字幕逐字显示方法、装置、电子设备及可读存储介质与流程

1.本技术涉及显示技术领域，尤其涉及一种字幕逐字显示方法、装置、电子设备及可读存储介质。


背景技术：

2.随着人们娱乐方式不断丰富，越来越多的人选择在闲暇之余去唱歌来放松娱乐，而mv(music video，音乐视频)中的歌词显示则是唱歌者进行语速控制以及节奏把控的重要方式。目前在mv视频中的歌词显示中的逐字显示文本主要是基于对目标mv视频中的歌词字幕颜色进行ocr(optical character recognition，光学符号识别)识别得到的。这种基于颜色识别的方法只保留了原歌词字幕的颜色特征，而文字部分的特征则被简化，所以对所述目标mv视频中的歌词字幕识别提取文字特征偏少，与对应的时间不匹配，从而导致生成的字幕逐字显示文本的准确度偏低。


技术实现要素：

3.本技术的主要目的在于提供一种字幕逐字显示方法、电子设备及计算机可读存储介质，旨在解决字幕逐字显示文本的准确度低的技术问题。
4.为实现上述目的，本技术提供一种字幕逐字显示方法，所述字幕逐字显示方法包括：
5.从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到；
6.根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；
7.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
8.可选地，从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到；
9.根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；
10.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
11.可选地，所述依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示的步骤包括：
12.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存
在差异，则将所述字符串与对应的时间戳添加进识别队列；
13.对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
14.可选地，所述依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存在差异，则将所述字符串与对应的时间戳添加进识别队列的步骤包括：
15.将所述字符串队列中的各字符串按对应的时间戳顺序进行排列；
16.依次将各所述字符串与对应的前一位字符串进行对比，若所述字符串与前一位字符串不相同，则将所述字符串添加进所述识别队列；
17.若所述字符串与前一位字符串相同，则舍弃所述字符串。
18.可选地，所述识别队列中的各字符串按对应的时间戳顺序进行排列，所述对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示的步骤包括：
19.判断所述前一位字符串是否为所述字符串的子集；
20.若是，则判定所述字符串与所述前一位字符串属于同一条字幕，并将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
21.若否，则判定所述字符串与所述前一位字符串不属于同一条字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；
22.根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
23.可选地，述从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标的步骤包括：
24.从所述目标视频中每隔预设时间段提取一帧图片，得到各所述图像帧；
25.通过所述文字检测模型对各所述图像帧的预设区域进行文字检测，得到各所述字幕区域坐标。
26.可选地，述从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标的步骤包括：
27.从所述目标视频中每隔预设时间段提取一帧图片，得到各所述图像帧；
28.通过所述文字检测模型对各所述图像帧的预设区域进行文字检测，得到各所述字幕区域坐标。
29.本技术还提供一种字幕逐字显示装置，所述字幕逐字显示装置应用于字幕逐字显示设备，所述字幕逐字显示装置包括：
30.区域检测模块，用于从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到；
31.文字提取模块，用于根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；
32.识别确定模块，用于依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
33.可选地，所述识别确定模块还用于：
34.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比；
35.若所述字符串比所述前一位字符串长，则将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
36.若所述字符串比所述前一位字符串短，则将所述字符串作为所述字符串对应的字幕逐字识别结果；
37.若所述字符串与所述前一位字符串相同，则将所述字符串舍弃；
38.根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
39.可选地，所述识别确定模块还用于：
40.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存在差异，则将所述字符串与对应的时间戳添加进识别队列；
41.对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
42.可选地，所述识别确定模块还用于：
43.将所述字符串队列中的各字符串按对应的时间戳顺序进行排列；
44.依次将各所述字符串与对应的前一位字符串进行对比，若所述字符串与前一位字符串不相同，则将所述字符串添加进所述识别队列；
