CN109949798A - 基于音频的广告检测方法以及装置 - Google Patents

Abstract

本发明是关于一种基于音频的广告检测方法、装置、电子设备以及存储介质。该方法包括：对待处理音频信息进行分片处理，形成多个音频单元；对于每一音频单元，获取该音频单元的语音信号学特征并据以分类至正常音频单元集合或者广告音频单元集合；将广告音频单元集合中的各音频单元作为存疑音频单元，并对各存疑音频单元进行语音识别，获取对应的文本信息；检测各文本信息中是否包含广告关键字，并在检测到文本信息中包含广告关键字时，确定该文本信息对应的音频单元包含广告；将对各音频单元的检测结果进行分析并输出，以确定广告的位置。本发明可以提高广告检测的准确性。

Description

基于音频的广告检测方法以及装置

技术领域

本发明涉及语音识别技术领域，具体而言，涉及一种基于音频的广告检测方法、装置、电子设备以及计算机可读存储介质。

背景技术

随着科学技术和信息技术的进步，特别是计算机技术、网络技术和大容量存储技术的不断发展，人们已经运用各种手段大量的采集和生产了各种类型的多媒体信息数据，例如视频信息以及音频信息等。多媒体信息数据已成为信息高速公路上传输数据的主要组成部分。

在浩如烟海的多媒体信息数据中，不可避免的存在大量的广告信息。广告的受众可以分为一般观众群体、广告公司和监测机构，不同的人群对广告内容的需求不尽相同。对于观众来说，一方面广告影响了多媒体信息的播放，扰乱了人们正常地观看收听模式。对于监测机构而言，往往需要实时监测广告，保留违法的证据与信息用以查处违反国家政策法规的公司与个人，维护社会的正常秩序。

尤其对于如快手APP、抖音APP、喜马拉雅FM等每天产生海量多媒体信息数据的应用程序而言，如果对广告的检测工作完全通过人工来完成，需耗费大量的人力和时间。

在现有技术中，围绕广告检测这个主题，现有技术中已经有一些专利申请进行了有益的尝试，比如：

申请号为CN201410651416.X的专利申请公开了一种广告检测方法及系统，在播放设备检测到视频播放时，根据预设的帧算法获取当前播放视频中在预设的滑动窗口阈值内所有相邻两帧图像的视频跳变帧阈值及每相邻两帧图像的直方图平方差，再获取当前播放视频中的静音时间段；将当前播放视频中每相邻两帧图像的直方图平方差与所述视频跳变帧阈值进行比较，并判断静音时间段是否在预设的指定静音间隔阈值范围内；当当前播放视频中相邻两帧图像的直方图平方差大于视频跳变帧阈值，且静音时间段在指定静音间隔阈值范围内，则判定为广告播放。该专利申请虽然在一定程度上实现了对广告在视频中穿插位置的检测，但存在计算量大，效率较低的问题。

申请号为CN201110335633.4的专利申请公开了一种基于显式共享子空间的视频广告检测方法，首先将镜头分割成语义镜头序列，提取出其中的关键帧，得到视觉特征和音频特征，进而得到显式共享子空间和两者构成的映射矩阵的特征值；然后通过选取指定的映射矩阵的特征值在显式共享子空间中对应的向量，求得视觉特征映射矩阵和音频特征映射矩阵；实现降维和特征融合操作；将特征融合得到的矩阵输入到支持向量机中进行训练，得到最优分类模型后，用其对待检测镜头进行初步判断，最后通过后处理步骤最终确定待检测镜头是否为广告镜头，但该专利申请同样存在计算量大，效率较低的问题。

申请号为CN201610184104.1的专利申请公开了一种数字电视广告识别方法及系统，在用户观看电视节目时，控制数字电视终端采集用户的观看数据和操作行为，并上传至预设的广告识别服务器；获取所有电视节目的EPG信息，并提供给广告识别服务器；结合EPG信息，控制由广告识别服务器对观看数据和操作行为进行归集，将所有观看相同电视节目的数字电视终端归集到一组，并实时监控每一组中数字电视终端的操作行为；若同组的数字电视终端出现集中换台的操作行为，则将当前时刻识别为广告时间，向同组内所有数字电视终端按照设定措施，对广告时间进行处理。该专利申请虽然在一定程度上实现了对广告的检测，但应用范围局限较大，难以适用于海量的互联网多媒体信息。

