CN107944024B - 一种确定音频文件的方法和装置 - Google Patents

Abstract

本发明实施例公开了一种确定音频文件的方法和装置，属于互联网技术领域。所述方法包括：获取样本音频片段的音频数据，对音频数据进行分帧处理，得到样本音频片段对应的各帧音频数据；提取每帧音频数据的音频特征，得到样本音频片段的每个音频特征；根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识；根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；确定述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。采用本发明，可以提高确定音频文件的效率。

Description

一种确定音频文件的方法和装置

技术领域

本发明涉及互联网技术领域，特别涉及一种确定音频文件的方法和装置。

背景技术

随着电子技术和互联网技术的发展，各种各样的终端得到了广泛的应用，相应的，终端中安装的应用程序、实现的功能越来越多，比如，音频播放类应用程序即是一种很常用的应用程序。用户可以通过音频播放类应用程序播放音频文件(比如，播放歌曲)。

为便于用户可以通过音频播放类应用程序播放音频文件，音频播放类应用程序的服务器中可以预先存储有包含有大量音频文件的音频库。为了防止音频文件中包含不合格的音频片段(比如包含高危有害内容的音频片段)，技术人员可以对音频库中各音频文件进行检查。具体的，技术人员可以通过音频播放应用程序播放每个音频文件，查看音频文件中是否包含不合格的音频片段。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

基于上述处理方式，需要技术人员对每一音频文件进行检查来确定包含不合格音频片段的音频文件，往往音频库中包含的音频文件的数量比较大，从而，导致确定音频文件的效率较低。

发明内容

为了解决相关技术中存在的确定音频文件的效率较低的问题，本发明实施例提供了一种确定音频文件的方法和装置。所述技术方案如下：

一方面，提供了一种确定音频文件的方法，所述方法包括：

获取样本音频片段的音频数据，对所述音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；

提取各帧音频数据中的每帧音频数据的音频特征，得到所述样本音频片段的每个音频特征；

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识；

根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；

确定所述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

可选的，所述提取各帧音频数据中的每帧音频数据的音频特征，得到所述样本音频片段的每个音频特征，包括：

对于所述样本音频片段对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述样本音频片段的每个音频特征。

可选的，所述方法还包括：

根据每帧音频数据在所述样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置；

所述根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识，包括：

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定所述样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组；

所述根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件，包括：

根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

可选的，所述根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件，包括：

对于所述样本音频片段的每个音频特征，根据所述音频特征在所述样本音频片段中对应的帧位置、以及所述音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；

对于确定出的各音频文件标识中的每个音频文件标识，统计所述音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到所述音频文件标识对应的各帧偏移-音频特征数目元组；

根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；

将所述目标音频文件标识对应的音频文件，确定为候选音频文件。

可选的，所述确定所述样本音频片段与每个候选音频文件的匹配度，包括：

对于每个候选音频文件对应的音频文件标识，在所述音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；

基于所述目标帧偏移，在所述候选音频文件中，确定与所述样本音频片段对应的目标音频片段；

根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度。

可选的，音频特征是由预设位数的数字串组成；

所述根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度，包括：

在所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；

将目标位数在总位数的比值，确定为所述样本音频片段与所述目标音频片段的匹配度，其中，所述总位数是所述预设位数与所述样本音频片段或目标音频片段包含的音频特征的数目的乘积。

可选的，所述方法还包括：

对于预先存储的各音频文件中的每个音频文件，对所述音频文件的音频数据进行分帧处理，得到所述音频文件对应的各帧音频数据；提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，并确定每个音频特征在所述音频文件中对应的帧位置；

根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

可选的，所述提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，包括：

对于所述音频文件对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述音频文件的每个音频特征。

一方面，提供了一种确定音频文件的装置，所述装置包括：

第一分帧模块，用于获取样本音频片段的音频数据，对所述音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；

第一提取模块，用于提取各帧音频数据中的每帧音频数据的音频特征，得到所述样本音频片段的每个音频特征；

第一确定模块，用于根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识；

第二确定模块，用于根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；

第三确定模块，用于确定所述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

可选的，所述第一提取模块，用于：

对于所述样本音频片段对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述样本音频片段的每个音频特征。

可选的，所述装置还包括：

第四确定模块，用于根据每帧音频数据在所述样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置；

所述第一确定模块，用于：

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定所述样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组；

