CN114596878A - 一种音频检测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开实施例公开了一种音频检测方法、装置、存储介质及电子设备。该音频检测方法包括：获取被检测音频中的音频段，识别所述音频段中的音乐事件；确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。上述技术方案，通过音频段中的音乐事件相匹配的元数据信息确定统计数据，实现了对音频进行音乐数据的统计。

Description

一种音频检测方法、装置、存储介质及电子设备

技术领域

本公开实施例涉及音频处理技术领域，尤其涉及一种音频检测方法、装置、存储介质及电子设备。

背景技术

随着互联网技术普及，以及音视频的迅速流行，用户可以通过手机、电脑等电子设备播放音视频，例如直播节目、歌曲、有声小说等。

但是在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：目前的音频检测方法，无法统计待检测音频中的与音乐相关的统计数据(例如音乐时长、音乐播放起止时间等)。

发明内容

本公开实施例提供了一种音频检测方法、装置、存储介质及电子设备，以实现对待检测音频中的统计数据的准确获取。

第一方面，本公开实施例提供了一种音频检测方法，包括：

获取被检测音频中的音频段，识别所述音频段中的音乐事件；

确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

第二方面，本公开实施例还提供了一种音频检测装置，包括：

音乐事件识别模块，用于获取被检测音频中的音频段，识别所述音频段中的音乐事件；

统计数据确定模块，用于确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的音频检测方法。

第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的音频检测方法。

本公开实施例的技术方案，通过获取被检测音频中的音频段，识别音频段中的音乐事件，实现了对各音频段中音乐事件的初步识别；进一步的，确定与音乐事件相匹配的元数据信息，实现了参考数据的匹配获取，为得到统计数据提供了参考基础；根据匹配得到的元数据信息对各音频段中音乐事件进行统计，得到被检测音频中的统计数据，实现了音乐事件的统计数据的准确获取。

附图说明

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

图1为本公开实施例提供的一种音频检测方法流程示意图；

图2是本公开实施例提供的一种音频检测方法流程示意图；

图3是本公开实施例提供的一种音频检测方法流程示意图；

图4是本公开实施例提供的一种音频检测方法流程示意图；

图5是本公开实施例提供的一种音频检测方法流程示意图；

图6为本公开实施例提供的一种音频检测装置结构示意图；

图7是本公开实施例提供的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”。

图1为本公开实施例所提供的一种音频检测方法流程示意图，本公开实施例适应于在音频中自动获取音乐事件的统计数据的情况，该方法可以由本公开实施例提供的音频检测装置来执行，该音频检测装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端或PC端等。如图1，本实施例的方法包括：

S110、获取被检测音频中的音频段，识别所述音频段中的音乐事件。

S120、确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

在本公开实施例中，电子设备可为具有音视频播放功能和/或音视频处理功能的任何电子设备，可以包括但不限于智能手机、可穿戴设备、计算机、服务器等设备。上述电子设备可以通过多种方式获取被检测音频。例如，可以通过音频采集装置实时采集被检测音频，也可以从预设存储位置或者其他设备调取被检测音频，本公开实施例对被检测音频获取方法不进行限定。

其中，被检测音频指的是需要进行统计数据检测的音频，可以包括但不限于直播视频中的音频、视频中的音频、广播音频等，对此不作限定。相应的，在一些实施例中，获取被检测音频可以是从视频(例如实时直播视频或者离线视频)中抽取音频数据，作为被检测音频。

为了提高音频的识别精度和识别效率，将被检测音频划分为多个音频段，对每一个音频段进行识别处理。具体的，在被检测音频为实时数据的情况下，对实时采集的音频依次划音频段，并对得到的音频段进行实时识别处理；在音频数据为离线数据的情况下，可根据划分音频段的时序依次对各音频段进行识别处理。在一些实施例中，对于离线音频数据中，可以是对得到的多个音频段进行并行数据，以提高处理效率。