因此，需要提供一种更加有效的广告识别方法，以至少能够解决上述一个或多个技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的目的在于提供一种基于音频的广告检测方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明的一个方面，提供一种基于音频的广告检测方法，所述方法包括：

获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

在本发明的一种示例性实施例中，获取多媒体信息中的音频信息作为待处理音频信息，包括：

如果所述多媒体信息为音频信息，则将所述多媒体信息作为所述待处理音频信息；

如果所述多媒体信息为视频信息，则从所述多媒体信息中分离出音频信息作为所述待处理音频信息。

在本发明的一种示例性实施例中，所述根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合，包括：

获取多个被预先标记为属于所述正常音频单元或者所述广告音频单元的样本音频单元；

将多个样本音频单元输入至一分类器模型进行训练，获取用于分割所述正常音频单元和所述广告音频单元分类超平面；

根据各所述音频单元的语音信号学特征计算各所述音频单元到所述分类超平面的距离；

根据各所述音频单元到所述分类超平面的距离，将各所述音频单元分类至正常音频单元集合或者广告音频单元集合。

在本发明的一种示例性实施例中，所述语音信号学特征包括：过零率特征、子带能量特征、能量熵特征、光谱质心特征、扩展光谱特征、光谱熵特征、光谱通量特征、光谱滚边特征、梅尔倒谱系数特征、色度向量特征以及色度偏差特征中的一种或多种。

在本发明的一种示例性实施例中，所述根据各所述音频单元的语音信号学特征计算各所述音频单元到所述分类超平面的距离，包括：

对于一所述音频单元，计算其每一语音信号学特征对应的特征向量到所述分类超平面的距离；

计算各所述距离的平均值，并将所述平均值作为该所述音频单元到所述分类超平面的距离。

在本发明的一种示例性实施例中，所述分类器模型包括支持向量机模型。

在本发明的一种示例性实施例中，对各所述存疑音频单元进行语音识别包括：

通过深度神经网络模型、隐马尔科夫模型、高斯混合模型中的一种或多种模型，对各所述存疑音频单元进行语音识别。

根据本发明的一个方面，提供一种基于音频的广告检测装置，所述装置包括：

音频切分模块，用于获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

特征提取模块，用于对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

初步分类模块，用于根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

语音识别模块，用于将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

关键词检测模块，用于检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

结果输出模块，用于将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

在本发明的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。

在本发明的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。

本发明的示例性实施例中的基于音频的广告检测方法，首先对待处理音频信息进行分片处理，形成多个音频单元并获取各音频单元的语音信号学特征；其次根据各音频单元的语音信号学特征确定存疑音频单元；接着对各存疑音频单元进行语音识别，获取对应的文本信息；最后，检测各文本信息中是否包含广告关键字，并在检测到广告关键字时，确定该文本信息对应的音频单元包含广告。一方面，通过将语音信号学特征分析以及语音识别技术相结合，相比单一手段可以更加准确和有效的识别出广告；另一方面，由于语音识别技术耗时较长，而本发明中首先通过语音信号学特征分析快速确定存疑语音单元，进而仅对存疑语音单元进行语音识别，因此相比于现有技术中仅通过语音识别技术以及关键词比对判断广告的方法，可以减少整体检测时间，提高检测效率。

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，并不能限制本发明。

附图说明

通过参照附图来详细描述其示例实施例，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明一示例性实施例的基于音频的广告检测方法的流程图；

图2示出了根据本发明一示例性实施例的音频单元初步分类步骤的流程图；

图3示出了根据本发明一示例性实施例的基于音频的广告检测装置的示意框图；

图4示意性示出了根据本发明一示例性实施例的电子设备的框图；以及

图5示意性示出了根据本发明一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本示例实施例中，首先提供了一种基于音频的广告检测方法，可以应用于计算机或者移动终端等电子设备；参考图1中所示，该基于音频的广告检测方法可以包括以下步骤：

步骤S110、获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

步骤S120、对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

步骤S130、根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

步骤S140、将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

步骤S150、检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

步骤S160、将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

根据本示例实施例中的基于音频的广告检测方法，一方面，通过将语音信号学特征分析以及语音识别技术相结合，相比单一手段可以更加准确和有效的识别出广告；另一方面，由于语音识别技术耗时较长，而本发明中首先通过语音信号学特征分析快速确定存疑语音单元，进而仅对存疑语音单元进行语音识别，因此相比于现有技术中仅通过语音识别技术以及关键词比对判断广告的方法，可以减少整体检测时间，提高检测效率。

