CN106782625B - 音频处理方法和装置 - Google Patents

Abstract

本公开是关于音频处理方法和装置。其中，该方法包括：检测音频中包括的多个种类的声音；确定所述多个种类中的与所述音频的场景信息对应的目标种类；对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。由于根据音频的场景信息对音频中的各类声音进行处理，使得处理后的音频中符合场景需求的声音变得更加突出，可以更好地表现出音频的场景。

Description

音频处理方法和装置

技术领域

本公开涉及多媒体技术领域，尤其涉及音频处理方法和装置。

背景技术

可以通过使用录音设备或录像设备获取音频。录音设备可以是任何具有录音功能的设备，例如录音机、录音笔、具有录音功能的手机、电脑、相机、自拍杆等。录像设备可以是任何具有录像功能的设备，例如摄像机、具有录音功能的手机、电脑、相机、自拍杆等。用户听音乐会时，使用录音设备或录像设备录制音乐；用户开会时，使用录音设备或录像设备录制会议内容；餐厅可以使用录音设备或录像设备录制餐厅环境；在外旅游时，使用录音设备或录像设备录制游览环境。然而，有时录制环境比较嘈杂，导致录制的音频中主要的声音不明显，被其他杂音干扰。

发明内容

本公开实施例提供一种音频处理方法和装置。技术方案如下：

根据本公开实施例的第一方面，提供一种音频处理方法，包括：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

可选的，所述方法包括：

获取音频发生时对应的图像信息；

基于所述图像信息确定音频的场景信息。

可选的，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

根据预设的场景信息与目标种类的对应关系，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

可选的，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

根据对于所述多个种类的选择信息，确定所述多个种类中的与所述音频的场景信息对应的目标种类。可选的，声音的种类包括以下一种或多种：人声、音乐声、掌声和杂声。

可选的，当检测音频中包括的多个种类的声音至少包括人声，所述音频的场景信息为人声场景时，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：确定人声为目标种类；

所述对所述音频进行处理，包括：提高人声的音量，降低其他种类的声音的音量，使人声的音量大于其他种类的声音的音量预设值。

可选的，当检测音频中包括的多个种类的声音至少包括音乐声和掌声，以及所述音频的场景信息为音乐会场景时，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：确定音乐声和掌声为目标种类；

所述对所述音频进行处理，包括：提高音乐声和掌声的音量，降低其他种类的声音的音量，使音乐声和掌声的音量大于其他种类的声音的音量预设值。

根据本公开的第二方面，提供一种音频处理装置，包括：

检测模块，被配置为检测音频中包括的多个种类的声音；

第一确定模块，被配置为确定所述多个种类中的与所述音频的场景信息对应的目标种类；

处理模块，被配置为对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

可选的，所述装置还包括：

获取模块，被配置为获取音频发生时对应的图像信息；

第二确定模块，被配置为基于所述图像信息确定音频的场景信息。

可选的，所述第一确定模块，包括：

第一确定子模块，被配置为根据预设的场景信息与目标种类的对应关系，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

可选的，所述第一确定模块，包括：

第二确定子模块，被配置为根据接收的对于所述多个种类的选择信息，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

声音的种类包括以下中的一种或多种：人声、音乐声、掌声和杂声。

可选的，所述第一确定模块，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括人声，所述音频的场景信息为人声场景时，确定人声为目标种类；

所述处理模块，被配置为提高人声的音量，降低其他种类的声音的音量，使人声的音量大于其他种类的声音的音量预设值。

可选的，所述第一确定模块，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括音乐声和掌声，以及所述音频的场景信息为音乐场景时，确定音乐声和掌声为目标种类；

所述处理模块，被配置为提高音乐声和掌声的音量，降低其他种类的声音的音量，使音乐声和掌声的音量大于其他种类的声音的音量预设值。

根据本公开的第三方面，提供一种音频处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述技术方案，通过检测音频中包括的多个种类的声音，确定多个种类中的与音频的场景信息对应的目标种类，对音频进行处理，最终使得目标种类的声音的音量大于多个种类中的其他种类的声音的音量预设值。由于根据音频的场景信息对音频中的各类声音进行处理，使得处理后的音频中符合场景需求的声音变得更加突出，可以更好地表现出音频的场景。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的音频处理方法的流程图。

