CN112951268B - 音频识别方法、设备和存储介质 - Google Patents
音频识别方法、设备和存储介质 Download PDFInfo
- Publication number
- CN112951268B CN112951268B CN202110220851.7A CN202110220851A CN112951268B CN 112951268 B CN112951268 B CN 112951268B CN 202110220851 A CN202110220851 A CN 202110220851A CN 112951268 B CN112951268 B CN 112951268B
- Authority
- CN
- China
- Prior art keywords
- audio
- data
- audio data
- type
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了音频识别方法、设备和存储介质，涉及深度学习以及音频处理等人工智能技术领域。具体实现方案为：在对待处理的音频数据进行音频识别的过程中，对音频数据进行特征提取，以得到音频数据的倒谱特征信息，并将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值，以及将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值；根据第一概率值和第二概率值，确定音频数据的音频类型。由此，准确识别出了音频数据的音频类型，提高了音频数据的音频类型的识别准确度。
Description
技术领域
本申请涉及计算机技术领域，具体涉及深度学习以及音频处理等人工智能技术领域，尤其涉及音频识别方法、设备和存储介质。
背景技术
相关技术中，在一些场景中，需要对一些物资进行安全管控，目前一般通过视频画面进行安全管控。然而，视频检测的处理速度相对音频的处理速度慢，在结合音频以及视频画面进行安全管控的过程中，准确对音频的音频类型进行识别对于准确的安全管控是十分重要的。因此，如果准确识别出音频的音频类型是目前亟需解决的技术问题。
发明内容
本申请提供了一种用于音频识别方法、设备和存储介质。
根据本申请的一方面，提供了一种音频识别方法，包括：获取待处理的音频数据；对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息；将所述倒谱特征信息输入到第一音频识别模型，以得到所述音频数据的音频类型为第一音频类型的第一概率值；将所述倒谱特征信息输入到第二音频识别模型，以得到所述音频数据的音频类型为第二音频类型的第二概率值；根据所述第一概率值和所述第二概率值，确定所述音频数据的音频类型。
根据本申请的另一方面，提供了一种音频识别装置，包括：获取模块，用于获取待处理的音频数据；特征提取模块，用于对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息；第一识别模块，用于将所述倒谱特征信息输入到第一音频识别模型，以得到所述音频数据的音频类型为第一音频类型的第一概率值；第二识别模块，用于将所述倒谱特征信息输入到第二音频识别模型，以得到所述音频数据的音频类型为第二音频类型的第二概率值；确定模块，用于根据所述第一概率值和所述第二概率值，确定所述音频数据的音频类型。
根据本申请的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请的音频识别方法。
根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的音频识别方法。
根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请的音频识别方法。
本申请具有以下技术效果：
在对待处理的音频数据进行音频识别的过程中，对音频数据进行特征提取，以得到音频数据的倒谱特征信息，并将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值，以及将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值；根据第一概率值和第二概率值，确定音频数据的音频类型。由此，结合第一音频识别模型以及第二音频识别模型针对音频数据的识别结果，准确确定出了音频数据的音频类型，提高了音频数据的音频类型的识别准确度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一个实施例提供的一种音频识别方法的流程示意图；
图2是根据本申请另一个实施例提供的一种音频识别方法的流程示意图；
图3是根据本申请另一个实施例提供的一种音频识别方法的流程示意图；
图4是根据本申请另一个实施例提供的一种音频识别方法的流程示意图；
图5是根据本申请一个实施例提供的一种音频识别装置的结构示意图；
图6是根据本申请另一个实施例提供的一种音频识别装置的结构示意图；
图7是用来实现本申请实施例的音频识别方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的音频识别方法、设备和存储介质。
