CN113380233B - 音频识别方法、装置、训练方法、训练装置、设备及存储介质 - Google Patents
音频识别方法、装置、训练方法、训练装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113380233B CN113380233B CN202110671831.1A CN202110671831A CN113380233B CN 113380233 B CN113380233 B CN 113380233B CN 202110671831 A CN202110671831 A CN 202110671831A CN 113380233 B CN113380233 B CN 113380233B
- Authority
- CN
- China
- Prior art keywords
- audio data
- sub
- frame
- audio
- feature
- 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 72
- 238000012549 training Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 30
- 230000002776 aggregation Effects 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 239000010410 layer Substances 0.000 description 29
- 230000000694 effects Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 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
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000013047 polymeric layer Substances 0.000 description 1
- 238000006116 polymerization reaction 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
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening 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
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出了一种音频识别方法及装置、音频识别模型的训练方法及装置、设备及存储介质，该方法包括：获取音频数据，并将所述音频数据进行分片得到至少两帧子音频数据；确定每帧子音频数据对应的至少一个维度的特征信息；基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；基于每帧所述子音频数据的特征确定出所述音频数据的全局特征；基于所述音频数据的全局特征对所述音频数据进行识别。本公开的音频识别方法综合考虑了局部与整句全局的信息，提高了识别准确度。
Description
技术领域
本公开涉及人工智能技术领域，具体为语音识别技术领域，尤其涉及一种音频识别方法、装置、训练方法、训练装置、设备及存储介质。
背景技术
随着人工智能技术的发展，语音识别技术取得了巨大的进步，并开始进入家电、通信、汽车、医疗等各个领域。
相关技术中，会利用音频识别模型来识别语音，其中，为了提高音频识别模型的识别效果，通常会对音频识别模型中的模块进行优化，但是，相关技术中的优化手段对于提高音频识别模型识别效果的显著性较低。
发明内容
提供了一种音频识别方法、装置、训练方法、训练装置、设备及存储介质。
根据第一方面，提供了一种音频识别的方法，所述方法包括：
获取音频数据，并将所述音频数据进行分片得到至少两帧子音频数据；
确定每帧子音频数据对应的至少一个维度的特征信息；
基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
基于每帧所述子音频数据的特征确定出所述音频数据的全局特征；
基于所述音频数据的全局特征对所述音频数据进行识别。
根据第二方面，提供了一种音频识别模型的训练方法，所述方法包括：
获取待训练音频数据，对所述待训练音频数据进行说话人标注得到标注结果；
将所述待训练音频数据输入至音频识别模型的分片层，以将所述待训练音频数据进行分片得到至少两帧子音频数据；
将每帧子音频数据输入至所述音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息；
将每帧所述子音频数据对应的所述至少一个维度的特征信息输入至所述音频识别模型的聚合层，以基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
将每帧所述子音频数据的特征输入至所述音频识别模型的全局特征关注层，以基于每帧所述子音频数据的特征确定出所述待训练音频数据的全局特征；
将所述待训练音频数据的全局特征输入至所述音频识别模型的全连接层，以基于所述待训练音频数据的全局特征对所述待训练音频数据进行识别以得到识别结果；
基于所述标注结果和所述识别结果对所述音频识别模型进行训练。
根据第三方面，提供了一种音频识别装置，所述装置包括：