本实施例中，音频段可以是具有预设时间长度的音频数据，该音频段可包含音乐、环境声音、语音、噪声等事件中的一项或多项。其中，音频段的时长可预先设置，例如根据识别精度确定，对此不作限定，示例性的，音频段的时长可以是20s。音乐事件指的可以是由节奏(例如拍子、节拍和发音)、音调(例如旋律以及和声)、力度(例如声音或音符的音量)等元素中的一个或多个表征的声音事件，可以包括但不限于背景音乐、清唱等的事件。

为了识别出音频段中的音乐事件，需要对音频段进行特征分析，以判断该音频段中是否包含音乐事件。在一些实施例中，可以通过任何特征提取方式(例如梅尔倒谱系数提取方式、线性预测系数提取方式等)提取至少一个声音特征，将提取的声音特征与音乐数据库中的音乐特征进行比较，根据比较结果确定该音频段中是否包含音乐事件，其中，音乐数据库指的可以是包含多种音乐特征的数据库。在一些实施例中，可以通过音乐识别模型对音频段进行识别，根据识别结果确定该音频段中是否包含音乐事件，其中，音乐识别模型可以将音乐、聊天声音、噪音等作为训练样本，其中，包括音乐的音频数据作为正样本，不包括音乐的样本，例如聊天声音、噪音音频数据作为负样本。基于上述样本数据对音乐识别模型进行训练，在满足训练结束条件的情况下，得到具有音乐事件识别功能的模型。本实施例对识别音乐事件的方法不作限定。

在上述实施例的基础上，对于存在音乐事件的音频段，分别确定与音乐事件相匹配的元数据信息，以得到被检测音频的统计数据，对于不包括音乐事件的音频段，无需对该音频段进行元数据信息的匹配，避免无效处理导致的计算资源浪费。元数据信息是包括音乐事件中音乐特征的音乐元数据的描述信息，在一些实施例中，元数据信息可以是由音乐元数据的多个描述信息形成的标签，其中，音乐元数据的描述信息可以包括但不限于音乐的频谱信息、音乐名称、音乐类型、演唱者、作曲人等信息，对此不作限定，示例性的，元数据信息可以是音乐名称-演唱者/演奏者的形式。可以理解的是，通过元数据信息表征音乐元数据，元数据信息具有唯一性，可以对音乐元数据进行唯一表示，将元数据信息作为统计维度，可以提高音频中音乐事件统计的可靠性，进而通过元数据信息对各音频段中音乐事件进行统计，可以提高音乐事件对应统计数据的准确度。

在一些实施例中，确定音乐事件相匹配的元数据信息，可以是通过提取音乐事件中的音乐特征，将音乐特征与各个音乐元数据对应的音乐特征相匹配，将匹配成功的音乐元数据的元数据信息确定为与音乐事件相匹配的元数据信息。在一些实施例中，音乐特征包括但不限于音调、节拍、歌词等的特征信息，相应的，对音乐事件进行上述特征信息提取，将提取的特征信息在预设元数据库中进行匹配，得到与音乐事件相匹配的元数据信息，其中，预设元数据库中可以包含多个元数据信息以及元数据信息对应的特征信息。在一些实施例中，音乐特征可以是音频指纹特征。相应的，提取音频段的音频指纹特征，基于音频指纹特征在指纹特征库中进行匹配，确定与音乐事件相匹配的元数据信息，其中，指纹特征库中包括音乐元数据和对应的指纹特征。需要说明的是，对于音频指纹特征与确定音频指纹特征的音频段一一对应，本实施例中音乐元数据可以是对应多个指纹特征，具体的，将音乐元数据划分为多个音乐子数据，各音乐子数据之间可存在部分数据的重叠，分别确定每一音乐子数据对应的指纹特征。相应的，将音频段的音频指纹特征与音乐元数据的指纹特征相匹配，可以是将音频段的音频指纹特征分别与音乐元数据中多个音乐子数据的指纹特征分别进行匹配，若音频段的音频指纹特征与任一音乐子数据的指纹特征匹配成功，则确定将该音乐子数据所属音乐元数据的元数据信息确定为音频段中音乐事件对应的元数据信息。