图1是根据本申请一个实施例提供的一种音频识别方法的流程示意图。
如图1所示，该音频识别方法可以包括：
步骤101，获取待处理的音频数据。
其中，上述音频识别方法的执行主体为音频识别装置，该音频识别装置可以由软件和/或硬件的方式实现，该实施例中的音频识别装置可以配置电子设备中，该电子设备可以包括但不限于终端设备、服务器等，该实施例对此不作具体限定。
作为一种示例性的实施方式，可通过预设的音频采集装置对固定的交抢区域进行音频采集，并将采集到的音频数据作为待处理的音频数据。
步骤102，对音频数据进行特征提取，以得到音频数据的倒谱特征信息。
步骤103，将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值。
其中，上述第一音频识别模型用于基于倒谱特征信息对音频数据进行识别，以确定该音频数据对应的音频类型为第一音频类型的第一概率值。
其中，上述第一音频识别模型可以为混合高斯模型(Gaussian Mixed Model，GMM)。
作为一种示例性的实施方式，上述第一音频类型可以枪声类型。
步骤104，将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值。
其中，第二音频识别模型，用于基于倒谱特征信息对音频数据进行识别，以确定音频数据的音频类型为第二音频类型的第二概率值。
作为一种示例性的实施方式，上述第二音频类型可以为正常音频类型。
步骤105，根据第一概率值和第二概率值，确定音频数据的音频类型。
本申请实施例的音频识别方法，在对待处理的音频数据进行音频识别的过程中，对音频数据进行特征提取，以得到音频数据的倒谱特征信息，并将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值，以及将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值；根据第一概率值和第二概率值，确定音频数据的音频类型。由此，结合第一音频识别模型以及第二音频识别模型针对音频数据的识别结果，准确确定出了音频数据的音频类型，提高了音频数据的音频类型的识别准确度。
在一些场景中，有些音频在其频谱范围不是均匀分布的，从而导致各个通带统计输出不能均等，为了可以实现该音频的频谱分布规律，准确得到该音频的倒谱特征信息，在本申请的一个实施例中，上述对音频数据进行特征提取，以得到音频数据的倒谱特征信息的一种可能实现方式，如图2所示，可以包括：
步骤201，对音频数据进行频域变换，以得到音频数据的频域数据。
步骤202，对频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，以得到处理后的第一幅度值数据。
在一些实施例中，可将频域数据通过第一频率范围的线性滤波器，以通过线性滤波器对频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，以得到处理后的第一幅度值数据。
步骤203，对频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的第二幅度值数据。
在一些实施例中，可将频域数据通过第二频率范围的逆滤波器，以通过逆滤波器对频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的第二幅度值数据。
其中，需要说明的是，上述步骤202和步骤203的执行不分先后顺序。
在另一些实施例中，可将频域数据输入到L-I滤波器组(即线性滤波器(Linear)与逆滤波器(Inverse)的组合)中，以通过线性滤波器对频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，并通过逆滤波器对频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的频域数据。
其中，第一频率范围的最大频率值与第二频率范围的最小频率值相同。
在一些实施例中，上述第一频率范围可以为0Hz到2000Hz，上述第二频率范围可以为2000Hz到8000Hz。
步骤204，根据处理后的第一幅度值数据和第二幅度值数据，确定音频数据对应的倒谱特征信息。
在本实施例中，在对音频数据进行频域变换后，对音频数据的频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，并对音频数据的频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的频域数据，并结合处理后的频域数据，准确确定出音频数据对应的倒谱特征信息。
在本申请的一个实施例中，为了可通过第一音频识别模型准确确定出待处理的音频数据的音频类型为第一音频类型的概率，在本实施例中，可通过如下所示的方式训练第一音频识别模型，如图3所示，可以包括：
步骤301，获取音频类型标签为第一音频类型的音频样本数据。
步骤302，对音频样本数据添加噪声数据，以得到处理后的音频样本数据。
在示例性的实施方式中，在上述第一音频类型为枪声类型的情况下，获取枪声区域所对应的真实枪声音频数据通常有限，在本实施例中，可获取开源的枪声音频样本，并对枪声音频样本添加噪声数据，以得到处理后的音频样本数据。
