CN113395539B - 音频降噪方法、装置、计算机可读介质和电子设备 - Google Patents

音频降噪方法、装置、计算机可读介质和电子设备 Download PDF

Info

Publication number
CN113395539B
CN113395539B CN202010176391.8A CN202010176391A CN113395539B CN 113395539 B CN113395539 B CN 113395539B CN 202010176391 A CN202010176391 A CN 202010176391A CN 113395539 B CN113395539 B CN 113395539B
Authority
CN
China
Prior art keywords
media
noise reduction
scene
media segment
target
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
Application number
CN202010176391.8A
Other languages
English (en)
Other versions
CN113395539A (zh
Inventor
史俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010176391.8A priority Critical patent/CN113395539B/zh
Publication of CN113395539A publication Critical patent/CN113395539A/zh
Application granted granted Critical
Publication of CN113395539B publication Critical patent/CN113395539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • H04N21/2335—Processing of audio elementary streams involving reformatting operations of audio signals, e.g. by converting from one coding standard to another
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams, manipulating MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H04N21/4398—Processing of audio elementary streams involving reformatting operations of audio signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream, rendering scenes according to MPEG-4 scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8455—Structuring of content, e.g. decomposing content into time segments involving pointers to the content, e.g. pointers to the I-frames of the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing For Digital Recording And Reproducing (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本公开涉及一种音频降噪方法、装置、计算机可读介质和电子设备。该方法包括：对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。如此，可以对待降噪媒体文件进行更细粒度的音频降噪处理，使其与具体媒体片段内容对应的场景相适应。这样，可以满足用户在不同场景下的感官需求，提升了用户体验。

Description

音频降噪方法、装置、计算机可读介质和电子设备
技术领域
本公开涉及媒体技术领域，具体地，涉及一种音频降噪方法、装置、计算机可读介质和电子设备。
背景技术
音频降噪处理是媒体文件处理中的一个重要环节。例如，在视频拍摄的过程中，专业的视频拍摄设备往往通过外接麦克风和防风噪设备来降低收音的噪声，以保证说话者声音清晰。然而随着科学技术的发展，人们往往选择手机等终端设备进行视频拍摄，这种情况下，通过降噪算法进行音频降噪处理必不可少。目前，通常采用一种通用的降噪算法进行音频降噪处理，降噪效果较差，用户体验不佳。
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。
第一方面，本公开提供一种音频降噪方法，所述方法包括：
对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；
至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；
根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；
根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
第二方面，本公开提供一种音频降噪装置，所述装置包括：
解析模块，用于对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；