统计数据是对各音频段中音乐事件进行统计的结果，即为音乐统计数据。其中，统计数据可以包括但不限于被检测音频中各音乐播放时长、音乐播放开始时间和音乐播放停止时间、各音乐播放过程中接收用户(例如音频收听用户或者音频所属视频的观看用户)数量等信息，需要说明的是，统计数据中统计数据类型可根据业务需求确定，对此不作限定。

在一些实施例中，可以是基于各音乐事件对应的元数据信息，统计待检测音频中各元数据信息对应的所有音乐事件对应的音频时长；还可以是根据音乐事件对应的元数据信息和音乐事件的时间戳，确定元数据信息对应连续音乐事件，以及待检测音频各元数据信息对应的连续音乐事件的数量，以得到待检测音频中音乐的应用情况；还可以是统计待检测音频中各元数据信息对应的音频区间，以及各音频区间的接收用户数量，以评估各元数据信息对应音乐的引流能力等。

在上述实施例的基础上，在得到统计数据之后，还可以包括：根据各音乐事件对应的元数据信息获取音乐事件对应的音乐元数据，根据音乐事件对应的音乐元数据对各音频段中的音乐事件进行修复，得到修复后的音乐事件，以避免待检测音频中包括的噪声干扰导致音乐事件，导致音乐事件不清晰的情况。其中，根据音乐事件对应的音乐元数据对各音频段中的音乐事件进行修复，可以是截取音乐事件在音乐元数据中对应的音乐子数据，基于音乐子数据替代音乐事件的音频数据。或者，在得到统计数据之后，还可以包括：根据各音频段中的音乐事件对应的元数据信息，对音频段进行裁剪、拼接等操作，得到一个或多个新的音频段，例如可以将待检测音频中同一元数据信息对应的音频数据进行剪裁和拼接。

本公开实施例提供的音频检测方法，通过获取被检测音频中的音频段，识别音频段中的音乐事件，实现了对各音频段中音乐事件的初步识别；进一步的，确定与音乐事件相匹配的元数据信息，实现了参考数据的匹配获取，为得到统计数据提供了参考基础；根据匹配得到的元数据信息对各音频段中音乐事件进行统计，得到被检测音频中的统计数据，实现了对音频进行音乐维度的识别和统计，便于基于统计数据对待检测音频进行后续分析。

参考图2，图2为本公开实施例提供的音频检测方法流程示意图，本实施例的方法与上述实施例中提供的音频检测方法中各个可选方案可以结合。本实施例提供的音频检测方法进行了进一步细化。可选的，所述识别所述音频段中的音乐事件，包括：将所述音频段输入至预先训练的音乐识别模型中，得到所述音乐识别模型输出的音乐事件识别结果，其中，所述音乐识别模型基于音频样本与所述音频样本对应的事件标签训练得到。

如图2，本实施例的方法包括：

S210、获取被检测音频中的音频段。

S220、将所述音频段输入至预先训练的音乐识别模型中，得到所述音乐识别模型输出的音乐事件识别结果，其中，所述音乐识别模型基于音频样本与所述音频样本对应的事件标签训练得到。

S230、确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

本实施例中，音乐识别模型具有在音频数据识别音乐事件的能力，对于输入的音频段，可识别该音频段中是否包括音乐事件。相应的，音乐识别模型的训练过程可以包括：获取音频样本和音频样本对应的事件标签，其中，音频样本可以包括多种不同的声音事件，例如音乐、笑声、聊天、噪音等事件，相应的，音频样本对应的事件标签可以是事件标识，例如音乐标识、笑声标识、噪声标识等。可选的，将包括音乐事件的音频样本作为正样本，将包括笑声、聊天、噪音等事件的音频样本作为负样本，相应的，正负样本分别对应的事件标签可以是正和负。基于正负样本对应的音频样本和音频样本对应的事件标签对初始训练模型进行训练，得到音乐识别模型。其中，初始训练模型可以包括但不限于长短期记忆网络模型、支持向量机模型等，在此不做限定。进一步的，在音乐识别模型训练完成后，可以将音频段输入至预先训练的音乐识别模型中，对音频段中的声音事件进行分类或识别，音乐识别模型可以快速输出音乐事件识别结果。需要说明的是，预先训练的音乐识别模型在音频检测装置线上应用中，无需复杂计算，可以快速得到的音乐事件识别结果，从而提高音频检测的速度。

