CN111309962A - 提取音频片段的方法、装置以及电子设备 - Google Patents

Abstract

本公开提供了一种提取音频片段的方法、装置以及电子设备，涉及计算机技术领域。该方法包括：对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；确定各个特征子集合对应的矩阵轮廓MP值；基于MP值，从至少两个特征子集合中确定目标特征子集合；从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。本公开加快了音频数据的处理速度。

Description

提取音频片段的方法、装置以及电子设备

技术领域

本公开涉及计算机技术领域，具体而言，本公开涉及一种提取音频片段的方法、装置以及电子设备。

背景技术

在视频播放特别是短视频播放的过程中，常常需要给视频配乐，视频的配乐一般是音乐中重复次数最多或者说精华的部分，例如音乐的副歌。

目前服务器可以通过深度学习算法、机器学习算法等确定音乐的副歌从而给视频配乐，深度学习算法、机器学习算法是通过大量的算法参数进行模型训练与模型优化得到的，具体的算法参数通常高达几十万甚至上百万个，从而导致服务器中数据运算量过大，需要较长的数据处理时间才能从音乐中提取出音乐副歌，服务器的负载压力也很大，同时设置于服务器侧的算法无法离线处理数据，音乐的选择一般由服务器选择，用户无法选择音乐。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的第一方面提供了一种提取音频片段的方法，包括：

对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

确定各个特征子集合对应的矩阵轮廓MP值；

基于MP值，从至少两个特征子集合中确定目标特征子集合；

从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

本公开的第二方面提供了一种提取音频片段的装置，包括：

特征提取模块，用于对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

特征划分模块，用于基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

第一确定模块，用于确定各个特征子集合对应的矩阵轮廓MP值；

第二确定模块，用于基于MP值，从至少两个特征子集合中确定目标特征子集合；

音频片段提取模块，用于从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

本公开第三方面提供了一种电子设备，其特征在于，包括：

电子设备包括存储器和处理器；

存储器中存储有计算机程序；

处理器，用于在运行计算机程序时执行第一方面中任一项的方法。

本公开第四方面提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行第一方面中任一项的方法。

本公开提供的技术方案带来的有益效果是：

本公开通过提取得到特征集合后，可以基于待提取的音频片段的时长将特征集合划分为至少两个特征子集合，如上述MP值可以反映音频片段的重复情况，可以确定各特征子集合对应的MP值，基于各特征子集合的MP值从至少两个特征子集合中确定目标特征子集合，并从音频中提取与目标特征子集合对应的音频片段，由于特征子集合的长度与预置的待提取的音频片段的时长相对应，这样提取得到的音频片段可以是音频的副歌部分且提取得到音频片段的时长也满足待提取的音频片段的时长要求，基于提取得到的音频片段生成目标音频信息可以作为预定视频的背景音乐，相对于现有的通过模型训练和神经网络算法为视频配乐的方案，本公开的算法是一种传统的信号处理方法，只需要基于各特征子集合对应的MP值，确定目标特征子集合就可以获取到音频片段，这种方式程序算法的运算量很小，加快了处理音频数据的速度，同时算法占用的内存也比较小，可以部署在移动端，在移动端侧部署的算法支持离线的情况下使用，支持用户自己上传歌曲，分摊了服务器侧的数据处理压力，适用面更加广泛，当然本公开的算法也可以部署在服务器端，无论部署在移动端还是服务器端，数据处理速度都很快，部署在服务器端会更加明显。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开形成矩阵轮廓的示意图；

图2为本公开提取音频片段的方法的一个实施例示意图；

图3为本公开矩阵轮廓MP与时间序列的关系示意图；

图4为本公开音乐的矩阵轮廓的示意图；

图5为本公开提取音频片段的装置的结构示意图；

图6为本公开电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

首先对本公开涉及的几个名词进行介绍和解释：

矩阵概要(Matrix Profile，MP)也可以称之为矩阵轮廓，它是一种算法，由于其通用性、多功能性、简单性和可扩展性而具有强大的时间序列的数据挖掘能力，特别擅长发现时间序列中重复出现的片段，进行语义分割、可视化、异常检测、聚类等任务。MP的命名由来是因为其最简单粗暴计算方法就是：对于某一音频的时间序列，对所有长度为m的子序列计算距离矩阵(计算的矩阵距离的具体方式将在后面的实施例中介绍)，如下图1所示，同一音频的时间序列，对于某一长度为m的子序列分别与其他长度为m的子序列计算矩阵距离，就可以确定该某一长度为m的子序列的最小矩阵距离，即为该子序列的MP值，m为大于0的整数，确定得到每一子序列的MP值，就可以形成图1中的矩阵轮廓的曲线。