图2是根据另一示例性实施例示出的音频处理方法的流程图。

图3是根据另一示例性实施例示出的音频处理方法的流程图。

图4是根据另一示例性实施例示出的音频处理方法的流程图。

图5是根据一示例性实施例示出的音频处理装置的框图。

图6是根据另一示例性实施例示出的音频处理装置的框图。

图7是根据另一示例性实施例示出的音频处理装置的框图。

图8是根据另一示例性实施例示出的音频处理装置的框图。

图9是根据一示例性实施例示出的用于音频处理的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供的技术方案，涉及能够对音频进行处理的终端。图1是根据一示例性实施例示出的一种音频处理方法的流程图，如图1所示，音频处理方法包括以下步骤S11-S13：

在步骤S11中，检测音频中包括的多个种类的声音。

音频可以是通过录音设备或录像设备获取的，也可以是以任意可能的方式获取的音频文件。音频中可能包括不止一种声音。可以根据声波的特征对声音进行分类。或者，也可以根据预先设置的各种声音样本对音频中的声音进行分类。例如，声音样本例如是掌声，那么，可以从音频中检测出符合该样本的特征的掌声。在本公开实施例中，声音的种类包括以下一种或多种：人声、音乐声、掌声和杂声。声音的种类可以多种多样，不限于此。

音频中可能同时包括人声、音乐声、掌声、其他无法分辨的杂声等多个种类的声音，而用户可能只需要其中一种或几种声音。该步骤中，检测音频中包括的多个种类的声音，就是检测音频中包括哪些种类的声音。可以使用任意核实的技术来检测音频中包括的各种种类的声音，本公开实施例对此不进行限定。例如，检测人声可以采用以下方法：利用时域分析(短时能量、短时过零率、短时自相关)方法的某一个特征或某几个特征的结合，判定某一语音有效的清音和浊音段；其次，针对浊音段，直接利用短时自相关函数估计基音频率，同时，可利用时域分析(短时能量、短时过零率、短时自相关)方法的某一个特征或某几个特征的结合，判定语音信号的端点。通过对短时能量的分析，能够分辨出音频中存在的人声。

在步骤S12中，确定该多个种类中的与音频的场景信息对应的目标种类。

音频的场景信息是指表明该音频发生时的场景的信息。场景信息例如是以人声为主的人声场景、以音乐声为主的音乐场景、以及其他以一种或多种声音为主的特定场景。其中，人声场景例如可以包括会议场景、聊天场景、演讲场景、演唱会场景等等。音乐场景例如可以包括交响乐场景、钢琴独奏场景等等。场景信息可以由用户提供，或者将常用的场景信息供用户选择。

在本公开一实施例中，还可以获取音频发生时对应的图像信息，并基于该图像信息确定音频的场景信息。例如，音频A是来自于录制的一段视频，那么，从音频对应的该视频获取图像信息，或者，音频B相关联有图像B’，图像B’记录了录制音频的环境。对音频对应的图像进行识别，根据识别出的图像中包括的物体，来确定该音频的场景信息。如：识别出图像中包括人时，将该音频的场景信息确定为人声场景；识别出图像中包括乐器时，将该音频的场景信息确定为音乐会场景。

此外，还可以设置识别出的图像中的物体与音频的场景信息之间的对应关系。示例性的图像中的物体与音频的场景信息之间的对应关系例如如下表一所示。

表一

物体	场景信息
		人	人声场景
乐器、人	音乐场景
		餐具、人	餐厅场景

上述图像中的物体与音频的场景信息之间的对应关系还可以接收用户的更改或者由用户根据自己的需求进行重新设置。

当确定场景信息后，需要确定该多个种类中的与该音频的场景信息对应的目标种类。在本公开另一实施例中，可以根据预设的场景信息与目标种类的对应关系，确定该多个种类中的与该音频的场景信息对应的目标种类。示例性的场景信息与目标种类的对应关系例如如下表二所示。

表二

上述场景信息与目标种类的对应关系还可以接收用户的更改或者由用户根据自己的需求进行重新设置。

在本公开的另一实施例中，确定该多个种类中的与该音频的场景信息对应的目标种类，还可以采用以下方式：根据对于该多个种类的选择信息，确定该多个种类中的与该音频的场景信息对应的目标种类。

例如，在步骤S11中检测出三个种类的声音：种类A、种类B和种类C。用户从这三个种类中选择种类A作为目标种类。根据用户对于种类A、种类B和种类C的选择信息，确定种类A为目标种类。

在步骤S13中，对该音频进行处理，使得目标种类的声音的音量大于该多个种类中的其他种类的声音的音量预设值。

可以采用任合适的方法对音频进行处理，使目标种类的声音的音量大于该多个种类中的其他种类的声音的音量预设值，本公开实施例对此不进行限定。在处理时，可以仅保留或提高音频中的目标种类的声音，消除其他杂音；或者提高目标种类的声音的音量，降低其他声音的音量。该预设值也可以由用户进行选择或设置。例如，可以基于MATLAB软件，结合数字滤波器来降低杂音：通过MATLAB调取音频信号，然后对音频信号进行滤波处理，滤除高频杂音。或者可以通过基于短时傅里叶变换的声源提取方法，从音频中提取出目标种类的声音后，对目标种类的声音进行提高音量的处理。

本公开实施例提供的音频处理方法，通过检测音频中包括的多个种类的声音，确定多个种类中的与音频的场景信息对应的目标种类，对音频进行处理，最终使得目标种类的声音的音量大于多个种类中的其他种类的声音的音量预设值。本公开提供的音频处理方法，由于根据音频的场景信息对音频中的各类声音进行处理，使得处理后的音频中符合场景需求的声音变得更加突出，可以更好地表现出音频的场景。

图2是根据另一示例性实施例示出的一种音频处理方法的流程图。在该实施例中，音频的场景信息对应为人声场景，人声场景例如可以包括会议场景、聊天场景、演讲场景、演唱会场景等等。如图2所示，音频处理方法包括以下步骤：

在步骤S21中，获取音频以及音频发生时对应的图像信息。

在步骤S22中，检测音频中包括的多个种类的声音分别为人声和杂声。

在步骤S23中，基于图像信息确定该音频的场景信息为人声场景。

在步骤S24中，确定人声为目标种类。

在步骤S25中，提高音频中的人声的音量，降低杂声的音量，使人声的音量大于杂声的音量预设值。

例如可以使用采样降噪的方式来降低杂声的音量或消除杂声，首先获取一段该环境下的纯杂音的频率特性，然后在该音频波形中，将符合该频率特性的杂音从音频中去除。

图3是根据另一示例性实施例示出的一种音频处理方法的流程图。在该实施例中，音频的场景信息对应为餐厅场景。如图3所示，音频处理方法包括以下步骤：

在步骤S31中，获取音频以及音频发生时对应的图像信息。

在步骤S32中，检测音频中包括的多个种类的声音分别为人声、进餐相关声音、其他杂声。

进餐相关声音例如包括餐具碰撞发出的声音、人进餐的声音等。

在步骤S33中，基于图像信息确定该音频的场景信息为餐厅场景。

在步骤S34中，确定人声和进餐相关声音为目标种类。

在步骤S35中，提高音频中的人声和进餐相关声音的音量，降低其他杂声的音量，使人声和进餐相关声音的音量大于杂声的音量预设值。

图4是根据另一示例性实施例示出的一种音频处理方法的流程图。在该实施例中，音频的场景信息对应为音乐会场景，如图4所示，音频处理方法包括以下步骤：

在步骤S41中，获取音频以及音频发生时对应的图像信息。

在步骤S42中，检测音频中包括的多个种类的声音分别为人声、音乐声、掌声和其他杂声。

在步骤S43中，基于图像信息确定该音频的场景信息为音乐会场景。

在步骤S44中，确定音乐声为目标种类。

通常在音乐会场景中，以音乐声为主。在本公开另一实施例中，也可以将掌声也同时作为目标种类，以突出音乐会场景的氛围。

在步骤S45中，提高音频中的音乐声的音量，降低人声、掌声和杂声的音量，使音乐声的音量大于人声、掌声和杂声的音量预设值。

当以音乐声和掌声共同作为目标种类时，则提高音频中的音乐声和掌声的音量，降低人声和杂声的音量，使音乐声和掌声的音量大于人声和杂声的音量预设值。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图5是根据一示例性实施例示出的一种音频处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示，该装置包括：

检测模块501，被配置为检测音频中包括的多个种类的声音；

第一确定模块502，被配置为确定所述多个种类中的与所述音频的场景信息对应的目标种类；

处理模块503，被配置为对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

本公开实施例提供的处理音频装置，通过检测音频中包括的多个种类的声音，确定多个种类中的与音频的场景信息对应的目标种类，对音频进行处理，最终使得目标种类的声音的音量大于多个种类中的其他种类的声音的音量预设值。本公开提供的音频处理装置，由于根据音频的场景信息对音频中的各类声音进行处理，使得处理后的音频中符合场景需求的声音变得更加突出，可以更好地表现出音频的场景。