在上述实施例的基础上，音乐识别模型还可以是输出识别出的音乐事件在音频段中的起止时间戳。相应的，音乐识别模型的训练样本中，还包括音频样本中音乐事件标签对应的起止时间戳，通过上述训练样本训练得到的音乐识别模型可识别输入音频段中是否包括音乐事件，以及音乐事件的起止时间戳。

可选的，在识别所述音频段中的音乐事件之后，所述方法还包括：确定所述音频段中音乐事件的时长是否大于第一预设时长，若否，则取消标记所述音乐事件。其中，音乐事件的时长可以是基于音乐事件的起止时间戳确定。

需要说明的是，当音乐事件识别结果中包括音乐事件时，表明该被检测音频中的音频段可能包括播放音乐或唱歌等事件，但也可能是由干扰声音产生的，例如干扰声音可以为时长较短的短信提示音或手机铃声等，干扰声音中也可能包含音乐，此种情况表明该音频段中音乐事件并非真正的音乐事件，需要取消标记音乐事件，避免音乐事件误判的情况发生。

具体的，对音频段中音乐事件的时长进行判断，若音频段中音乐事件的时长大于第一预设时长，表明该音乐事件符合音乐的标准，则音频段的音乐事件标记保持不变；若音频段中音乐事件的时长小于第一预设时长，表明该音乐事件不符合音乐的标准，则取消对该音频段的音乐事件标记。第一预设时长可以根据历史经验设定，例如，第一预设时长可以为6s。

本公开实施例提供的音频检测方法，通过将音频段输入至预先训练的音乐识别模型中，对音频段中的声音事件进行分类或识别，得到音乐事件识别结果。去除小于第一预设时长的音乐事件，误识别音乐事件的干扰，以及减少短时间音乐事件对统计工作量的增加。

参考图3，图3为本公开实施例提供的音频检测方法流程示意图，本实施例的方法与上述实施例中提供的音频检测方法中各个可选方案可以结合。本实施例提供的音频检测方法进行了进一步优化。可选的，所述确定与所述音乐事件相匹配的元数据信息，包括：对于包含音乐事件的音频段，提取所述音频段的音频指纹特征；基于所述音频指纹特征在指纹特征库中进行匹配，确定与所述音乐事件相匹配的元数据信息，其中，所述指纹特征库中包括音乐元数据和对应的指纹特征。如图3，本实施例的方法包括：

S310、获取被检测音频中的音频段，识别所述音频段中的音乐事件。

S320、对于包含音乐事件的音频段，提取所述音频段的音频指纹特征。

S330、基于所述音频指纹特征在指纹特征库中进行匹配，确定与所述音乐事件相匹配的元数据信息，其中，所述指纹特征库中包括音乐元数据和对应的指纹特征。

S340、基于所述元数据信息确定所述被检测音频中的统计数据。

本实施例中，音频指纹特征指的是音乐事件的数字特征，即为音乐指纹特征，具有唯一性。具体的，可以通过音频指纹技术对音频段进行音频指纹特征的提取，音频指纹技术包括但不限于Philips算法或Shazam算法等。

其中，指纹特征库指的是包含音乐元数据和指纹特征的数据库，可以预先存储有多个音乐元数据和音乐元数据对应的指纹特征。音乐元数据对应的指纹特征可以用于与音频指纹特征进行匹配，若匹配成功，则得到音乐事件相匹配的元数据信息，指纹特征可以包括但不限于音乐元数据的频谱对应的频率参数和时间参数。