其中，噪声数据可以包括但不限于音乐声(music)、嘈杂的人声(babble)、环境噪声(noise)，混叠小房间(small room)的回声。
在一些实施例中，在对枪声音频样本添加噪声数据之前，还可以对枪声音频样本进行数据增强。
步骤303，将处理后的音频样本数据作为第一音频识别模型的输入，并将音频类型标签作为第一音频识别模型的输出，对第一音频识别模型进行训练。
在一些实施例中，训练第二音频识别模型的示例性实施方式为：获取音频类型为第二音频类型的音频样本数据，将音频样本数据作为第二音频识别模型的输入，并将第二音频类型作为第二音频识别模型的输出，对第二音频识别模型进行训练，以至第二音频识别模型收敛，得到训练后的第二音频识别模型。
图4是根据本申请另一个实施例提供的一种音频识别方法的流程示意图。
如图4所示，该音频识别方法可以包括：
步骤401，获取待处理的音频数据。
步骤402，对音频数据进行回音消除处理。
步骤403，对音频数据进行特征提取，以得到音频数据的倒谱特征信息。
在本申请的一个实施例中，为了后续可准确确定出音频数据对应的音频类型，可对音频数据进行回音消除处理，并对处理后的音频数据进行特征提取，以得到音频数据的倒谱特征信息。
在一些实施例中，音频数据所对应的空间区域可能会产生一些回声，为了最大程度降低空间区域中回声的影响，可通过回声消除模块对音频数据进行回音消除。
在一些实施例中，上述回声消除模块以为归一化最小均方自适应滤波器(NLMS，Normalized Least Mean Square)。
在一些实施例中，为了进一步可准确确定出音频数据的音频类型，在在对音频数据进行回音消除处理之前，还可以对音频数据进行降噪处理。
在一些实施例中，为了最大下定的降低环境噪声的影响，可通过谱减法(SpectralSubtraction)降噪模块对音频数据进行降噪处理。
步骤404，将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值。
步骤405，将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值。
步骤406，根据第一概率值和第二概率值，确定对应的似然比值。
步骤407，将似然比值与预设阈值进行比较，以得到比较结果。
步骤408，根据比较结果，确定音频数据的音频类型。
在本申请的一个实施例中，为了可准确确定出待处理的音频数据的音频类型，上述根据第一概率值和第二概率值，确定音频数据的音频类型的一种可能实现方式为：根据第一概率值和第二概率值，确定对应的似然比值；将似然比值与预设阈值进行比较，以得到比较结果；根据比较结果，确定音频数据的音频类型。
在本申请的一个实施例中，为了可以准确确定出待处理的音频数据的音频类型，上述根据比较结果，确定音频数据的音频类型的一种可能实现方式为：在似然比值大于预设阈值的情况下，确定音频数据的音频类型为第一音频类型；在似然比值小于或者等于预设阈值的情况下，确定音频数据的音频类型为第二音频类型。
举例而言，第一音频类型为枪声类型，第二音频类型为正常音频类型，在通过第一音频识别模型确定出待处理的音频数据为枪声类型的第一概率值，并通过第二音频识别模型确定出待处理的音频数据为正常音频类型的第二概率值，并将第一概率值与第二概率值进行比值，以得到第一音频识别模型与第二音频识别模型的似然得分比，并将似然得分比与预设的阈值进行比较，如果超过该预设的阈值，则确定待处理的音频数据的音频类型为枪声类型，可以对其管控。具体而言，在确定出待处理的音频数据的音频类型为第一音频类型的情况下，还可以获取第一音频类型的管控策略信息，并输出管控策略信息，例如，在确定出待处理的音频数据的音频类型为枪声类型情况下，可控制语音播放设备播放提示信息。
为了实现上述实施例，本申请实施例还提供一种音频识别装置。
图5是根据本申请一个实施例提供的一种音频识别装置的结构示意图。
如图5所示，该音频识别装置500可以包括获取模块501、特征提取模块502、第一识别模块503、第二识别模块504和确定模块505，其中：
获取模块501，用于获取待处理的音频数据。
特征提取模块502，用于对音频数据进行特征提取，以得到音频数据的倒谱特征信息。
第一识别模块503，用于将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值。
第二识别模块504，用于将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值。
确定模块505，用于根据第一概率值和第二概率值，确定音频数据的音频类型。
其中，需要说明的是，前述对音频识别方法实施例的解释说明也适用于本实施例，本实施对此不再赘述。
本申请实施例的音频识别装置，在对待处理的音频数据进行音频识别的过程中，对音频数据进行特征提取，以得到音频数据的倒谱特征信息，并将倒谱特征信息输入到第一音频识别模型，以得到音频数据的音频类型为第一音频类型的第一概率值，以及将倒谱特征信息输入到第二音频识别模型，以得到音频数据的音频类型为第二音频类型的第二概率值；根据第一概率值和第二概率值，确定音频数据的音频类型。由此，结合第一音频识别模型以及第二音频识别模型针对音频数据的识别结果，准确确定出了音频数据的音频类型，提高了音频数据的音频类型的识别准确度。
