串行音频块格式元数据生成方法、装置、设备及介质与流程

1.本技术涉及音频处理的技术领域，尤其涉及一种串行音频块格式元数据生成方法、装置、设备及介质。


背景技术：

2.随着科技的发展，音频变得越来越复杂。由早期的单声道音频演变成立体声，工作重心也注重左右声道的正确处理方式。但环绕声出现后，处理过程开始变得复杂。而环绕5.1扬声器系统则对多个通道进行排序约束，进而环绕6.1扬声器系统、环绕7.1扬声器系统等使音频处理千变万化，把正确的信号传递给合适的扬声器形成相互牵连的效果。因此，随着声音变得更具沉浸感和交互性，音频处理的复杂性也大大增加。
3.音频声道(或声道)，是指声音在录制或播放时在不同空间位置采集或回放的相互独立的音频信号。而声道数也就是声音录制时的音源数量或回放时相应的扬声器数量。例如，在环绕5.1扬声器系统中包括6个不同空间位置的音频信号，每个独立的音频信号被用于驱动对应空间位置的扬声器；在环绕7.1扬声器系统中包括8个不同空间位置的音频信号，每个独立的音频信号被用于驱动对应空间位置的扬声器。
4.因此，当前扬声器系统实现的效果依赖于扬声器的数量和空间位置。例如，双声道扬声器系统无法实现环绕5.1扬声器系统的效果。


技术实现要素：

5.本技术的目的在于提出一种串行音频块格式元数据生成方法、装置、设备及介质，以描述串行音频下音频块格式在串行音频元数据帧中的时变参数，以便通过传送接口实时传送串行音频元数据帧。
6.本技术第一方面提供了一种串行音频块格式元数据生成方法，包括：
7.获取音频块格式属性和串行音频下的附加属性；
8.根据所述音频块格式属性和附加属性，生成串行音频块格式元数据；
9.其中，所述音频块格式属性为所述串行音频块格式元数据对应的音频块格式在音频模型元数据下的属性，所述附加属性表示所述串行音频块格式元数据在串行音频元数据帧中的时变参数。
10.本技术第二方面提供了一种串行音频块格式元数据生成装置，包括：
11.获取模块，用于获取音频块格式属性和串行音频下的附加属性；
12.生成模块，用于根据所述音频块格式属性和附加属性，生成串行音频块格式元数据；
13.其中，所述音频块格式属性为所述串行音频块格式元数据对应的音频块格式在音频模型元数据下的属性，所述附加属性表示所述串行音频块格式元数据在串行音频元数据帧中的时变参数。
14.本技术第三方面提供了一种电子设备，包括：存储器以及一个或多个处理器；
15.所述存储器，用于存储一个或多个程序；
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例提供的串行音频块格式元数据生成方法。
17.本技术第四方面提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器实现如任意实施例提供的串行音频块格式元数据生成方法。
18.由上可见，本技术的串行音频块格式元数据生成方法、装置、设备及介质，将音频模型元数据中的元素转换为对应的串行音频元数据，在实时制作和流式音频应用将现有音频文件制作成帧时，描述串行音频下音频块格式在串行音频元数据帧中的时变参数，以便通过传送接口实时传送串行音频元数据帧。
附图说明
19.图1为本技术实施例中提供了一种三维声音频模型的示意图；
20.图2为本技术实施例中的串行音频块格式元数据生成方法的流程图；
21.图3为本技术实施例中的串行音频块格式元数据生成装置的结构示意图；
22.图4为本技术实施例中的一种电子设备的结构示意图；
23.图5为本技术实施例中的使用块的启动时间和块的持续时间的音频块格式用例；
24.图6为本技术实施例中的使用块的帧启动时间和块的帧持续时间的音频块格式用例；
25.图7为本技术实施例中的当从头开始生成时，使用块的启动时间和块的持续时间的音频块格式用例；
26.图8为本技术实施例中的当从头开始生成时，使用块的帧启动时间和块的帧持续时间的音频块格式用例。
具体实施方式
27.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
28.实施例
29.如图1所示，三维声音频模型由一组元素组成，每个元素用于描述音频制作的一个阶段，三维声音频模型包括内容部分和格式部分。
30.其中，所述内容部分包括：音频节目元素、音频内容元素、音频对象元素和音轨唯一标识元素；所述格式部分包括：音频包格式元素、音频通道格式元素、音频流格式元素和音频轨道格式元素；
31.所述音频节目元素引用至少一个所述音频内容元素；所述音频内容元素引用至少一个音频对象元素；所述音频对象元素引用对应的所述音频包格式元素和对应的所述音轨唯一标识元素；所述音轨唯一标识元素引用对应的所述音频轨道格式元素和对应的所述音频包格式元素；
32.所述音频包格式元素引用至少一个所述音频通道格式元素；所述音频流格式元素引用对应的所述音频通道格式元素和对应的所述音频包格式元素；所述音频轨道格式元素