分片模块，用于获取音频数据，并将所述音频数据进行分片得到至少两帧子音频数据；
局部特征关注模块，用于确定所述子音频数据对应的至少一个维度的特征信息；
聚合模块，用于基于每帧所述子音频数据对应的至少一个维度的特征信息确定出每帧所述子音频数据的特征；
全局特征关注模块，用于基于每帧所述子音频数据的特征确定出所述音频数据的全局特征；
全连接模块，用于基于所述音频数据的所述全局特征对所述音频数据进行识别。
根据第五方面，提供了一种音频识别模型的训练装置，所述装置包括：
标注模块，用于获取待训练音频数据，对所述待训练音频数据进行说话人标注得到标注结果；
第一输入模块，用于将所述待训练音频数据输入至音频识别模型的分片层，以将所述待训练音频数据进行分片得到至少两帧子音频数据；
第二输入模块，用于将每帧子音频数据输入至所述音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息；
第三输入模块，用于将每帧所述子音频数据对应的所述至少一个维度的特征信息输入至所述音频识别模型的聚合层，以基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
第四输入模块，用于将每帧所述子音频数据的特征输入至所述音频识别模型的全局特征关注层，以基于每帧所述子音频数据的特征确定出所述待训练音频数据的全局特征；
第五输入模块，用于将所述待训练音频数据的全局特征输入至所述音频识别模型的全连接层，以基于所述待训练音频数据的全局特征对所述待训练音频数据进行识别以得到识别结果；
训练模块，用于基于所述标注结果和所述识别结果对所述音频识别模型进行训练。
根据第五方面，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公开第一方面或第二方面所述的方法。
根据第六方面，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，其中，所述计算机指令用于使所述计算机执行根据本公开第一方面或第二方面所述的方法。
根据第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开第一方面或第二方面所述的方法。
综上所述，本公开提出的音频识别方法、装置、训练方法、训练装置、设备及存储介质，会先确定每帧子音频数据对应的多个不同维度的高级特征信息(即得到音频数据的多个不同维度的局部特征)，以突出每一子音频数据在不同维度上的局部区分性，之后，会基于局部特征确定出全局特征，再根据全局特征进行音频识别。由此可知，本公开提供的音频识别方法在识别音频时，综合考虑了局部与全局的信息，则确保了识别准确度。
并且，本公开中在确定全局特征时，会基于每帧子音频数据的特征对应的重要性系数来确定，由此可以突出重要特征，降低不重要特征的权重，则进一步确保了识别准确度。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
图1为本公开实施例所提供的一种音频识别方法的流程示意图；
图2为本公开实施例所提供的一种音频识别模型的训练方法的流程示意图；
图3为本公开实施例所提供的一种音频识别装置的结构示意图；
图4为本公开实施例所提供的一种音频识别模型的训练装置的结构示意图；
图5是用来实现本公开实施例的图1或图2所示方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
人工智能(Artificial Intelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
云平台，是指基于硬件资源和软件资源的服务，提供计算、网络和存储能力。云平台可以划分为3类：以数据存储为主的存储型云平台，以数据处理为主的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。
下面参考附图描述本公开实施例的音频识别方法、装置、训练方法、训练装置及设备。
图1为本公开实施例所提供的一种音频识别方法的流程示意图，如图1所示，该方法可以包括：
步骤101、获取音频数据，并将音频数据进行分片得到至少两帧子音频数据。
其中，分片得到的该至少两帧子音频数据中的每一帧音频数据的长度可以相同，或者，也可以不同。示例的，例如每帧子音频数据的长度可以为10ms。
以及，需要说明的是，在执行步骤101前，该方法还可以包括：对获取到的音频数据进行预处理。其中，该预处理可以包括：去除音频数据中的噪声(例如环境噪声，忙音，彩铃声等噪声等)、对音频数据进行增强操作，其中，该增强操作例如可以是：混叠音频数据中的回声，或改变音频中人声的语速(例如使得音频中的人声的语速变快或变慢)等。
进一步地，在音频数据进行预处理之后，该方法还可以包括：对音频数据进行语音活动检测，并提取MFCC(Mel Frequency Cepstral Coefficients，梅尔频率倒谱系数)特征以确定音频数据的目标特征的特征值，其中，该所提取的特征具体可以为音频数据对应的低级特征，之后，再对特征值进行规整处理，得到处理后的音频数据，其中，规整处理具体用于将所述目标特征的特征值的平均值规整至预定数值。
则通过执行上述处理则可使音频数据更加干净准确，进而可以确保后续识别效果。
步骤102、确定每帧子音频数据对应的至少一个维度的特征信息。
