CN113450825B - 一种音频检测方法、装置、设备和介质 - Google Patents
一种音频检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113450825B CN113450825B CN202010232008.6A CN202010232008A CN113450825B CN 113450825 B CN113450825 B CN 113450825B CN 202010232008 A CN202010232008 A CN 202010232008A CN 113450825 B CN113450825 B CN 113450825B
- Authority
- CN
- China
- Prior art keywords
- audio
- similarity
- detected
- illegal
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 36
- 239000012634 fragment Substances 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7834—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using audio features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G10L25/60—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 for measuring the quality of voice signals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开一种音频检测方法、装置、设备和介质，涉及音频处理技术。具体实现方案为：将待检测音频和至少一个违规音频分别转换成频谱数据；基于预先训练的检测模型，分别依据待检测音频的频谱数据和每个违规音频的频谱数据，提取待检测音频和每个违规音频各自的音频特征数据，并计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；根据相似度矩阵和预设的相似度阈值，确定待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定目标违规音频在待检测音频中出现的位置。本申请实施例进行一次推理即可同时计算出待检测音频中是否包括违规音频及其出现的位置，提高了检测效率。
Description
技术领域
本申请涉及互联网技术领域，尤其涉及一种音频处理技术，具体涉及一种音频检测方法、装置、设备和介质。
背景技术
随着互联网的发展，每个公司的数据规模以爆炸的方式在增长，越来越多纷乱复杂的数据当中包含了海量的视频数据。对于这些数据的合法合规性需要企业内部进行审查，审查通过后才能让其展现在公众面前，这其中所要涉及的审查内容除了视频内容外，还有另外一类重要的数据，即视频中的音频。
在传统音频检测的方法中，可以使用音频识别技术，将音频转换成文本，再基于文本进行关键词匹配或使用语言模型来输出审核结果。然而，这种方法检测效率低，且成本高。
发明内容
本申请实施例提供一种音频检测方法、装置、设备和介质，以解决现有的检测方法效率低、成本高的问题。
第一方面，本申请实施例提供了一种音频检测方法，包括：
将待检测音频和至少一个违规音频分别转换成频谱数据；
基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置。
上述申请中的一个实施例具有如下优点或有益效果：通过实现端到端的检测模型，无需进行文字转换即可对音频进行检测，而且，只进行一次推理即可同时计算出待检测音频与多个违规音频的相似度，相当于并行计算了多个违规音频的检测任务，提高了检测效率，也降低了成本。此外，根据相似度矩阵，还可以确定待检测音频中出现的违规音频的具体位置，进一步提高了检测的效率。
可选的，所述检测模型是在预训练模型的基础上，利用音频频谱数据作为训练样本进行微调训练得到，其中，所述微调训练为无监督训练。
上述申请中的一个实施例具有如下优点或有益效果：在预训练模型的基础上进行微调训练，可以提高模型训练的效率。而无监督的训练，则可以避免大量的训练样本标注工作，还可以提高模型的泛化能力。
可选的，所述检测模型包括编码网络和相似度计算网络，其中，所述编码网络用于根据频谱数据提取音频特征数据，所述相似度计算网络用于计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频之间的相似度。
上述申请中的一个实施例具有如下优点或有益效果：对两个网络一起进行训练得到端到端的检测模型，提高了模型训练的效率。
可选的，所述检测模型的训练过程包括：
所述编码网络从每个训练样本中随机切分得到任一时间段的样本片段，并对每个样本片段与其所属的训练样本的相应时间段的片段进行相似标注；
所述编码网络基于其当前的网络参数，对所述每个训练样本和各样本片段进行音频特征数据提取；
所述相似度计算网络基于其当前的网络参数，计算每个训练样本的音频特征数据中各个特征数据片段与所述各样本片段的音频特征数据之间的相似度；
将经所述计算得到的相似度结果与经所述相似标注得到的相似度结果进行比较，并将比较结果作为损失函数；
按照上述操作对所述检测模型进行重复训练，并调整所述编码网络和相似度计算网络各自的网络参数，直到所述损失函数收敛为止。