和对应的所述音频流格式元素相互引用。元素间的引用关系在图1中以箭头表示。
33.音频节目可以包括但不限于叙述、声音效果和背景音乐，所述音频节目元素可以用于描述节目，所述节目包括至少一个内容，所述音频内容元素用于描述所述音频节目元素中对应的一个内容。音频节目元素可以引用一个或多个音频内容元素，音频内容元素组合在一起以构建为完整的音频节目元素。
34.所述音频内容元素描述音频节目的一个组成部分(例如背景音乐)的内容，并引用一个或多个音频对象元素将内容与其格式联系起来。
35.所述音频对象元素用于建立内容、格式和有价值的信息，并确定实际音轨的音轨唯一标识。
36.格式部分包括：音频包格式元素、音频通道格式元素、音频流格式元素、音频轨道格式元素。
37.所述音频包格式元素，可以用于描述所述音频对象元素和原始音频数据依据通道分组打包时采用的格式。
38.所述音频通道格式元素可以用于表示单个音频采样序列和对其执行的预设操作，例如，在场景中渲染对象的移动。所述音频通道格式元素可以包含至少一个音频块格式元素。音频块格式元素可以视为音频通道格式元素的子元素，所以，音频通道格式元素和音频块格式元素之间为一种包含关系。
39.每个音频块格式中设置有音频块标识，其中，音频块标识可以包括用于指示音频通道内音频块的索引。音频块标识中可以包括8位十六进制数字作为通道内音频块的索引，例如，音频块标识为ab_00010001_00000001，最后8位十六进制数字作为通道内音频块的索引。音频块格式还可以包括块的启动时间和块的持续时间，如果未设置块的启动时间，则可以认为音频块从00:00:00.0000开始，对于时间格式，可以采用“hh:mm:ss.zzzz”格式，其中，“hh”表示时，“mm”表示分，“ss”表示秒的整数部分，“zzzz”表示更小级数的秒，如：毫秒，z的位数可以根据需要的精度设置，上面所示4位z只是示例，不构成限定；如果未设置块的持续时间，则该音频块将持续整个音频通道的持续时间。如果音频通道格式中只有一个音频块格式，则假定它是一个“静态”对象，块持续时间等于该音频通道的持续时间，因此应忽略块的启动时间和块的持续时间。如果音频通道格式中包含多个音频块格式，则假定它们是“动态”对象，因此应同时使用块的启动时间和块的持续时间。音频块格式属性设置如表1，
40.表1
[0041][0042]
音频流，是渲染通道、对象、高阶环境音组件或包所需的音轨的组合。所述音频流格式元素用于建立音频轨道格式元素集和音频通道格式元素集之间的关系，或音频轨道格式集和音频包格式之间的关系。
[0043]
所述音频轨道格式元素对应于单个音轨中的一组样本或数据，用于描述原始音频数据的格式，及渲染器的解码信号，还用于识别成功解码音轨数据所需的音轨组合。
[0044]
通过三维声音频模型对原始音频数据进行制作后生成包含元数据的合成音频数据。
[0045]
所述元数据(metadata)是描述数据特性的信息，元数据支持的功能包括指示存储位置、历史数据、资源查找或文件记录。
[0046]
合成音频数据以通信方式传输到远端后，由远端基于元数据对合成音频数据进行渲染，还原原始声音场景。
[0047]
图1中示出了内容部分、格式部分和bw64(broadcast wave-64bit，64位广播波)文件之间的划分。内容部分和格式部分都构成了xml格式的元数据，它通常包含在bw64文件的一个块(“axml”块)中。底部的bw64文件部分包含“通道分配(chna)”块，它是一个查找表，用于连接元数据和文件中的音频节目。
[0048]
内容部分描述音频的技术内容，例如它是否包含对话或特定语言，以及响度元数据。格式部分描述音频曲目的通道类型以及它们是如何组合在一起的，例如立体声对中的左声道和右声道。内容部分的元索通常是音频和节目所独有的，而格式部分的元素可以复用。
[0049]
本技术提供了一种串行音频块格式元数据生成方法，如图2所示，该方法包括：
[0050]
s210、获取音频块格式属性和串行音频下的附加属性；
[0051]
s220、根据所述音频块格式属性和附加属性，生成串行音频块格式元数据；
[0052]
其中，所述音频块格式属性为所述串行音频块格式元数据对应的音频块格式在音频模型元数据下的属性，所述附加属性表示所述串行音频块格式元数据在串行音频元数据帧中的时变参数。
[0053]
可选的，获取音频块格式属性，包括：
[0054]
获取音频块标识、块的启动时间和块的持续时间。
[0055]
可选的，获取串行音频下的附加属性，包括：
[0056]
获取初始化块信息、块的帧启动时间和块的帧持续时间。
[0057]
可选的，所述根据所述音频块格式属性和附加属性，生成串行音频块格式元数据，包括：
[0058]
对于所述初始化块信息设置为预设值，且所述音频块标识为预设标识字段的所述串行音频块格式元数据，设置为初始化器音频块格式；
[0059]
所述初始化器音频块格式，设置在串行音频元数据帧中的第一个所述串行音频块格式元数据之前，用于规定第一个所述串行音频块格式元数据的所有元素的初始值；其中，所述初始化器音频块格式没有所述块的持续时间。
[0060]
音频模型是一个开放兼容的元数据通用模型，但音频模型元数据不适合用于实时制作和流式音频应用，而较适合用于本地文件存储时。当涉及到远程实时传送元数据与数字音频时，需要一个串行的音频元数据模式，以允许将现有音频及其相关的音频模型元数据文件切片成帧，并形成流式传输。
[0061]
一个串行音频元数据的帧包含一组音频模型元数据，用于描述与该帧相关联某个时间段内的音频帧。串行音频元数据具有与音频模型元数据相同的结构、属性和元素，以及用于规定帧格式的附加属性。串行音频元数据帧不重叠，并与指定的开始时间和持续时间相连。在一个串行音频元数据帧中包含的元数据，有可能用于描述超过该帧持续时间的音频本身。
[0062]
串行音频元数据的父元素是帧(frame)，包括：帧头(frameheader)和音频格式扩展(audioformatextended)两个子元素。而帧头包括2个子元素：帧格式(frameformat)和传输音轨格式(transporttrackformat)。
[0063]
音频格式扩展包括8个子元素：音频节目(audioprogramme)、音频内容(audiocontent)、音频对象(audioobject)、音轨唯一标识(audiotrackuid)、音频包格式(audiopackformat)、音频通道格式(audiochannelformat)、音频流格式(audiostreamformat)和音频轨道格式(audiotrackformat)。
[0064]
帧格式的属性包括：帧格式标识、帧开始时间、帧持续时间、帧类型、音频块格式定时参数时间模式和帧序列标识。其中，音频块格式定时参数时间模式可以设置为总计或本地，“总计”表示使用从音频节目开始时间开始的、已经经过的时间。“本地”表示使用从帧开始处开始的、已经经过的时间。
[0065]
音频块格式是一个音频模型元数据中的元素，本技术实施例中描述的串行音频下的串行音频块格式，包括了在音频模型下音频块格式属性，还包括在串行音频下的附加属性。
[0066]
如果音频块格式定时参数时间模式(帧格式中的属性)设置为“本地”，则串行音频块格式使用附加属性中的块的帧启动时间(lstart)和块的帧持续时间(lduration)，而不是音频块格式属性中的块的启动时间和块的持续时间。块的帧启动时间元素和块的帧持续时间元素表示相对于串行音频帧开始时间的，串行音频块格式的开始时间和持续时间。
[0067]
串行音频块格式中与当前帧重叠的时变参数(如对象位置)可在串行音频帧之外的时间进行定义。块的帧启动时间元素和块的帧持续时间允许在不重新计算的情况下包含此信息。为此，块的帧启动时间元素可以是负的(即在帧开始之前)，和/或块的帧启动时间元素 块的帧持续时间，可以超出帧的结尾。如果需要在帧边界上放置时变参数，则可能需
要重新计算参数。
[0068]
串行音频块格式中的时变参数定义块结束处的值。块起始处的值由前一个块来定义。如果前一个块不存在(例如，因为它在前一帧中，所以可能没有被接收到)，则需要定义帧中第一个块开始处的值。这可以是通过在第一个块之前插入初始化器音频块格式来完成的，其音频块标识设置为“ab_xxxxyyyy_00000000”，初始化块信息(initializeblock)属性设置为“1”。该初始化器音频块格式没有持续时间，因此不得包含块的持续时间和块的帧持续时间。
[0069]
当从非串行音频块格式转换时，总计时间和本地时间之间的比较如图5和图6所示，其中，图5为使用块的启动时间和块的持续时间的音频块格式用例，图6为使用块的帧启动时间和块的帧持续时间的音频块格式用例。这两种情况都表明，通过规定帧之外的时间点，可以避免重新计算位置的值。这允许渲染器(或元数据的任何其他处理器)决定如何重新计算位置。
[0070]
图7和图8显示了当从头开始生成串行音频帧时如何使用总计时间和本地时间。在这种情况下，中间位置值是已知的，并且已经出现在帧边界上，因此块的帧启动时间和块的帧持续时间的值出现在帧内。其中，图7所示当从头开始生成时，使用块的启动时间和块的持续时间的音频块格式用例，图8所示当从头开始生成时，使用块的帧启动时间和块的帧持续时间的音频块格式用例。
[0071]
串行音频块格式的附加属性如表2所示：
[0072]
表2
[0073]
[0074]
[0075][0076]
图3为本技术实施例提供的一种串行音频块格式元数据生成装置的结构示意图，该装置包括：
[0077]
获取模块310，用于获取音频块格式属性和串行音频下的附加属性；
[0078]
生成模块320，用于根据所述音频块格式属性和附加属性，生成串行音频块格式元数据；
[0079]
其中，所述音频块格式属性为所述串行音频块格式元数据对应的音频块格式在音频模型元数据下的属性，所述附加属性表示所述串行音频块格式元数据在串行音频元数据帧中的时变参数。
[0080]
可选的，获取模块310，具体用于：
[0081]
获取音频块标识、块的启动时间和块的持续时间。
[0082]
可选的，获取模块310，具体用于：
[0083]
获取初始化块信息、块的帧启动时间和块的帧持续时间。
[0084]
可选的，生成模块320，具体用于对于所述初始化块信息设置为预设值，且所述音频块标识为预设标识字段的所述串行音频块格式元数据，设置为初始化器音频块格式；
[0085]
所述初始化器音频块格式，设置在串行音频元数据帧中的第一个所述串行音频块格式元数据之前，用于规定第一个所述串行音频块格式元数据的所有元素的初始值；其中，所述初始化器音频块格式没有所述块的持续时间。
[0086]
本发明实施例所提供的串行音频块格式元数据生成装置可执行本发明任意实施例所提供的串行音频块格式元数据生成方法，具备执行方法相应的功能模块和有益效果。
[0087]
图4为本技术实施例提供的一种电子设备的结构示意图。如图4所示，该电子设备包括：处理器410、存储器420、输入装置430以及输出装置440。该电子设备中处理器30的数量可以是一个或者多个，图4中以一个处理器410为例。该电子设备中存储器420的数量可以是一个或者多个，图4中以一个存储器420为例。该电子设备的处理器410、存储器420、输入装置430以及输出装置440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。该电子设备可以是电脑和服务器等。本技术实施例以电子设备为服务器进行详细说明，该服务器可以是独立服务器或集群服务器。
[0088]
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本技术任意实施例所述串行音频块格式元数据生成装置的程序指令/模块。存储器420可主要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、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相
对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。
[0089]
输入装置430可用于接收输入的数字或者字符信息，以及产生与电子设备的观众用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置440可以包括扬声器等音频设备。需要说明的是，输入装置430和输出装置440的具体组成可以根据实际情况设定。
[0090]
处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现串行音频块格式元数据生成方法。
[0091]
本技术实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器生成包括任意实施例提供的串行音频块格式元数据生成方法。
[0092]
当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的电子方法操作，还可以执行本技术任意实施例所提供的电子方法中的相关操作，且具备相应的功能和有益效果。
[0093]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本技术可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本技术任意实施例所述的电子方法。
[0094]
值得注意的是，上述电子装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。
[0095]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0096]
在本说明书的描述中，参考术语“在一实施例中”、“在又一实施例中”、“示例性的”或“在具体的实施例中”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、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。
[0097]
虽然，上文中已经用一般性说明、具体实施方式及试验，对本技术作了详尽的描述，但在本技术基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本技术精神的基础上所做的这些修改或改进，均属于本技术要求保护的范围。