其中，该步骤主要是用于确定子音频数据对应的至少一个维度的高级特征信息。以及，具体的，在对音频数据依次执行了上述步骤101中的预处理操作、语音活动检测处理、低级特征均值规整处理、以及分片处理之后会得到至少两帧子音频数据，通过将该至少两帧子音频数据输入至音频识别模型的局部特征关注层进行卷积操作以得到每帧子音频数据的至少一个维度的高级特征信息。其中，通过得到子音频数据的至少一个维度的高级特征信息，可以使得子音频数据的特征信息中的重要特征更加丰富，确保了后续的识别效果和准确度。
步骤103、基于每帧子音频数据对应的至少一个维度的特征信息确定出每帧子音频数据的特征。
具体的，该步骤主要是用于确定子音频数据对应的至少一个维度的高级特征。具体可以包括：将每帧子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧子音频数据的高级特征。
步骤104、基于每帧子音频数据的特征确定出音频数据的全局特征。
其中，基于每帧子音频数据的特征确定出音频数据的全局特征的方法具体可以包括：计算出每帧子音频数据的特征的重要性系数；利用每帧子音频数据的特征乘以对应的重要性系数，以突出重要特征，降低不重要特征的权重，得到每帧子音频数据的新特征。之后，再计算子音频数据的新特征的均值E和/或方差V，将均值E和/或方差V作为全局特征输出。
步骤105、基于音频数据的全局特征对音频数据进行识别。
综上所述，本公开提出的音频识别方法，会先确定每帧子音频数据对应的多个不同维度的高级特征信息(即得到音频数据的多个不同维度的局部特征)，则突出每一子音频数据在不同维度上的局部区分性，之后，会基于局部特征确定出全局特征，再根据全局特征进行音频识别。由此可知，本公开提供的音频识别方法在识别音频时，综合考虑了局部与全局的信息，则确保了识别准确度。并且，本公开中在确定全局特征时，会基于每帧子音频数据的特征对应的重要性系数来确定，由此可以突出重要特征，降低不重要特征的权重，则进一步确保了识别准确度。
图2为本公开实施例所提供的一种音频识别模型的训练方法，如图2所示，该方法可以包括：
步骤201、获取待训练音频数据，对待训练音频数据进行说话人标注得到标注结果。
其中，本公开在获取待训练音频数据之后，会先将待训练音频数据进行说话人标注，以确定出该待训练音频数据的发声者，得到标注结果。
以及，需要说明的是，该方法还可以包括：对获取到的音频数据进行预处理。其中，该预处理可以包括：去除音频数据中的噪声(例如环境噪声，忙音，彩铃声等噪声等)、对音频数据进行增强操作，其中，该增强操作例如可以是：混叠音频数据中的回声，或改变音频中人声的语速(例如使得音频中的人声的语速变快或变慢)等。
进一步地，在音频数据进行预处理之后，该方法还包括：对音频数据进行语音活动检测，并提取MFCC特征以确定音频数据的目标特征的特征值，其中，该所提取的特征具体可以为音频数据对应的低级特征，之后，再对特征值进行规整处理，得到处理后的音频数据，其中，规整处理具体用于将所述目标特征的特征值的平均值规整至预定数值。
步骤202、将待训练音频数据输入至音频识别模型的分片层，以将待训练音频数据进行分片得到至少两帧子音频数据。
其中，分片得到的该至少两帧子音频数据中的每一帧音频数据的长度可以相同，或者，也可以不同。示例的，例如每帧子音频数据的长度可以为10ms。
步骤203、将每帧子音频数据输入至音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息。
其中，该步骤主要是用于确定子音频数据对应的至少一个维度的高级特征信息。具体的，在对音频数据依次执行了上述步骤中的预处理操作、语音活动检测处理、低级特征均值规整处理、以及分片处理之后会得到至少两帧子音频数据，通过将该至少两帧子音频数据输入至音频识别模型的局部特征关注层进行卷积操作以得到每帧子音频数据的至少一个维度的高级特征信息。其中，通过得到子音频数据的至少一个维度的高级特征信息，可以使得子音频数据的特征信息中的重要特征更加丰富，确保了后续的识别效果和准确度。
步骤204、将每帧子音频数据对应的至少一个维度的特征信息输入至音频识别模型的聚合层，以基于每帧子音频数据对应的至少一个维度的特征信息确定出每帧子音频数据的特征。
具体的，该步骤主要是用于确定子音频数据对应的至少一个维度的高级特征。以及，具体通过将每帧子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧子音频数据的高级特征。
步骤205、将每帧子音频数据的特征输入至音频识别模型的全局特征关注层，以基于每帧子音频数据的特征确定出待训练音频数据的全局特征。
其中，基于每帧子音频数据的特征确定出音频数据的全局特征的方法具体可以包括：计算出每帧子音频数据的特征的重要性系数；利用每帧子音频数据的特征乘以对应的重要性系数，以突出重要特征，降低不重要特征的权重，得到每帧子音频数据的新特征。之后，再计算子音频数据的新特征的均值和/或方差，将均值和/或方差作为全局特征输出。
步骤206、将待训练音频数据的全局特征输入至音频识别模型的全连接层，以基于待训练音频数据的全局特征对待训练音频数据进行识别以得到识别结果。
步骤207、基于标注结果和识别结果对音频识别模型进行训练。
其中，需要说明的是，在本步骤中，在对识别模型进行训练时，还会加上AAM(Additive Angular Margin，加性角度间隔)，以计算损失，并会根据SGD(StochasticGradient Descent，随机梯度下降准则)基于该损失不断更新音频识别模型的参数。以及，通过重复执行上述步骤201～207直至损失函数收敛，则训练完成。
以及，本公开中，通过加上AAM来对音频识别模型进行训练，则可以提高类间可分性且可以加强类内紧度和类间差异，从而可以确保训练效果和训练准确度。
此外，还需要说明的是，在本公开中，当对音频识别模型训练完成之后，还可以利用测试音频数据对该音频识别模型进行测试，以验证训练结果。