下面，将对本示例实施例中的基于音频的广告检测方法进行进一步的说明。

在步骤S110中，获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元。

本示例实施方式中，所述多媒体信息可以是音频信息，但也可以是视频信息。如果所述多媒体信息为音频信息，例如可以是喜马拉雅FM等音频分享平台中的音频信息、广播电台的音频信息、用户自行获取的音频信息或者其他音频信息等，则将可以所述多媒体信息直接作为所述待处理音频信息。如果所述多媒体信息为视频信息，例如可以是抖音、快手、优酷、YouTube等视频分享平台中的视频信息、用户自行获取的视频信息或者其他视频信息等，则从所述多媒体信息中分离出音频信息作为所述待处理音频信息。但需要说明的是，待处理音频信息的获取方式可以有多种，本示例性实施例中对此不做特殊限定。此外，在获取待处理音频信息后，还可以对待处理音频信息进行格式转换；例如可以通过格式转换工具，将mp3或m4a等格式的音频资源，转换成16k单声道的wav格式。从而，wav格式的音频资源更便于后续的处理。

为提高识别的准确性以及方便后续广告位置的确定，本示例实施方式中可以对所述音频信息进行分片处理，获得多个音频单元，也就是，将完整的音频信息切分成多个相同和/或不同长度的音频片段数据，例如：可以将完整的音频信息切分为1s，3s，5s，10s，20s，30s等相同和/或不同长度的音频片段数据。

此外，还可以针对性的单独截取处于所述音频信息开始部分和结尾部分的整个片段作为音频单元，以便于后续处理。在一种示例性实施例中，由于大多数的广告都出现在一段音频信息的开始或结尾部分，所以可以直接截取处于开始部分和结尾部分的音频单元，并进行后续的广告检测等步骤，进而可以提高音频资源中检测广告的效率。其中，音频信息开始部分和结尾部分的具体长度可以根据具体需求而适应性设定，例如，开始部分和结尾部分的时长为60秒、30秒、45秒、90秒等等。

步骤S120、对于每一所述音频单元，获取该所述音频单元的语音信号学特征。

本示例实施方式中，语音信号学特征主要是指从语速、频率、节拍、(beat)、音频色度(chroma features)等信号学角度确定的音频特征。具体而言，本示例实施方式中，所述音频单元的语音信号学特征可以包括过零率特征(Zero Crossing Rate)、子带能量特征(Energy)、能量熵特征(Entropy of Energy)、光谱质心特征(Spectral Centroid)、扩展光谱特征(Spectral Spread)、光谱熵特征(Spectral Entropy)、光谱通量特征(SpectralFlux)、光谱滚边特征(Spectral Rolloff)、梅尔倒谱系数特征(MFCCs)、色度向量特征(Chroma Vector)以及色度偏差特征(Chroma Deviation)等中的一种或多种。

本示例实施方式中，对于各所述音频单元，可以通过采用LPCC(线性预测倒谱系数)、MFCC(梅尔频率倒谱系数)、HMM(隐马尔科夫模型)或DTW(动态时间规整)等方式获取上述语音信号学特征。当然，在本发明的其他示例性实施例中是，也可以获取各所述音频单元的其他语音信号学特征，相应的，也可以通过其他方式获取各所述音频单元的语音信号学特征，这些均属于本发明的保护范围。

步骤S130、根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合。参考图图2所示，本示例实施方式中，该步骤可以包括步骤S131至步骤S134。其中：

在步骤S131中，获取多个被预先标记为属于所述正常音频单元或者所述广告音频单元的样本音频单元。

本示例实施方式中，可以预先获取大量的音频信息，并对这些音频信息进行切片处理，得到大量的音频单元。接着，通过人工标注等方式对每个音频单元进行标记，例如，标记各音频单元属于所述正常音频单元还是所述广告音频单元。这样，则可以获取大量的样本音频单元。但本领域技术人员容易理解的是，也可以通过其他方式获取样本音频单元；例如，通过一定的规则自动生成正常音频单元或者所述广告音频单元作为样本音频单元等，本示例性实施例中对此不做特殊限定。

在步骤S132中，将多个样本音频单元输入至一分类器模型进行训练，获取用于分割所述正常音频单元和所述广告音频单元分类超平面。

在得到上述的样本音频单元之后，则通过可以通过采用LPCC、MFCC、HMM或DTW等方式获取样本音频单元的上述语音信号学特征；例如获取过零率特征、子带能量特征、能量熵特征、光谱质心特征、扩展光谱特征、光谱熵特征、光谱通量特征、光谱滚边特征、梅尔倒谱系数特征、色度向量特征以及色度偏差特征等中的一种或多种。

