所述识别或确定所述文本信息的显示参 数， 包括： 识别或确定所述目标 数据的场景信息； 根据所述场景信息设置所述文本信息的显示 参数。 7.根据权利要求1至 3中任一项所述的方法， 其特 征在于， 所述S1 1之后， 还 包括： 确定或生成所述音频 数据中的预设声 音； 根据所述预设声 音对所述音频 数据进行降噪处 理。 8.根据权利要求1至 3中任一项所述的方法， 其特 征在于， 所述S12包括： 识别或确定所述音频 数据对应的第一语种； 在所述第一语种对应的数据库中对所述音频数据进行匹配， 确定或生成初始文本信 息； 根据第二语种对所述第一文本信息进行翻译， 确定或生成目标文本信息 。 9.一种智能终端， 其特征在于， 所述智能终端包括： 存储器、 处理器， 其中， 所述存储器 上存储有 数据处理程序， 所述数据处理程序被所述处理器执行时实现如权利要求1至8中任 一项所述的数据处 理方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质上存储有计算机程序， 所述 计算机程序被处 理器执行时实现如权利要求1至8中任一项所述的数据处 理方法的步骤。权　利　要　求　书 1/1 页 2 CN 115278351 A 2数据处理 方法、 智能终端及存 储介质 技术领域 [0001]本申请涉及智能终端技术领域， 具体涉及一种数据处理方法、 智能终端及存储介 质。 背景技术 [0002]随着互联网技术的不断发展， 音视频以其便捷的访问体验、 多样化的影片来源以 及实时的更新速度吸引了广大的用户， 使得音视频成为了用户生活中不可或缺的重要组成 部分。 字幕的出现， 使音视频以一种更加直观可靠的方式帮助人们了解音视频的内容， 越来 越多的用户习惯了添加字幕的音视频文件。 [0003]目前， 智能终端可以通过服务器端对音频文件进行识别， 然后生成对应的文字字 幕， 但是申请人发现在通过服务器进 行识别时， 为了控制网络流量常常会压缩音频采样率， 导致转换效果差， 并且在 线处理在网络环境较差的条件下， 存在延时的问题， 导致字幕的显 示不准确并且效率低， 用户体验差 。 [0004]前面的叙述在于提供一般的背景信息， 并不 一定构成现有技 术。 发明内容 [0005]针对上述技术问题， 本申请提供一种数据处理方法、 智能终端及存储介质， 可以提 取音频并实时生成字幕， 提升 了字幕显示的准确性以及效率。 [0006]为解决上述技术问题， 本申请提供一种数据处理方法， 可选地， 应用于智能终端， 包括以下步骤： [0007]S11： 从目标 数据中提取音频 数据； [0008]S12： 对所述音频 数据进行识别和/或翻译， 确定或生成文本信息； [0009]S13： 对所述目标 数据以及所述文本信息进行同步 播放。 [0010]可选地， 所述S1 1包括： [0011]识别或确定所述目标 数据中的音频流； [0012]将所述音频流划 分为第一音频数据、 第二音频数据以及第三音频数据， 所述第一 音频数据为目标音频 数据。 [0013]可选地， 所述将所述音频流划 分为第一音频数据、 第二音频数据以及第三音频数 据， 包括： [0014]根据预设频率范围和/或音频特征信息， 将所述音频流划分为第一音频数据、 第二 音频数据以及第三音频 数据。 [0015]可选地， [0016]所述S12包括： [0017]提取所述音频 数据中的声纹信息， 识别或确定所述声纹信息对应的目标语种； [0018]在所述目标语种对应的预设区域中对所述声纹信息进行匹配， 确定或生成文本信 息； 和/或，说　明　书 1/14 页 3 CN 115278351 A 3