图3为本公开实施例所提供的一种音频识别装置的结构示意图，如图3所示，该装置可以包括：
分片模块，用于获取音频数据，并将音频数据进行分片得到至少两帧子音频数据。其中，分片得到的该至少两帧子音频数据中的每一帧音频数据的长度可以相同，或者，也可以不同。示例的，例如每帧子音频数据的长度可以为10ms(毫秒)。
局部特征关注模块，局部特征关注模块具备多个输出端，用于获取子音频数据，并利用多个输出端输出子音频数据对应的至少一个维度的特征信息。其中，该局部特征关注模块具体用于输出子音频数据对应的至少一个维度的高级特征信息。
聚合模块，用于基于每帧子音频数据对应的至少一个维度的特征信息确定出每帧子音频数据的特征。其中，该聚合模块具体用于确定出每帧子音频数据的高级特征。
全局特征关注模块，用于基于每帧子音频数据的特征确定出音频数据的全局特征。
全连接模块，用于基于音频数据的全局特征对音频数据进行识别。
以下，对上述各个模块进行详细介绍：
其中，需要说明的是，在分片模块对音频数据进行分片之前，上述音频识别装置还用于对获取到的音频数据进行预处理。其中，该预处理可以包括：去除音频数据中的噪声(例如环境噪声，忙音，彩铃声等噪声等)、对音频数据进行增强操作，其中，该增强操作例如可以是：混叠音频数据中的回声，或改变音频中人声的语速(例如使得音频中的人声的语速变快或变慢)等。
进一步地，在音频数据进行预处理之后，上述装置还用于对音频数据进行语音活动检测，并提取MFCC特征以确定音频数据的目标特征的特征值，其中，该所提取的特征具体可以为音频数据对应的低级特征，之后，再对特征值进行规整处理，得到处理后的音频数据，其中，规整处理具体用于将所述目标特征的特征值的平均值规整至预定数值。
则通过执行上述处理则可使音频数据更加干净准确，进而可以确保后续识别效果。以及，之后分片模块会对经过上述处理之后的音频数据进行分片得到至少两帧子音频数据，并会将每帧子音频数据依次输入到局部特征关注模块，以得到每帧子音频数据对应的至少一个维度的高级特征信息。
具体的，如图3所示，局部特征关注模块主要包含多通道输出的卷积层(Conv1D)、以及连接于卷积层的输出端的依次串联的多个子模块(例如图3所示的包括三个子模块)。其中，该卷积层用于对子音频数据进行卷积操作、激活操作以及规整操作。以及，该多个子模块中除了最后一个子模块之外的其余每个子模块均具备两个输出端，且具有两个输出端的每个子模块中的一个输出端连接于串联的下一个子模块的输入端，另外一个输出端作为局部特征关注模块的输出端，由此，使得局部特征关注模块具备多个输出端，且不同输出端用于输出每帧子音频数据对应的不同维度的高级特征信息。
需要说明的是，本公开中的子模块具体可以包括SeNet(Squeeze-and-ExcitationNetworks)结构和多尺度骨干网络(Res2Net)结构。其中，该SeNet结构具备有控制系数，通过调整该控制系数的大小，以使得SeNet结构具备“把重要的特征增强，把不重要的特征减弱，让提取的特征指向性更强”的功能。以及Res2Net结构具备有在更细粒度的层次上多尺度表示能力。
基于此，经由上述局部特征关注模块之后，可以突出每帧子音频数据中的重要特征，且可以输出该子音频数据的至少一个维度的高级特征信息，则使得子音频数据的特征信息中的重要特征更加丰富，确保了后续的识别效果和准确度。
以及，上述的聚合模块具体用于将每帧子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧子音频数据的高级特征。
进一步地，全局特征关注模块主要用于基于每帧子音频数据的高级特征确定出音频数据的全局特征。其中，全局特征关注模块具体用于：先计算出每帧子音频数据的高级特征对应的重要性系数，之后，利用每帧子音频数据的高级特征乘以对应的重要性系数，得出每帧子音频数据的新特征，其中，通过每帧子音频数据的高级特征乘以重要性系数则可以对每帧子音频数据的高级特征进行缩放，以突出重要特征，且降低不重要特征的权重，从而使得所得到的新特征中的重要特征较为突出，则后续在基于新特征确定全局特征时，所确定出的全局特征更加准确。
之后，全局特征关注模块会计算出所有子音频数据的新特征的均值E和/或方差V，并将均值E和/或方差V作为音频数据的全局特征输出。
之后，全连接模块即可基于音频数据的全局特征E和/或V对音频数据进行识别。
综上所述，本公开提出的音频识别装置，会先确定每帧子音频数据对应的多个不同维度的高级特征信息(即得到音频数据的多个不同维度的局部特征)，以突出每一子音频数据在不同维度上的局部区分性，之后，会基于局部特征确定出全局特征，再根据全局特征进行音频识别。由此可知，本公开提供的音频识别装置在识别音频时，综合考虑了局部与全局的信息，则确保了识别准确度。并且，本公开中在确定全局特征时，会基于每帧子音频数据的特征对应的重要性系数来确定，由此可以突出重要特征，降低不重要特征的权重，则进一步确保了识别准确度。
此外，还需要说明的是，上述内容中的“分片模块”可以与“分片层”的作用和构造相同；“局部特征关注模块”可以与“局部特征关注层”的作用和构造相同；“聚合模块”可以与“聚合层”的作用和构造相同；“全局特征关注模块”可以与“全局特征关注层”的作用和构造相同；“全连接模块”可以与“全连接层”的作用和构造相同。
图4为本公开实施例所提供的一种音频识别模型的训练装置，如图4所示，该装置可以包括：
标注模块，用于获取待训练音频数据，对待训练音频数据进行说话人标注得到标注结果。
第一输入模块，用于将待训练音频数据输入至音频识别模型的分片层，以将待训练音频数据进行分片得到至少两帧子音频数据；