上述子序列的长度m指的是子序列的矩阵长度，子序列的矩阵长度也可以说是子序列对应的特征的长度，即后面实施例中所描述的特征子集合的长度，m的值等于子序列对应的特征数量。

每个子序列实质上是一个音频片段，MP值可以反映音频片段的重复情况，一般音频片段在整个音频中重复次数越多，MP值越小，而重复次数最多的一般是整个音乐的副歌部分，基于此，本公开提出了一种提取音频片段的方法，具体如下：

请参照图2，本公开的方法具体可以由电子设备执行，该电子设备可以是终端设备或服务器，该终端设备可以是台式设备或者移动终端，服务器可以是虚拟服务器，也可以是实体服务器，本公开包括：

步骤S201、对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

电子设备获取待提取的音频数据，由于本公开的音频片段提取方法是一种传统的信号处理方式，程序运行占用的内存较小，可以部署在终端设备侧，也可以部署在服务器侧，若电子设备为终端设备，则可以接收用户上传的音频，也可以由电子设备自己选择音频，若电子设备为服务器，则一般由服务器选择音频，音频具体可以是音乐。

电子设备对音频数据的色度(chroma)特征进行特征的提取，以N个音频点作为一个特征提取得到特征集合，特征集合中包括至少两个特征，N为大于0的整数，进行特征提取的音频数量刻度可以称为窗，即窗的值为N。

步骤S202、基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

电子设备确定待提取的音频片段的时长，待提取的音频片段的时长是预先设置好的，基于该时长确定特征子集合的长度m，具体确定的方式将在后面的实施例中介绍，m的值为特征子集合的特征数量，从而基于该特征子集合的长度将特征集合划分为至少两个特征子集合，若最后一次划分时音频点的数量不足以划分为一个特征，则丢弃不足以确定为一个特征的音频点，可见，特征子集合的长度与该时长具有对应关系，对于不同时长的子序列，其对应的特征子集合的长度m是不一样的。

步骤S203、确定各个特征子集合对应的矩阵轮廓MP值；

电子设备确定各个特征子集合对应的MP值，任一特征子集合对应的MP值即为该特征子集合对应的子序列的MP值。

步骤S204、基于MP值，从至少两个特征子集合中确定目标特征子集合；

基于各特征子集合的MP值，电子设备可以从至少两个特征子集合中确定目标特征子集合，目标特征子集合对应的音频片段(该音频片段也是目标特征子集合对应的子序列，即特征子集合、子序列以及音频片段三者一一对应)一般是音频中重复次数最多的音频片段，即音乐的副歌部分，音频片段重复表示有多个目标子集合对应的音频片段是相同的，则确定得到的目标子集合的个数为两个或两个以上。

步骤S205、从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

电子设备从两个或两个目标特征子集合中确定任一目标子集合，基于获取到的音频数据，从音频数据对应的音频中提取与任一目标特征子集合对应的音频片段，基于该音频片段生成目标音频信息，从而电子设备基于该音频信息可以确定得到预定视频信息的背景音乐，从而在播放预定视频时同步播放背景音乐。

