视频剪辑方法、装置、电子设备和可读存储介质与流程

1.本公开涉及计算机技术领域，尤其涉及图像处理、深度学习等人工智能技术领域。提供了一种视频剪辑方法、装置、电子设备和可读存储介质。


背景技术：

2.作为信息媒介的一种，视频，尤其是短视频，受到越来越多人的关注。目前，长视频已经存在很长一段时间了，如电视剧、电影、娱乐直播视频等，目前这些视频资源的时长较长，完整看下来比较耗时。相反，短视频时间较短，由于可以利用碎片化时间、信息高度集中等受到追捧。
3.现有技术中一般是依据输入的剪辑操作，对视频资源进行剪辑，但由于剪辑时间、剪辑片段时长等难以把控，因此导致视频剪辑的准确性与效率较低。


技术实现要素：

4.根据本公开的第一方面，提供了一种视频剪辑方法，包括：获取待剪辑视频，确定所述待剪辑视频中的至少一个目标帧；从所述待剪辑视频中提取每个目标帧的初始视频；根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧；根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
5.根据本公开的第二方面，提供了一种视频剪辑装置，包括：获取单元，用于获取待剪辑视频，确定所述待剪辑视频中的至少一个目标帧；提取单元，用于从所述待剪辑视频中提取每个目标帧的初始视频；处理单元，用于根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧；生成单元，用于根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
6.根据本公开的第三方面，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方法。
7.根据本公开的第四方面，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方法。
8.根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
9.由以上技术方案可以看出，本实施例在确定待剪辑视频中的至少一个目标帧之后，首先从待剪辑视频中提取对应每个目标帧的初始视频，然后再根据初始视频确定待剪辑视频中对应每个目标帧的开始帧与结束帧，最后根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频，从而实现了视频的自动剪辑，能够提升视频剪辑的准确性与效率。
10.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
11.附图用于更好地理解本方案，不构成对本公开的限定。其中：
12.图1是根据本公开第一实施例的示意图；
13.图2是根据本公开第二实施例的示意图；
14.图3是根据本公开第三实施例的示意图；
15.图4是用来实现本公开实施例的视频剪辑方法的电子设备的框图。
具体实施方式
16.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和机构的描述。
17.图1是根据本公开第一实施例的示意图。如图1所示，本实施例的视频剪辑方法，具体可以包括如下步骤：
18.s101、获取待剪辑视频，确定所述待剪辑视频中的至少一个目标帧；
19.s102、从所述待剪辑视频中提取每个目标帧的初始视频；
20.s103、根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧；
21.s104、根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
22.本实施例的视频剪辑方法，在确定待剪辑视频中的至少一个目标帧之后，首先从待剪辑视频中提取对应每个目标帧的初始视频，然后再根据所提取的初始视频，确定待剪辑视频中对应每个目标帧的开始帧与结束帧，最后根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频，实现了视频的自动剪辑，能够提升视频剪辑的准确性与效率。
23.本实施例执行s101所获取的待剪辑视频可以为游戏视频，例如获取游戏直播视频作为待剪辑视频；其中，游戏视频的游戏种类可以为角色扮演游戏、体育游戏、多人在线竞技游戏等，本实施例对此不进行限定。
24.本实施例在执行s101获取了待剪辑视频之后，确定待剪辑视频中的至少一个目标帧，所确定的目标帧为对应待剪辑视频中高光时刻的图像帧。
25.具体地，本实施例在执行s101确定待剪辑视频中的至少一个目标帧时，可以采用的可选实现方式为：根据所获取的待剪辑视频中每个图像帧的图像得到图像帧的第一文字信息，根据每个图像帧的音频数据得到图像帧的第二文字信息，例如对图像帧的图像进行光学字符识别(optical character recognition，ocr)得到第一文字信息，对图像帧的音频数据进行自动语音识别(automatic speech recognition，asr)得到第二文字信息；根据每个图像帧的第一文字信息与第二文字信息，确定所获取的待剪辑视频中的至少一个目标帧。