第二输入模块，用于将每帧子音频数据输入至音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息。
第三输入模块，用于将每帧子音频数据对应的至少一个维度的特征信息输入至音频识别模型的聚合层，以基于每帧子音频数据对应的至少一个维度的特征信息确定出每帧子音频数据的特征。
第四输入模块，用于将每帧子音频数据的特征输入至音频识别模型的全局特征关注层，以基于每帧子音频数据的特征确定出待训练音频数据的全局特征。
第五输入模块，用于将待训练音频数据的全局特征输入至音频识别模型的全连接层，以基于待训练音频数据的全局特征对待训练音频数据进行识别以得到识别结果。
训练模块，用于基于标注结果和识别结果对音频识别模型进行训练。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例方法的示例电子设备500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5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元509，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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501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501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501执行上文所描述的各个方法和处理，例如图1或图2所示方法。例如，在一些实施例中，图1或图2所示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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述方法。
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)、互联网以及区块链网络。
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。
根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开上述实施例所示的方法。
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 (10)
1.一种音频识别方法，其特征在于，所述方法包括：
获取音频数据，并将所述音频数据进行分片得到至少两帧子音频数据；
确定每帧子音频数据对应的至少一个维度的特征信息；
基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
基于每帧所述子音频数据的特征确定出所述音频数据的全局特征；
基于所述音频数据的全局特征对所述音频数据进行识别；
其中，所述至少两帧子音频数据中的每一帧音频数据的长度相同，或者不同；
所述基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征，包括：
将每帧所述子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧所述子音频数据的特征。
2.如权利要求1所述的音频识别方法，其特征在于，所述基于每帧所述子音频数据的特征确定出所述音频数据的全局特征，包括：
计算出每帧所述子音频数据的特征对应的重要性系数；
利用每帧所述子音频数据的特征乘以对应的重要性系数，得到每帧所述子音频数据的新特征；
计算所有子音频数据的新特征的均值和/或方差，将所述均值和/或方差作为所述全局特征输出。
3.如权利要求1所述的音频识别方法，其特征在于，所述获取音频数据，包括：
确定所述音频数据的目标特征的特征值；
对所述特征值进行规整处理，得到处理后的音频数据，其中，所述规整处理用于将所述目标特征的特征值的平均值规整至预定数值。
4.一种音频识别模型的训练方法，其特征在于，所述方法包括：
获取待训练音频数据，对所述待训练音频数据进行说话人标注得到标注结果；
将所述待训练音频数据输入至音频识别模型的分片层，以将所述待训练音频数据进行分片得到至少两帧子音频数据；
将每帧子音频数据输入至所述音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息；
将每帧所述子音频数据对应的所述至少一个维度的特征信息输入至所述音频识别模型的聚合层，以基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
将每帧所述子音频数据的特征输入至所述音频识别模型的全局特征关注层，以基于每帧所述子音频数据的特征确定出所述待训练音频数据的全局特征；
将所述待训练音频数据的全局特征输入至所述音频识别模型的全连接层，以基于所述待训练音频数据的全局特征对所述待训练音频数据进行识别以得到识别结果；
基于所述标注结果和所述识别结果对所述音频识别模型进行训练；
其中，所述至少两帧子音频数据中的每一帧音频数据的长度相同，或者不同；
所述基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征，包括：
将每帧所述子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧所述子音频数据的特征。
5.一种音频识别装置，其特征在于，所述装置包括：
分片模块，用于获取音频数据，并将所述音频数据进行分片得到至少两帧子音频数据；
局部特征关注模块，用于确定所述子音频数据对应的至少一个维度的特征信息；
聚合模块，用于基于每帧所述子音频数据对应的至少一个维度的特征信息确定出每帧所述子音频数据的特征；
全局特征关注模块，用于基于每帧所述子音频数据的特征确定出所述音频数据的全局特征；
全连接模块，用于基于所述音频数据的所述全局特征对所述音频数据进行识别；
其中，所述至少两帧子音频数据中的每一帧音频数据的长度相同，或者不同；
所述聚合模块还用于：
将每帧所述子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧所述子音频数据的特征。
6.如权利要求5所述的音频识别装置，其特征在于，所述全局特征关注模块还用于：
计算出每帧所述子音频数据的特征对应的重要性系数；
利用每帧所述子音频数据的特征乘以对应的重要性系数，得到每帧所述子音频数据的新特征；
计算所有子音频数据的新特征的均值和/或方差，将所述均值和/或方差作为所述全局特征输出。
7.如权利要求5所述的音频识别装置，其特征在于，所述分片模块还用于：
确定所述音频数据的目标特征的特征值；
对所述特征值进行规整处理，得到处理后的音频数据，其中，所述规整处理用于将所述目标特征的特征值的平均值规整至预定数值。
8.一种音频识别模型的训练装置，其特征在于，所述装置包括：
标注模块，用于获取待训练音频数据，对所述待训练音频数据进行说话人标注得到标注结果；
第一输入模块，用于将所述待训练音频数据输入至音频识别模型的分片层，以将所述待训练音频数据进行分片得到至少两帧子音频数据；
第二输入模块，用于将每帧子音频数据输入至所述音频识别模型的局部特征关注层，以确定每帧子音频数据对应的至少一个维度的特征信息；
第三输入模块，用于将每帧所述子音频数据对应的所述至少一个维度的特征信息输入至所述音频识别模型的聚合层，以基于每帧所述子音频数据对应的所述至少一个维度的特征信息确定出每帧所述子音频数据的特征；
第四输入模块，用于将每帧所述子音频数据的特征输入至所述音频识别模型的全局特征关注层，以基于每帧所述子音频数据的特征确定出所述待训练音频数据的全局特征；
第五输入模块，用于将所述待训练音频数据的全局特征输入至所述音频识别模型的全连接层，以基于所述待训练音频数据的全局特征对所述待训练音频数据进行识别以得到识别结果；
训练模块，用于基于所述标注结果和所述识别结果对所述音频识别模型进行训练；
其中，所述至少两帧子音频数据中的每一帧音频数据的长度相同，或者不同；
所述第三输入模块，还用于：
将每帧所述子音频数据对应的多个不同维度的高级特征信息进行聚合串联，并对串联之后的多个不同维度的高级特征信息进行卷积操作、激活操作以及规整操作，以确定出每帧所述子音频数据的特征。
9.一种电子设备，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1-3或4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-3或4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671831.1A CN113380233B (zh) | 2021-06-17 | 2021-06-17 | 音频识别方法、装置、训练方法、训练装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110671831.1A CN113380233B (zh) | 2021-06-17 | 2021-06-17 | 音频识别方法、装置、训练方法、训练装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113380233A CN113380233A (zh) | 2021-09-10 |
| CN113380233B true CN113380233B (zh) | 2023-01-31 |
Family
ID=77577332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110671831.1A Active CN113380233B (zh) | 2021-06-17 | 2021-06-17 | 音频识别方法、装置、训练方法、训练装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113380233B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109256135A (zh) * | 2018-08-28 | 2019-01-22 | 桂林电子科技大学 | 一种端到端说话人确认方法、装置及存储介质 |
| CN110706694A (zh) * | 2019-09-26 | 2020-01-17 | 成都数之联科技有限公司 | 一种基于深度学习的语音端点检测方法及系统 |
| CN111341319A (zh) * | 2018-12-19 | 2020-06-26 | 中国科学院声学研究所 | 一种基于局部纹理特征的音频场景识别方法及系统 |
| CN111477250A (zh) * | 2020-04-07 | 2020-07-31 | 北京达佳互联信息技术有限公司 | 音频场景识别方法、音频场景识别模型的训练方法和装置 |