本公开通过提取得到特征集合后，可以基于待提取的音频片段的时长将特征集合划分为至少两个特征子集合，如上述MP值可以反映音频片段的重复情况，可以确定各特征子集合对应的MP值，基于各特征子集合的MP值从至少两个特征子集合中确定目标特征子集合，并从音频中提取与目标特征子集合对应的音频片段，由于特征子集合的长度与预置的待提取的音频片段的时长相对应，这样提取得到的音频片段可以是音频的副歌部分且提取得到音频片段的时长也满足待提取的音频片段的时长要求，基于提取得到的音频片段生成目标音频信息可以作为预定视频的背景音乐，相对于现有的通过模型训练和神经网络算法为视频配乐的方案，本公开的算法是一种传统的信号处理方法，只需要基于各特征子集合对应的MP值，确定目标特征子集合就可以获取到音频片段，这种方式程序算法的运算量很小，加快了处理音频数据的速度，同时算法占用的内存也比较小，可以部署在移动端，在移动端侧部署的算法支持离线的情况下使用，支持用户自己上传歌曲，分摊了服务器侧的数据处理压力，适用面更加广泛，当然本公开的算法也可以部署在服务器端，无论部署在移动端还是服务器端，数据处理速度都很快，部署在服务器端会更加明显。

具体实验表明，一个3min的音频，移动端基本1s内可以处理完成，服务器0.3s内可以处理完成。

在上述实施例中，将特征集合划分为特征子集合的具体方式是：

可选的，基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应，包括：

确定音频数据的采样率以及每一特征对应的音频点的数量，其中，音频数据的采样率为单位时间内采样的音频点的数量；

基于预置的、待提取的音频片段的时长、采样率以及每一特征对应的音频点的数量，确定时长的音频片段对应的特征数量；

依据特征数量，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应。

如上述电子设备基于待提取的音频片段的时长可以确定特征子集合的长度m，具体方式是：

一种优选的方案为将待提取的音频片段的时长作为划分音频的时间序列的时长刻度，该时长刻度对应的特征数量即为特征子集合的长度m的值；另一种可能的情况为：在待提取的音频片段的时长的基础上进行调整，根据实际需求增加或减小该时长，将调整后的待提取音频片段的时长作为划分音频的时间序列的时长刻度，该时长刻度对应的特征数量即为特征子集合的长度m的值。

获取音频数据后，电子设备确定预配置的、该音频数据的采样率，采样率指的是单位时间内采样的音频点的数量，基于采样率以及上述待提取音频片段的时长(或待提取音频片段调整后的时长)，可以确定待提取音频片段的时长(或待提取音频片段调整后的时长)内的音频点的数量，同时电子设备确定预配置的每一个特征对应的音频点的数量N，从而就可以得到待提取音频片段的时长(或待提取音频片段调整后的时长)对应的特征数量，如上述该特征数量即为特征子集合的长度m的值，从而基于特征子集合的长度划分特征集合，可以将特征集合划分为至少两个特征子集合，这样划分得到的每一个特征子集合对应一个的音频片段，该音频片段的时长为待提取音频片段的时长(或待提取音频片段调整后的时长)，该音频片段即为上述长度为m的子序列。

例如：音频数据的采样率为10000音频点/s，待提取的音频片段的时长为2s，一个特征对应的音频点为1024，则2s的音频片段对应的特征数量大约为20(算法为(10000*2)/1024)，电子设备将每20个特征作为一个特征子集合。

在上述实施例中，确定特征子集合的MP值的具体方式是：

可选的，确定任一特征子集合对应的矩阵轮廓MP值，包括：

确定任一特征子集合对应的矩阵与其他各特征子集合对应的矩阵之间的矩阵距离；

确定矩阵距离中最小的矩阵距离，并将最小的矩阵距离作为任一特征子集合对应的MP值；

其中，矩阵距离包括：欧式距离或标准化欧式距离。

可选的，基于MP值，从至少两个特征子集合中确定目标特征子集合，包括：

从至少两个特征子集合中确定最小的MP值对应的特征子集合为目标特征子集合。

预定义每个特征是一个12维的向量，特征子集合中包括m个特征，那么一个特征子集合(或一个子序列)对应的一个12*m的矩阵，如上述音频数据的特征集合可以划分为至少两个特征子集合，对于任一特征子集合，其MP值的确定方式是：确定该特征子集合对应的矩阵分别与其他各个子集合对应的矩阵之间的矩阵距离，n个特征子集合就可以得到n-1个矩阵距离的值，n为大于或等于2的整数，从矩阵距离中确定最小的矩阵距离，将该最小的矩阵距离作为特征子集合的MP值，以此可以得到每个特征子集合的MP值，特征子集合的MP值即为特征子集合对应的子序列的MP值。

在本实施例中，矩阵距离可以是欧式距离或标准化欧式距离。

确定每个特征子集合的MP值后，如上述MP值越小表示音频片段的重复次数最多，优选的方案是从至少两个特征子集合中提取最小的MP值对应的特征子集合，音频中重复的音频片段计算得到的MP值必然是一样或近似相同的，则最小的MP值对应的特征子集合的个数为两个或两个以上，将最小的MP值对应的特征子集合中任一特征子集合作为目标特征子集合，目标特征子集合对应的音频片段即为音乐的副歌部分。

如图3所示，对于长度为30000的音频的时间序列，可以将其划分为多个长度m为100的子序列，对于位置921的值为177，表示子序列[927,1027]分别与其他的子序列的矩阵距离中最近的矩阵距离是177，子序列[927,1027]表示起始特征为第927个特征，子序列长度m为100的子序列，图3矩阵轮廓的曲线中纵轴上最小的MP值对应的子序列即为目标特征子集合对应的子序列。

如上述确定目标特征子集合后，还需要确定目标特征子集合对应音频片段，具体实现方式是：

可选的，从音频数据中提取与目标特征子集合对应的音频片段，包括：

确定目标特征子集合的相关信息；

基于相关信息，从音频数据中提取与目标特征子集合对应的音频片段；

相关信息包括以下至少两项：

目标特征子集合中首个特征在音频中对应的时刻点；

目标特征子集合中最后一个特征在音频中对应的时刻点；

待提取的音频片段的时长。

可选的，对于目标特征子集合中任一特征，若相关信息为特征在音频数据中对应的时刻点，确定目标特征子集合的相关信息，包括：

若任一特征为特征集合的第i个特征，则基于每一特征对应的音频点的数量，确定i个特征对应的音频点的总数量，i为大于0的整数；

基于总数量和采样率，确定执行i个特征的采样所需要的总时长，并基于总时长确定第i个特征在音频中对应的时刻点。

电子设备确定目标特征子集合的相关信息，该相关信息可以是目标特征子集合中首个特征在音频中对应的时刻点(即为音频片段的起始时刻点)、目标特征子集合中最后一个特征在音频中对应的时刻点(即为音频片段的终止时刻点)以及待提取音频片段的时长中任两项，可以基于上述任一时刻点以及时长从音频数据中提取音频片段，也可以基于上述两时刻点从音频数据中提取音频片段。

在本实施例中，确定目标特征子集合中任一特征在音频数据中对应的时刻点的方式是：

若任一特征为第i个特征，则基于上述每一个特征对应的音频点的数量N，确定i个特征对应的音频点的总数量，即电子设备从第1个特征开始进行特征提取，完成第i个特征的提取所提取的音频点的总数量，如上述电子设备已经确定了音频数据的采样率，所提取的音频点的总数量除以采样率即为电子设备提取i个特征所需要的总时长，基于该总时长就可以确定第i个特征在音频中对应的时刻点。

例如，若i为10，音频数据的采样率为10000音频点/s，一个特征对应的音频点为1024，则10个特征对应的总时长为1.024s，对应在音频中的时刻点为第1.024s。

可选的，基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐，包括：

若目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接音频片段的方式生成目标音频信息。

在本实施例中，若目标特征子集合对应的音频片段的时长大于或等于预定视频信息的时长，则确定目标特征子集合对应的音频片段的音频信息，该音频信息即为目标音频信息，基于目标音频信息确定预定视频信息的背景音乐，在播放视频时同步播放背景音乐；

若目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接音频片段的方式生成目标音频信息，具体的，基于预定视频信息的时长，将目标特征子集合对应的音频片段进行拼接，直至拼接得到的音频片段的时长等于或大于预定视频信息的时长，拼接得到的音频片段的音频信息即为目标音频信息，从而基于目标音频信息确定预定视频信息的背景音乐，在播放视频时同步播放背景音乐，最终向用户呈现的效果是在播放视频时循环播放背景音乐，直至视频播放结束。