在本申请的一个实施例中，如图6所示，该音频识别装置可以包括：获取模块601、特征提取模块602、第一识别模块603、第二识别模块604、确定模块605、训练模块606、回音消除模块607、降噪模块608。其中，特征提取模块602可以包括：频域变换单元6021、线性滤波单元6022、逆滤波单元6023、第一确定单元6024，上述确定模块605可以包括第二确定单元6051、比较单元6052和第三确定单元6053。
其中，关于获取模块601、第一识别模块603、第二识别模块604、确定模块605的详细描述可参考图5所示实施例中获取模块501、第一识别模块503、第二识别模块504、确定模块505的说明，此处不再进行描述。
在本申请的一个实施例中，特征提取模块602可以包括：
频域变换单元6021，用于对音频数据进行频域变换，以得到音频数据的频域数据。
线性滤波单元6022，用于对频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，以得到处理后的第一幅度值数据。
逆滤波单元6023，用于对频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的第二幅度值数据，其中，第一频率范围的最大频率值与第二频率范围的最小频率值相同。
第一确定单元6024，用于根据处理后的第一幅度值数据和第二幅度值数据，确定音频数据对应的倒谱特征信息。
在本申请的一个实施例中，如图6所示，该装置还包括：
训练模块606，用于获取音频类型标签为第一音频类型的音频样本数据；对音频样本数据添加噪声数据，以得到处理后的音频样本数据；将处理后的音频样本数据作为第一音频识别模型的输入，并将音频类型标签作为第一音频识别模型的输出，对第一音频识别模型进行训练。
在本申请的一个实施例中，该装置还可以包括：
回音消除模块607，用于对音频数据进行回音消除处理。
在本申请的一个实施例中，该装置还可以包括：
降噪模块608，用于对音频数据进行降噪处理。
在本申请的一个实施例中，上述确定模块605可以包括：
第二确定单元6051，用于根据第一概率值和第二概率值，确定对应的似然比值。
比较单元6052，用于将似然比值与预设阈值进行比较，以得到比较结果。
第三确定单元6053，用于根据比较结果，确定音频数据的音频类型。
在本申请的一个实施例中，上述第三确定单元6053，具体用于：在似然比值大于预设阈值的情况下，确定音频数据的音频类型为第一音频类型；在似然比值小于或者等于预设阈值的情况下，确定音频数据的音频类型为第二音频类型。
其中，需要说明的是，前述对音频识别方法实施例的解释说明也适用于本实施例中的音频识别装置，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元707，例如网卡、调制解调器、无线通信收发机等。通信单元707允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如音频识别方法。例如，在一些实施例中，音频识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元707而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的音频识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行音频识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (14)
1.一种音频识别方法，包括：
获取待处理的音频数据；
对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息；
将所述倒谱特征信息输入到第一音频识别模型，以得到所述音频数据的音频类型为第一音频类型的第一概率值；
将所述倒谱特征信息输入到第二音频识别模型，以得到所述音频数据的音频类型为第二音频类型的第二概率值；
根据所述第一概率值和所述第二概率值，确定所述音频数据的音频类型；
其中，所述对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息，包括：
对所述音频数据进行频域变换，以得到所述音频数据的频域数据；
通过线性滤波器对所述频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，以得到处理后的第一幅度值数据；
通过逆滤波器对所述频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的第二幅度值数据，其中，所述第一频率范围的最大频率值与所述第二频率范围的最小频率值相同；
根据处理后的第一幅度值数据和第二幅度值数据，确定所述音频数据对应的倒谱特征信息。
2.根据权利要求1所述的方法，其中，所述第一音频识别模型通过以下方式训练得到：
获取音频类型标签为第一音频类型的音频样本数据；
对所述音频样本数据添加噪声数据，以得到处理后的音频样本数据；