划分模块，用于至少根据时段信息，将所述待降噪媒体文件划分待降噪的第一媒体片段；
确定模块，用于根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；
处理模块，用于根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
采用上述技术方案，通过确定待降噪媒体文件对应的场景标签及场景标签对应的时段信息，并基于该时段信息将待降噪媒体文件划分出待降噪的第一媒体片段，这样，在对待降噪媒体文件进行音频降噪处理时，可以根据第一媒体片段对应的场景标签自动确定合适的目标降噪信息，并根据该目标降噪信息对第一媒体片段进行音频降噪处理。如此，可以对待降噪媒体文件进行更细粒度的音频降噪处理，使其与具体媒体片段内容对应的场景相适应。随着媒体内容对应的场景的变化，其目标降噪信息也随之变化，这样，可以满足用户在不同场景下的感官需求，提升了用户体验。
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。在附图中：
图1是根据一示例性实施例示出的一种音频降噪方法的流程图。
图2是根据一示例性实施例示出的一种音频降噪装置的框图。
图3是根据一示例性实施例示出的一种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”等概念仅用于对不同的装置、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。
如背景技术所述，随着科学技术的发展，人们往往选择手机等终端设备进行视频拍摄，这种情况下，通过算法进行音频降噪处理必不可少。相关技术中，通常采用一种通用的降噪算法进行音频降噪处理。然而，在媒体文件存在不同场景内容的情况下，采用一种通用的降噪算法进行音频降噪处理，降噪效果往往不好，用户体验较差。
有鉴于此，本公开提供一种音频降噪方法、装置、计算机可读介质和电子设备，可以对待降噪媒体文件进行更细粒度的音频降噪处理，使其与具体媒体片段内容对应的场景相适应。随着媒体内容对应的场景的变化，其目标降噪信息也随之变化，这样，可以满足用户在不同场景下的感官需求，提升了用户体验。
图1是根据一示例性实施例示出的一种音频降噪方法的流程图，该方法可以应用于终端，如智能手机、平板电脑、个人计算机(PC)、笔记本电脑等设备，也可以应用于服务器。如图1所示，该方法可以包括以下步骤。
在S101中，对待降噪媒体文件进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息。
该待降噪媒体文件即为需要进行音频降噪处理的媒体文件，可以是预先存储的媒体文件，例如视频文件或者音频文件，也可以是实时媒体文件，例如利用摄像头实时拍摄的视频文件。本公开对待降噪媒体文件的种类、格式、获取方式等不作具体限定。
该场景标签是对待降噪媒体文件进行内容解析后所得的场景识别结果，因此，待降噪媒体文件的场景标签能够反映待降噪媒体文件的场景，且场景标签对应的时段信息能够反映该场景所归属的时间段。场景可以例如演讲、街头、体育赛事、演唱会等等，可根据需要自定义。并且，场景标签对应的时段信息指示的媒体片段内的内容与场景标签指示的场景相匹配。
本公开中，对待降噪媒体文件进行内容解析之后，获得的场景标签可以是一个也可以是多个，相应地，场景标签对应的时段信息可以是一个，也可以是多个。
在S102中，至少根据时段信息，将待降噪媒体文件划分出待降噪的第一媒体片段。
在该实施例中，可以根据场景标签对应的时段信息，从待降噪媒体文件划分出待降噪的第一媒体片段。该第一媒体片段指的是需要进行音频降噪处理的媒体片段。示例地，如果解析出一个场景标签，该场景标签对应的时段信息可以为一个或多个，则可以将一个或多个时段信息指示的媒体片段确定为第一媒体片段。又示例地，如果解析出多个场景标签，场景标签对应多个不同的时段信息，则可以将待降噪媒体文件划分成多个媒体片段，并从中筛选出需要进行音频降噪处理的媒体片段，即第一媒体片段。由于需要根据媒体片段对应的场景标签，确定媒体片段对应的目标降噪信息，因此，在该示例中，可以将匹配到场景标签的媒体片段确定为第一媒体片段。
例如，待降噪媒体文件的总时长为5min，对待降噪媒体文件进行内容解析后，获得三个场景标签，分别为场景标签1、场景标签2和场景标签3。场景标签1对应的时段信息为00:00-01:30，场景标签2对应的时段信息为01:00-2:00，场景标签3对应的时段信息为04:00-05:00，则可以将待降噪媒体文件划分成5个片段。媒体片段1对应场景标签1和时段信息为00:00-01:00，媒体片段2对应场景标签1、场景标签2和时段信息为01:00-01:30，媒体片段3对应场景标签2和时段信息为01:30-02:00，媒体片段4无对应的场景标签且对应的时段信息为02:00-04:00，媒体片段5对应场景标签1和时段信息为04:00-05:00。如此，可以将媒体片段1、媒体片段2、媒体片段3和媒体片段5确定为第一媒体片段。其中，一个第一媒体片段可以对应一个场景标签，例如媒体片段1，也可以对应多个场景标签，例如媒体片段2。
在S103中，根据第一媒体片段对应的场景标签，确定第一媒体片段对应的目标降噪信息。其中，目标降噪信息表征了对应的降噪方式，通过该目标降噪信息可以确定出要利用何种方式进行音频降噪处理。
在S104中，根据目标降噪信息对第一媒体片段进行音频降噪处理。
在本公开中，可以将场景标签与目标降噪信息的对应关系预先存储，这样便可通过该对应关系，确定出场景标签对应的目标降噪信息。不同的场景标签可以对应不同的目标降噪信息。在确定出第一媒体片段对应的目标降噪信息之后，可以根据该目标降噪信息对第一媒体片段进行音频降噪处理，即，以该目标降噪信息对应的降噪方式对第一媒体片段进行音频降噪处理。
采用上述技术方案，通过确定待降噪媒体文件对应的场景标签及场景标签对应的时段信息，并基于该时段信息将待降噪媒体文件划分出待降噪的第一媒体片段，这样，在对待降噪媒体文件进行音频降噪处理时，可以根据第一媒体片段对应的场景标签自动确定合适的目标降噪信息，并根据该目标降噪信息对第一媒体片段进行音频降噪处理。如此，可以对待降噪媒体文件进行更细粒度的音频降噪处理，使其与具体媒体片段内容对应的场景相适应。随着媒体内容对应的场景的变化，其目标降噪信息也随之变化，这样，可以满足用户在不同场景下的感官需求，提升了用户体验。
上述S101中对待降噪媒体文件进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息的具体实施方式为：对待降噪媒体文件的图像和/或音频进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息。
示例地，若待降噪媒体文件为视频文件，则可以对待降噪媒体文件的图像进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息。具体地，可以将待降噪媒体文件的图像输入到预先训练的第一场景识别模型中，得到场景标签以及场景标签对应的时段信息。值得说明的是，第一场景识别模型可以是采用机器学习的方式训练得到的、能够根据媒体文件的图像进行场景识别的机器学习模型。该第一场景识别模型可以例如存储在本地，每次使用时进行本地调用，或者可以存储在第三方平台，每次使用时从第三方调用，这里不作具体限定。
又示例地，若待降噪媒体文件为视频文件或者为音频文件，则可以对待降噪媒体文件的音频进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息。具体地，可以首先从待降噪媒体文件中获取音频，并将该音频输入到预先训练的第二场景识别模型中，得到场景标签以及场景标签对应的时段信息。值得说明的是，第二场景识别模型可以是采用机器学习的方式训练得到的、能够根据音频进行场景识别的机器学习模型。该第二场景识别模型可以例如存储在本地，每次使用时进行本地调用，或者可以存储在第三方平台，每次使用时从第三方调用，这里不作具体限定。
又示例地，为了提高待降噪媒体文件的场景标签以及场景标签对应的时段信息的可靠性，若待降噪媒体文件为视频文件，则可以同时对待降噪媒体文件的图像和音频进行内容解析，获得至少一个场景标签以及场景标签对应的时段信息。在一个实施例中，可以将待降噪媒体文件的图像输入至上述的第一场景识别模型进行识别，并将待降噪媒体文件的音频输入至上述的第二场景识别模型进行识别，然后根据两个模型的识别结果得到该待降噪媒体文件最终的场景标签以及场景标签的时段信息。在另一个实施例中，可以将待降噪媒体文件的图像和音频同时输入至预先训练的第三场景识别模型中，得到场景标签以及场景标签对应的时段信息。值得说明的是，第三场景识别模型可以是采用机器学习的方式训练得到的、能够根据图像和音频进行场景识别的机器学习模型。该第三场景识别模型可以例如存储在本地，每次使用时进行本地调用，或者可以存储在第三方平台，每次使用时从第三方调用，这里不作具体限定。
在本公开的一种实施方式中，目标降噪信息可以为目标降噪强度。在这种情况下，根据目标降噪信息对第一媒体片段进行音频降噪处理的具体实施方式可以为：利用具有该目标降噪强度的降噪算法，对第一媒体片段进行音频降噪处理。
其中，该降噪算法可以为带参数的降噪算法，且不同的降噪参数对应不同的降噪强度。该降噪算法可以包括但不限于带参数的谱减法、带参数的维纳滤波法等等。例如，与带参数的谱减法对应的降噪参数可以为增益函数，不同的增益函数对应不同的降噪强度。
由于不同场景下噪声的特点不同，因此，针对不同场景下的音频可以利用具有不同降噪强度的降噪算法进行音频降噪处理。可以将场景标签与降噪强度之间的对应关系预先存储，这样便可以通过该对应关系，确定出与场景标签对应的目标降噪强度。进而确定出该媒体片段对应的目标降噪强度，并使用具有目标降噪强度的降噪算法对该媒体片段进行音频降噪处理。
示例地，对于一待降噪媒体文件，媒体片段一对应的场景标签为演讲，则可以确定出演讲场景对应的目标降噪强度，并使用具有该目标降噪强度的降噪算法对媒体片段一进行音频降噪处理，从而抑制媒体片段一中的环境噪声，使音频降噪处理后的媒体片段一具有比较纯净的人声。而待降噪媒体文件的媒体片段二对应的场景标签为演唱会，则可以确定出演唱会场景对应的目标降噪强度，并使用具有该目标降噪强度的降噪算法对媒体片段二进行音频降噪处理，从而抑制媒体片段二中的杂音，使音频降噪处理后的媒体片段二具有更好的音效。
在本公开的另一种实施方式中，目标降噪信息为目标降噪模型，其中，该目标降噪模型是基于与场景标签对应的训练数据对神经网络模型进行训练得到的。在这种情况下，根据目标降噪信息对第一媒体片段进行音频降噪处理的具体实施方式可以为：利用该目标降噪模型对第一媒体片段进行音频降噪处理。
由于不同场景下噪声的特点不同，因此，针对不同场景可以选用不同的降噪模型进行音频降噪处理。其中，不同的降噪模型是基于不同训练集训练得到的，且不同训练集对应于不同场景。例如，将大量演讲场景的音频作为演讲场景的训练集对神经网络模型进行训练，得到演讲场景对应的降噪模型。可以将场景标签与降噪模型之间的对应关系预先存储，这样便可以根据该对应关系确定出场景标签对应的目标降噪模型，进而确定出第一媒体片段对应的目标降噪模型，并使用该目标降噪模型对该第一媒体片段进行音频降噪处理。需要说明的是，降噪模型可以例如存储在本地，每次使用时进行本地调用，也可以存储在第三方平台，每次使用时从第三方平台调用，这里不作具体限定。
在本公开的又一种实施方式中，目标降噪信息为目标音频混合权重。在这种情况下，根据目标降噪信息对第一媒体片段进行音频降噪处理的具体实施方式可以为：
对第一媒体片段按照预设降噪算法进行音频降噪处理，得到第二媒体片段；将第二媒体片段与第一媒体片段按照目标音频混合权重进行混合。
其中，预设降噪算法可以预先存储，且预设降噪算法可以为不带参数的降噪算法，例如谱减法、维纳滤波法、卡尔曼滤波法等等。音频混合权重用于表征混合后的音频中降噪前的音频和降噪后的音频所占的比例。在本公开中，为了改变预设降噪算法的降噪强度，以适应不同场景的降噪需求，可以首先将媒体片段按照预设降噪算法进行音频降噪处理，接着再对降噪后的媒体片段与降噪前的媒体片段按照目标音频混合权重进行混合，得到最终音频降噪处理后的媒体片段。示例地，媒体片段一的目标音频混合权重可以包括权重1和权重2，其中权重1对应于降噪前的音频的权重，即第一媒体片段的权重，权重2对应于降噪后的音频的权重，即第二媒体片段的权重，接着，将降噪前的音频和降噪后的音频按照对应的权重重新混合，得到最终降噪处理后的音频，即最终音频降噪处理后的媒体片段。可以将场景标签与音频混合权重之间的对应关系预先存储，这样便可以根据该对应关系确定出场景标签对应的目标音频混合权重。如此，可以根据场景标签确定出对应的目标音频混合权重，并将降噪后的媒体片段和降噪前的媒体片段重新混合，提高了该媒体片段音频的信噪比，使之满足真实场景的降噪需求。
值得说明的是，可以利用上述三种实施方式中的任一种对媒体片段进行音频降噪处理。应当理解的是，对于一待降噪媒体文件可以仅采用其中一种实施方式，也可以采用上述三种实施方式中的多者，例如该待降噪媒体文件的媒体片段一对应于第一种实施方式，媒体片段二对应于第三种实施方式，媒体片段三对应于第二种实施方式，本公开对此不作具体限定。
考虑到存在场景识别结果模糊的情况，如果直接根据场景标签确定媒体片段对应的目标降噪信息，并根据该目标降噪信息对媒体片段进行音频降噪处理，可能会抑制有效的音频信息，导致用户体验不佳。因此，在一种实施方式中，可以结合场景标签的置信度，从待降噪媒体文件中划分出待降噪的第一媒体片段，使得第一媒体片段的选取更加准确。具体实施方式可以为：
根据时段信息，从待降噪媒体文件划分出初始媒体片段，初始媒体片段为匹配到场景标签的媒体片段；
根据初始媒体片段对应的场景标签的置信度，从初始媒体片段中确定出待降噪的第一媒体片段。
本实施例中，对待降噪媒体文件进行内容解析，获得场景标签以及场景标签对应的时段信息之后，可以根据时段信息，首先从待降噪媒体片段中划分出初始媒体片段。此步骤的目的是初筛出匹配到场景标签的媒体片段。
置信度能够反映场景标签的可信程度。置信度越高，表明该场景标签的可信程度越高，也即是场景识别结果越准确。相应地，置信度越低，表明该场景标签的可信程度越低，也即是场景识别结果越模糊。示例地，在上述的各场景识别模型得到的结果中，还可以包括场景标签的置信度。
基于此，可以根据初始媒体片段对应的场景标签的置信度，对初始媒体片段进行筛选，以从中确定出待降噪的第一媒体片段。
示例地，在初始媒体片段对应的场景标签为一个的情况下，若场景标签的置信度不小于预设的置信度阈值，则将初始媒体片段确定为第一媒体片段。
其中，预设的置信度阈值可以预先标定。若场景标签的置信度不小于预设的置信度阈值，表明该场景标签的可信程度较高，场景识别结果较准确，此时将初始媒体片段确定为第一媒体片段。若场景标签的置信度小于预设的置信度阈值，表明该场景标签的可信程度较低，场景识别结果模糊，此时不将初始媒体片段确定为第一媒体片段。
又示例地，由于置信度越高，场景标签的可信程度越高，因此，在初始媒体片段对应的场景标签为多个的情况下，可以根据多个场景标签中的最大置信度，来确定该初始媒体片段是否为第一媒体片段。
具体地，若多个场景标签的置信度中的最大置信度不小于预设的置信度阈值，则将初始媒体片段确定为第一媒体片段。若多个场景标签的置信度中的最大置信度小于预设的置信度阈值，则不将该初始媒体片段确定为第一媒体片段。
又示例地，考虑到多个场景标签的置信度中的最大置信度和其他场景标签的置信度大小相接近时，表明该初始媒体片段的场景识别结果也可能存在模糊的情况。因此，在初始媒体片段对应的场景标签为多个情况下，可以根据除最大置信度对应的场景标签之外的其他场景标签的置信度与最大置信度之差的绝对值，来确定该初始媒体片段是否为第一媒体片段。
具体地，在初始媒体片段对应的场景标签为多个的情况下，若除最大置信度对应的场景标签之外的其他场景标签的置信度与最大置信度之差的绝对值均大于预设的置信度差值阈值，则将初始媒体片段确定为第一媒体片段。其中，预设的置信度差值阈值可以预先标定。
若除最大置信度对应的场景标签之外的其他场景标签的置信度中，存在与最大置信度之差的绝对值小于预设的置信度差值阈值的预定数量的置信度，此时可表明对该初始媒体片段的场景识别结果不唯一，可能存在场景识别结果模糊的情况，因此，不将该初始媒体片段确定为第一媒体片段。其中，该预定数量为大于或等于1的正整数。
又示例地，在初始媒体片段对应的场景标签为多个的情况下，为了提高对媒体片段进行音频降噪处理的准确度，因此，可以根据最大置信度，以及除最大置信度对应的场景标签之外的其他场景标签的置信度与最大置信度之差的绝对值，来确定该初始媒体片段是否为第一媒体片段。
具体地，在初始媒体片段对应的场景标签为多个的情况下，若多个场景标签的置信度中的最大置信度不小于预设的置信度阈值，且除最大置信度对应的场景标签之外的其他场景标签的置信度与最大置信度之差的绝对值均大于预设的置信度差值阈值，则将初始媒体片段确定为第一媒体片段。
在本公开中，由于场景标签的置信度越高，场景识别结果越准确，因此，在初始媒体片段对应的场景标签为多个，且该初始媒体片段被确定为第一媒体片段的情况下，步骤103中，根据第一媒体文件对应的场景标签，确定第一媒体片段对应的目标降噪信息的具体实施方式可以为：根据最大置信度对应的场景标签，确定第一媒体片段对应的目标降噪信息。这样，可以提高对该第一媒体片段进行音频降噪处理的准确性，使之与真实场景相匹配。
不过应当理解的是，也可以不只根据最大置信度对应的场景标签，确定第一媒体片段对应的目标降噪方式。根据实际需要，也可以根据多个较高的置信度对应的场景标签，综合确定第一媒体片段对应的目标降噪方式。
在本公开的一种实施方式中，对于待降噪媒体文件中除第一媒体片段之外的第三媒体片段，可以提供用户人工选择目标降噪方式的机会，从而满足用户的使用需求。在本公开中，第三媒体片段可以包括待降噪媒体文件中未匹配到场景标签的媒体片段，还可以包括初始媒体片段中，未被确认为第一媒体片段的媒体片段。
具体地，上述方法还可以包括：针对待降噪媒体文件中除第一媒体片段之外的第三媒体片段，向用户输出提示信息。
在本公开中，该提示信息用于用户确定是否要人工输入目标降噪信息。其中，提示信息可以例如为“场景识别模糊，请确认是否人工输入目标降噪信息”之类的文字提示信息。示例地，在用户确认要人工输入目标降噪信息时，交互界面可以向用户展示多个降噪方式选项。用户可以通过该交互界面选择目标降噪方式。根据接收到的用户对目标降噪方式的选择指令，可以获知用户所选择的目标降噪方式，进而确定出该目标降噪方式对应的目标降噪信息。当然，用户也可以通过语音控制的方式选择目标降噪方式，本公开对此不作限定。
若接收到用户输入的目标降噪信息，则根据用户输入的目标降噪信息对第三媒体片段进行音频降噪处理。若未接收到用户输入的目标降噪信息，则不对该第三媒体片段进行音频降噪处理。
采用上述方案，对于待降噪媒体文件中除第一媒体片段之外的第三媒体片段，通过向用户输出提示信息，并由用户确定是否人工输入目标降噪信息，使得在场景识别结果模糊的情况下，用户可以人工选择目标降噪信息，满足了用户的使用需求，提升了用户体验。
在本公开中，在分媒体片段进行音频降噪处理后，可以利用第四媒体片段替换所述待降噪媒体文件中的所述第一媒体片段，以获得目标媒体文件；其中，所述第四媒体片段为根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理而得到的媒体片段。目标媒体文件即为待降噪媒体文件进行音频降噪处理后最终得到的媒体文件，在生成目标媒体文件的过程中，第一媒体片段被替换为第四媒体片段。
此外，如上所述，本公开还为用户提供了人工输入目标降噪信息的机会。因此，在根据用户人工输入的目标降噪信息对第三媒体片段进行音频降噪处理后，可以得到第五媒体片段。如此，在目标媒体文件生成的过程中，还可以利用第五媒体片段替换第三媒体片段。
基于同一发明构思，本公开还提供一种音频降噪装置。图2是根据一示例性实施例示出的一种音频降噪装置的框图，如图2所示，该装置200包括：
解析模块201，用于对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；
划分模块202，用于至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；
确定模块203，用于根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；
处理模块204，用于根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
采用上述技术方案，通过确定待降噪媒体文件对应的场景标签及场景标签对应的时段信息，并基于该时段信息将待降噪媒体文件划分出待降噪的第一媒体片段，这样，在对待降噪媒体文件进行音频降噪处理时，可以根据第一媒体片段对应的场景标签自动确定合适的目标降噪信息，并根据该目标降噪信息对媒体片段进行音频降噪处理。如此，可以对待降噪媒体文件进行更细粒度的音频降噪处理，使其与具体媒体片段内容对应的场景相适应。随着媒体内容对应的场景的变化，其目标降噪信息也随之变化，这样，可以满足用户在不同场景下的感官需求，提升了用户体验。
可选地，所述解析模块201可以用于对所述待降噪媒体文件的图像和/或音频进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息。
可选地，所述划分模块202可以包括：
划分子模块，用于根据所述时段信息，从所述待降噪媒体文件划分出初始媒体片段，所述初始媒体片段为匹配到场景标签的媒体片段；
确定子模块，用于根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段。
可选地，所述确定子模块，用于在所述初始媒体片段对应的场景标签为一个的情况下，若所述场景标签的置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
可选地，所述确定子模块，用于在所述初始媒体片段对应的场景标签为多个的情况下，若除最大置信度对应的场景标签之外的其他场景标签的置信度与所述最大置信度之差的绝对值均大于预设的置信度差值阈值，则将所述初始媒体片段确定为所述第一媒体片段。
可选地，所述确定子模块，用于在所述初始媒体片段对应的场景标签为多个的情况下，若多个所述场景标签的置信度中的最大置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
可选地，所述确定模块203，用于在所述初始媒体片段对应的场景标签为多个的情况下，根据所述最大置信度对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息。
可选地，所述处理模块204，用于在目标降噪信息为目标降噪强度时，利用具有所述目标降噪强度的降噪算法，对所述第一媒体片段进行音频降噪处理。
可选地，所述处理模块204，用于在目标降噪信息为目标音频混合权重时，对所述第一媒体片段按照预设降噪算法进行音频降噪处理，得到第二媒体片段；将所述第二媒体片段与所述第一媒体片段按照所述目标音频混合权重进行混合。
可选地，所述装置200还可以包括：
输出模块，用于针对所述待降噪媒体文件中除所述第一媒体片段之外的第三媒体片段，向用户输出提示信息，所述提示信息用于用户确定是否人工输入所述第三媒体片段对应的所述目标降噪信息；
所述处理模块204，用于响应于接收到用户输入的所述目标降噪信息，根据用户输入的所述目标降噪信息对所述第三媒体片段进行音频降噪处理。
可选地，所述装置200还可以包括：
替换模块，用于利用第四媒体片段替换所述待降噪媒体文件中的所述第一媒体片段，以获得目标媒体文件；其中，所述第四媒体片段为根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理而得到的媒体片段。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、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3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。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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(HyperTextTransferProtocol，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，ad hoc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：对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，解析模块还可以被描述为“内容解析模块”。
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，示例1提供了一种音频降噪方法，所述方法包括：对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息，包括：对所述待处降噪媒体文件的图像和/或音频进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述至少根据所述时段信息，将待降噪媒体文件划分出待降噪的第一媒体片段，包括：根据所述时段信息，从所述待降噪媒体文件划分出初始媒体片段，所述初始媒体片段为匹配到场景标签的媒体片段；根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：在所述初始媒体片段对应的场景标签为一个的情况下，若所述场景标签的置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：在所述初始媒体片段对应的场景标签为多个的情况下，若除最大置信度对应的场景标签之外的其他场景标签的置信度与所述最大置信度之差的绝对值均大于预设的置信度差值阈值，则将所述初始媒体片段确定为所述第一媒体片段。
根据本公开的一个或多个实施例，示例6提供了示例3的方法，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：在所述初始媒体片段对应的场景标签为多个的情况下，若多个所述场景标签的置信度中的最大置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
根据本公开的一个或多个实施例，示例7提供了示例5或示例6的方法，在所述初始媒体片段对应的场景标签为多个的情况下，所述根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息，包括：根据所述最大置信度对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息。
根据本公开的一个或多个实施例，示例8提供了示例1的方法，所述目标降噪信息为目标降噪强度；所述根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理，包括：利用具有所述目标降噪强度的降噪算法，对所述第一媒体片段进行音频降噪处理。
根据本公开的一个或多个实施例，示例9提供了示例1的方法，所述目标降噪信息为目标降噪模型，其中，所述目标降噪模型是基于与所述场景标签对应的训练数据对神经网络模型进行训练得到的。
根据本公开的一个或多个实施例，示例10提供了示例1的方法，所述目标降噪信息为目标音频混合权重；所述根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理，包括：对所述第一媒体片段按照预设降噪算法进行音频降噪处理，得到第二媒体片段；将所述第二媒体片段与所述第一媒体片段按照所述目标音频混合权重进行混合。
根据本公开的一个或多个实施例，示例11提供了示例1的方法，针对所述待降噪媒体文件中除所述第一媒体片段之外的第三媒体片段，向用户输出提示信息，所述提示信息用于用户确定是否人工输入所述第三媒体片段对应的所述目标降噪信息；响应于接收到用户输入的所述目标降噪信息，根据用户输入的所述目标降噪信息对所述第三媒体片段进行音频降噪处理。
根据本公开的一个或多个实施例，示例12提供了示例1的方法，利用第四媒体片段替换所述待降噪媒体文件中的所述第一媒体片段，以获得目标媒体文件；其中，所述第四媒体片段为根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理而得到的媒体片段。
根据本公开的一个或多个实施例，示例13提供了一种音频降噪装置，所述装置包括：解析模块，用于对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；划分模块，用于至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；确定模块，用于根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；处理模块，用于根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理。
根据本公开的一个或多个实施例，示例14提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例12中所述方法的步骤。
根据本公开的一个或多个实施例，示例15提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例12中所述方法的步骤。
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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (14)

1.一种音频降噪方法，其特征在于，所述方法包括：
对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；
至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；
根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；
根据所述目标降噪信息对应的降噪方式对所述第一媒体片段进行音频降噪处理；
利用第四媒体片段替换所述待降噪媒体文件中的所述第一媒体片段，以获得目标媒体文件；其中，所述第四媒体片段为根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理而得到的媒体片段。
2.根据权利要求1所述的方法，其特征在于，所述对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息，包括：
对所述待降噪媒体文件的图像和/或音频进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息。
3.根据权利要求1所述的方法，其特征在于，所述至少根据所述时段信息，将待降噪媒体文件划分出待降噪的第一媒体片段，包括：
根据所述时段信息，从所述待降噪媒体文件划分出初始媒体片段，所述初始媒体片段为匹配到场景标签的媒体片段；
根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：
在所述初始媒体片段对应的场景标签为一个的情况下，若所述场景标签的置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
5.根据权利要求3所述的方法，其特征在于，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：
在所述初始媒体片段对应的场景标签为多个的情况下，若除最大置信度对应的场景标签之外的其他场景标签的置信度与所述最大置信度之差的绝对值均大于预设的置信度差值阈值，则将所述初始媒体片段确定为所述第一媒体片段。
6.根据权利要求3所述的方法，其特征在于，所述根据所述初始媒体片段对应的所述场景标签的置信度，从所述初始媒体片段中确定出待降噪的所述第一媒体片段，包括：
在所述初始媒体片段对应的场景标签为多个的情况下，若多个所述场景标签的置信度中的最大置信度不小于预设的置信度阈值，则将所述初始媒体片段确定为所述第一媒体片段。
7.根据权利要求5或6所述的方法，其特征在于，在所述初始媒体片段对应的场景标签为多个的情况下，所述根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息，包括：
根据所述最大置信度对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息。
8.根据权利要求1所述的方法，其特征在于，所述目标降噪信息为目标降噪强度；
所述根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理，包括：
利用具有所述目标降噪强度的降噪算法，对所述第一媒体片段进行音频降噪处理。
9.根据权利要求1所述的方法，其特征在于，所述目标降噪信息为目标降噪模型，其中，所述目标降噪模型是基于与所述场景标签对应的训练数据对神经网络模型进行训练得到的。
10.根据权利要求1所述的方法，其特征在于，所述目标降噪信息为目标音频混合权重；
所述根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理，包括：
对所述第一媒体片段按照预设降噪算法进行音频降噪处理，得到第二媒体片段；
将所述第二媒体片段与所述第一媒体片段按照所述目标音频混合权重进行混合。
11.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对所述待降噪媒体文件中除所述第一媒体片段之外的第三媒体片段，向用户输出提示信息，所述提示信息用于用户确定是否人工输入所述第三媒体片段对应的所述目标降噪信息；
响应于接收到用户输入的所述目标降噪信息，根据用户输入的所述目标降噪信息对所述第三媒体片段进行音频降噪处理。
12.一种音频降噪装置，其特征在于，所述装置包括：
解析模块，用于对待降噪媒体文件进行内容解析，获得至少一个场景标签以及所述场景标签对应的时段信息；其中，所述待降噪媒体文件中在所述时段信息指示的媒体片段内的内容与所述场景标签指示的场景相匹配；
划分模块，用于至少根据所述时段信息，将所述待降噪媒体文件划分出待降噪的第一媒体片段；
确定模块，用于根据所述第一媒体片段对应的所述场景标签，确定所述第一媒体片段对应的目标降噪信息；
处理模块，用于根据所述目标降噪信息对应的降噪方式对所述第一媒体片段进行音频降噪处理；
替换模块，用于利用第四媒体片段替换所述待降噪媒体文件中的所述第一媒体片段，以获得目标媒体文件；其中，所述第四媒体片段为根据所述目标降噪信息对所述第一媒体片段进行音频降噪处理而得到的媒体片段。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-11中任一项所述方法的步骤。
14.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-11中任一项所述方法的步骤。