26.本实施例在执行s101确定待剪辑视频中的至少一个目标帧时，还可以对待剪辑视频进行分割，得到多个等长的视频片段之后，再分别确定各视频片段中的目标帧。
27.也就是说，本实施例能够根据图像帧及其音频数据所得到的两部分文字信息来确定待剪辑视频中的目标帧，从而提升所确定的目标帧的准确性。
28.本实施例在执行s101根据根据每个图像帧的第一文字信息与第二文字信息，确定待剪辑视频中的至少一个目标帧时，可以采用的可选实现方式为：将每个图像帧的第一文字信息与第二文字信息输入预先训练得到的第一分类模型，得到该第一分类模型针对每个图像帧输出的分类结果；将分类结果满足预设要求的图像帧作为目标帧，例如将分类结果为1的图像帧作为目标帧。
29.其中，本实施例执行s101所使用的第一分类模型，能够根据所输入的文字信息来输出该图像帧是否为目标帧的分类结果，分类结果为1表示该图像帧属于目标帧，分类结果为0表示该图像帧不属于目标帧。
30.本实施例在执行s101根据每个图像帧的第一文字信息与第二文字信息，确定待剪辑视频中的至少一个目标帧时，还可以将各图像帧的第一文字信息与第二文字信息进行拼接之后，计算拼接结果与预设信息之间的相似度，进而将相似度计算结果超过预设相似度阈值的图像帧作为目标帧。
31.本实施例在执行s101确定了待剪辑视频中的至少一个目标帧之后，执行s102从待剪辑视频中提取每个目标帧的初始视频。
32.具体地，本实施例在执行s102从待剪辑视频中提取每个目标帧的初始视频时，可以采用的可选实现方式为：针对每个目标帧，将从待剪辑视频中提取的包含该目标帧、且时长为预设时长的视频，作为该目标帧的初始视频。
33.本实施例中的预设时长，具体为通过对已有高光视频的时长进行统计得到的，例如可以将已有游戏高光视频的时长的平均值作为预设时长。
34.本实施例执行s102从待剪辑视频中所提取的初始视频，具体为包含目标帧且视频时长为预设时长的视频片段，本实施例对初始视频中位于目标帧之前和/或之后的图像帧的数量不进行限定。
35.举例来说，若所获取的待剪辑视频中包含图像帧1、图像帧2、图像帧3、图像帧4、图像帧5与图像帧6，若所确定的目标帧为图像帧3，若预设时长为4s，则本实施例执行s102所提取的初始视频可以由图像帧1、图像帧2、图像帧3、图像帧4所组成，也可以由图像帧2、图像帧3、图像帧4与图像帧5所组成。
36.本实施例在执行s102从待剪辑视频中提取每个目标帧的初始视频之后，执行s103根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧。
37.也就是说，本实施例对初始视频中所包含的图像帧进行筛选，进而确定每个初始视频中与目标帧对应的准确开始帧与准确结束帧，从而实现视频时间范围的更新，进一步提升所生成的剪辑视频的准确性。
38.具体地，本实施例在执行s103根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧时，可以采用的可选实现方式为：针对每个初始视频，根据该初始视频所包含图像帧的图像与音频数据，得到该初始视频中
每个图像帧的多模态特征，所得到的多模态特征中包含图像帧的图像特征与音频特征；将该初始视频中各图像帧的多模态特征进行拼接，将拼接结果输入预先训练得到的第二分类模型；根据该第二分类模型的输出结果，确定该初始视频中的开始帧与结束帧。
39.本实施例执行s103得到的多模态特征中，图像特征具体为从图像帧的图像中提取的游戏人物属性特征，用于表示图像帧中游戏人物的活动是否激烈，可以包含游戏人物的生命值特征(生命值指示模板的位置信息、数量信息与变化信息等)、魔法值特征(魔法值指示模板的位置信息、数量信息与变化信息等)、动作特效特征(是否存在动作特效)等特征；音频特征为从图像帧的音频数据中提取的游戏音频特征，用于表示图像帧中是否存在竞技语音活动。
40.也就是说，本实施例能够结合图像帧的图像特征与音频特征，来确定初始视频中准确的开始帧与结束帧，从而相应地得到待剪辑视频中对应每个目标帧的开始帧与结束帧，进一步提升所生成的剪辑视频的准确性。
41.其中，本实施例执行s103所使用的第二分类模型包含卷积层与全连接层，在将由各图像帧的多模态特征的拼接结果输入到第二分类模型之后，先由卷积层对拼接结果进行卷积处理，然后将卷积处理结果输入全连接层进行分类，从而得到由全连接层输出的开始帧与结束帧。
42.本实施例可以使用以下方式来预先训练得到第二分类模型：获取训练数据，所获取的训练数据中包含多个训练视频与多个训练视频的标注结果，标注结果中包含开始帧标注结果与结束帧标注结果；针对每个训练视频，根据该训练视频所包含图像帧的图像与音频数据，得到该训练视频中每个图像帧的多模态特征；将该训练视频中各图像帧的多模态特征进行拼接，将拼接结果输入神经网络模型，得到该神经网络模型针对每个训练视频输出的预测结果，该预测结果中包含开始帧预测结果与结束帧预测结果：使用该训练视频的标注结果与预测结果计算损失函数值，根据计算得到的损失函数值调整神经网络模型的参数，直至神经网络模型收敛，得到第二分类模型。
43.其中，本实施例可以使用以下公式计算损失函数值：
[0044][0045]