上述申请中的一个实施例具有如下优点或有益效果：通过无监督的训练，不仅能避免大量的样本标注工作，同时也能提高模型的泛化能力。
可选的，基于所述检测模型，计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵，包括：
基于所述检测模型，将预先设定的滑动窗口在所述待检测音频的音频特征数据中，按照预设步长进行滑动，其中，所述滑动窗口的宽和高分别为所述违规音频的音频特征数据的宽和高；
每滑动一次，将所述滑动窗口内的数据作为所述特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
其中，所述相似度矩阵中第i行的每个元素，表示所述待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度，i为1-n的自然数，n为违规音频的数量。
上述申请中的一个实施例具有如下优点或有益效果：通过计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵，为接下来确定待检测音频中是否包括至少一个违规音频中的任意目标违规音频，并确定目标违规音频在所述待检测音频中出现的位置，提供条件。
可选的，所述根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置，包括：
如果所述相似度矩阵中存在数值超出所述相似度阈值的元素，则根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频，以及所述目标违规音频在所述待检测音频中出现的位置。
上述申请中的一个实施例具有如下优点或有益效果：根据相似度矩阵，不仅可以确定待检测音频中包括的目标违规音频，还可以确定目标违规音频在待检测音频中出现的位置，提高了检测效率，实现了精准的检测。
可选的，所述根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频，包括：
确定所述数值超出所述相似度阈值的元素在所述相似度矩阵中所在的目标行，并根据所述目标行的行数确定所述目标违规音频。
上述申请中的一个实施例具有如下优点或有益效果：直接根据相似度矩阵中元素的位置关系，即可确定待检测音频中包括的目标违规音频，检测效率高。
可选的，所述确定所述目标违规音频在所述待检测音频中出现的位置，包括：
根据所述数值超出所述相似度阈值的元素在所述目标行的位置，确定所述滑动窗口移动的目标次数；
根据所述目标次数和所述滑动窗口的宽，确定所述待检测音频的音频特征数据中，与所述目标违规音频对应的特征数据片段的第一起点和第一终点；
根据所述检测模型的网络结构中对数据尺度变化的设定，将所述第一起点和第一终点转换得到所述待检测音频的频谱数据中，与所述目标违规音频对应的数据部分的第二起点和第二终点；
根据频谱转换参数，将所述第二起点和第二终点转换得到所述目标违规音频在所述待检测音频中出现的位置。
上述申请中的一个实施例具有如下优点或有益效果：根据相似度矩阵中元素的位置，以及检测模型的网络结构和频谱转换参数，就可以推导出待检测音频中违规音频出现的位置，检测速度快，且实现了精准的检测。
第二方面，本申请实施例还提供了一种音频检测装置，包括：
频谱数据转换模块，用于将待检测音频和至少一个违规音频分别转换成频谱数据；
相似度计算模块，用于基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
违规确定模块，用于根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置。
第三方面，本申请实施例还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任意实施例所述的音频检测方法。
第四方面，本申请实施例还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任意实施例所述的音频检测方法。
上述申请中的一个实施例具有如下优点或有益效果：通过实现端到端的检测模型，无需进行文字转换即可对音频进行检测，而且，只进行一次推理即可同时计算出待检测音频与多个违规音频的相似度，相当于并行计算了多个违规音频的检测任务，提高了检测效率，也降低了成本。此外，根据相似度矩阵，不仅能确定待检测音频中是否出现违规音频，还可以确定待检测音频中出现的是具体哪一个违规音频，以及进一步确定违规音频在待检测音频中出现的具体位置，不仅检测效率高，而且实现了精准地的检测。此外，本申请实施例采用无监督的训练方式，避免了大量的样本标注工作，同时也提高了模型的泛化能力。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
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是根据本申请第一实施例的音频检测方法的流程示意图；
图2是根据本申请第二实施例的音频检测方法的流程示意图；
图3是根据本申请第三实施例的音频检测装置的结构示意图；
图4是用来实现本申请实施例的音频检测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。
图1是根据本申请第一实施例的音频检测方法的流程示意图，本实施例可适用于对音频中是否出现违规音频进行检测的情况，例如，长音频中是否出现一段违规的短音频，或者长音频整体就是违规音频。该方法可由一种音频检测装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
S101、将待检测音频和至少一个违规音频分别转换成频谱数据。