将所述处理后的音频样本数据作为所述第一音频识别模型的输入，并将所述音频类型标签作为所述第一音频识别模型的输出，对所述第一音频识别模型进行训练。
3.根据权利要求1所述的方法，其中，在所述对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息之前，所述方法还包括：
对所述音频数据进行回音消除处理。
4.根据权利要求3所述的方法，其中，在所述对所述音频数据进行回音消除处理之前，所述方法还包括：
对所述音频数据进行降噪处理。
5.根据权利要求1-4任一项所述的方法，其中，所述根据所述第一概率值和所述第二概率值，确定所述音频数据的音频类型，包括：
根据所述第一概率值和所述第二概率值，确定对应的似然比值；
将所述似然比值与预设阈值进行比较，以得到比较结果；
根据所述比较结果，确定所述音频数据的音频类型。
6.根据权利要求5所述的方法，其中，所述根据所述比较结果，确定所述音频数据的音频类型，包括：
在所述似然比值大于预设阈值的情况下，确定所述音频数据的音频类型为所述第一音频类型；
在所述似然比值小于或者等于预设阈值的情况下，确定所述音频数据的音频类型为所述第二音频类型。
7.一种音频识别装置，包括：
获取模块，用于获取待处理的音频数据；
特征提取模块，用于对所述音频数据进行特征提取，以得到所述音频数据的倒谱特征信息；
第一识别模块，用于将所述倒谱特征信息输入到第一音频识别模型，以得到所述音频数据的音频类型为第一音频类型的第一概率值；
第二识别模块，用于将所述倒谱特征信息输入到第二音频识别模型，以得到所述音频数据的音频类型为第二音频类型的第二概率值；
确定模块，用于根据所述第一概率值和所述第二概率值，确定所述音频数据的音频类型；
其中，所述特征提取模块，包括：
频域变换单元，用于对所述音频数据进行频域变换，以得到所述音频数据的频域数据；
线性滤波单元，用于通过线性滤波器对所述频域数据中第一频率范围所对应的第一幅度值数据进行线性滤波处理，以得到处理后的第一幅度值数据；
逆滤波单元，用于通过逆滤波器对所述频域数据中第二频率范围所对应的第二幅度值数据进行逆滤波处理，以得到处理后的第二幅度值数据，其中，所述第一频率范围的最大频率值与所述第二频率范围的最小频率值相同；
第一确定单元，用于根据处理后的第一幅度值数据和第二幅度值数据，确定所述音频数据对应的倒谱特征信息。
8.根据权利要求7所述的装置，其中，所述装置还包括：
训练模块，用于获取音频类型标签为第一音频类型的音频样本数据；对所述音频样本数据添加噪声数据，以得到处理后的音频样本数据；将所述处理后的音频样本数据作为所述第一音频识别模型的输入，并将所述音频类型标签作为所述第一音频识别模型的输出，对所述第一音频识别模型进行训练。
9.根据权利要求7所述的装置，其中，所述装置还包括：
回音消除模块，用于对所述音频数据进行回音消除处理。
10.根据权利要求9所述的装置，其中，所述装置还包括：
降噪模块，用于对所述音频数据进行降噪处理。
11.根据权利要求7-10任一项所述的装置，其中，所述确定模块，包括：
第二确定单元，用于根据所述第一概率值和所述第二概率值，确定对应的似然比值；
比较单元，用于将所述似然比值与预设阈值进行比较，以得到比较结果；
第三确定单元，用于根据所述比较结果，确定所述音频数据的音频类型。
12.根据权利要求11所述的装置，其中，所述第三确定单元，具体用于：
在所述似然比值大于预设阈值的情况下，确定所述音频数据的音频类型为所述第一音频类型；
在所述似然比值小于或者等于预设阈值的情况下，确定所述音频数据的音频类型为所述第二音频类型。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220851.7A CN112951268B (zh) | 2021-02-26 | 2021-02-26 | 音频识别方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110220851.7A CN112951268B (zh) | 2021-02-26 | 2021-02-26 | 音频识别方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112951268A CN112951268A (zh) | 2021-06-11 |
| CN112951268B true CN112951268B (zh) | 2023-01-10 |
Family
ID=76246670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110220851.7A Active CN112951268B (zh) | 2021-02-26 | 2021-02-26 | 音频识别方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112951268B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080077874A (ko) * | 2007-02-21 | 2008-08-26 | 삼성전자주식회사 | 음성 특징벡터 추출장치 및 방법과 이를 채용하는음성인식시스템 및 방법 |
| CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
| CN106941005A (zh) * | 2017-02-24 | 2017-07-11 | 华南理工大学 | 一种基于语音声学特征的声带异常检测方法 |
| CN110120230A (zh) * | 2019-01-08 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种声学事件检测方法及装置 |
| CN110610696A (zh) * | 2018-06-14 | 2019-12-24 | 清华大学 | 一种基于混合信号域的mfcc特征提取方法及装置 |
-
2021
- 2021-02-26 CN CN202110220851.7A patent/CN112951268B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080077874A (ko) * | 2007-02-21 | 2008-08-26 | 삼성전자주식회사 | 음성 특징벡터 추출장치 및 방법과 이를 채용하는음성인식시스템 및 방법 |
| CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和系统 |
| CN106941005A (zh) * | 2017-02-24 | 2017-07-11 | 华南理工大学 | 一种基于语音声学特征的声带异常检测方法 |
| CN110610696A (zh) * | 2018-06-14 | 2019-12-24 | 清华大学 | 一种基于混合信号域的mfcc特征提取方法及装置 |
| CN110120230A (zh) * | 2019-01-08 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种声学事件检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112951268A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| KR20220116395A (ko) | 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체 | |
| CN114242098A (zh) | 一种语音增强方法、装置、设备以及存储介质 | |
| CN114495977B (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN113658586A (zh) | 语音识别模型的训练方法、语音交互方法及装置 | |
| CN113033408A (zh) | 数据队列动态更新方法、装置、电子设备及存储介质 | |
| CN112951268B (zh) | 音频识别方法、设备和存储介质 | |
| US11030995B2 (en) | Acoustic feature extractor selected according to status flag of frame of acoustic signal | |
| WO2018154372A1 (en) | Sound identification utilizing periodic indications | |
| CN115565186B (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
| CN114913859B (zh) | 声纹识别方法、装置、电子设备和存储介质 | |
| CN113763968B (zh) | 用于识别语音的方法、装置、设备、介质和产品 | |
| CN113889073B (zh) | 语音处理方法、装置、电子设备和存储介质 | |
| CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
| CN114220430A (zh) | 多音区语音交互方法、装置、设备以及存储介质 | |
| CN114550731A (zh) | 一种音频识别方法、装置、电子设备及存储介质 | |
| CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
| CN114898734A (zh) | 基于语音合成模型的预训练方法、装置和电子设备 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
| CN113920987A (zh) | 一种语音识别的方法、装置、设备及存储介质 | |
| CN113177879A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
| CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |