视频分发方法、装置、可读介质及电子设备与流程

1.本公开涉及视频应用技术领域，具体地，涉及一种视频分发方法、装置、可读介质及电子设备。


背景技术：

2.在视频场景中，通常会对长视频进行切分，将各个语音片段分别送入语音识别系统，得到每个语音片段的语言标签、每个字符的转写结果和置信度，没有针对整个视频的每种语言标签的概率，即没有每种语言的视频级别的概率，这样不利于根据语言对视频进行分发。


技术实现要素：

3.提供该部分内容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。该部分内容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。
4.第一方面，本公开提供一种视频分发方法，所述方法包括：
5.获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度；
6.根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；
7.根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；
8.根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
9.第二方面，本公开提供一种视频分发装置，包括：
10.语音识别模块，用于获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度；
11.片段置信度获取模块，用于根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；
12.语言概率获取模块，用于根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；
13.处理模块，用于根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
14.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上述方法的步骤。
15.第四方面，本公开提供一种电子设备，包括：
16.存储装置，其上存储有至少一个计算机程序；
17.至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现上述方法的步骤。
18.通过上述技术方案，对于每个视频，可以获得其为每种语言的概率值。在视频分发时，仅需设置每个业务方/用户对每种语言的概率值要求，即可将符合要求的视频发送至对应的业务方/用户(目标用户)，或者在视频不满足任何业务方/用户要求的情况丢弃该视频，便于根据语言对视频进行分发。
19.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
20.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：
21.图1是根据本公开的一种实施方式提供的视频分发方法的流程图。
22.图2是根据本公开的一种实施方式提供的语音识别模型的结构示意图。
23.图3是根据本公开的一种实施方式提供的视频分发装置的框图。
24.图4是根据本公开的一种实施方式提供的电子设备的结构示意图。
具体实施方式
25.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。
26.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。
27.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。
28.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。
29.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”。
30.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。
31.本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
32.可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
33.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
34.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
35.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
36.同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
37.图1是根据本公开的一种实施方式提供的视频分发方法的流程图，如图1所示，本公开提供的方法可以包括步骤11～步骤14。
38.在步骤s11中，获取视频的所有非静音音频片段的语音识别结果。