其中，待检测音频可以是任意一段音频，且长度不限。违规音频例如可以是涉及色情、敏感政治内容或其他不允许出现在大众视野的音频，且长度小于或等于待检测音频。
普通的音频通常是以waveform的形式记录下来，为了后续进一步处理，需要先将其转换为频谱数据，即将时间维度的信息变换成时域和频域信息的频谱图。具体的，可以采用短时傅里叶变换的方式，将音频原始的时域信息转换成频域信息，得到在这个时间段内的频率和振幅信息，即声音的频谱图。
本申请实施例中，可以将现有的各种违规音频存储到模板中，并且后续还可以随时对模板中的违规音频进行补充和完善，而不需要对检测模型进行任何操作，使得模型的维护效率更高。
S102、基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵。
其中，检测模型可以是基于深度学习的方法预先训练得到，用于从频谱数据中提取音频特征数据，并计算音频特征数据之间的相似度。具体的，检测模型依据待检测音频的频谱数据提取待检测音频的音频特征数据，依据每个违规音频的频谱数据分别提取每个违规音频各自的音频特征数据，并计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵。
具体的，所述检测模型可以是在预训练模型的基础上，利用音频频谱数据作为训练样本进行微调训练得到。其中，预训练模型例如可以是基于imagenet百万数量级的图片样本训练出的预训练模型resnet-50， resnet-101，alexnet等。如此带有预训练模型参数的网络可以很快应用到具体的工作中，通过微调训练优化网络结构和参数，实现最终的检测模型，从而提高了模型训练的效率。
进一步的，所述检测模型具体包括编码网络和相似度计算网络，其中，编码网络用于根据频谱数据提取音频特征数据，相似度计算网络用于计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频之间的相似度。所有的网络优选为全卷积网络，使得模型的推理速度更快，执行效率得以提升。
在一种具体的实施方式中，基于所述检测模型，计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵，包括：
基于所述检测模型，将预先设定的滑动窗口在所述待检测音频的音频特征数据中，按照预设步长进行滑动，其中，所述滑动窗口的宽和高分别为所述违规音频的音频特征数据的宽和高；
每滑动一次，将所述滑动窗口内的数据作为所述特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
其中，所述相似度矩阵中第i行的每个元素，表示所述待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度，i为1-n的自然数，n为违规音频的数量。
具体的，为了实现待检测音频的音频特征数据中，各个特征数据片段与每个违规音频的音频特征数据的相似度计算，本申请实施例采用滑动窗口的方法，在滑动窗口按照一定的步长进行滑动的过程中，每滑动一次，就将滑动窗口内的数据作为特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，滑动n次，得到n个结果，作为相似度矩阵中的一行。因此，相似度矩阵中的第i行，则表示待检测音频的音频特征数据与第i个违规音频的相似度计算结果，而第i行中的每个元素，则表示待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度。对于计算相似度的具体算法，则可以选择互相关算法，或者通过计算欧氏距离或余弦距离来实现，本申请实施例对此不作任何限定。
还需要说明的是，为准确地计算特征数据片段与违规音频之间的相似度，可以选择滑动窗口的宽和高分别为违规音频的音频特征数据的宽和高。而对于多个违规音频，如果存在长度不一致的情形，则需要预先统一这些违规音频的长度。例如，违规音频A的长度是3秒，违规音频B的长度是5秒，则可以把A后面两秒用0填充，使得A也变成5秒，从而实现长度统一。
此外，在一种具体的实施方式中，由于违规音频是可以预先确定的，因此，可以预先对这些违规音频进行频谱数据转换，并利用训练好的编码网络对这些违规音频的频谱数据进行音频特征数据的提取，保存提取结果，以便在实际应用中，可以不必重复提取违规音频的音频特征数据，直接将保存的结果提供给相似度计算网络即可，从而大大提高模型的运算效率。
本申请实施例中的微调训练是无监督训练，可以避免大量的样本标注工作，同时也能提高模型的泛化能力。具体的，所述检测模型的训练过程包括：
所述编码网络从每个训练样本中随机切分得到任一时间段的样本片段，并对每个样本片段与其所属的训练样本的相应时间段的片段进行相似标注；
所述编码网络基于其当前的网络参数，对所述每个训练样本和各样本片段进行音频特征数据提取；
所述相似度计算网络基于其当前的网络参数，计算每个训练样本的音频特征数据中各个特征数据片段与所述各样本片段的音频特征数据之间的相似度；
将经所述计算得到的相似度结果与经所述相似标注得到的相似度结果进行比较，并将比较结果作为损失函数；
按照上述操作对所述检测模型进行重复训练，并调整所述编码网络和相似度计算网络各自的网络参数，直到所述损失函数收敛为止。
其中，在无监督的训练过程中，不需要对训练样本进行标注，检测模型中的编码网络会从训练样本中随机切分出一些样本片段，并自行进行标注，也就是说，将切分出来的样本片段与其所属的训练样本中执行切分操作所针对的相应时间段的音频片段标注为相似，而与其他音频片段 标注为不相似。而后，将经相似度计算网络计算出的相似度结果与标注的相似度结果进行比较，并将比较结果作为损失函数，通过模型的反复训练，不断调整模型参数，直到损失函数收敛为止，例如，损失函数最小。