所述第二确定模块，用于：

根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

可选的，所述第二确定模块，用于：

对于所述样本音频片段的每个音频特征，根据所述音频特征在所述样本音频片段中对应的帧位置、以及所述音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；

对于确定出的各音频文件标识中的每个音频文件标识，统计所述音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到所述音频文件标识对应的各帧偏移-音频特征数目元组；

根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；

将所述目标音频文件标识对应的音频文件，确定为候选音频文件。

可选的，所述第三确定模块，用于：

对于每个候选音频文件对应的音频文件标识，在所述音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；

基于所述目标帧偏移，在所述候选音频文件中，确定与所述样本音频片段对应的目标音频片段；

根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度。

可选的，音频特征是由预设位数的数字串组成；

所述第三确定模块，用于：

在所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；

将目标位数在总位数的比值，确定为所述样本音频片段与所述目标音频片段的匹配度，其中，所述总位数是所述预设位数与所述样本音频片段或目标音频片段包含的音频特征的数目的乘积。

可选的，所述装置还包括：

第二分帧模块，用于对于预先存储的各音频文件中的每个音频文件，对所述音频文件的音频数据进行分帧处理，得到所述音频文件对应的各帧音频数据；

第二提取模块，用于提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，并确定每个音频特征在所述音频文件中对应的帧位置；

建立模块，用于根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

可选的，所述第二提取模块，用于：

对于所述音频文件对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述音频文件的每个音频特征。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例中，获取样本音频片段的音频数据，对音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的每个音频特征；根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识；根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；确定样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。这样，服务器可以自动在音频库中确定出包含有样本音频片段的目标音频文件，无需技术人员对音频库中的音频文件进行检查，从而，可以提高确定音频文件的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种确定音频文件的方法流程图；

图2是本发明实施例提供的一种对应关系的示意图；

图3是本发明实施例提供的一种目标音频片段的示意图；

图4是本发明实施例提供的一种确定音频文件装置结构示意图；

图5是本发明实施例提供的一种确定音频文件装置结构示意图；

图6是本发明实施例提供的一种确定音频文件装置结构示意图；

图7是本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种确定音频文件的方法，该方法的执行主体为服务器。其中，该服务器可以是具有确定音频文件功能的服务器，可以是音频播放类应用程序的后台服务器，该服务器可以是一个单独的服务器，也可以是由多个服务器组成的服务器组。本发明实施例以服务器是一个单独的服务器为例进行详细说明，其他情况与之类似，不再进行赘述。服务器可以包括处理器、存储器等部件。处理器可以为CPU(Central ProcessingUnit，中央处理单元)等，可以用于确定目标音频文件的相关处理。存储器可以为RAM(Random Access Memory，随机存取存储器)、Flash(闪存)等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系等。

下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：

步骤101，获取样本音频片段的音频数据，对音频数据进行分帧处理，得到样本音频片段对应的各帧音频数据。

其中，样本音频片段可以是待检索的音频片段。

在实施中，为了确保音频库中的各音频文件不包含不合格的音频片段，服务器可以对音频库中各音频文件进行检测，确定各音频文件是否包含不合格的音频片段。具体的，服务器可以获取样本音频片段的音频数据，进而，可以对获取到的音频数据进行分帧处理，得到样本音频片段对应各帧音频数据，其中，每相邻帧音频数据可以包含相同的音频数据，例如，样本音频片段的播放时长为20毫秒(ms)，则服务器可以对该样本音频片段进行分帧处理，得到的各帧音频数据可以是0-10ms的音频数据、5-15ms的音频数据、10-20ms的音频数据。

步骤102，提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的每个音频特征。

在实施中，得到样本音频片段对应的各帧音频数据后，服务器可以提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的各音频特征。

可选的，可以通过每帧音频数据对应的频域数据，确定每帧音频数据的音频特征，相应的，步骤102的处理过程可以如下：对于样本音频片段对应的每帧音频数据，对帧音频数据进行频域变换，得到该帧音频数据对应的频域数据；基于预设的多个不同的频率间隔，对频域数据进行分段，得到该帧音频数据对应的多段频域数据；根据该帧音频数据对应的多段频域数据，确定该帧音频数据对应的多段能量，根据该帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定该帧音频数据的音频特征，得到样本音频片段的每个音频特征。

在实施中，得到样本音频片段对应的各帧音频数据后，对于各帧音频数据中的每帧音频数据，对该帧音频数据进行频域变换(比如，可以对该帧音频数据进行傅里叶变换)，得到该帧音频数据对应的频域数据，进而，可以基于预设的多个不同的频率间隔(比如，预设的多个不同的频率间隔可以分别是0-200赫兹、200-500赫兹、500-1000赫兹等)，对频域数据进行分段，得到该帧音频数据对应的多段频域数据。得到该帧音频数据对应的多段频域数据后，可以求取每段频域数据的绝对值，得到该帧音频数据对应的多段能量，每段能量可以用E(n，m)表示，其中，m、n为整数，E(n，m)表示第n帧音频数据的对应的第m段能量。得到每帧音频数据对应的多段能量后，可以按照公式(1)计算每帧音频数据的音频特征，得到样本音频片段的每个音频特征。

其中，第n帧音频数据的音频特征可以由F(n，m)构成，m＝1…、M，M为每帧音频数据对应的总段数，由此可见，每帧音频数据的音频特征为M-1位数字串，其中，每位上的数值为0或1，即每帧音频数据的音频特征可以由整型数据表示。比如，某帧音频数的音频特征为：0xd3014F2。

步骤103，根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识。

在实施中，服务器可以预先提取音频库中的各音频文件的每个音频特征，进而，可以根据每个音频文件的每个音频特征，建立音频特征与音频文件标识的对应关系，其中，每个对应关系项中的音频文件标识表示该音频文件标识对应的音频文件中包含该对应关系项中的音频特征。服务器得到样本音频片段的每个音频特征后，可以在上述对应关系中，确定每个音频特征对应的音频文件标识。

可选的，服务器还可以确定样本音频片段的每个音频特征在样本音频片段中对应的帧位置，相应的，服务器还可以进行如下处理：根据每帧音频数据在样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置。相应的，步骤103的处理过程可以如下：根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组。

在实施中，服务器对样本音频片段的音频数据进行分帧处理，得到样本音频片段对应的各帧音频数据后，可以相应的记录每帧音频数据在样本音频片段中的帧位置，其中，帧位置可以是由该帧音频数据的播放时间表示，也可以是由数字表示的帧标识(比如，帧位置可以是1、2等，帧位置为1的音频数据可以是第一帧音频数据，帧位置为2的音频数据可以是第二帧音频数据)。相应的，服务器得到样本音频片段对应的每个音频特征后，对应每个音频特征，服务器可以将该音频特征对应帧的音频数据在样本音频片段中的帧位置，确定为该音频特征在样本音频片段中对应的帧位置。

服务器预先提取到音频库中的各音频文件的每个音频特征后，也可以按照上述方式，确定每个音频特征在对应音频文件中对应的帧位置，相应的，服务器可以建立音频特征、音频文件标识、帧位置的对应关系，其中，每个对应关系项中的帧位置表示该音频特征在对应音频文件中对应的帧位置，每个对应关系项中可以包括多个音频文件标识-帧位置元组，服务器可以采用key-value的形式记录上述对应关系，音频特征可以作为key、音频文件标识和帧位置作为value，即本方案中，上述对应关系也可称为音频特征与音频文件标识-帧位置元组的对应关系。此种情况下，服务器得到样本音频片段的每个音频特征后，可以在上述对应关系中确定样本音频片段中的每个音频特征对应的各音频文件标识-帧位置元组。

可选的，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系的具体处理过程可以如下：对于预先存储的各音频文件中的每个音频文件，对音频文件的音频数据进行分帧处理，得到音频文件对应的各帧音频数据；提取音频文件对应的每帧音频数据的音频特征，得到音频文件的每个音频特征，并确定每个音频特征在音频文件中对应的帧位置；根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