在公式中：w为损失函数值；gt为标注结果的时刻，pt为预测结果的时刻，若标注结果为开始帧标注结果，则预测结果为开始帧预测结果，若标注结果为结束帧标注结果，则预测结果为结束帧预测结果；δ取值为1。
[0046]
本实施例在执行s103确定待剪辑视频中对应每个目标帧的开始帧与结束帧之后，执行s104根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
[0047]
具体地，本实施例在执行s104根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频时，可以采用的可选实现方式为：针对每个目标帧，从待剪辑视频中提取开始帧到目标帧的前一帧之间的第一视频与目标帧的后一帧到结束帧之间的第二视频；生成目标帧的定格视频，即将目标帧的画面延伸数秒；依次将第一视频、目标帧的定格视频与第二视频进行拼接，生成目标帧的剪辑视频。
[0048]
也就是说，本实施例通过将目标帧延伸数秒的方式来得到目标帧的定格视频，进而使用目标帧的定格视频来生成剪辑视频，能够进一步在剪辑视频中对目标帧进行突出，
从而提升剪辑视频的显示效果。
[0049]
本实施例在执行s104生成目标帧的剪辑视频时，可以在所生成的剪辑视频中添加预设音乐，还可以在所生成的剪辑视频中添加引流片头与片尾等特效，从而进一步提升所生成的剪辑视频的质量。
[0050]
图2是根据本公开第二实施例的示意图。如图2所示，本实施例在执行s104“生成每个目标帧的剪辑视频”之后，还可以包含以下内容：
[0051]
s201、根据每个目标帧的剪辑视频中包含的图像帧，确定图像帧存在重合的多个剪辑视频；
[0052]
s202、将所确定的多个剪辑视频进行合并，保留最后一个目标帧的定格视频，生成合并剪辑视频。
[0053]
也就是说，本实施例还能够对图像帧存在重合的多个剪辑视频进行合并，并对最后一个目标帧的定格视频进行保留，从而生成合并剪辑视频，确保了所生成的合并剪辑视频中高光事件具有连续性，进一步提升了视频剪辑的准确性。
[0054]
本实施例在执行s202将所确定的多个剪辑视频进行合并时，由于每个高光视频对应不同的目标帧，因此本实施例仅在合并剪辑视频中对最后一个目标帧的定格视频进行保留，将其他目标帧的定格视频还原为目标帧本身。
[0055]
举例来说，若所获取的待剪辑视频中包含图像帧1、图像帧2、图像帧3、图像帧4、图像帧5、图像帧6、图像帧7与图像帧8，若所确定的目标帧为图像帧3与图像帧6，若预设时长为4s，若所生成的图像帧3的剪辑视频中包含“图像帧2、图像帧3、图像帧4与图像帧5”，所生成的图像帧6的剪辑视频中包含“图像帧4、图像帧5、图像帧6与图像帧7”，两个高光视频中存在重合的图像帧4与图像帧5，则本实施例将两个剪辑视频进行合并，仅保留图像帧6的定格视频，所生成的合并剪辑视频中包含“图像帧2、图像帧3、图像帧4、图像帧5、图像帧6与图像帧7”。
[0056]
同样地，本实施例在执行s202生成合并剪辑视频时，可以在所生成的合并剪辑视频中添加预设音乐，还可以在所生成的合并剪辑视频中添加引流片头与片尾等特效，从而进一步提升所生成的剪辑视频的质量。
[0057]
图3是根据本公开第三实施例的示意图。如图3所示，本实施例的视频剪辑装置300，包括：
[0058]
获取单元301、用于获取待剪辑视频，确定所述待剪辑视频中的至少一个目标帧；
[0059]
提取单元302、用于从所述待剪辑视频中提取每个目标帧的初始视频；
[0060]
处理单元303、用于根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧；
[0061]
生成单元304、用于根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
[0062]
获取单元301所获取的待剪辑视频可以为游戏视频，例如获取游戏直播视频作为待剪辑视频；其中，游戏视频的游戏种类可以为角色扮演游戏、体育游戏、多人在线竞技游戏等，本实施例对此不进行限定。
[0063]
获取单元301在获取了待剪辑视频之后，确定待剪辑视频中的至少一个目标帧，所确定的目标帧为对应待剪辑视频中高光时刻的图像帧。
[0064]
具体地，获取单元301在确定待剪辑视频中的至少一个目标帧时，可以采用的可选实现方式为：根据所获取的待剪辑视频中每个图像帧的图像得到图像帧的第一文字信息，根据每个图像帧的音频数据得到图像帧的第二文字信息；根据每个图像帧的第一文字信息与第二文字信息，确定所获取的待剪辑视频中的至少一个目标帧。
[0065]
获取单元301在确定待剪辑视频中的至少一个目标帧时，还可以对待剪辑视频进行分割，得到多个等长的视频片段之后，再分别确定各视频片段中的目标帧。
[0066]
也就是说，获取单元301能够根据图像帧及其音频数据所得到的两部分文字信息来确定待剪辑视频中的目标帧，从而提升所确定的目标帧的准确性。
[0067]
获取单元301在根据根据每个图像帧的第一文字信息与第二文字信息，确定待剪辑视频中的至少一个目标帧时，可以采用的可选实现方式为：将每个图像帧的第一文字信息与第二文字信息输入预先训练得到的第一分类模型，得到该第一分类模型针对每个图像帧输出的分类结果；将分类结果满足预设要求的图像帧作为目标帧。