在获取各样本音频单元的上述语音信号学特征之后，可以将这些语音信号学特征至一分类器模型进行训练；本示例实施方式中，所述可以为支持向量机模型。但在本发明的其他示例性实施例中，所述分类器模型也可以包括：随机森林模型、深度神经网络模型、提升树模型、一般线性模型以及渐进梯度回归树模型中的一种或多种其他模型，本示例性实施例中对此不做特殊限定。

以支持向量机模型为例，支持向量机模型是一个由分类超平面定义的判别分类器。本示例实施方式中，可以将标记为正常音频单元的样本音频单元的特征作为正样本数据，将标记为广告音频单元的样本音频单元的特征作为负样本数据，输入至支持向量机模型以通过下列公式ω^Tx+b＝0计算在n维空间中的线性函数，进而根据所述线性函数确定正样本数据与负样本数据之间的分类超平面。其中，ω＝(ω₁；ω₂；...；ω_n)为法向量，决定了分类超平面的方向，b为位移项，决定了分类超平面与原点之间的距离。

在步骤S133中，根据各所述音频单元的语音信号学特征计算各所述音频单元到所述分类超平面的距离。

仍以上述支持向量机模型为例，可以将各所述音频单元的语音信号学特征x代入公式计算在语音信号学特征x下，所述音频单元到所述分类超平面的距离r。当然，本领域技术人员容易理解的是，根据分类器模型的不同，在本发明的其他示例性实施例中，也可以通过其他方式确定各所述音频单元到所述分类超平面的距离，本示例性实施例中对此不做特殊限定。

对于每一语音信号学特征均通过上述方式进行距离计算，则可以得到多个距离值，通过所述多个距离值则可以得到该所述音频单元到所述分类超平面的距离。例如，可以计算上述多个距离值的平均值，并将所述平均值作为该所述音频单元到所述分类超平面的距离。当然，在本发明的其他示例性实施例中，还可以对上述语音信号学特征分别设置不同去权重值，以计算上述多个距离值的加权平均值，并将所述加权平均值作为该所述音频单元到所述分类超平面的距离，这同样属于本发明的保护范围。

在步骤S134中，根据各所述音频单元到所述分类超平面的距离，将各所述音频单元分类至正常音频单元集合或者广告音频单元集合。

例如，根据一所述音频单元到所述分类超平面的距离确定所述音频单元在所述分类超平面的上方，则可以将该音频单元分类至正常音频单元集合；相反，如果确定所述音频单元在所述分类超平面的下方，则可以将该音频单元分类至广告音频单元集合。

步骤S140、将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息。

本示例实施方式中，可以通过深度神经网络模型、隐马尔科夫模型、高斯混合模型中的一种或多种模型，对各所述存疑音频单元进行语音识别，获取对应的文本信息。例如，可以通过隐马尔科夫模型对时序信息进行建模，在给定隐马尔科夫模型的一个状态后，通过最大期望值算法等方法基于高斯混合模型对属于该状态的语音特征向量的概率分布进行建模；在建模成功之后，则可以对各所述存疑音频单元进行语音识别，获取对应的文本信息。当然，在本发明的其他示例性实施例中，也可以结合上下文信息(Context Dependent)或者通过其他方式进行进行语音识别，本示例性实施例中对此不做特殊限定。

步骤S150、检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告。

本示例实施方式中，可以预先建立广告关键字数据库；例如，通过机器学习、统计分析或者人工提取等方式预先确定广告关键字并加入广告关键字数据库。如果判断包含广告关键字，则可以确定该所述文本信息对应的存疑音频单元包含广告；当然，在本发明的其他示例性实施例中，也可以是在判断所述文本信息中包含超过预设数量的广告关键字时，确定该所述文本信息对应的音频单元包含广告等，这同样属于本发明的保护范围。

步骤S160、将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

由于本示例实施方式中上述音频单元是按照时间进行的切片处理，因此，切分后的音频单元对应音频信息的不同时长的位置，因而，当确定某一音频单元中包含广告时，可以进一步分析出广告在整段音频信息中的位置。需要说明的是，当所述音频信息的时间较短而不需要进行切片处理时，可以直接判断整段音频信息是否为广告音频。此外，如果所述音频信息是从视频信息从分离得到，则可以同时确定广告在视频信息中的位置。在确定广告的位置之后，则可以进一步的进行广告提取或者跳过广告等后续应用，本示例实施方式中对此不再进行详述。