在实施中，对于预先存储的各音频文件中的每个音频文件，服务器可以获取到音频文件的音频数据，对该音频文件的音频数据进行分帧处理，得到该音频文件对应的各帧音频数据，进而，可以提取各帧音频数据中的每帧音频数据的音频特征，得到该音频文件的每个音频特征。另外，在对该音频文件进行分帧处理，得到该音频文件对应的各帧音频数据时，可以记录每帧音频数据在该音频文件中对应的帧位置。此种情况下，服务器提取到该音频文件的每个音频特征后，对于每个音频特征，服务器将该音频特征对应帧的音频数据在该音频文件中对应的帧位置，确定为该音频特征在该音频文件中对应的帧位置。服务器可以按照上述方式，得到各音频文件的每个音频特征、以及每个音频特征在对应音频文件中对应的帧位置，进而，可以建立以每个不同音频特征为key、音频文件标识和帧位置为value的对应关系表，如图2所示，其中，对应关系中的每个对应关系项可以按照音频特征由小到大的顺序排序。

可选的，服务器可以通过每个音频文件的每帧音频数据对应的频域数据，确定每个音频文件的每个音频特征，相应的，处理过程可以如下：对于音频文件对应的每帧音频数据，对该帧音频数据进行频域变换，得到该帧音频数据对应的频域数据；基于预设的多个不同的频率间隔，对频域数据进行分段，得到该帧音频数据对应的多段频域数据；根据该帧音频数据对应的多段频域数据，确定该帧音频数据对应的多段能量，根据该帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定该帧音频数据的音频特征，得到该音频文件的每个音频特征。

在实施中，对于每个音频文件，得到该音频文件对应的各帧音频数据后，对于各帧音频数据中的每帧音频数据，对该帧音频数据进行频域变换(比如，可以对该帧音频数据进行傅里叶变换)，得到该帧音频数据对应的频域数据，进而，可以基于预设的多个不同的频率间隔(比如，预设的多个不同的频率间隔可以分别是0-200赫兹、200-500赫兹、500-1000赫兹等)，对频域数据进行分段，得到该帧音频数据对应的多段频域数据。得到该帧音频数据对应的多段频域数据后，可以求取每段频域数据的绝对值，得到该帧音频数据对应的多段能量，每段能量可以用E(n，m)表示，其中，m、n为整数，E(n，m)表示第n帧音频数据的对应的第m段能量。得到每帧音频数据对应的多段能量后，可以按照上述公式(1)计算每帧音频数据的音频特征，得到该音频文件的每个音频特征。

步骤104，根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件。

在实施中，服务器确定出样本音频片段的每个音频特征对应的音频文件标识后，可以基于确定出的所有音频文件标识，确定候选音频文件。例如，可以将确定出的所有音频文件标识对应的音频文件，确定为候选音频文件。又例如，可以基于确定出样本音频片段的每个音频特征对应的音频文件标识，统计每个不同音频文件标识对应的出现次数，将对应的出现次数满足预设次数条件的音频文件标识对应的音频文件，确定为候选音频文件。

可选的，针对服务器还确定每个音频特征在样本音频片段中对应的帧位置和确定每个音频特征对应的音频文件标识-帧位置的情况，相应的，步骤104的处理过程可以如下：根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

在实施中，针对服务器确定出样本音频片段的每个音频片段对应的各音频文件标识-帧位置元组的情况，服务器可以基于确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

可选的，服务器可以将各音频文件中包含较多的样本音频片段中的音频数据的音频文件，确定为候选音频文件，相应的，处理过程可以如下：对于样本音频片段的每个音频特征，根据音频特征在样本音频片段中对应的帧位置、以及音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；对于确定出的各音频文件标识中的每个音频文件标识，统计该音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到音频文件标识对应的各帧偏移-音频特征数目元组；根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；将目标音频文件标识对应的音频文件，确定为候选音频文件。

在实施中，对于样本音频片段的每个音频特征，服务器可以将确定出的该音频特征对应的各音频文件标识-帧位置元组中的帧位置，与该音频特征在样本音频片段中对应的帧位置相减，得到各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移，其中，各音频文件标识对应的帧偏移中可以包含重复的帧偏移。然后，服务器可以统计确定出的样本音频片段的各音频特征对应的各音频文件标识-帧位置元组中的每个不同音频文件标识，对应的帧偏移-音频特征数目元组。具体的，对于确定出的各音频特征对应的各音频文件标识-帧位置元组中的每个不同音频文件标识，可以统计该音频文件标识对应的每个不同帧偏移的出现次数，进而，可以将每个不同帧偏移的出现次数确定为每个不同帧偏移对应的音频特征数目，得到该音频文件标识对应的各帧偏移-音频特征数目元组。

例如，样本音频片段的各音频特征分别为A、B、C，A、B、C在样本音频片段中的帧位置分别为1、2、3，确定出的A对应的各音频文件标识-帧位置元组分别为(1,100)、(3,100)、确定出的B对应的各音频文件标识-帧位置元组分别为(1,101)、(3,101)、确定出的C对应的各音频文件标识-帧位置元组分别为(2,100)，则对于音频特征A，服务器可以确定A对应的各音频文件标识-帧位置元组中音频文件标识1对应的帧偏移为：99、音频文件标识3对应的帧偏移为99；对于音频特征B，服务器可以确定B对应的各音频文件标识-帧位置元组中音频文件标识1对应的帧偏移为：99、音频文件标识3对应的帧偏移为99；对于音频特征C，服务器可以确定C对应的各音频文件标识-帧位置元组中音频文件标识2对应的帧偏移为：97。然后，对于音频文件标识1，服务器可以确定音频文件标识1对应的不同帧偏移为99，其对应的出现次数为2；对于音频文件标识2，服务器可以确定音频文件标识2对应的不同帧偏移为97，其对应的出现次数为1；对于音频文件标识3，服务器可以确定音频文件标识3对应的不同帧偏移为99，其对应的出现次数为2，由此，服务器可以得到音频文件标识1对应的帧偏移-音频特征数目元组为(99，2)、音频文件标识2对应的帧偏移-音频特征数目元组为(97，1)、音频文件标识3对应的帧偏移-音频特征数目元组为(99，2)。

确定出各音频文件标识对应的各帧偏移-音频特征数目元组后，可以在各音频文件标识中，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目大于预设数目阈值的目标音频文件标识，进而，可以将目标音频文件标识对应的音频文件，确定为候选音频文件。例如，预设数目阈值为3，音频文件标识1对应的各帧偏移-音频特征数目元组为(99，5)、(100，1)，音频文件标识2对应的各帧偏移-音频特征数目元组为(99，1)、(100，1)，音频文件标识3对应的各帧偏移-音频特征数目元组为(200，5)、(100，1)，则服务器可以将音频文件标识1和音频文件标识3对应的音频文件，确定为候选音频文件。

步骤105，确定样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

在实施中，确定出候选音频文件后，服务器可以计算样本音频片段与每个候选音频文件的匹配度。得到样本音频片段与每个候选音频文件的匹配度后，可以将每个匹配度与预设匹配度阈值进行比较，进而，可以将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

可选的，对于每个候选音频文件，服务器可以先在候选音频文件中找到与样本音频文件对应的音频片段，相应的，确定样本音频片段与每个候选音频文件的匹配度的处理过程可以如下：对于每个候选音频文件对应的音频文件标识，在音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；基于目标帧偏移，在候选音频文件中，确定与样本音频片段对应的目标音频片段；根据样本音频片段的每个音频特征、目标音频片段对应的每个音频特征，确定样本音频片段与目标音频片段的匹配度。

在实施中，服务器根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定目标音频文件标识时，服务器可以相应的记录每个目标音频文件标识对应的目标帧偏移，其中，目标帧偏移可以是每个目标音频文件标识对应的各帧偏移-音频特征数目元组中对应的音频特征数目达到预设数目阈值的帧偏移。确定出候选音频文件后，对于每个候选音频文件对应的音频文件标识，服务器可以在预先记录的每个目标音频文件标识对应的目标帧偏移中，获取该音频文件标识对应的目标帧偏移。或者，确定出候选音频文件后，对于每个候选音频文件对应的音频文件标识，在该音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移。

确定出目标帧偏移后，服务器可以基于目标帧偏移，将样本音频片段与该候选音频文件进行对齐，即可以将该候选音频文件中偏移目标帧偏移后的帧数与样本音频片段的帧数相同的音频片段，确定为与样本音频片段对应的目标音频片段，其中，目标音频片段的帧数与样本音频片段的帧数相同。例如，目标帧偏移为120帧，交叉帧数为200帧，目标音频片段如图3所示。得到目标音频片段后，服务器可以根据样本音频片段的每个音频特征、目标音频片段对应的每个音频特征，确定样本音频片段与目标音频片段的匹配度，得到样本音频片段与该候选音频文件的匹配度。

可选的，音频特征可以是由预设位数的数字串组成，相应的，确定样本音频片段与该候选音频文件的匹配度的具体处理过程可以如下：在样本音频片段的每个音频特征、目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；将目标位数在总位数的比值，确定为样本音频片段与目标音频片段的匹配度，其中，总位数是预设位数与样本音频片段或目标音频片段包含的音频特征的数目的乘积。

在实施中，确定出目标音频片段后，可以在样本音频片段的每个音频特征和目标音频片段对应的每个音频特征中，确定对应位上的数字相同的位数(可称为目标位数，用S表示)，进而，可以将目标位数与总位数的比值，确定为样本音频片段与目标音频片段的匹配度，得到样本音频片段与该候选音频文件的匹配度，其中，总位数可以是预设位数(可以用N表示)与样本音频片段或目标音频片段包含的音频特征的数目(可以用M-1表示)的乘积，即匹配度为S/((M-1)*N)。

本发明实施例中，获取样本音频片段的音频数据，对音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的每个音频特征；根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识；根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；确定样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。这样，服务器可以自动在音频库中确定出包含有样本音频片段的目标音频文件，无需技术人员对音频库中的音频文件进行检查，从而，可以提高确定音频文件的效率。

基于相同的技术构思，本发明实施例还提供了一种确定音频文件的装置，该装置可以是上述服务器，如图4所示，该装置包括：

第一分帧模块410，用于获取样本音频片段的音频数据，对所述音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；

第一提取模块420，用于提取各帧音频数据中的每帧音频数据的音频特征，得到所述样本音频片段的每个音频特征；

第一确定模块430，用于根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识；

第二确定模块440，用于根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；

第三确定模块450，用于确定所述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

可选的，所述第一提取模块420，用于：

对于所述样本音频片段对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述样本音频片段的每个音频特征。

可选的，如图5所示，所述装置还包括：

第四确定模块460，用于根据每帧音频数据在所述样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置；

所述第一确定模块430，用于：

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定所述样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组；

所述第二确定模块440，用于：

根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

可选的，所述第二确定模块440，用于：

对于所述样本音频片段的每个音频特征，根据所述音频特征在所述样本音频片段中对应的帧位置、以及所述音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；

对于确定出的各音频文件标识中的每个音频文件标识，统计所述音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到所述音频文件标识对应的各帧偏移-音频特征数目元组；

根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；

将所述目标音频文件标识对应的音频文件，确定为候选音频文件。

可选的，所述第三确定模块450，用于：

对于每个候选音频文件对应的音频文件标识，在所述音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；

基于所述目标帧偏移，在所述候选音频文件中，确定与所述样本音频片段对应的目标音频片段；

根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度。

可选的，音频特征是由预设位数的数字串组成；

所述第三确定模块450，用于：

在所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；

将目标位数在总位数的比值，确定为所述样本音频片段与所述目标音频片段的匹配度，其中，所述总位数是所述预设位数与所述样本音频片段或目标音频片段包含的音频特征的数目的乘积。

可选的，如图6所示，所述装置还包括：

第二分帧模块470，用于对于预先存储的各音频文件中的每个音频文件，对所述音频文件的音频数据进行分帧处理，得到所述音频文件对应的各帧音频数据；

第二提取模块480，用于提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，并确定每个音频特征在所述音频文件中对应的帧位置；

建立模块490，用于根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

可选的，所述第二提取模块480，用于：

对于所述音频文件对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述音频文件的每个音频特征。

本发明实施例中，获取样本音频片段的音频数据，对音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的每个音频特征；根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识；根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；确定样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。这样，服务器可以自动在音频库中确定出包含有样本音频片段的目标音频文件，无需技术人员对音频库中的音频文件进行检查，从而，可以提高确定音频文件的效率。

需要说明的是：上述实施例提供的确定音频文件的装置在确定音频文件时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定音频文件的装置与确定音频文件的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图7示出了本发明一个示例性实施例提供的终端700的结构框图。该终端700可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

通常，终端700包括有：处理器701和存储器702。

处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的确定音频文件的方法。

在一些实施例中，终端700还可选包括有：外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地，外围设备包括：射频电路704、触摸显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。

外围设备接口703可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路704用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路704还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。