| CN112633381A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 音频识别的方法及音频识别模型的训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11276410B2 (en) * | 2019-09-13 | 2022-03-15 | Microsoft Technology Licensing, Llc | Convolutional neural network with phonetic attention for speaker verification |
-
2021
- 2021-06-17 CN CN202110671831.1A patent/CN113380233B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109256135A (zh) * | 2018-08-28 | 2019-01-22 | 桂林电子科技大学 | 一种端到端说话人确认方法、装置及存储介质 |
| CN111341319A (zh) * | 2018-12-19 | 2020-06-26 | 中国科学院声学研究所 | 一种基于局部纹理特征的音频场景识别方法及系统 |
| CN110706694A (zh) * | 2019-09-26 | 2020-01-17 | 成都数之联科技有限公司 | 一种基于深度学习的语音端点检测方法及系统 |
| CN111477250A (zh) * | 2020-04-07 | 2020-07-31 | 北京达佳互联信息技术有限公司 | 音频场景识别方法、音频场景识别模型的训练方法和装置 |
| CN112633381A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 音频识别的方法及音频识别模型的训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| 多粒度特征融合的维度语音情感识别方法;陈婧等;《信号处理》;20170325(第03期);全文 * |
| 有效的基于内容的音频特征提取方法;郑继明等;《计算机工程与应用》;20090421(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113380233A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112466288B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN111402891A (zh) | 语音识别方法、装置、设备和存储介质 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN114267375B (zh) | 音素检测方法及装置、训练方法及装置、设备和介质 | |
| CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
| CN114913859B (zh) | 声纹识别方法、装置、电子设备和存储介质 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN113327596B (zh) | 语音识别模型的训练方法、语音识别方法和装置 | |
| CN113658586A (zh) | 语音识别模型的训练方法、语音交互方法及装置 | |
| CN113204665A (zh) | 图像检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113380233B (zh) | 音频识别方法、装置、训练方法、训练装置、设备及存储介质 | |
| CN113920987B (zh) | 一种语音识别的方法、装置、设备及存储介质 | |
| CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
| CN114969195B (zh) | 对话内容挖掘方法和对话内容评估模型的生成方法 | |
| EP4024393A2 (en) | Training a speech recognition model | |
| CN114399992B (zh) | 语音指令响应方法、装置及存储介质 | |
| CN113808619B (zh) | 一种语音情绪识别方法、装置及电子设备 | |
| CN112735432B (zh) | 音频识别的方法、装置、电子设备及存储介质 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN113641724A (zh) | 知识标签挖掘方法、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 | |
| 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 | |
| CN113763968A (zh) | 用于识别语音的方法、装置、设备、介质和产品 | |
| CN113921018A (zh) | 声纹识别模型训练方法和装置、声纹识别方法和装置 | |
| CN112786058A (zh) | 声纹模型训练方法、装置、设备以及存储介质 |
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 |