S103、根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置。
具体的，可以通过阈值比较的方式，也即，如果相似度矩阵中存在数值超出所述相似度阈值的元素，则确定待检测音频中包括至少一个违规音频中的任意违规音频。
进一步的，由于相似度矩阵中的第i行，表示待检测音频的音频特征数据与第i个违规音频的相似度计算结果，第i行中的每个元素，表示待检测音频的音频特征数据中各个特征数据片段，与第i个违规音频的音频特征数据的相似度。因此，还可以根据数值超出相似度阈值的元素在相似度矩阵中的位置，确定待检测音频中包括的目标违规音频，并确定目标违规音频在待检测音频中出现的位置，实现高效率的精准检测。
此外，由于相似度阈值是可配置的，因此，通过阈值配置可以调节音频检测的严格程度。在保准确率的情况下可以将阈值设置严格，在需要高召回率时可将阈值适当放松。随业务需要而随时调节，灵活性更高。
本申请实施例的技术方案，通过实现端到端的检测模型，无需进行文字转换即可对音频进行检测，提高了音频检测的准确性和适用范围，而且，只进行一次推理即可同时计算出待检测音频与多个违规音频的相似度，相当于并行计算了多个违规音频的检测任务，提高了检测效率，也降低了成本。此外，根据相似度矩阵，还可以确定待检测音频中出现的违规音频的具体位置，进一步提高了检测的效率。
图2是根据本申请第二实施例的音频检测方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
S201、将待检测音频和至少一个违规音频分别转换成频谱数据。
S202、基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵。
S203、如果所述相似度矩阵中存在数值超出所述相似度阈值的元素，则根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频。
本申请实施例中，不仅可以确定出待检测音频中是否包含违规音频，还可以进一步确定出包含的是具体哪一个违规音频，以及在待检测音频中的哪一个时间段是该违规音频，也即该违规音频在待检测音频中出现的具体位置。
具体的，根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频，包括：
确定所述数值超出所述相似度阈值的元素在所述相似度矩阵中所在的目标行，并根据所述目标行的行数确定所述目标违规音频。
由于相似度矩阵中第i行的每个元素，表示待检测音频的音频特征数据在各滑动窗口下的数据部分与第i个违规音频的音频特征数据的相似度，因此，只要确定出超出阈值的元素是位于哪一行，就可以确定出所述目标违规音频。
S204、根据所述数值超出所述相似度阈值的元素在所述目标行的位置，确定所述滑动窗口移动的目标次数。
由于滑动窗口每滑动一次，则计算一次窗口所对应的特征数据片段与当前违规音频的音频特征数据的相似度，滑动n次，则得到n个结果，作为相似度矩阵中的一行。因此，按照矩阵中每一行中元素的位置，也即第几个元素，就可以确定滑动窗口移动的次数，也即第几次移动。
S205、根据所述目标次数和所述滑动窗口的宽，确定所述待检测音频的音频特征数据中，与所述目标违规音频对应的特征数据片段的第一起点和第一终点。
由于滑动窗口的宽保持不变，因此，根据滑动窗口的宽和目标次数，就可以计算出待检测音频的音频特征数据中，与目标违规音频的音频特征数据相似的特征数据片段的起点和终点。在本申请实施例中，为了描述地更加清楚，此处称之为第一起点和第一终点。这里的“第一”只起到文字上的区分作用。
S206、根据所述检测模型的网络结构中对数据尺度变化的设定，将所述第一起点和第一终点转换得到所述待检测音频的频谱数据中，与所述目标违规音频对应的数据部分的第二起点和第二终点。
在S205中，已经得到了待检测音频的音频特征数据中与违规音频对应的部分，在S206中，则将进一步推导其在待检测音频的频谱数据中对应的部分。由于检测模型的编码网络是基于频谱数据进行特征提取而得到音频特征数据，也就是说，待检测音频的频谱数据是经过编码网络转换到音频特征数据，这种转换又与编码网络的网络结构有关，因此，基于编码网络的网络结构中对数据尺度变化（例如数据宽度的变化）的设定，通过反向逆推，就可以推导出待检测音频的频谱数据中对应的部分，也即所述第二起点和第二终点。
S207、根据频谱转换参数，将所述第二起点和第二终点转换得到所述目标违规音频在所述待检测音频中出现的位置。
在得到待检测音频的频谱数据中与违规音频对应的部分之后，就可以推导出在原始的待检测音频中与违规音频对应的位置。具体的，可以根据谱转换参数进行逆推，将第二起点和第二终点转换得到目标违规音频在待检测音频中出现的位置。
本申请实施例的技术方案，通过实现端到端的检测模型，无需进行文字转换即可对音频进行检测，而且，只进行一次推理即可同时计算出待检测音频与多个违规音频的相似度，相当于并行计算了多个违规音频的检测任务，提高了检测效率，也降低了成本。同时，本申请实施例不仅能确定待检测音频中是否出现违规音频，还可以确定待检测音频中出现的是具体哪一个违规音频，以及进一步确定违规音频在待检测音频中出现的具体位置，实现了精准地的检测。
图3是根据本申请第三实施例的音频检测装置的结构示意图，本实施例可适用于对音频中是否出现违规音频进行检测的情况，例如，长音频中是否出现一段违规的短音频，或者长音频整体就是违规音频。该装置可实现本申请任意实施例所述的音频检测方法。如图3所示，该装置300具体包括：
频谱数据转换模块301，用于将待检测音频和至少一个违规音频分别转换成频谱数据；
相似度计算模块302，用于基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
违规确定模块303，用于根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置。
可选的，所述检测模型是在预训练模型的基础上，利用音频频谱数据作为训练样本进行微调训练得到，其中，所述微调训练为无监督训练。
可选的，所述检测模型包括编码网络和相似度计算网络，其中，所述编码网络用于根据频谱数据提取音频特征数据，所述相似度计算网络用于计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频之间的相似度。
可选的，所述检测模型的训练过程包括：
所述编码网络从每个训练样本中随机切分得到任一时间段的样本片段，并对每个样本片段与其所属的训练样本的相应时间段的片段进行相似标注；
所述编码网络基于其当前的网络参数，对所述每个训练样本和各样本片段进行音频特征数据提取；
所述相似度计算网络基于其当前的网络参数，计算每个训练样本的音频特征数据中各个特征数据片段与所述各样本片段的音频特征数据之间的相似度；
将经所述计算得到的相似度结果与经所述相似标注得到的相似度结果进行比较，并将比较结果作为损失函数；
按照上述操作对所述检测模型进行重复训练，并调整所述编码网络和相似度计算网络各自的网络参数，直到所述损失函数收敛为止。
可选的，所述相似度计算模块具体用于：
基于所述检测模型，将预先设定的滑动窗口在所述待检测音频的音频特征数据中，按照预设步长进行滑动，其中，所述滑动窗口的宽和高分别为所述违规音频的音频特征数据的宽和高；
每滑动一次，将所述滑动窗口内的数据作为所述特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
其中，所述相似度矩阵中第i行的每个元素，表示所述待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度，i为1-n的自然数，n为违规音频的数量。
可选的，所述违规确定模块，包括：
目标音频确定单元，用于如果所述相似度矩阵中存在数值超出所述相似度阈值的元素，则根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频；
位置确定单元，用于确定所述目标违规音频在所述待检测音频中出现的位置。
可选的，所述目标音频确定单元具体用于：
确定所述数值超出所述相似度阈值的元素在所述相似度矩阵中所在的目标行，并根据所述目标行的行数确定所述目标违规音频。
可选的，所述位置确定单元，包括：
目标次数确定子单元，用于根据所述数值超出所述相似度阈值的元素在所述目标行的位置，确定所述滑动窗口移动的目标次数；
第一位置确定子单元，用于根据所述目标次数和所述滑动窗口的宽，确定所述待检测音频的音频特征数据中，与所述目标违规音频对应的第一特征数据片段的第一起点和第一终点；
第二位置确定子单元，用于根据所述检测模型的网络结构中对数据尺度变化的设定，将所述第一起点和第一终点转换得到所述待检测音频的频谱数据中，与所述目标违规音频对应的数据部分的第二起点和第二终点；
第三位置确定子单元，用于根据频谱转换参数，将所述第二起点和第二终点转换得到所述目标违规音频在所述待检测音频中出现的位置。
本申请实施例提供的音频检测装置300可执行本申请任意实施例提供的音频检测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
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。
如图4所示，是根据本申请实施例的音频检测方法的电子设备的框图。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/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的音频检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的音频检测方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的音频检测方法对应的程序指令/模块（例如，附图3所示的频谱数据转换模块模块301、相似度计算模块302和违规确定模块303）。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的音频检测方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例的音频检测方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的音频检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现本申请实施例的音频检测方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与实现本申请实施例的音频检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD）、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC（专用集成电路）、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。