显示屏705用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时，显示屏705还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705可以为一个，设置终端700的前面板；在另一些实施例中，显示屏705可以为至少两个，分别设置在终端700的不同表面或呈折叠设计；在再一些实施例中，显示屏705可以是柔性显示屏，设置在终端700的弯曲表面上或折叠面上。甚至，显示屏705还可以设置成非矩形的不规则图形，也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。

摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还可以包括耳机插孔。

定位组件708用于定位终端700的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件708可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。

电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。

加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制触摸显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器712可以检测终端700的机体方向及转动角度，陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器713可以设置在终端700的侧边框和/或触摸显示屏705的下层。当压力传感器713设置在终端700的侧边框时，可以检测用户对终端700的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在触摸显示屏705的下层时，由处理器701根据用户对触摸显示屏705的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器714用于采集用户的指纹，由处理器701根据指纹传感器714采集到的指纹识别用户的身份，或者，由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器701授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置终端700的正面、背面或侧面。当终端700上设置有物理按键或厂商Logo时，指纹传感器714可以与物理按键或厂商Logo集成在一起。

光学传感器715用于采集环境光强度。在一个实施例中，处理器701可以根据光学传感器715采集的环境光强度，控制触摸显示屏705的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏705的显示亮度；当环境光强度较低时，调低触摸显示屏705的显示亮度。在另一个实施例中，处理器701还可以根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。

接近传感器716，也称距离传感器，通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时，由处理器701控制触摸显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时，由处理器701控制触摸显示屏705从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图7中示出的结构并不构成对终端700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本发明实施例中，获取样本音频片段的音频数据，对音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；提取各帧音频数据中的每帧音频数据的音频特征，得到样本音频片段的每个音频特征；根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定样本音频片段的每个音频特征对应的音频文件标识；根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；确定样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。这样，服务器可以自动在音频库中确定出包含有样本音频片段的目标音频文件，无需技术人员对音频库中的音频文件进行检查，从而，可以提高确定音频文件的效率。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (15)

1.一种确定音频文件的方法，其特征在于，所述方法包括：

获取样本音频片段的音频数据，对所述音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；

对于所述样本音频片段对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述样本音频片段的每个音频特征，其中，按照下述公式确定第n帧音频数据的音频特征F(n，m)：

所述E(n，m)为第n帧音频数据对应的第m段能量，所述n、m为整数；

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识；

根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；

确定所述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据每帧音频数据在所述样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置；

所述根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识，包括：

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定所述样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组；

所述根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件，包括：

根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

3.根据权利要求2所述的方法，其特征在于，所述根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件，包括：

对于所述样本音频片段的每个音频特征，根据所述音频特征在所述样本音频片段中对应的帧位置、以及所述音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；

对于确定出的各音频文件标识中的每个音频文件标识，统计所述音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到所述音频文件标识对应的各帧偏移-音频特征数目元组；

根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；

将所述目标音频文件标识对应的音频文件，确定为候选音频文件。

4.根据权利要求3所述的方法，其特征在于，所述确定所述样本音频片段与每个候选音频文件的匹配度，包括：

对于每个候选音频文件对应的音频文件标识，在所述音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；

基于所述目标帧偏移，在所述候选音频文件中，确定与所述样本音频片段对应的目标音频片段；

根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度。

5.根据权利要求4所述的方法，其特征在于，音频特征是由预设位数的数字串组成；

所述根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度，包括：

在所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；

将目标位数在总位数的比值，确定为所述样本音频片段与所述目标音频片段的匹配度，其中，所述总位数是所述预设位数与所述样本音频片段或目标音频片段包含的音频特征的数目的乘积。

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

对于预先存储的各音频文件中的每个音频文件，对所述音频文件的音频数据进行分帧处理，得到所述音频文件对应的各帧音频数据；提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，并确定每个音频特征在所述音频文件中对应的帧位置；

根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

7.根据权利要求6所述的方法，其特征在于，所述提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，包括：

对于所述音频文件对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述音频文件的每个音频特征。

8.一种确定音频文件的装置，其特征在于，所述装置包括：

第一分帧模块，用于获取样本音频片段的音频数据，对所述音频数据进行分帧处理，得到所述样本音频片段对应的各帧音频数据；

第一提取模块，用于对于所述样本音频片段对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；基于多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述样本音频片段的每个音频特征，其中，按照下述公式确定第n帧音频数据的音频特征F(n，m)：