在上述实施例的基础上，所述提取所述音频段的音频指纹特征，包括：根据音频段中音乐事件的起止时间戳，对所述音频段进行截取，得到截取音频段，提取所述截取音频段的音频指纹特征。具体的，在一些实施例中，对音乐事件的识别结果中包括音乐事件的起止时间戳，获取音频段中音乐事件的开始时间戳和结束时间戳；根据音乐事件的开始时间戳和结束时间戳对所在音频段进行截取，提取音频段中与音乐事件对应的音频数据，通过剔除非音乐事件的部分音频数据，仅对截取的音乐事件对应的音频数据确定音频指纹特征，避免了非音乐事件部分的音频数据对音频指纹特征的干扰，同时，减少了确定音频指纹特征的音频数据量，有利于音频指纹特征的快速提取。

在上述实施例的基础上，所述提取所述音频段的音频指纹特征，包括：在所述音频段中提取所述音乐事件所在音轨的音频数据，基于所述音乐事件所在音轨的音频数据提取音频指纹特征。在一些实施例中，待检测音频可以包括多个音轨，即每一音频段包括多个音轨，示例性的，待检测音频中可以包括背景采集音轨和语音采集音轨，在任一音频段中，背景采集音轨中的音频数据可以是背景音乐，语音采集音轨中的音频数据可以是主持人的对话语音数据；示例性的，背景采集音轨中的音频数据可以是噪声，语音采集音轨中的音频数据可以是主持人的唱歌语音。不同音轨中可以是同时包括音乐事件，也可以其中一个或多个音轨中独立包括音乐事件，通过提取音乐事件所在音轨的音频数据，剔除非音乐事件所在音轨的音乐数据，减少了非音乐事件的干扰，有利于提高后续音频指纹特征的提取的准确性。

本公开实施例提供的音频检测方法，通过对包含音乐事件的音频段，提取音频段的音频指纹特征，基于提取的音频指纹特征在指纹特征库中进行匹配，确定与音乐事件相匹配的元数据信息，通过指纹特征库匹配得到音乐事件对应的元数据信息，处理速度快，可以节省音频检测的时间。

参考图4，图4为本公开实施例提供的音频检测方法流程示意图，本实施例的方法与上述实施例中提供的音频检测方法中各个可选方案可以结合。本实施例提供的音频检测方法进行了进一步优化。可选的，所述基于所述元数据信息确定所述被检测音频中的统计数据，包括：根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据。

如图4，本实施例的方法包括：

S410、获取被检测音频中的音频段，识别所述音频段中的音乐事件。

S420、确定与所述音乐事件相匹配的元数据信息。

S430、根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据。

其中，音乐事件的起止时间戳指的是音乐事件的开始时间戳和结束时间戳。具体的，若音乐事件的元数据信息相同，则表明上述各音乐事件为同一首音乐或歌曲的一部分，可以将为同一元数据信息的音乐事件进行合并，基于合并音乐事件确定待检测音频中的统计数据，避免对待检测音频数据进行音频段的划分导致的识别误差，提高统计数据的准确性。

在上述实施例的基础上，所述根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据，包括：对于相邻音乐事件，若所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长小于第二预设时长，则将所述相邻音乐事件进行合并；若所述相邻音乐事件对应的元数据信息不同，或者，所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长大于等于第二预设时长，则不对所述相邻音乐事件进行合并。

其中，相邻音乐事件可以是相邻音频段中的音乐事件，也可以是音频段内的相邻音乐事件，在此不做限定。

示例性的，对于相邻音乐事件，若相邻音乐事件对应的元数据信息相同，且相邻音乐事件的间隔时长小于第二预设时长，表明相邻音乐事件属于同一歌曲并且两音乐事件之间的间隔为正常歌唱或播放停顿，或者由于音频段划分导致的识别误差，则可以将相邻音乐事件进行合并，以便对识别出的音乐事件进行校准；若相邻音乐事件对应的元数据信息不同，表明相邻音乐事件不属于同一歌曲，则不对相邻音乐事件进行合并，以对不同歌曲进行区分统计；若相邻音乐事件对应的元数据信息相同，且相邻音乐事件的间隔时长大于等于第二预设时长，表明相邻音乐事件属于同一歌曲但中间停顿时间较长，例如同一首歌曲播放两次的情况，则不对相邻音乐事件进行合并，以避免将播放间隔时间较长的同一歌曲统计进同一统计数据。