需要说明的是，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种基于音频的广告检测装置。参照图3所示，该基于音频的广告检测装置300可以包括：音频切分模块310、特征提取模块320、初步分类模块330、语音识别模块340、关键词检测模块350以及结果输出模块360。其中：

音频切分模块310可以用于获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

特征提取模块320可以用于对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

初步分类模块330可以用于根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

语音识别模块340可以用于将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

关键词检测模块350可以用于检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

结果输出模块360可以用于将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

上述中各基于音频的广告检测装置模块的具体细节已经在对应的音频段落识别方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了基于音频的广告检测装置400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本发明的这种实施例的电子设备400。图4显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元410可以执行如图1中所示的步骤S110至步骤S160。

存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。

存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204，这样的程序模块4204包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备400也可以与一个或多个外部设备470(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器460通过总线430与电子设备400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施例的方法。

在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图5所示，描述了根据本发明的实施例的用于实现上述方法的程序产品500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由权利要求指出。

应当理解的是，本发明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。本发明的范围仅由所附的权利要求来限。

Claims (10)

1.一种基于音频的广告检测方法，其特征在于，所述方法包括：

获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

2.根据权利要求1所述的基于音频的广告检测方法，其特征在于，获取多媒体信息中的音频信息作为待处理音频信息，包括：

如果所述多媒体信息为音频信息，则将所述多媒体信息作为所述待处理音频信息；

如果所述多媒体信息为视频信息，则从所述多媒体信息中分离出音频信息作为所述待处理音频信息。

3.根据权利要求1所述的基于音频的广告检测方法，其特征在于，所述根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合，包括：

获取多个被预先标记为属于所述正常音频单元或者所述广告音频单元的样本音频单元；

将多个样本音频单元输入至一分类器模型进行训练，获取用于分割所述正常音频单元和所述广告音频单元分类超平面；

根据各所述音频单元的语音信号学特征计算各所述音频单元到所述分类超平面的距离；

根据各所述音频单元到所述分类超平面的距离，将各所述音频单元分类至正常音频单元集合或者广告音频单元集合。

4.根据权利要求3所述的基于音频的广告检测方法，其特征在于，所述语音信号学特征包括：过零率特征、子带能量特征、能量熵特征、光谱质心特征、扩展光谱特征、光谱熵特征、光谱通量特征、光谱滚边特征、梅尔倒谱系数特征、色度向量特征以及色度偏差特征中的一种或多种。

5.根据权利要求3所述的基于音频的广告检测方法，其特征在于，所述根据各所述音频单元的语音信号学特征计算各所述音频单元到所述分类超平面的距离，包括：

对于一所述音频单元，计算其每一语音信号学特征对应的特征向量到所述分类超平面的距离；

计算各所述距离的平均值，并将所述平均值作为该所述音频单元到所述分类超平面的距离。

6.根据权利要求3所述的基于音频的广告检测方法，其特征在于，所述分类器模型包括支持向量机模型。

7.根据权利要求1所述的基于音频的广告检测方法，其特征在于，对各所述存疑音频单元进行语音识别包括：

通过深度神经网络模型、隐马尔科夫模型、高斯混合模型中的一种或多种模型，对各所述存疑音频单元进行语音识别。

8.一种基于音频的广告检测装置，其特征在于，所述装置包括：

音频切分模块，用于获取多媒体信息中的音频信息作为待处理音频信息，并对所述待处理音频信息进行分片处理，形成多个音频单元；

特征提取模块，用于对于每一所述音频单元，获取该所述音频单元的语音信号学特征；

初步分类模块，用于根据各所述音频单元的语音信号学特征将各所述音频单元分类至正常音频单元集合或者广告音频单元集合；

语音识别模块，用于将所述广告音频单元集合中的各音频单元作为存疑音频单元，并对各所述存疑音频单元进行语音识别，获取对应的文本信息；

关键词检测模块，用于检测各所述文本信息中是否包含广告关键字，并在检测到所述文本信息中包含广告关键字时，确定该所述文本信息对应的音频单元包含广告；

结果输出模块，用于将对各所述音频单元的检测结果进行分析并输出，以确定广告的位置。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述方法。