这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
根据本申请实施例的技术方案，通过实现端到端的检测模型，无需进行文字转换即可对音频进行检测，而且，只进行一次推理即可同时计算出待检测音频与多个违规音频的相似度，相当于并行计算了多个违规音频的检测任务，提高了检测效率，也降低了成本。此外，根据相似度矩阵，不仅能确定待检测音频中是否出现违规音频，还可以确定待检测音频中出现的是具体哪一个违规音频，以及进一步确定违规音频在待检测音频中出现的具体位置，不仅检测效率高，而且实现了精准地的检测。此外，本申请实施例采用无监督的训练方式，避免了大量的样本标注工作，同时也提高了模型的泛化能力。
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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种音频检测方法，其特征在于，包括：
将待检测音频和至少一个违规音频分别转换成频谱数据；
基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置；
其中，基于所述检测模型，计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵，包括：
基于所述检测模型，将预先设定的滑动窗口在所述待检测音频的音频特征数据中，按照预设步长进行滑动，其中，所述滑动窗口的宽和高分别为所述违规音频的音频特征数据的宽和高，所述违规音频的音频特征数据是基于所述违规音频的频谱图提取的；
每滑动一次，将所述滑动窗口内的数据作为所述特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
其中，所述相似度矩阵中第i行的每个元素，表示所述待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度，i为1-n的自然数，n为违规音频的数量。
2.根据权利要求1所述的方法，其特征在于，所述检测模型是在预训练模型的基础上，利用音频频谱数据作为训练样本进行微调训练得到，其中，所述微调训练为无监督训练。
3.根据权利要求1或2所述的方法，其特征在于，所述检测模型包括编码网络和相似度计算网络，其中，所述编码网络用于根据频谱数据提取音频特征数据，所述相似度计算网络用于计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频之间的相似度。
4.根据权利要求3所述的方法，其特征在于，所述检测模型的训练过程包括：
所述编码网络从每个训练样本中随机切分得到任一时间段的样本片段，并对每个样本片段与其所属的训练样本的相应时间段的片段进行相似标注；
所述编码网络基于其当前的网络参数，对所述每个训练样本和各样本片段进行音频特征数据提取；
所述相似度计算网络基于其当前的网络参数，计算每个训练样本的音频特征数据中各个特征数据片段与所述各样本片段的音频特征数据之间的相似度；
将经所述计算得到的相似度结果与经所述相似标注得到的相似度结果进行比较，并将比较结果作为损失函数；
按照上述操作对所述检测模型进行重复训练，并调整所述编码网络和相似度计算网络各自的网络参数，直到所述损失函数收敛为止。
5.根据权利要求1所述的方法，其特征在于，所述根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置，包括：
如果所述相似度矩阵中存在数值超出所述相似度阈值的元素，则根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频，以及所述目标违规音频在所述待检测音频中出现的位置。
6.根据权利要求5所述的方法，其特征在于，所述根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频，包括：
确定所述数值超出所述相似度阈值的元素在所述相似度矩阵中所在的目标行，并根据所述目标行的行数确定所述目标违规音频。
7.根据权利要求6所述的方法，其特征在于，所述确定所述目标违规音频在所述待检测音频中出现的位置，包括：
根据所述数值超出所述相似度阈值的元素在所述目标行的位置，确定所述滑动窗口移动的目标次数；
根据所述目标次数和所述滑动窗口的宽，确定所述待检测音频的音频特征数据中，与所述目标违规音频对应的特征数据片段的第一起点和第一终点；
根据所述检测模型的网络结构中对数据尺度变化的设定，将所述第一起点和第一终点转换得到所述待检测音频的频谱数据中，与所述目标违规音频对应的数据部分的第二起点和第二终点；
根据频谱转换参数，将所述第二起点和第二终点转换得到所述目标违规音频在所述待检测音频中出现的位置。
8.一种音频检测装置，其特征在于，包括：
频谱数据转换模块，用于将待检测音频和至少一个违规音频分别转换成频谱数据；
相似度计算模块，用于基于预先训练的检测模型，分别依据所述待检测音频的频谱数据和每个违规音频的频谱数据，提取所述待检测音频和每个违规音频各自的音频特征数据，并计算所述待检测音频的音频特征数据中各个特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
违规确定模块，用于根据所述相似度矩阵和预设的相似度阈值，确定所述待检测音频中是否包括所述至少一个违规音频中的任意目标违规音频，并确定所述目标违规音频在所述待检测音频中出现的位置；
其中，所述相似度计算模块具体用于：