在本公开一实施例中，如图6所示，所述装置还包括：

获取模块504，被配置为获取音频发生时对应的图像信息；

第二确定模块505，被配置为基于所述图像信息确定音频的场景信息。

在本公开一实施例中，如图7所示，第一确定模块502包括：

第一确定子模块5021，被配置为根据预设的场景信息与目标种类的对应关系，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

在本公开一实施例中，如图8所示，第一确定模块502包括：

第二确定子模块5022，被配置为根据接收的对于所述多个种类的选择信息，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

在本公开一实施例中，声音的种类包括以下中的一种或多种：人声、音乐声、掌声和杂声。所述第一确定模块502，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括人声，所述音频的场景信息为人声场景时，确定人声为目标种类；

所述处理模块503，被配置为提高人声的音量，降低其他种类的声音的音量，使人声的音量大于其他种类的声音的音量预设值。

在本公开一实施例中，所述第一确定模块502，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括音乐声和掌声，以及所述音频的场景信息为音乐场景时，确定音乐声和掌声为目标种类；

所述处理模块503，被配置为提高音乐声和掌声的音量，降低其他种类的声音的音量，使音乐声和掌声的音量大于其他种类的声音的音量预设值。

本公开还提供一种音频处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

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。

图9是根据一示例性实施例示出的一种用于音频处理的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路

(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行一种音频处理方法，方法包括：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种音频处理方法，其特征在于，包括：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值；

所述方法还包括：

获取音频发生时对应的图像信息；

基于所述图像信息确定音频的场景信息。

2.根据权利要求1所述的方法，其特征在于，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

根据预设的场景信息与目标种类的对应关系，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

3.根据权利要求1所述的方法，其特征在于，所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

根据对于所述多个种类的选择信息，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

4.根据权利要求1所述的方法，其特征在于，声音的种类包括以下一种或多种：人声、音乐声、掌声和杂声。

5.根据权利要求4所述的方法，其特征在于，当检测音频中包括的多个种类的声音至少包括人声，所述音频的场景信息为人声场景时，

所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

确定人声为目标种类；

所述对所述音频进行处理，包括：

提高人声的音量，降低其他种类的声音的音量，使人声的音量大于其他种类的声音的音量预设值。

6.根据权利要求4所述的方法，其特征在于，当检测音频中包括的多个种类的声音至少包括音乐声，以及所述音频的场景信息为音乐会场景时，

所述确定所述多个种类中的与所述音频的场景信息对应的目标种类，包括：

确定音乐声为目标种类；

所述对所述音频进行处理，包括：

提高音乐声的音量，降低其他种类的声音的音量，使音乐声的音量大于其他种类的声音的的音量预设值。

7.一种音频处理装置，其特征在于，包括：

检测模块，被配置为检测音频中包括的多个种类的声音；

第一确定模块，被配置为确定所述多个种类中的与所述音频的场景信息对应的目标种类；

处理模块，被配置为对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值；

所述装置还包括：

获取模块，被配置为获取音频发生时对应的图像信息；

第二确定模块，被配置为基于所述图像信息确定音频的场景信息。

8.根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括：

第一确定子模块，被配置为根据预设的场景信息与目标种类的对应关系，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

9.根据权利要求7所述的装置，其特征在于，所述第一确定模块，包括：

第二确定子模块，被配置为根据接收的对于所述多个种类的选择信息，确定所述多个种类中的与所述音频的场景信息对应的目标种类。

10.根据权利要求7所述的装置，其特征在于，声音的种类包括以下中的一种或多种：人声、音乐声、掌声和杂声。

11.根据权利要求10所述的装置，其特征在于，

所述第一确定模块，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括人声，所述音频的场景信息为人声场景时，确定人声为目标种类；

所述处理模块，被配置为提高人声的音量，降低其他种类的声音的音量，使人声的音量大于其他种类的声音的音量预设值。

12.根据权利要求10所述的装置，其特征在于，

所述第一确定模块，被配置为当所述检测模块检测到音频中包括的多个种类的声音至少包括音乐声和掌声，以及所述音频的场景信息为音乐场景时，确定音乐声和掌声为目标种类；

所述处理模块，被配置为提高音乐声和掌声的音量，降低其他种类的声音的音量，使音乐声和掌声的音量大于其他种类的声音的音量预设值。

13.一种音频处理装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

检测音频中包括的多个种类的声音；

确定所述多个种类中的与所述音频的场景信息对应的目标种类；

对所述音频进行处理，使得所述目标种类的声音的音量大于所述多个种类中的其他种类的声音的音量预设值；

还包括：

获取音频发生时对应的图像信息；

基于所述图像信息确定音频的场景信息。

14.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-6中任一项所述方法的步骤。