[0068]
其中，获取单元301所使用的第一分类模型，能够根据所输入的文字信息来输出该图像帧是否为目标帧的分类结果，分类结果为1表示该图像帧属于目标帧，分类结果为0表示该图像帧不属于目标帧。
[0069]
获取单元301在根据每个图像帧的第一文字信息与第二文字信息，确定待剪辑视频中的至少一个目标帧时，还可以将各图像帧的第一文字信息与第二文字信息进行拼接之后，计算拼接结果与预设信息之间的相似度，进而将相似度计算结果超过预设相似度阈值的图像帧作为目标帧。
[0070]
本实施例在由获取单元301确定了待剪辑视频中的至少一个目标帧之后，由提取单元302从待剪辑视频中提取每个目标帧的初始视频。
[0071]
具体地，提取单元302在从待剪辑视频中提取每个目标帧的初始视频时，可以采用的可选实现方式为：针对每个目标帧，将从待剪辑视频中提取的包含该目标帧、且时长为预设时长的视频，作为该目标帧的初始视频。
[0072]
本实施例中的预设时长，具体为通过对已有高光视频的时长进行统计得到的，例如可以将已有游戏高光视频的时长的平均值作为预设时长。
[0073]
提取单元302从待剪辑视频中所提取的初始视频，具体为包含目标帧且视频时长为预设时长的视频片段，本实施例对初始视频中位于目标帧之前和/或之后的图像帧的数量不进行限定。
[0074]
本实施例在由提取单元302从待剪辑视频中提取每个目标帧的初始视频之后，由处理单元303根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧。
[0075]
也就是说，处理单元303对初始视频中所包含的图像帧进行筛选，进而确定每个初始视频中与目标帧对应的准确开始帧与准确结束帧，从而实现视频时间范围的更新，进一步提升所生成的剪辑视频的准确性。
[0076]
具体地，处理单元303在根据每个初始视频所包含图像帧的图像与音频数据，确定每个初始视频中与目标帧对应的开始帧与结束帧时，可以采用的可选实现方式为：针对每个初始视频，根据该初始视频所包含图像帧的图像与音频数据，得到该初始视频中每个图像帧的多模态特征；将该初始视频中各图像帧的多模态特征进行拼接，将拼接结果输入预
先训练得到的第二分类模型；根据该第二分类模型的输出结果，确定该初始视频中的开始帧与结束帧。
[0077]
处理单元303得到的多模态特征中，图像特征具体为从图像帧的图像中提取的游戏人物属性特征，用于表示图像帧中游戏人物的活动是否激烈，可以包含游戏人物的生命值特征(生命值指示模板的位置信息、数量信息与变化信息等)、魔法值特征(魔法值指示模板的位置信息、数量信息与变化信息等)、动作特效特征(是否存在动作特效)等特征；音频特征为从图像帧的音频数据中提取的游戏音频特征，用于表示图像帧中是否存在竞技语音活动。
[0078]
也就是说，处理单元303能够结合图像帧的图像特征与音频特征，来确定初始视频中准确的开始帧与结束帧，从而相应地得到待剪辑视频中对应每个目标帧的开始帧与结束帧，进一步提升所生成的剪辑视频的准确性。
[0079]
其中，处理单元303所使用的第二分类模型包含卷积层与全连接层，在将由各图像帧的多模态特征的拼接结果输入到第二分类模型之后，先由卷积层对拼接结果进行卷积处理，然后将卷积处理结果输入全连接层进行分类，从而得到由全连接层输出的开始帧与结束帧。
[0080]
本实施例可以使用以下方式来预先训练得到第二分类模型：获取训练数据，所获取的训练数据中包含多个训练视频与多个训练视频的标注结果，标注结果中包含开始帧标注结果与结束帧标注结果；针对每个训练视频，根据该训练视频所包含图像帧的图像与音频数据，得到该训练视频中每个图像帧的多模态特征；将该训练视频中各图像帧的多模态特征进行拼接，将拼接结果输入神经网络模型，得到该神经网络模型针对每个训练视频输出的预测结果，该预测结果中包含开始帧预测结果与结束帧预测结果：使用该训练视频的标注结果与预测结果计算损失函数值，根据计算得到的损失函数值调整神经网络模型的参数，直至神经网络模型收敛，得到第二分类模型。
[0081]
本实施例在由处理单元303确定待剪辑视频中对应每个目标帧的开始帧与结束帧之后，由生成单元304根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频。
[0082]
具体地，生成单元304在根据每个目标帧及其对应的开始帧与结束帧，生成每个目标帧的剪辑视频时，可以采用的可选实现方式为：针对每个目标帧，从待剪辑视频中提取开始帧到目标帧的前一帧之间的第一视频与目标帧的后一帧到结束帧之间的第二视频；生成目标帧的定格视频；依次将第一视频、目标帧的定格视频与第二视频进行拼接，生成该目标帧的剪辑视频。
[0083]
也就是说，生成单元304通过将目标帧延伸数秒的方式来得到目标帧的定格视频，进而使用目标帧的定格视频来生成剪辑视频，能够进一步在剪辑视频中对目标帧进行突出，从而提升剪辑视频的显示效果。
[0084]
生成单元304在生成目标帧的剪辑视频时，可以在所生成的剪辑视频中添加预设音乐，还可以在所生成的剪辑视频中添加引流片头与片尾等特效，从而进一步提升所生成的剪辑视频的质量。