本公开实施例提供的音频检测方法，通过根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，可以得到包含合并音乐事件的音频段，以便准确获取被检测音频中的音乐事件，提升统计数据的准确度。

在上述实施例的基础上，所述待检测音频为直播视频中的音频；所述方法还包括：确定所述统计数据中各元数据信息所对应的直播区间的观看数据。

其中，直播视频可以是实时采集的直播视频，还可以是历史直播视频。从直播视频中进行音频抽取，得到待检测音频。通过对从直播视频中抽取的音频进行音乐事件的识别与统计，以得到直播视频中音乐元数据的使用情况。

其中，直播区间的观看数据指的是预设时间段内直播间的观看统计数据，可以包括但不限于总观看数、独立访问数和平均观看时间等数据。具体的，可以将统计数据作为观看数据匹配条件，根据匹配条件，在直播数据库中匹配直播区间的观看数据，实现观看数据的准确获取，其中，直播数据库中可以包括但不限于实时统计的视频观看数据。可选的，通过直播视频中音乐元数据的统计数据，以及统计数据对应的视频观看数据，用于评估音乐元数据在直播视频中的引流作用，或者，对音乐元数据进行发展趋势的预测。

参考图5，图5为本公开实施例提供的音频检测方法流程示意图，本实施例在上述实施例的基础上，提供了一个优选示例，对上述实施例音频检测方法进行具体说明。

如图5，本实施例的方法包括：

以视频直播为例，对直播流中的音频进行切分，得到多个音频流切片(即上述音频段)，各音频流切片可以并行处理；

对音频流切片进行音乐事件识别，具体包括：对各音频流切片提取短时特征和长时特征，通过降维算法对提取的短时特征和长时特征进行降维，以去除短时特征和长时特征的冗余信息，从而得到主要特征。经过降维的特征的维数得到大大减少，性能还会得到一定程度的提高。将主要特征输入至SVM(Support Vector Machine，支持向量机分类器)，得到识别结果。其中，短时特征至少包括以下特征中的一项：PLP(Perceptual LinearPredictive Coefficients，知觉线性预测系数)、LPCC(Linear Predictive CepstrumCoefficients，线性预测倒谱系数)、LFCC(Linear Frequency cepstral coefficients)、Pitch、短时能量(Short-time energy，STE)、子带能量分布(Sub-band energydistribution，SBED)、亮度和带宽(Brightness and bandwidth，BR和BW)，。长时特征至少包括以下特征中的一项：谱通量(Spectrum Flux，SF)、长时平均谱(long-term averagespectrum，LTAS)和LPC熵(LPC entropy)。

若识别结果为音乐事件，则继续判断当前音乐事件的时长是否大于第一预设时长；若识别结果不为音乐事件，则取消标记音乐事件。进一步的，若当前音乐事件的时长大于第一预设时长，则继续提取该音乐事件的音频指纹特征；若当前音乐事件的时长不大于第一预设时长，则取消标记音乐事件。

进一步的，通过音频指纹提取算法对音乐事件提取音频指纹特征，将音频指纹特征在指纹特征库进行匹配，得到元数据信息。若相邻音乐事件的元数据信息相同，即相邻音乐事件为同一歌曲，并且相邻的音乐事件的间隔时长小于第二预设时长，表明两者属于同一歌曲并且中间只是正常歌唱或播放停顿，则将相邻音乐事件进行合并；若元数据信息相同，并且相邻的音乐事件的间隔时长不小于第二预设时长，表明两者虽然属于同一歌曲但停顿时间较长，不适合进行合并处理，则不将相邻音乐事件进行合并。若元数据信息不相同，即相邻音乐事件不为同一歌曲，则不将相邻音乐事件进行合并。

在相邻音乐事件进行合并之后，所述方法还包括：获取合并后音乐事件的统计数据，例如音乐事件的播放起始时间、播放结束时间等数据。统计数据可以用于音乐版权计费。

图6是本公开实施例所提供的一种音频检测装置的结构示意图。如图6所示，所述装置包括：

音乐事件识别模块610，用于获取被检测音频中的音频段，识别所述音频段中的音乐事件；

统计数据确定模块620，用于确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

在本公开实施例的一些可选的实现方式中，音乐事件识别模块610还可以用于：

将所述音频段输入至预先训练的音乐识别模型中，得到所述音乐识别模型输出的音乐事件识别结果，其中，所述音乐识别模型基于音频样本与所述音频样本对应的事件标签训练得到。

在本公开实施例的一些可选的实现方式中，所述装置还可以用于：

确定所述音频段中音乐事件的时长是否大于第一预设时长，若否，则取消标记所述音乐事件。

在本公开实施例的一些可选的实现方式中，统计数据确定模块620还可以包括：

指纹特征提取单元，用于对于包含音乐事件的音频段，提取所述音频段的音频指纹特征；

元数据匹配单元，用于基于所述音频指纹特征在指纹特征库中进行匹配，确定与所述音乐事件相匹配的元数据信息，其中，所述指纹特征库中包括音乐元数据和对应的指纹特征。

在本公开实施例的一些可选的实现方式中，所述指纹特征提取单元还可以用于：

根据音频段中音乐事件的起止时间戳，对所述音频段进行截取，得到截取音频段，提取所述截取音频段的音频指纹特征；或者，

在所述音频段中提取所述音乐事件所在音轨的音频数据，基于所述音乐事件所在音轨的音频数据提取音频指纹特征。

在本公开实施例的一些可选的实现方式中，所述统计数据确定模块620还可以包括：

数据合并单元，用于根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据。

在本公开实施例的一些可选的实现方式中，所述数据合并单元还可以用于：

对于相邻音乐事件，若所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长小于第二预设时长，则将所述相邻音乐事件进行合并；

若所述相邻音乐事件对应的元数据信息不同，或者，所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长大于等于第二预设时长，则不对所述相邻音乐事件进行合并。

在本公开实施例的一些可选的实现方式中，所述待检测音频为直播视频中的音频；所述装置还可以用于：确定所述统计数据中各元数据信息所对应的直播区间的观看数据。

本公开实施例所提供的音频检测装置可执行本公开任意实施例所提供的音频检测方法，具备执行音频检测方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图7 中的终端设备或服务器)400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 7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7所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O) 接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402 被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施例提供的电子设备与上述实施例提供的音频检测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的音频检测方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、 RF(射频)等等，或者上述的任意合适的组合。

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

获取被检测音频中的音频段，识别所述音频段中的音乐事件；

确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

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单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元本身的限定。

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，【示例一】提供了一种音频检测方法，该方法包括：

获取被检测音频中的音频段，识别所述音频段中的音乐事件；

确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

根据本公开的一个或多个实施例，【示例二】提供了一种音频检测方法，还包括：

所述识别所述音频段中的音乐事件，包括：

将所述音频段输入至预先训练的音乐识别模型中，得到所述音乐识别模型输出的音乐事件识别结果，其中，所述音乐识别模型基于音频样本与所述音频样本对应的事件标签训练得到。

根据本公开的一个或多个实施例，【示例三】提供了一种音频检测方法，还包括：

在识别所述音频段中的音乐事件之后，所述方法还包括：

确定所述音频段中音乐事件的时长是否大于第一预设时长，若否，则取消标记所述音乐事件。

根据本公开的一个或多个实施例，【示例四】提供了一种音频检测方法，还包括：

所述确定与所述音乐事件相匹配的元数据信息，包括：

对于包含音乐事件的音频段，提取所述音频段的音频指纹特征；

基于所述音频指纹特征在指纹特征库中进行匹配，确定与所述音乐事件相匹配的元数据信息，其中，所述指纹特征库中包括音乐元数据和对应的指纹特征。

根据本公开的一个或多个实施例，【示例五】提供了一种音频检测方法，还包括：

所述提取所述音频段的音频指纹特征，包括：

根据音频段中音乐事件的起止时间戳，对所述音频段进行截取，得到截取音频段，提取所述截取音频段的音频指纹特征；或者，

在所述音频段中提取所述音乐事件所在音轨的音频数据，基于所述音乐事件所在音轨的音频数据提取音频指纹特征。

根据本公开的一个或多个实施例，【示例六】提供了一种音频检测方法，还包括：

所述基于所述元数据信息确定所述被检测音频中的统计数据，包括：

根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据。

根据本公开的一个或多个实施例，【示例七】提供了一种音频检测方法，还包括：

所述根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据，包括：

对于相邻音乐事件，若所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长小于第二预设时长，则将所述相邻音乐事件进行合并；

若所述相邻音乐事件对应的元数据信息不同，或者，所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长大于等于第二预设时长，则不对所述相邻音乐事件进行合并。

根据本公开的一个或多个实施例，【示例八】提供了一种音频检测方法，还包括：

所述待检测音频为直播视频中的音频；

所述方法还包括：

确定所述统计数据中各元数据信息所对应的直播区间的观看数据。

根据本公开的一个或多个实施例，【示例九】提供了一种音频检测装置，该装置包括：

音乐事件识别模块，用于获取被检测音频中的音频段，识别所述音频段中的音乐事件；

统计数据确定模块，用于确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

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

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种音频检测方法，其特征在于，包括：

获取被检测音频中的音频段，识别所述音频段中的音乐事件；

确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

2.根据权利要求1所述的方法，其特征在于，所述识别所述音频段中的音乐事件，包括：

将所述音频段输入至预先训练的音乐识别模型中，得到所述音乐识别模型输出的音乐事件识别结果，其中，所述音乐识别模型基于音频样本与所述音频样本对应的事件标签训练得到。

3.根据权利要求1所述的方法，其特征在于，在识别所述音频段中的音乐事件之后，所述方法还包括：

确定所述音频段中音乐事件的时长是否大于第一预设时长，若否，则取消标记所述音乐事件。

4.根据权利要求1所述的方法，其特征在于，所述确定与所述音乐事件相匹配的元数据信息，包括：

对于包含音乐事件的音频段，提取所述音频段的音频指纹特征；

基于所述音频指纹特征在指纹特征库中进行匹配，确定与所述音乐事件相匹配的元数据信息，其中，所述指纹特征库中包括音乐元数据和对应的指纹特征。

5.根据权利要求4所述的方法，其特征在于，所述提取所述音频段的音频指纹特征，包括：

根据音频段中音乐事件的起止时间戳，对所述音频段进行截取，得到截取音频段，提取所述截取音频段的音频指纹特征；或者，

在所述音频段中提取所述音乐事件所在音轨的音频数据，基于所述音乐事件所在音轨的音频数据提取音频指纹特征。

6.根据权利要求1所述的方法，其特征在于，所述基于所述元数据信息确定所述被检测音频中的统计数据，包括：

根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据。

7.根据权利要求6所述的方法，其特征在于，所述根据各音频段中音乐事件的起止时间戳，对相同元数据信息对应的音乐事件进行合并，得到被检测音频中的统计数据，包括：

对于相邻音乐事件，若所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长小于第二预设时长，则将所述相邻音乐事件进行合并；

若所述相邻音乐事件对应的元数据信息不同，或者，所述相邻音乐事件对应的元数据信息相同，且所述相邻音乐事件的间隔时长大于等于第二预设时长，则不对所述相邻音乐事件进行合并。

8.根据权利要求1所述的方法，其特征在于，所述待检测音频为直播视频中的音频；

所述方法还包括：

确定所述统计数据中各元数据信息所对应的直播区间的观看数据。

9.一种音频检测装置，其特征在于，包括：

音乐事件识别模块，用于获取被检测音频中的音频段，识别所述音频段中的音乐事件；

统计数据确定模块，用于确定与所述音乐事件相匹配的元数据信息，基于所述元数据信息确定所述被检测音频中的统计数据。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的音频检测方法。

11.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的音频检测方法。

Images