45.若所述字符串与前一位字符串相同，则舍弃所述字符串。
46.可选地，所述识别确定模块还用于：
47.判断所述前一位字符串是否为所述字符串的子集；
48.若是，则判定所述字符串与所述前一位字符串属于同一条字幕，并将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
49.若否，则判定所述字符串与所述前一位字符串不属于同一条字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；
50.根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
51.可选地，所述区域检测模块还用于：
52.从所述目标视频中每隔预设时间段提取一帧图片，得到各所述图像帧；
53.通过所述文字检测模型对各所述图像帧的预设区域进行文字检测，得到各所述字幕区域坐标。
54.可选地，所述文字提取模块还用于：
55.根据各所述图像帧对应的字幕区域坐标，对各所述图像帧进行ocr文字识别，得到对应的各字符串；
56.根据各所述字符串对应的图像帧包含的时间戳，将各所述字符串进行排列，得到所述字符串队列。
57.本技术还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述字幕逐字显示方法的程序，所述字幕逐字显示方法的程序被处理器执行时可实现如上述的字幕逐字显示方法的
步骤。
58.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现字幕逐字显示方法的程序，所述字幕逐字显示方法的程序被处理器执行时实现如上述的字幕逐字显示方法的步骤。
59.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的字幕逐字显示方法的步骤。
60.本技术提供了一种字幕逐字显示方法、装置、电子设备及可读存储介质，首先从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到，再根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列，最后依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示，本技术中通过已完成字幕区域标注的图片训练得到文字检测模型，通过所述文字检测模型提取各图像帧中的字幕区域坐标，并对各所述字幕区域坐标进行文字提取，保留了原图像帧的文字特征，克服了基于颜色进行ocr识别产生的文字特征简化的技术缺陷，然后基于各所述字符串对应的时间戳以及所述字符串队列中的各字符串与前一位字符串的对比结果确定字幕逐字识别结果，实现了与各所述图像帧的时间匹配一致，提升了字幕逐字显示文本的准确度。
附图说明
61.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
62.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
63.图1为本技术字幕逐字显示方法第一实施例的流程示意图；
64.图2为本技术字幕逐字显示方法第一实施例中的歌词字幕标定坐标示意图；
65.图3为本技术字幕逐字显示方法第一实施例中步骤s31至步骤s35的流程示意图；
66.图4为本技术字幕逐字显示装置组成示意图；
67.图5为本技术实施例中字幕逐字显示方法涉及的硬件运行环境的设备结构示意图。
68.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
69.为使本技术的上述目的、特征和优点能够更加明显易懂，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本技术保护的范围。
70.实施例一
71.目前在mv视频中的歌词显示中的逐字显示文本主要是基于对目标mv视频中的歌词字幕颜色进行ocr识别得到的。这种基于颜色识别的方法只保留了原歌词字幕的颜色特征，而文字部分的特征则被大大简化，所以对所述目标mv视频中的歌词字幕识别提取文字特征偏少，与对应的时间不匹配，从而导致生成的字幕逐字显示文本的准确度偏低。
72.本技术实施例提供一种字幕逐字显示方法，在本技术字幕逐字显示方法的第一实施例中，参照图1，所述字幕逐字显示方法包括：
73.步骤s10，从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到；
74.步骤s20，根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；
75.步骤s30，依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
76.在本技术实施例中，需要说明的是，所述文字检测模型可以为yolo模型(you only look once，目标检测模型)，yolo模型通过一系列的卷积操作来实现端到端的目标检测。yolo模型会将图片划分为s x s的网格(grid)，每个网格负责检测落入其中的目标，最后输出所含目标的边框(bounding box)、定位的位置信息、以及所有类别的置信度，参考图2，从mv字幕图像帧中检测出目标字幕的坐标方框坐标信息(图2中的方框)；所述字符串即为各歌词文字组成的字符串；所述提取各图像帧中的文字的过程中所用的方法可以为ocr识别。
77.作为一种示例，步骤s10至步骤s30包括：根据预设间隔时间段从目标视频中提取各图像帧以及各所述图像帧对应的时间戳；通过已训练完成的目标检测模型对各所述图像帧中的字幕区域进行检测，得到各字幕区域坐标，其中，所述文字检测模型是根据已通过人工标准完成字幕区域坐标标记的图片训练得到；根据各所述字幕区域坐标对各所述图像帧进行ocr文字识别，提取得到各图像帧对应的字符串，并将各所述字符串以及各所述字符串对应的时间戳添加进字符串队列中；在所述字符串队列中依照时间戳顺序依次对比各所述字符串，若字符串与对应的前一个字符串不一致，则将所述字符串与所述字符串对应的时间戳添加进识别队列；在所述识别队列中依照时间戳顺序依次对比各时间戳，若字符串比对应的前一个字符串长，则将所述字符串与所述前一位字符串的对比结果作为所述字符串对应的字幕逐字识别结果；若所述字符串比所述前一位字符串短，则将所述字符串作为所述字符串对应的字幕逐字识别结果；将各所述字幕逐字识别结果按对应的时间戳进行播放显示。
78.其中，参考图3，所述依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示的步骤包括：
79.步骤s31，依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比；
80.步骤s32，若所述字符串比所述前一位字符串长，则将所述字符串与所述前一位字
符串的差值作为所述字符串对应的字幕逐字识别结果；
81.步骤s33，若所述字符串比所述前一位字符串短，则将所述字符串作为所述字符串对应的字幕逐字识别结果；
82.步骤s34，若所述字符串与所述前一位字符串相同，则将所述字符串舍弃；
83.步骤s35，根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
84.在本技术实施例中，需要说明的是，所述字幕逐字识别结果包括字符信息以及对应的时间戳，用于进行字幕逐字显示播放；所述字符串与所述前一位字符串的差值为所述字符串相比于所述前一位字符串的更新内容，例如字符串“北京欢迎你”和前一位字符串“北京欢迎”之间的差值为“你”，则将“你”作为字幕逐字识别结果。
85.作为一种示例，步骤s31至步骤s35包括：依据各所述字符串对应的时间戳，将各所述字符串与对应的前一位字符串进行依次对比；若所述字符串比所述前一位字符串长，则判定所述字符串与所述前一位字符串属于同一条字幕，且所述字符串相比所述前往字符串有更新内容，并将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；若所述字符串比所述前一位字符串短，则判定所述字符串与所述前一位字符串不属于同一条字幕，且所述字符串为一条新的字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；若所述字符串与所述前一位字符串相同，则判定所述字符串与所述前一位字符串属于同一条字幕，且所述字符串相比所述前往字符串无更新内容，并将所述字符串舍弃；将各所述字幕逐字识别结果依据各所述字符串对应的时间戳进行字幕逐字显示。
86.作为另一种示例，所述依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示的步骤包括：
87.步骤a10，依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存在差异，则将所述字符串与对应的时间戳添加进识别队列；
88.步骤a20，对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
89.作为一种示例，步骤a10至步骤a20包括：将所述字符串队列中的各所述字符串依据对应的时间戳与所述字符串对应的前一位字符串进行依次对比；当检测到所述字符串与所述前一位字符串存在差异时，将所述字符串与所述字符串对应的时间戳添加进识别队列；若检测到所述字符串与所述前一位字符串不存在差异时，舍弃所述字符串；在所述识别队列中依次对比各字符串与对应的前一位字符串，判断所述字符串与所述前一位字符串的长短关系；根据所述长短关系，生成所述字符串对应的字幕逐字识别结果；将所述字幕逐字识别结果根据所述字符串对应的时间戳进行字幕逐字显示。
90.其中，所述依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存在差异，则将所述字符串与对应的时间戳添加进识别队列的步骤包括：
91.步骤a11，将所述字符串队列中的各字符串按对应的时间戳顺序进行排列；
92.步骤a12，依次将各所述字符串与对应的前一位字符串进行对比，若所述字符串与前一位字符串不相同，则将所述字符串添加进所述识别队列；
93.步骤a13，若所述字符串与前一位字符串相同，则舍弃所述字符串。
94.作为一种示例，步骤a11至步骤a13包括：根据各所述字符串对应的时间戳先后顺序，在所述字符串队列中将各所述字符串进行排序；根据所述时间戳顺序，在所述字符串队列中将各所述字符串与对应的前一位字符串进行对比；若所述字符串与所述前一位字符串不完全相同，则判定所述字符串相比所述前一位字符串有更新内容，并将所述字符串添加进所述识别队列；若所述字符串与前一位字符串相同，则判定所述字符串相比所述前一位字符串无更新内容，则舍弃所述字符串。
95.作为一种示例，在对于mv视频的歌词逐字显示中，所述字符串队列为s，其中的各字符串结果为i，对i和i-1进行比对，如果i比i-1的识别结果不一致，则认为演唱进入下一个字符，记录下当前i的时间戳并记录下识别字符。例如i帧的对应的字符串为“北京欢迎你”i-1对应的字符串为“北京欢迎”，则保存“北京欢迎你”与“北京欢迎你”的时间戳进入识别队列t中。
96.其中，述识别队列中的各字符串按对应的时间戳顺序进行排列，所述对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示的步骤包括：
97.步骤a21，判断所述前一位字符串是否为所述字符串的子集；
98.步骤a22，若是，则判定所述字符串与所述前一位字符串属于同一条字幕，并将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
99.步骤a23，若否，则判定所述字符串与所述前一位字符串不属于同一条字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；
100.步骤a24，根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
101.作为一种示例，步骤a21至步骤a24包括：在所述识别队列中判断相邻两字符串中的前一位字符串是否为后一位字符串的子集；若所述前一位字符串为所述后一位字符串的子集，则判定所述后一位字符串与所述前一位字符串属于同一条字幕，并将所述后一位字符串与所述前一位字符串的差值作为所述后一位字符串对应的字幕逐字识别结果，其中，所述差值用于表述所述后一位字符串相比于前一位字符串的更新内容；若所述前一位字符串不为所述后一位字符串的子集，则判定所述后一位字符串与所述前一位字符串不属于同一条字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；根据各所述字符串对应的时间戳将各所述字幕逐字识别结果进行逐字显示。
102.作为一种示例，在对于mv视频歌词的逐字显示中，遍历所述识别队列t，取出识别结果t，与t-1比较，如果t的识别结果比t-1多，则使用t-(t-1)得到识别差值作为逐字歌词的结果，并记录t的时间戳。例如“北京欢迎你”和“北京欢迎”差值为“你”，则将“你”作为所述字幕逐字识别结果；如果t的识别结果比t-1少，则判断视频播放中出现了新行歌词，则将t的识别结果作为逐字歌词的结果例如“北京欢迎你”和“为”为t-1和t，则将“为”作为所述字幕逐字识别结果，将所有差值结果记录时间戳并保存为字幕逐字识别结果。
103.所述从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标的步骤包括：
104.步骤s11，从所述目标视频中每隔预设时间段提取一帧图片，得到各所述图像帧；
105.步骤s12，通过所述文字检测模型对各所述图像帧的预设区域进行文字检测，得到各所述字幕区域坐标。
106.在本实施例中，需要说明的是，所述目标视频可以为mv歌词视频，所述文字检测模型可以为yolo目标检测模型，用于检测所述图像帧中的字幕区域，是由已通过人工方式完成字幕区域标注的各mv视频提取图片训练而来。
107.作为一种优选，所述预设时间段为0.5s，所述预设区域为视频下方三分之一的区域，即字幕区域，因为mv视频中视频上方三分之二的区域都不会有字幕显示，为避免冗余的识别，将mv视频中视频上方三分之二的区域内的rgb值置为0。
108.作为一种示例，步骤s11至步骤s12包括：在所述目标视频文件根据所述预设时间段依次提取图像帧，得到所述目标视频对应的各图像帧；通过根据已完成字幕区域标注的各mv视频提取图片训练得到的yolo目标检测模型对各所述图像帧的预设区域进行字幕区域检测，得到对应的各字幕区域坐标。
109.所述根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列的步骤包括：
110.步骤s21，根据各所述图像帧对应的字幕区域坐标，对各所述图像帧进行ocr文字识别，得到对应的各字符串；
111.步骤s22，根据各所述字符串对应的图像帧包含的时间戳，将各所述字符串进行排列，得到所述字符串队列。
112.作为一种示例，步骤s21至步骤s22包括：根据各所述图像帧对应的字幕区域坐标，划分出包含目标字幕的各字幕区域，并对各所述字幕区域进行ocr文字识别，得到对应的各字符串，其中，各所述字符串包含字幕中的字符；根据各所述字符串对应的图像帧以及各所述图像帧的时间戳，确认各所述字符串对应的时间戳；根据各所述字符串对应的时间戳的先后顺序，将各所述字符串添加进所述字符串队列中，得到所述字符串队列。
113.本技术提供了一种字幕逐字显示方法，首先从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到，再根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列，最后依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示，本技术中通过已完成字幕区域标注的图片训练得到文字检测模型，通过所述文字检测模型提取各图像帧中的字幕区域坐标，并对各所述字幕区域坐标进行文字提取，保留了原图像帧的文字特征，克服了基于颜色进行ocr识别产生的文字特征简化的技术缺陷，然后基于各所述字符串对应的时间戳以及所述字符串队列中的各字符串与前一位字符串的对比结果确定字幕逐字识别结果，实现了与各所述图像帧的时间匹配一致，提升了字幕逐字显示文本的准确度。
114.实施例二
115.本技术实施例还提供一种字幕逐字显示装置，所述字幕逐字显示装置应用于字幕逐字显示设备，参考图4，所述字幕逐字显示装置包括：
116.区域检测模块，用于从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区
域标注的图片训练得到；
117.文字提取模块，用于根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；
118.识别确定模块，用于依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
119.可选地，所述识别确定模块还用于：
120.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比；
121.若所述字符串比所述前一位字符串长，则将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
122.若所述字符串比所述前一位字符串短，则将所述字符串作为所述字符串对应的字幕逐字识别结果；
123.若所述字符串与所述前一位字符串相同，则将所述字符串舍弃；
124.根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
125.可选地，所述识别确定模块还用于：
126.依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，若存在差异，则将所述字符串与对应的时间戳添加进识别队列；
127.对比所述识别队列中的各字符串与对应的前一位字符串，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示。
128.可选地，所述识别确定模块还用于：
129.将所述字符串队列中的各字符串按对应的时间戳顺序进行排列；
130.依次将各所述字符串与对应的前一位字符串进行对比，若所述字符串与前一位字符串不相同，则将所述字符串添加进所述识别队列；
131.若所述字符串与前一位字符串相同，则舍弃所述字符串。
132.可选地，所述识别确定模块还用于：
133.判断所述前一位字符串是否为所述字符串的子集；
134.若是，则判定所述字符串与所述前一位字符串属于同一条字幕，并将所述字符串与所述前一位字符串的差值作为所述字符串对应的字幕逐字识别结果；
135.若否，则判定所述字符串与所述前一位字符串不属于同一条字幕，并将所述字符串作为所述字符串对应的字幕逐字识别结果；
136.根据各所述字符串对应的时间戳与各所述字幕逐字识别结果，显示各所述字幕逐字识别结果。
137.可选地，所述区域检测模块还用于：
138.从所述目标视频中每隔预设时间段提取一帧图片，得到各所述图像帧；
139.通过所述文字检测模型对各所述图像帧的预设区域进行文字检测，得到各所述字幕区域坐标。
140.可选地，所述文字提取模块还用于：
141.根据各所述图像帧对应的字幕区域坐标，对各所述图像帧进行ocr文字识别，得到
对应的各字符串；
142.根据各所述字符串对应的图像帧包含的时间戳，将各所述字符串进行排列，得到所述字符串队列。
143.本技术提供的字幕逐字显示装置，采用上述实施例中的字幕逐字显示方法，解决了字幕逐字显示文本的准确度低的技术问题。与现有技术相比，本技术实施例提供的字幕逐字显示装置的有益效果与上述实施例提供的字幕逐字显示方法的有益效果相同，且该字幕逐字显示装置中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
144.实施例三
145.本技术实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信链接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的字幕逐字显示方法。
146.下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子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5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。
147.如图5所示，电子设备可以包括处理装置(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)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也链接至总线。
148.通常，以下系统可以链接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
149.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从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
150.本技术提供的电子设备，采用上述实施例中的字幕逐字显示方法，解决了字幕逐字显示文本的准确度低的技术问题。与现有技术相比，本技术实施例提供的电子设备的有益效果与上述实施例一提供的字幕逐字显示方法的有益效果相同，且该电子设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
151.应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例
中以合适的方式结合。
152.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
153.实施例四
154.本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的字幕逐字显示的方法。
155.本技术实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，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链接、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。在本实施例中，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、系统或者器件使用或者与其结合使用。计算机可读存储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。
156.上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
157.上述计算机可读存储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电子设备执行时，使得电子设备：从目标视频中提取各图像帧，通过文字检测模型检测各所述图像帧中的字幕区域，得到各字幕区域坐标，其中，所述文字检测模型是根据已完成字幕区域标注的图片训练得到；根据各所述字幕区域坐标提取各图像帧中的文字，得到包含时间戳的各字符串构成的字符串队列；依次将所述字符串队列中的各所述字符串与对应的前一位字符串进行对比，确定字幕逐字识别结果，并根据所述字幕逐字识别结果与对应的时间戳进行字幕逐字显示
158.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)—链接到用户计算机，或者，可以链接到外部计算机(例如利用因特网服务提供商来通过因特网链接)。
159.附图中的流程图和框图，图示了按照本技术各种实施例的系统、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。
160.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单元本身的限定。
161.本技术提供的计算机可读存储介质，存储有用于执行上述字幕逐字显示方法的计算机可读程序指令，解决了字幕逐字显示文本的准确度低的技术问题。与现有技术相比，本技术实施例提供的计算机可读存储介质的有益效果与上述实施例提供的字幕逐字显示方法的有益效果相同，在此不做赘述。
162.实施例五
163.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的字幕逐字显示方法的步骤。
164.本技术提供的计算机程序产品解决了字幕逐字显示文本的准确度低的技术问题。与现有技术相比，本技术实施例提供的计算机程序产品的有益效果与上述实施例提供的字幕逐字显示方法的有益效果相同，在此不做赘述。
165.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。