[0085]
本实施例的视频剪辑装置300中还可以包含合并单元305，用于在生成单元304生成每个目标帧的剪辑视频之后，执行以下内容：根据每个目标帧的剪辑视频中包含的图像
帧，确定图像帧存在重合的多个剪辑视频；将所确定的多个剪辑视频进行合并，保留最后一个目标帧的定格视频，生成合并剪辑视频。
[0086]
也就是说，合并单元305能够对图像帧存在重合的多个剪辑视频进行合并，并对最后一个目标帧的定格视频进行保留，从而生成合并剪辑视频，确保了所生成的合并剪辑视频中高光事件具有连续性，进一步提升了视频剪辑的准确性。
[0087]
合并单元305在将所确定的多个剪辑视频进行合并时，由于每个剪辑视频对应不同的目标帧，因此本实施例仅在合并剪辑视频中对最后一个目标帧的定格视频进行保留，将其他目标帧的定格视频还原为目标帧本身。
[0088]
合并单元305在生成合并剪辑视频时，可以在所生成的合并剪辑视频中添加预设音乐，还可以在所生成的合并剪辑视频中添加引流片头与片尾等特效，从而进一步提升所生成的剪辑视频的质量
[0089]
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
[0090]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0091]
如图4所示，是根据本公开实施例的视频剪辑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/或者要求的本公开的实现。
[0092]
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(rom)402中的计算机程序或者从存储单元408加载到随机访问存储器(ram)403中的计算机程序，来执行各种适当的动作和处理。在ram403中，还可存储设备400操作所需的各种程序和数据。计算单元401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0093]
设备400中的多个部件连接至i/o接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0094]
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如视频剪辑方法。例如，在一些实施例中，视频剪辑方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。
[0095]
在一些实施例中，计算机程序的部分或者全部可以经由rom402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到ram 403并由计算单元401执行时，可以执行上文描述的视频剪辑方法的一个或多个步骤。备选地，在其他实施例中，计算单元
401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行视频剪辑方法。
[0096]
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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、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。
[0097]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0098]
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。
[0099]
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(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0100]
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。
[0101]
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务
(“virtual private server”，或简称“vps”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0102]
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，本公开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，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0103]
上述具体实施方式，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。