如图4所示，为矩阵轮廓在提取音乐副歌上的应用，当MP值较小时，表明音频数据的子序列在同一音频数据的其他位置具有相对相似的子序列(例如重复的片段)，当MP值较大时，表明音频数据的子序列在音频数据中相当独特(例如出现异常信号)。

图4中峰值在1m54s，这里是一个乐器独奏，副歌部分出现在3m9s和3m23s，相对应的MP值最小，可见，通过最小MP值可以确定音乐中的副歌部分，同时，通过最大MP值可以找到音乐中最为独特的部分，也就是乐理中“桥(bridge)”的部分。

图5为本公开实施例提供的一种提取音频片段的装置的结构示意图，该装置包括：

特征提取模块501，用于对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

特征划分模块502，用于基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

第一确定模块503，用于确定各个特征子集合对应的矩阵轮廓MP值；

第二确定模块504，用于基于MP值，从至少两个特征子集合中确定目标特征子集合；

音频片段提取模块505，用于从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

可选的，特征划分模块502，具体用于：

确定音频数据的采样率以及每一特征对应的音频点的数量，其中，音频数据的采样率为单位时间内采样的音频点的数量；

基于预置的、待提取的音频片段的时长、采样率以及每一特征对应的音频点的数量，确定时长的音频片段对应的特征数量；

依据特征数量，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应。

可选的，第一确定模块503在确定任一特征子集合对应的矩阵轮廓MP值时，具体用于：

确定任一特征子集合对应的矩阵与其他各特征子集合对应的矩阵之间的矩阵距离；

确定矩阵距离中最小的矩阵距离，并将最小的矩阵距离作为任一特征子集合对应的MP值；

其中，矩阵距离包括：欧式距离或标准化欧式距离。

可选的，第二确定模块504在基于MP值，从至少两个特征子集合中确定目标特征子集合时，具体用于：

从至少两个特征子集合中确定最小的MP值对应的特征子集合为目标特征子集合。

可选的，音频片段提取模块505，在从音频数据中提取与目标特征子集合对应的音频片段时，具体用于：

确定目标特征子集合的相关信息；

基于相关信息，从音频数据中提取与目标特征子集合对应的音频片段；

相关信息包括以下至少两项：

目标特征子集合中首个特征在音频中对应的时刻点；

目标特征子集合中最后一个特征在音频中对应的时刻点；

待提取的音频片段的时长。

可选的，对于目标特征子集合中任一特征，若相关信息为特征在音频数据中对应的时刻点，音频片段提取模块505在确定目标特征子集合的相关信息时，具体用于：

若任一特征为特征集合的第i个特征，则基于每一特征对应的音频点的数量，确定i个特征对应的音频点的总数量，i为大于0的整数；

基于总数量和采样率，确定执行i个特征的采样所需要的总时长，并基于总时长确定第i个特征在音频中对应的时刻点。

可选的，音频片段提取模块505在基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐时，具体用于：

若目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接音频片段的方式生成目标音频信息。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图2中的电子设备)600的结构示意图。本公开实施例中的电子设备可以应用于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置601，存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项，具体如下所示：

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；确定各个特征子集合对应的矩阵轮廓MP值；基于MP值，从至少两个特征子集合中确定目标特征子集合；从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征提取模块还可以被描述为“对待处理的音频数据进行特征提取，得到特征集合的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