基于所述检测模型，将预先设定的滑动窗口在所述待检测音频的音频特征数据中，按照预设步长进行滑动，其中，所述滑动窗口的宽和高分别为所述违规音频的音频特征数据的宽和高，所述违规音频的音频特征数据是基于所述违规音频的频谱图提取的；
每滑动一次，将所述滑动窗口内的数据作为所述特征数据片段，并计算该特征数据片段与每个违规音频的音频特征数据的相似度，得到相似度矩阵；
其中，所述相似度矩阵中第i行的每个元素，表示所述待检测音频的音频特征数据在各滑动窗口下的特征数据片段，与第i个违规音频的音频特征数据的相似度，i为1-n的自然数，n为违规音频的数量。
9.根据权利要求8所述的装置，其特征在于，所述检测模型是在预训练模型的基础上，利用音频频谱数据作为训练样本进行微调训练得到，其中，所述微调训练为无监督训练。
10.根据权利要求8或9所述的装置，其特征在于，所述检测模型包括编码网络和相似度计算网络，其中，所述编码网络用于根据频谱数据提取音频特征数据，所述相似度计算网络用于计算待检测音频的音频特征数据中各个特征数据片段与每个违规音频之间的相似度。
11.根据权利要求10所述的装置，其特征在于，所述检测模型的训练过程包括：
所述编码网络从每个训练样本中随机切分得到任一时间段的样本片段，并对每个样本片段与其所属的训练样本的相应时间段的片段进行相似标注；
所述编码网络基于其当前的网络参数，对所述每个训练样本和各样本片段进行音频特征数据提取；
所述相似度计算网络基于其当前的网络参数，计算每个训练样本的音频特征数据中各个特征数据片段与所述各样本片段的音频特征数据之间的相似度；
将经所述计算得到的相似度结果与经所述相似标注得到的相似度结果进行比较，并将比较结果作为损失函数；
按照上述操作对所述检测模型进行重复训练，并调整所述编码网络和相似度计算网络各自的网络参数，直到所述损失函数收敛为止。
12.根据权利要求8所述的装置，其特征在于，所述违规确定模块，包括：
目标音频确定单元，用于如果所述相似度矩阵中存在数值超出所述相似度阈值的元素，则根据所述数值超出所述相似度阈值的元素在所述相似度矩阵中的位置，确定所述待检测音频中包括的目标违规音频；
位置确定单元，用于确定所述目标违规音频在所述待检测音频中出现的位置。
13.根据权利要求12所述的装置，其特征在于，所述目标音频确定单元具体用于：
确定所述数值超出所述相似度阈值的元素在所述相似度矩阵中所在的目标行，并根据所述目标行的行数确定所述目标违规音频。
14.根据权利要求13所述的装置，其特征在于，所述位置确定单元，包括：
目标次数确定子单元，用于根据所述数值超出所述相似度阈值的元素在所述目标行的位置，确定所述滑动窗口移动的目标次数；
第一位置确定子单元，用于根据所述目标次数和所述滑动窗口的宽，确定所述待检测音频的音频特征数据中，与所述目标违规音频对应的第一特征数据片段的第一起点和第一终点；
第二位置确定子单元，用于根据所述检测模型的网络结构中对数据尺度变化的设定，将所述第一起点和第一终点转换得到所述待检测音频的频谱数据中，与所述目标违规音频对应的数据部分的第二起点和第二终点；
第三位置确定子单元，用于根据频谱转换参数，将所述第二起点和第二终点转换得到所述目标违规音频在所述待检测音频中出现的位置。
15.一种电子设备，其特征在于，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1-7中任一项所述的音频检测方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的音频检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010232008.6A CN113450825B (zh) | 2020-03-27 | 2020-03-27 | 一种音频检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010232008.6A CN113450825B (zh) | 2020-03-27 | 2020-03-27 | 一种音频检测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113450825A CN113450825A (zh) | 2021-09-28 |
| CN113450825B true CN113450825B (zh) | 2022-06-28 |
Family
ID=77808179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010232008.6A Active CN113450825B (zh) | 2020-03-27 | 2020-03-27 | 一种音频检测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113450825B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033927A (zh) * | 2010-12-15 | 2011-04-27 | 哈尔滨工业大学 | 一种基于gpu实现的快速音频检索方法 |
| CN102163427A (zh) * | 2010-12-20 | 2011-08-24 | 北京邮电大学 | 一种基于环境模型的音频异常事件检测方法 |
| CN104504307A (zh) * | 2015-01-08 | 2015-04-08 | 北京大学 | 基于拷贝单元的音视频拷贝检测方法和装置 |
| CN109583506A (zh) * | 2018-12-06 | 2019-04-05 | 哈尔滨工业大学 | 一种基于参数迁移学习的无监督图像识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102956238B (zh) * | 2011-08-19 | 2016-02-10 | 杜比实验室特许公司 | 用于在音频帧序列中检测重复模式的方法及设备 |
| US20140267432A1 (en) * | 2013-03-12 | 2014-09-18 | Sony Corporation | Method to select appropriate window size for local image processing |
-
2020
- 2020-03-27 CN CN202010232008.6A patent/CN113450825B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102033927A (zh) * | 2010-12-15 | 2011-04-27 | 哈尔滨工业大学 | 一种基于gpu实现的快速音频检索方法 |
| CN102163427A (zh) * | 2010-12-20 | 2011-08-24 | 北京邮电大学 | 一种基于环境模型的音频异常事件检测方法 |
| CN104504307A (zh) * | 2015-01-08 | 2015-04-08 | 北京大学 | 基于拷贝单元的音视频拷贝检测方法和装置 |
| CN109583506A (zh) * | 2018-12-06 | 2019-04-05 | 哈尔滨工业大学 | 一种基于参数迁移学习的无监督图像识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种音频样例重复检测方法的研究;王天逸等;《浙江树人大学学报(自然科学版)》;20130315(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113450825A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709247B (zh) | 数据集处理方法、装置、电子设备和存储介质 | |
| CN110349564B (zh) | 一种跨语言语音识别方法和装置 | |
| CN111241819B (zh) | 词向量生成方法、装置及电子设备 | |
| KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| KR102573637B1 (ko) | 엔티티 링킹 방법, 장치, 전자 기기 및 기록 매체 | |
| KR20100135819A (ko) | 스케일된 확률들을 사용한 단어들의 분절 | |
| CN111078878B (zh) | 文本处理方法、装置、设备及计算机可读存储介质 | |
| EP3929768A1 (en) | Method and apparatus for generating triple sample, electronic device and computer storage medium | |
| CN111259671A (zh) | 文本实体的语义描述处理方法、装置及设备 | |
| JP2021111334A (ja) | 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器 | |
| CN112988753B (zh) | 一种数据搜索方法和装置 | |
| CN110309193B (zh) | 使用基于上下文的相似性来比较时间序列数据 | |
| CN111241810A (zh) | 标点预测方法及装置 | |
| CN112507090A (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
| CN111539224A (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN112380131A (zh) | 模块测试方法、装置及电子设备 | |
| US11646050B2 (en) | Method and apparatus for extracting video clip | |
| CN112380847A (zh) | 兴趣点处理方法、装置、电子设备及存储介质 | |
| US20210216710A1 (en) | Method and apparatus for performing word segmentation on text, device, and medium | |
| US20190197128A1 (en) | Dataset adaptation for high-performance in specific natural language processing tasks | |
| CN113450825B (zh) | 一种音频检测方法、装置、设备和介质 | |
| CN110477866B (zh) | 检测睡眠质量的方法、装置、电子设备和存储介质 | |
| CN111310044A (zh) | 页面元素信息的提取方法、装置、设备和存储介质 | |
| CN111310481A (zh) | 语音翻译方法、装置、计算机设备和存储介质 | |
| CN115206321A (zh) | 语音关键词的识别方法、装置和电子设备 |
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 |