39.其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度。所述语音识别结果包括还可以包括：该非静音音频片段识别出的每个字符的转写结果。
40.在步骤s12中，根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度。
41.步骤s12的实现方法有多种，在此不做限定。例如，一个非静音音频片段的语言标签的置信度可以等于该非静音音频片段的每个字符的置信度的平均值。
42.在步骤s13中，根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值。
43.在步骤s14中，根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
44.其中，丢弃所述视频即，不分发所述视频至任何用户。
45.通过上述技术方案，对于每个视频，可以获得其为每种语言的概率值。在视频分发时，仅需设置每个业务方/用户对每种语言的概率值要求，即可将符合要求的视频发送至对应的业务方/用户(目标用户)，或者在视频不满足任何业务方/用户要求的情况丢弃该视频，便于根据语言对视频进行分发。
46.可选地，步骤s13包括：
47.针对所述视频的每种语言标签的置信度，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值。
48.根据所述视频的语音识别结果，所述视频可能有一种语言标签，也可能有至少两种语言标签。如果所述视频有一种语言标签，则所述视频的每种语言标签指该种语言标签。
如果所述视频有至少两种语言标签，则所述视频的每种语言标签指该两种语言标签的任何一种。
49.可选地，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值包括：
50.根据该种语言标签的所有置信度，选取其中大于或等于第一阈值的置信度，对选取的置信度求和，获得该种语言标签的置信度和，将该置信度和与所述视频的所有语言标签的置信度的和做商，获得所述视频的该种语言标签的概率值。
51.其中，第一阈值可以根据需求灵活设置，在此不做限制。为了对步骤s13所描述的方法进行说明，进行如下举例。例如，一个视频包括10个非静音音频片段，识别出粤语、普通话和四川话3种语言标签；其中，有6个非静音音频片段的语言标签为粤语，置信度分别为0.2、0.3、0.6、0.7、0.7、0.8；有3个非静音音频片段的语言标签为普通话，置信度分别为0.5、0.7、0.9；有1个非静音音频片段的语言标签为四川话，置信度为0.2；第一阈值为0.6。那么针对为粤语的语言标签，获取语言标签为粤语的所有非静音音频片段的置信度：0.2、0.3、0.6、0.7、0.7、0.8；选择其中大于或等于0.6的置信度：0.6、0.7、0.7、0.8；对选取的置信度求和：0.6+0.7+0.7+0.8＝2.8；获得该语言标签的置信度和：2.8；将该置信度和与所述视频的所有语言标签的置信度的和做商：获得该视频的粤语语言标签的概率值：0.5。同理，可以获得该视频的普通话语言标签的概率值：0.29，可以获得该视频的四川话语言标签的概率值：0。
52.由上述分析可知，通过设置第一阈值，可以防止片段级别的误判。例如，对于为粤语的语言标签，置信度为0.2、0.3的非静音音频片段属于误判，其很可能不是粤语，例如为英语。若直接将语言标签为粤语的所有非静音音频片段的置信度和，与所述视频的所有非静音音频片段的置信度的和做商，则获得的粤语语言标签的概率值就不准，存在误判。
53.可选地，所述视频包括至少两种语言标签，步骤s14包括：
54.对所述视频的所有语言标签的概率值求和，得到概率和。
55.在所述概率和小于第二阈值的情况下，丢弃所述视频。
56.其中，第二阈值根据需要灵活设置，在此不做限制。为了对步骤s14所描述的方法进行说明，进行如下举例。例如，一个视频识别出粤语、普通话和四川话3种语言标签，该视频为粤语语言标签的概率值为0.03，该视频为普通话语言标签的概率值为0.05，该视频为四川话语言标签的概率值为0.02，则概率和为0.1；假设第二阈值为0.3，则0.1小于0.3，丢弃该视频。
57.通过对语言标签的概率值的分析可知，语言标签的概率值不仅反映了视频的各个非静音音频片段识别为该语言标签的置信度，还反映了该视频包含了该语言标签的非静音音频片段数量。因此，当语言标签的概率值太小，就意味着该视频为该语言标签的置信度小，和/或该视频为该语言标签的非静音音频片段的数量少。因此，当视频的所有语言标签的概率和小于第二阈值时，说明该视频不属于目标语言(该视频用基于多个目标语言训练出的模型，识别出其属于目标语言的概率值小)，属于非目标语言视频，丢弃该视频。例如，延续上面的例子，假设我们高度重视(目标语言为)粤语、普通话和四川话，而识别出的该视频为粤语语言标签的概率值为0.03、为普通话语言标签的概率值为0.05、为四川话语言标
签的概率值为0.02，则说明该视频既不是粤语(粤语含量很少)、也不是普通话(普通话含量很少)、也不是四川话(四川话含量很少)，不是我们重视的语言(不是目标语言)，则丢弃该视频。
58.可选地，所述视频包括至少两种语言标签，步骤s14还包括：