CN202010176391.8A 2020-03-13 2020-03-13 音频降噪方法、装置、计算机可读介质和电子设备 Active CN113395539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176391.8A CN113395539B (zh) 2020-03-13 2020-03-13 音频降噪方法、装置、计算机可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176391.8A CN113395539B (zh) 2020-03-13 2020-03-13 音频降噪方法、装置、计算机可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN113395539A CN113395539A (zh) 2021-09-14
CN113395539B true CN113395539B (zh) 2023-07-07

Family

ID=77616120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176391.8A Active CN113395539B (zh) 2020-03-13 2020-03-13 音频降噪方法、装置、计算机可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN113395539B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650958A (zh) * 2009-07-23 2010-02-17 中国科学院声学研究所 对电影类视频进行场景片段抽取方法及其建立索引的方法
CN104581199A (zh) * 2014-12-12 2015-04-29 百视通网络电视技术发展有限责任公司 视频处理系统及其处理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106572411A (zh) * 2016-09-29 2017-04-19 乐视控股（北京）有限公司 降噪控制方法及相关装置
CN106792315B (zh) * 2017-01-05 2023-11-21 歌尔科技有限公司 一种抵消环境噪声的方法和装置及一种主动降噪耳机
US10902050B2 (en) * 2017-09-15 2021-01-26 International Business Machines Corporation Analyzing and weighting media information
CN110825446B (zh) * 2019-10-28 2023-12-08 Oppo广东移动通信有限公司 参数配置方法、装置、存储介质及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650958A (zh) * 2009-07-23 2010-02-17 中国科学院声学研究所 对电影类视频进行场景片段抽取方法及其建立索引的方法
CN104581199A (zh) * 2014-12-12 2015-04-29 百视通网络电视技术发展有限责任公司 视频处理系统及其处理方法

Also Published As

Publication number Publication date
CN113395539A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
US11455830B2 (en) Face recognition method and apparatus, electronic device, and storage medium
US10182095B2 (en) Method and system for video call using two-way communication of visual or auditory effect
CN111767371B (zh) 一种智能问答方法、装置、设备及介质
CN109981787B (zh) 用于展示信息的方法和装置
CN113395538B (zh) 音效渲染方法、装置、计算机可读介质和电子设备
CN111459364B (zh) 图标更新方法、装置和电子设备
CN110958481A (zh) 视频页面显示方法、装置、电子设备和计算机可读介质
US11750898B2 (en) Method for generating target video, apparatus, server, and medium
CN111369968B (zh) 语音合成方法、装置、可读介质及电子设备
CN112017630A (zh) 一种语种识别方法、装置、电子设备及存储介质
CN110347875B (zh) 一种视频场景分类方法、装置、移动终端及存储介质
CN110008926B (zh) 用于识别年龄的方法和装置
CN110719407A (zh) 图片美化方法、装置、设备及存储介质
CN113923378A (zh) 视频处理方法、装置、设备及存储介质
CN110335237B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN113395539B (zh) 音频降噪方法、装置、计算机可读介质和电子设备
CN116072108A (zh) 模型生成方法、语音识别方法、装置、介质及设备
CN110971943B (zh) 视频码率调整方法、装置、终端及存储介质
CN113905177B (zh) 视频生成方法、装置、设备及存储介质
CN113392238A (zh) 媒体文件处理方法、装置、计算机可读介质和电子设备
CN111680754B (zh) 图像分类方法、装置、电子设备及计算机可读存储介质
CN114765025A (zh) 语音识别模型的生成方法、识别方法、装置、介质及设备
CN110188833B (zh) 用于训练模型的方法和装置
CN111832279A (zh) 文本划分方法、装置、设备和计算机可读介质
CN114449341B (zh) 音频处理方法、装置、可读介质及电子设备

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