根据本公开的一个或多个实施例，提供了一种提取音频片段的方法，包括：

对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

确定各个特征子集合对应的矩阵轮廓MP值；

基于MP值，从至少两个特征子集合中确定目标特征子集合；

从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

可选的，基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应，包括：

确定音频数据的采样率以及每一特征对应的音频点的数量，其中，音频数据的采样率为单位时间内采样的音频点的数量；

基于预置的、待提取的音频片段的时长、采样率以及每一特征对应的音频点的数量，确定时长的音频片段对应的特征数量；

依据特征数量，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应。

可选的，确定任一特征子集合对应的矩阵轮廓MP值，包括：

确定任一特征子集合对应的矩阵与其他各特征子集合对应的矩阵之间的矩阵距离；

确定矩阵距离中最小的矩阵距离，并将最小的矩阵距离作为任一特征子集合对应的MP值；

其中，矩阵距离包括：欧式距离或标准化欧式距离。

可选的，基于MP值，从至少两个特征子集合中确定目标特征子集合，包括：

从至少两个特征子集合中确定最小的MP值对应的特征子集合为目标特征子集合。

可选的，从音频数据中提取与目标特征子集合对应的音频片段，包括：

确定目标特征子集合的相关信息；

基于相关信息，从音频数据中提取与目标特征子集合对应的音频片段；

相关信息包括以下至少两项：

目标特征子集合中首个特征在音频中对应的时刻点；

目标特征子集合中最后一个特征在音频中对应的时刻点；

待提取的音频片段的时长。

可选的，对于目标特征子集合中任一特征，若相关信息为特征在音频数据中对应的时刻点，确定目标特征子集合的相关信息，包括：

若任一特征为特征集合的第i个特征，则基于每一特征对应的音频点的数量，确定i个特征对应的音频点的总数量，i为大于0的整数；

基于总数量和采样率，确定执行i个特征的采样所需要的总时长，并基于总时长确定第i个特征在音频中对应的时刻点。

可选的，基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐，包括：

若目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接音频片段的方式生成目标音频信息。

根据本公开的一个或多个实施例，还提供了一种提取音频片段的装置，包括：

特征提取模块，用于对待处理的音频数据进行特征提取，得到特征集合，特征集合中包括至少两个特征；

特征划分模块，用于基于预置的、待提取的音频片段的时长，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应；

第一确定模块，用于确定各个特征子集合对应的矩阵轮廓MP值；

第二确定模块，用于基于MP值，从至少两个特征子集合中确定目标特征子集合；

音频片段提取模块，用于从音频数据中提取与目标特征子集合对应的音频片段，并基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

可选的，特征划分模块，具体用于：

确定音频数据的采样率以及每一特征对应的音频点的数量，其中，音频数据的采样率为单位时间内采样的音频点的数量；

基于预置的、待提取的音频片段的时长、采样率以及每一特征对应的音频点的数量，确定时长的音频片段对应的特征数量；

依据特征数量，将特征集合划分为至少两个特征子集合，特征子集合的长度与时长相对应。

可选的，第一确定模块在确定任一特征子集合对应的矩阵轮廓MP值时，具体用于：

确定任一特征子集合对应的矩阵与其他各特征子集合对应的矩阵之间的矩阵距离；

确定矩阵距离中最小的矩阵距离，并将最小的矩阵距离作为任一特征子集合对应的MP值；

其中，矩阵距离包括：欧式距离或标准化欧式距离。

可选的，第二确定模块在基于MP值，从至少两个特征子集合中确定目标特征子集合时，具体用于：

从至少两个特征子集合中确定最小的MP值对应的特征子集合为目标特征子集合。

可选的，音频片段提取模块，在从音频数据中提取与目标特征子集合对应的音频片段时，具体用于：

确定目标特征子集合的相关信息；

基于相关信息，从音频数据中提取与目标特征子集合对应的音频片段；

相关信息包括以下至少两项：

目标特征子集合中首个特征在音频中对应的时刻点；

目标特征子集合中最后一个特征在音频中对应的时刻点；

待提取的音频片段的时长。

可选的，对于目标特征子集合中任一特征，若相关信息为特征在音频数据中对应的时刻点，音频片段提取模块在确定目标特征子集合的相关信息时，具体用于：

若任一特征为特征集合的第i个特征，则基于每一特征对应的音频点的数量，确定i个特征对应的音频点的总数量，i为大于0的整数；

基于总数量和采样率，确定执行i个特征的采样所需要的总时长，并基于总时长确定第i个特征在音频中对应的时刻点。

可选的，音频片段提取模块在基于目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐时，具体用于：

若目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接音频片段的方式生成目标音频信息。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种提取音频片段的方法，其特征在于，包括：