所述E(n，m)为第n帧音频数据对应的第m段能量，所述n、m为整数；

第一确定模块，用于根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识的对应关系，确定所述样本音频片段的每个音频特征对应的音频文件标识；

第二确定模块，用于根据确定出的每个音频特征对应的音频文件标识，确定候选音频文件；

第三确定模块，用于确定所述样本音频片段与每个候选音频文件的匹配度，并将对应的匹配度大于预设匹配度阈值的音频文件，确定为包含有样本音频片段的目标音频文件。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

第四确定模块，用于根据每帧音频数据在所述样本音频片段中的帧位置，确定每个音频特征在样本音频片段中对应的帧位置；

所述第一确定模块，用于：

根据预先存储的各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系，确定所述样本音频片段的每个音频特征对应的各音频文件标识-帧位置元组；

所述第二确定模块，用于：

根据确定出的每个音频特征对应的各音频文件标识-帧位置元组和每个音频特征在样本音频片段中对应的帧位置，确定候选音频文件。

10.根据权利要求9所述的装置，其特征在于，所述第二确定模块，用于：

对于所述样本音频片段的每个音频特征，根据所述音频特征在所述样本音频片段中对应的帧位置、以及所述音频特征对应的各音频文件标识-帧位置元组，确定各音频文件标识-帧位置元组中的各音频文件标识对应的帧偏移；

对于确定出的各音频文件标识中的每个音频文件标识，统计所述音频文件标识对应的每个不同帧偏移对应的音频特征数目，得到所述音频文件标识对应的各帧偏移-音频特征数目元组；

根据各音频文件标识对应的各帧偏移-音频特征数目元组，确定对应的各帧偏移-音频特征数目元组中存在音频特征数目达到预设数目阈值的目标音频文件标识；

将所述目标音频文件标识对应的音频文件，确定为候选音频文件。

11.根据权利要求10所述的装置，其特征在于，所述第三确定模块，用于：

对于每个候选音频文件对应的音频文件标识，在所述音频文件标识对应的各帧偏移-音频特征数目元组中，确定对应的音频特征数目大于预设数目阈值的目标帧偏移；

基于所述目标帧偏移，在所述候选音频文件中，确定与所述样本音频片段对应的目标音频片段；

根据所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征，确定所述样本音频片段与所述目标音频片段的匹配度。

12.根据权利要求11所述的装置，其特征在于，音频特征是由预设位数的数字串组成；

所述第三确定模块，用于：

在所述样本音频片段的每个音频特征、所述目标音频片段对应的每个音频特征中，确定对应位上的数字相同的目标位数；

将目标位数在总位数的比值，确定为所述样本音频片段与所述目标音频片段的匹配度，其中，所述总位数是所述预设位数与所述样本音频片段或目标音频片段包含的音频特征的数目的乘积。

13.根据权利要求9所述的装置，其特征在于，所述装置还包括：

第二分帧模块，用于对于预先存储的各音频文件中的每个音频文件，对所述音频文件的音频数据进行分帧处理，得到所述音频文件对应的各帧音频数据；

第二提取模块，用于提取所述音频文件对应的每帧音频数据的音频特征，得到所述音频文件的每个音频特征，并确定每个音频特征在所述音频文件中对应的帧位置；

建立模块，用于根据得到的各音频文件的每个音频特征、以及各音频文件的每个音频特征在各音频文件中对应的帧位置，建立各音频文件包含的各帧音频数据的音频特征、音频文件标识、帧位置的对应关系。

14.根据权利要求13所述的装置，其特征在于，所述第二提取模块，用于：

对于所述音频文件对应的每帧音频数据，对所述帧音频数据进行频域变换，得到所述帧音频数据对应的频域数据；

基于预设的多个不同的频率间隔，对所述频域数据进行分段，得到所述帧音频数据对应的多段频域数据；

根据所述帧音频数据对应的多段频域数据，确定所述帧音频数据对应的多段能量，根据所述帧音频数据对应的多段能量、以及相邻帧音频数据对应的多段能量，确定所述帧音频数据的音频特征，得到所述音频文件的每个音频特征。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现如权利要求1至7任一所述的确定音频文件的方法。

Images