59.在所述概率和大于或等于第二阈值的情况下，将所述视频的所有语言标签的概率值中，最大概率值对应的语言标签作为所述视频的分发语言。
60.即，在不该丢弃所述视频的情况下，选取最大概率值对应的语言标签作为所述视频的分发语言。例如，一个视频识别出粤语、普通话和四川话3种语言标签，该视频为粤语语言标签的概率值为0.5，该视频为普通话语言标签的概率值为0.3，该视频为四川话语言标签的概率值为0.1，则概率和为0.9；假设第二阈值为0.3，则0.9大于0.3，选取粤语语言标签作为所述视频的分发语言。
61.根据所述分发语言与用户的关联关系，分发所述视频至目标用户，其中，所述目标用户为所述分发语言关联的用户。
62.其中，分发语言与用户的关联关系可以根据业务方/用户的要求灵活设置。延续上面的例子，通过本步骤，可以将该视频分发至与粤语关联的用户/业务方。
63.通过上述技术方案，在不该丢弃所述视频的情况下，依据最大概率值对应的语言标签，对视频进行分发。可以适用于语言互斥性比较较强的业务场景，例如视频面向对象主要为英语、法语、普通话三种语言的用户群体，此时单一视频只会分发到单一用户群体。
64.同理，可选地，所述视频只包括一种语言标签，步骤s14包括：
65.在所述视频的语言标签的概率值小于第三阈值的情况下，丢弃所述视频。
66.可选地，所述视频只包括一种语言标签，步骤s14还包括：
67.在所述视频的语言标签的概率值大于或等于所述第三阈值的情况下，分发所述视频至目标用户，所述目标用户为所述语言标签关联的用户。
68.可选地，在另一实施方式种，步骤s14包括：
69.在所述视频的目标语言标签的概率值大于或等于目标阈值的情况下，将所述视频召回入所述目标语言标签表示的目标语言的机器学习资源池。
70.其中，所述目标阈值为与所述目标语言标签对应的阈值。即，对于每种目标语言标签，其目标阈值可能不同。例如，一个视频识别出粤语、普通话和四川话3种语言标签，该视频为粤语语言标签的概率值为0.5，该视频为普通话语言标签的概率值为0.4，该视频为四川话语言标签的概率值为0.01，设置粤语语言标签的目标阈值为0.4，设置普通话语言标签的目标阈值为0.3，设置四川话语言标签的目标阈值为0.3；则将所述视频召回入粤语的机器学习资源池和普通话的机器学习资源池。
71.通过上述技术方案，将目标语言标签的概率值大于或等于目标阈值的视频召回至所述目标语言标签表示的目标语言的机器学习资源池，实现了增大机器学习资源池的视频规模。并且，对于召回入目标语言的机器学习资源池的视频，其作为目标语言的训练数据进行标注时，可以直接对该视频通过步骤s11识别出的转写结果和语言标签进行标注修订，替代完全重新标注，提高了标注效率。
72.可选地，步骤s11包括：
73.提取所述视频的音频。
74.对所述音频进行端点检测，提取所述音频的所有非静音音频片段。
75.其中，端点检测，也叫语音活动检测(voice activity detection，vad)，目的是对语音和非语音的区域进行区分。通俗来理解，端点检测就是为了从带有噪声的语音中准确的定位出语音的开始点和结束点，去掉静音的部分，去掉噪声的部分。
76.将所有非静音音频片段输入语音识别模型，得到所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符和识别出的每个字符的置信度。
77.其中，所述语音识别模型是基于至少两种语言训练的。且，如图2所示，所述语音识别模型包括编码器、解码器和注意力机制，所述编码器将每个非静音音频片段(x1，
…
，x
t
)编码为隐层向量h
enc
，所述解码器输入上一时刻预测的字符y
u-1
和上下文向量cu来预测当前时刻的字符，所述上下文向量cu通过编码器的隐层向量h
enc
和上一时刻解码器的隐层状态计算得到。
78.通过上述技术方案，采用端到端的的建模方式，构建语音识别模型。该语音识别模型不要求语音和文本的强制对齐。且，该语音识别模型基于至少两种语言训练，相较于常规的语种识别加语音识别串联系统(对前置的语种识别模型分类准确率要求较高，若语种识别判断错误，下游的语音识别模型将无法对内容进行有效转写)，识别准确率较高。
79.可选地，所述语音识别模型还可以是基于一种语言训练的。
80.可选地，为了使得语音识别模型预测过程中输出对应的语言标签，我们将训练数据对应的文本开头加上语言标签，如下所示：
81.《yue》你哋三个就系唔舍得我落线哈哈哈我好自恋啊我觉得
82.《yue》裤吹紧风扇你就知道我有几咁热
83.《zh》多谢多谢玫瑰花
84.其中，《yue》表示粤语，《zh》表示普通话。
85.因此，该语音识别模型可通过第一个预测的字符判断该语音对应的语言(语种)。
86.基于上述技术构思，本公开还提供一种视频分发装置。图3为本公开的一种实施方式提供的视频分发装置的框图。如图3所示，本公开提供的视频分发装置包括：
87.语音识别模块，用于获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度；
88.片段置信度获取模块，用于根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；
89.语言概率获取模块，用于根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；
90.处理模块，用于根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
91.通过上述技术方案，对于每个视频，可以获得其为每种语言的概率值。在视频分发时，仅需设置每个业务方/用户对每种语言的概率值要求，即可将符合要求的视频发送至对应的业务方/用户(目标用户)，或者在视频不满足任何业务方/用户要求的情况丢弃该视频，便于根据语言对视频进行分发。
92.可选地，所述语言概率获取模块具体用于，针对所述视频的每种语言标签的置信度，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值。
93.可选地，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值包括：
94.根据该种语言标签的所有置信度，选取其中大于或等于第一阈值的置信度，对选取的置信度求和，获得该种语言标签的置信度和，将该置信度和与所述视频的所有语言标签的置信度的和做商，获得所述视频的该种语言标签的概率值。
95.通过设置第一阈值，可以防止片段级别的误判。例如，对于为粤语的语言标签，置信度为0.2、0.3的非静音音频片段属于误判，其很可能不是粤语，例如为英语。若直接将语言标签为粤语的所有非静音音频片段的置信度和，与所述视频的所有非静音音频片段的置信度的和做商，则获得的粤语语言标签的概率值就不准，存在误判。
96.可选地，所述处理模块包括：
97.概率和计算子模块，用于对所述视频的所有语言标签的概率值求和，得到概率和；
98.丢弃子模块，用于在所述概率和小于第二阈值的情况下，丢弃所述视频。
99.通过对语言标签的概率值的分析可知，语言标签的概率值不仅反映了视频的各个非静音音频片段识别为该语言标签的置信度，还反映了该视频包含了该语言标签的非静音音频片段数量。因此，当语言标签的概率值太小，就意味着该视频为该语言标签的置信度小，和/或该视频为该语言标签的非静音音频片段的数量少。因此，当视频的所有语言标签的概率和小于第二阈值时，说明该视频不属于目标语言(该视频用基于多个目标语言训练出的模型，识别出其属于目标语言的概率值小)，属于非目标语言视频，丢弃该视频。
100.可选地，所述处理模块还包括：
101.分发语言获取子模块，用于在所述概率和大于或等于第二阈值的情况下，将所述视频的所有语言标签的概率值中，最大概率值对应的语言标签作为所述视频的分发语言；
102.分发子模块，用于根据所述分发语言与用户的关联关系，分发所述视频至目标用户，其中，所述目标用户为所述分发语言关联的用户。
103.通过上述技术方案，在不该丢弃所述视频的情况下，依据最大概率值对应的语言标签，对视频进行分发。可以适用于语言互斥性比较较强的业务场景，例如视频面向对象主要为英语、法语、普通话三种语言的用户群体，此时单一视频只会分发到单一用户群体。
104.可选地，所述处理模块具体用于，在所述视频的目标语言标签的概率值大于或等于目标阈值的情况下，将所述视频召回入所述目标语言标签表示的目标语言的机器学习资源池。
105.通过上述技术方案，将目标语言标签的概率值大于或等于目标阈值的视频召回至所述目标语言标签表示的目标语言的机器学习资源池，实现了增大机器学习资源池的视频规模。并且，对于召回入目标语言的机器学习资源池的视频，其作为目标语言的训练数据进行标注时，可以直接对该视频通过步骤s11识别出的转写结果和语言标签进行标注修订，替代完全重新标注，提高了标注效率。
106.可选地，语音识别模块包括：
107.提取子模块，用于提取所述视频的音频。
108.端点检测子模块，用于对所述音频进行端点检测，提取所述音频的所有非静音音频片段。
109.识别子模块，用于将所有非静音音频片段输入语音识别模型，得到所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符和识别出的每个字符的置信度。
110.其中，所述语音识别模型是基于至少两种语言训练的。且，如图2所示，所述语音识别模型包括编码器、解码器和注意力机制，所述编码器将每个非静音音频片段编码为隐层向量，所述解码器输入上一时刻预测的字符和上下文向量来预测当前时刻的字符，所述上下文向量通过编码器的隐层向量和上一时刻解码器的隐层状态计算得到。
111.通过上述技术方案，采用端到端的的建模方式，构建语音识别模型。该语音识别模型不要求语音和文本的强制对齐。且，该语音识别模型基于至少两种语言训练，相较于常规的语种识别加语音识别串联系统(对前置的语种识别模型分类准确率要求较高，若语种识别判断错误，下游的语音识别模型将无法对内容进行有效转写)，识别准确率较高。
112.可选地，为了使得语音识别模型预测过程中输出对应的语言标签，我们将训练数据对应的文本开头加上语言标签，如下所示：
113.《yue》你哋三个就系唔舍得我落线哈哈哈我好自恋啊我觉得
114.《yue》裤吹紧风扇你就知道我有几咁热
115.《zh》多谢多谢玫瑰花
116.其中，《yue》表示粤语，《zh》表示普通话。
117.因此，该语音识别模型可通过第一个预测的字符判断该语音对应的语言(语种)。
118.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。
119.下面参考图4，其示出了适于用来实现本公开实施例的电子设备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4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。
120.如图4所示，电子设备600可以包括处理装置601(例如中央处理器、图形处理器等)，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。
121.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4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。
122.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。
123.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。
124.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，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。
125.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。
126.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：获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度；根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
127.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)。
128.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。
129.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，语言概率获取模块还可以被描述为“获取视频为每种语言的概率值的模块”。
130.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。
131.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。
132.根据本公开的一个或多个实施例，示例1提供了一种视频分发方法，所述方法包括：
133.获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符的置信度；
134.根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；
135.根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；
136.根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
137.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，根据每个非静音音
频片段的语言标签的置信度，获得所述视频的语言标签的概率值包括：
138.针对所述视频的每种语言标签的置信度，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值。
139.根据本公开的一个或多个实施例，示例3提供了示例2的方法，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值包括：
140.根据该种语言标签的所有置信度，选取其中大于或等于第一阈值的置信度，对选取的置信度求和，获得该种语言标签的置信度和，将该置信度和与所述视频的所有语言标签的置信度的和做商，获得所述视频的该种语言标签的概率值。
141.根据本公开的一个或多个实施例，示例4提供了示例1-示例3中任一项所述的方法，所述视频有至少两种语言标签，根据所述视频的语言标签的概率值，对所述视频进行处理包括：
142.对所述视频的所有语言标签的概率值求和，得到概率和；
143.在所述概率和小于第二阈值的情况下，丢弃所述视频。
144.根据本公开的一个或多个实施例，示例5提供了示例4的方法，根据所述视频的语言标签的概率值，对所述视频进行处理还包括：
145.在所述概率和大于或等于所述第二阈值的情况下，将所述视频的所有语言标签的概率值中，最大概率值对应的语言标签作为所述视频的分发语言；
146.根据所述分发语言与用户的关联关系，分发所述视频至目标用户，其中，所述目标用户为所述分发语言关联的用户。
147.根据本公开的一个或多个实施例，示例6提供了示例1-示例3中任一项所述的方法，根据所述视频的语言标签的概率值，对所述视频进行处理包括：
148.在所述视频的目标语言标签的概率值大于或等于目标阈值的情况下，将所述视频召回入所述目标语言标签表示的目标语言的机器学习资源池，其中，所述目标阈值为与所述目标语言标签对应的阈值。
149.根据本公开的一个或多个实施例，示例7提供了示例1-示例3中任一项所述的方法，获取视频的所有非静音音频片段的语音识别结果包括：
150.提取所述视频的音频；
151.对所述音频进行端点检测，提取所述音频的所有非静音音频片段；
152.将所有非静音音频片段输入语音识别模型，得到所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符和识别出的每个字符的置信度；
153.其中，所述语音识别模型是基于至少两种语言训练的，且所述语音识别模型包括编码器、解码器和注意力机制，所述编码器将每个非静音音频片段编码为隐层向量，所述解码器输入上一时刻预测的字符和上下文向量来预测当前时刻的字符，所述上下文向量通过编码器的隐层向量和上一时刻解码器的隐层状态计算得到。
154.根据本公开的一个或多个实施例，示例8提供了一种视频分发装置，包括：
155.语音识别模块，用于获取视频的所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段
识别出的每个字符的置信度；
156.片段置信度获取模块，用于根据每个非静音音频片段识别出的每个字符的置信度，获得该非静音音频片段的语言标签的置信度；
157.语言概率获取模块，用于根据每个非静音音频片段的语言标签的置信度，获得所述视频的语言标签的概率值；
158.处理模块，用于根据所述视频的语言标签的概率值，对所述视频进行处理，其中，所述处理包括分发所述视频至目标用户或丢弃所述视频。
159.根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述语言概率获取模块具体用于，针对所述视频的每种语言标签的置信度，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值。
160.根据本公开的一个或多个实施例，示例10提供了示例9的装置，根据该种语言标签的所有置信度，及所述视频的所有语言标签的置信度，获得所述视频的该种语言标签的概率值包括：
161.根据该种语言标签的所有置信度，选取其中大于或等于第一阈值的置信度，对选取的置信度求和，获得该种语言标签的置信度和，将该置信度和与所述视频的所有语言标签的置信度的和做商，获得所述视频的该种语言标签的概率值。
162.根据本公开的一个或多个实施例，示例11提供了示例8-示例10中任一项的装置，所述处理模块包括：
163.概率和计算子模块，用于对所述视频的所有语言标签的概率值求和，得到概率和；
164.丢弃子模块，用于在所述概率和小于第二阈值的情况下，丢弃所述视频。
165.根据本公开的一个或多个实施例，示例12提供了示例11的装置，所述处理模块还包括：
166.分发语言获取子模块，用于在所述概率和大于或等于第二阈值的情况下，将所述视频的所有语言标签的概率值中，最大概率值对应的语言标签作为所述视频的分发语言；
167.分发子模块，用于根据所述分发语言与用户的关联关系，分发所述视频至目标用户，其中，所述目标用户为所述分发语言关联的用户。
168.根据本公开的一个或多个实施例，示例13提供了示例8-示例10中任一项的装置，所述处理模块具体用于，在所述视频的目标语言标签的概率值大于或等于目标阈值的情况下，将所述视频召回入所述目标语言标签表示的目标语言的机器学习资源池。
169.根据本公开的一个或多个实施例，示例14提供了示例8-示例10中任一项的装置，语音识别模块包括：
170.提取子模块，用于提取所述视频的音频；
171.端点检测子模块，用于对所述音频进行端点检测，提取所述音频的所有非静音音频片段；
172.识别子模块，用于将所有非静音音频片段输入语音识别模型，得到所有非静音音频片段的语音识别结果，其中，每个非静音音频片段的语音识别结果包括：该非静音音频片段的语言标签、该非静音音频片段识别出的每个字符和识别出的每个字符的置信度；
173.其中，所述语音识别模型是基于至少两种语言训练的，且，所述语音识别模型包括编码器、解码器和注意力机制，所述编码器将每个非静音音频片段编码为隐层向量，所述解
码器输入上一时刻预测的字符和上下文向量来预测当前时刻的字符，所述上下文向量通过编码器的隐层向量和上一时刻解码器的隐层状态计算得到。
174.根据本公开的一个或多个实施例，示例15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-示例7中任一项所述方法的步骤。
175.根据本公开的一个或多个实施例，示例16提供了一种电子设备，包括：
176.存储装置，其上存储有至少一个计算机程序；
177.至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例1-示例7中任一项所述方法的步骤。
178.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。
179.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。
180.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。