对待处理的音频数据进行特征提取，得到特征集合，所述特征集合中包括至少两个特征；

基于预置的、待提取的音频片段的时长，将所述特征集合划分为至少两个特征子集合，所述特征子集合的长度与所述时长相对应；

确定各个特征子集合对应的矩阵轮廓MP值；

基于所述MP值，从所述至少两个特征子集合中确定目标特征子集合；

从所述音频数据中提取与所述目标特征子集合对应的音频片段，并基于所述目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

2.根据权利要求1所述的方法，其特征在于，所述基于预置的、待提取的音频片段的时长，将所述特征集合划分为至少两个特征子集合，所述特征子集合的长度与所述时长相对应，包括：

确定所述音频数据的采样率以及每一特征对应的音频点的数量，其中，所述音频数据的采样率为单位时间内采样的音频点的数量；

基于预置的、待提取的音频片段的时长、所述采样率以及所述每一特征对应的音频点的数量，确定所述时长的音频片段对应的特征数量；

依据所述特征数量，将所述特征集合划分为至少两个特征子集合，所述特征子集合的长度与所述时长相对应。

3.根据权利要求1或2所述的方法，其特征在于，确定任一特征子集合对应的矩阵轮廓MP值，包括：

确定任一特征子集合对应的矩阵与其他各特征子集合对应的矩阵之间的矩阵距离；

确定所述矩阵距离中最小的矩阵距离，并将所述最小的矩阵距离作为所述任一特征子集合对应的MP值；

其中，所述矩阵距离包括：欧式距离或标准化欧式距离。

4.根据权利要求1或2所述的方法，其特征在于，所述基于所述MP值，从所述至少两个特征子集合中确定目标特征子集合，包括：

从所述至少两个特征子集合中确定最小的MP值对应的特征子集合为所述目标特征子集合。

5.根据权利要求2所述的方法，其特征在于，所述从所述音频数据中提取与所述目标特征子集合对应的音频片段，包括：

确定所述目标特征子集合的相关信息；

基于所述相关信息，从所述音频数据中提取与所述目标特征子集合对应的音频片段；

所述相关信息包括以下至少两项：

所述目标特征子集合中首个特征在所述音频中对应的时刻点；

所述目标特征子集合中最后一个特征在所述音频中对应的时刻点；

待提取的音频片段的时长。

6.根据权利要求5所述的方法，其特征在于，对于所述目标特征子集合中任一特征，若所述相关信息为所述特征在所述音频数据中对应的时刻点，所述确定所述目标特征子集合的相关信息，包括：

若所述任一特征为所述特征集合的第i个特征，则基于每一特征对应的音频点的数量，确定i个特征对应的音频点的总数量，所述i为大于0的整数；

基于所述总数量和所述采样率，确定执行i个特征的采样所需要的总时长，并基于所述总时长确定所述第i个特征在所述音频中对应的时刻点。

7.根据权利要求1或2所述的方法，其特征在于，所述基于所述目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐，包括：

若所述目标特征子集合对应的音频片段的时长小于预定视频信息的时长，则以重新拼接所述音频片段的方式生成目标音频信息。

8.一种提取音频片段的装置，其特征在于，包括：

特征提取模块，用于对待处理的音频数据进行特征提取，得到特征集合，所述特征集合中包括至少两个特征；

特征划分模块，用于基于预置的、待提取的音频片段的时长，将所述特征集合划分为至少两个特征子集合，所述特征子集合的长度与所述时长相对应；

第一确定模块，用于确定各个特征子集合对应的矩阵轮廓MP值；

第二确定模块，用于基于所述MP值，从所述至少两个特征子集合中确定目标特征子集合；

音频片段提取模块，用于从所述音频数据中提取与所述目标特征子集合对应的音频片段，并基于所述目标特征子集合对应的音频片段生成目标音频信息，以作为预定视频信息的背景音乐。

9.一种电子设备，其特征在于，包括：

所述电子设备包括存储器和处理器；

所述存储器中存储有计算机程序；

所述处理器，用于在运行所述计算机程序时执行权利要求1-7任一项所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的方法。

Images