CN116364066A - 分类模型生成方法、音频分类方法、装置、介质及设备 - Google Patents
分类模型生成方法、音频分类方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116364066A CN116364066A CN202310270885.6A CN202310270885A CN116364066A CN 116364066 A CN116364066 A CN 116364066A CN 202310270885 A CN202310270885 A CN 202310270885A CN 116364066 A CN116364066 A CN 116364066A
- Authority
- CN
- China
- Prior art keywords
- audio
- representation
- model
- classification
- characterization
- 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.)
- Pending
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000012512 characterization method Methods 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 67
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 101100501281 Caenorhabditis elegans emb-1 gene Proteins 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013475 authorization Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种分类模型生成方法、音频分类方法、装置、介质及设备。音频分类模型包括音频表征提取模块和分类器，方法包括：获取新类音频样本和新类音频样本的参考类别；采用至少一个预训练模型中的每一预训练模型分别提取新类音频样本的第一音频表征；通过将新类音频样本作为音频表征提取模块的输入，将基于每一第一音频表征和音频表征提取模块输出的第二音频表征得到的拼接音频表征作为分类器的输入，将参考类别作为分类器的目标输出的方式进行模型训练，以得到音频分类模型。由此，可提升非常见音频分类任务的分类效果。分类模型的模型结构无需与预训练模型的模型结构保持一致，可采用最适合非常见音频的分类模型结构，进一步提升分类效果。
Description
技术领域
本公开涉及音频处理技术领域，具体地，涉及一种分类模型生成方法、音频分类方法、装置、介质及设备。
背景技术
音频分类指对一段音频的内容进行分析和理解，最终得到人为预先定义好的音频类别，常见的类别如说话、唱歌、纯音乐等，非常见的类别如野生动物叫声、雷声等。得到一个音频分类模型通常需要海量的训练数据，而收集非常见的事件类别的数据是非常困难的，所以通常非常见声音事件的训练集数据量都较小，直接使用这些训练数据训练得到的音频分类模型的分类效果通常会比较差。
发明内容
提供该部分内容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。该部分内容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分类模型生成方法，所述音频分类模型包括音频表征提取模块和分类器，所述方法包括：
获取新类音频样本和所述新类音频样本的参考类别；
采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；
通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
第二方面，本公开提供一种音频分类方法，包括：
获取待分类音频数据；
将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据本公开第一方面提供的所述音频分类模型生成方法生成的。
第三方面，本公开提供一种音频分类模型生成装置，所述音频分类模型包括音频表征提取模块和分类器，所述装置包括：
第一获取模块，用于获取新类音频样本和所述新类音频样本的参考类别；
提取模块，用于采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；
模型生成模块，用于通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
第四方面，本公开提供一种音频分类装置，包括：
第二获取模块，用于获取待分类音频数据；
音频分类模块，用于将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据本公开第一方面提供的所述音频分类模型生成方法生成的。
第五方面，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提供的所述音频分类模型生成方法的步骤或本公开第二方面提供的所述音频分类方法的步骤。
第六方面，本公开提供一种电子设备，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现本公开第一方面提供的所述音频分类模型生成方法的步骤或本公开第二方面提供的所述音频分类方法的步骤。
在上述技术方案中，将基于基类音频样本训练得到的预训练模型提取的音频表征作为先验信息，以拼接的方式加入到用于新类音频分类的音频分类模型的训练流程中，可以提升非常见音频分类任务的分类效果。并且，由于音频分类模型并非是在预训练模型基础上微调得到的，因此，音频分类模型的模型结构不需要与预训练模型的模型结构保持一致，由此，音频分类模型可以采用最适合非常见音频的分类模型结构，进一步提升非常见音频分类任务的分类效果。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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分类模型生成方法的流程图。
图2A是根据一示例性实施例示出的一种音频分类模型生成过程的示意图。
图2B是根据另一示例性实施例示出的一种音频分类模型生成过程的示意图。
图3是根据一示例性实施例示出的一种拼接音频表征确定方法的流程图。
图4是根据一示例性实施例示出的一种音频分类方法的流程图。
图5是根据一示例性实施例示出的一种音频分类模型生成装置的框图。
图6是根据一示例性实施例示出的一种音频分类装置的框图。
图7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
正如背景技术中论述的那样，通常非常见声音事件的训练集数据量都较小，直接使用这些训练数据训练得到的音频分类模型的分类效果通常会比较差。现阶段通常采用迁移学习的技术去解决该问题，主流的做法是利用大量的通用音频类别(例如，说话、唱歌、纯音乐)的数据集进行模型预训练，然后利用非常见声音事件的训练集数据对预训练后所得的模型进行微调。这样，最终得到的音频分类模型的结构与预训练后所得的模型是一致的，该结构可能不是最适合非常见音频的分类模型结构，并且，预训练后所得的模型通常是在较大规模数据上训练的通用大模型，大规模的迁移到非常见音频分类的小数据集上的时候很容易出现过拟合的问题，由此，就难以保证非常见音频的分类效果。
鉴于此，本公开提供一种分类模型生成方法、音频分类方法、装置、介质及设备。
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。
本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
图1是根据一示例性实施例示出的一种音频分类模型生成方法的流程图。如图1所示，该音频分类模型生成方法可以包括以下S101～S103。
在S101中，获取新类音频样本和新类音频样本的参考类别。
在本公开中，新类音频样本可以为非常见的音频类别(如野生动物叫声、雷声等)的音频数据。示例地，可以通过录音的方式来获取新类音频样本。新类音频样本的参考类别可以例如是野生动物叫声、雷声等。本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
如图2A和图2B所示，上述音频分类模型可以包括音频表征提取模块和分类器。其中，音频表征提取模块用于从输入的音频(例如，新类音频样本、待分类音频数据)中提取音频表征；分类器，与音频表征提取模块连接，用于根据输入到分类器中的音频表征，预测输入的音频的类别，即得到输入的音频的预测类别。
其中，如图2A和图2B所示，在音频分类模型训练阶段，输入到分类器中的音频表征为基于每一第一音频表征和音频表征提取模块输出的第二音频表征得到的拼接音频表征下文提到的拼接音频表征。在音频分类模型应用阶段，输入到分类器中的音频表征为音频表征提取模块从待分类音频数据中提取到的音频表征，即音频表征提取模块的输出。
在S102中，采用至少一个预训练模型中的每一预训练模型分别提取新类音频样本的第一音频表征。
在本公开中，预训练模型为基于基类音频样本训练的、用于音频分类的模型。其中，基类音频样本为通用(即常见)的音频类别(如说话、唱歌、纯音乐等)的音频数据，可以从较大规模的通用音频类别的数据集中获取基类音频样本。示例地，较大规模的通用音频类别的数据集可以采用开源的通用音频类别的数据集，如开源的数千小时量级的大规模音频分类数据集AudioSet，其包含500种以上的音频类别，这些大规模数据集的特点是其中的音频类别通常是常见的类别如说话、唱歌、纯音乐等。其中，预训练模型同样可以包括音频表征提取模块和分类器，其中，预训练模型中的音频表征提取模块与上述音频分类模型中的音频表征提取模块的结构可以相同，也可以不同，同样地，预训练模型中的分类器与上述音频分类模型中的分类器的结构可以相同，也可以不同，本公开不作限定。具体地，可以通过预训练模型的音频表征提取模块来提取新类音频样本的第一音频表征。
在一种实施方式中，如图2A所示，可以利用一个预训练模型中提取新类音频样本的第一音频表征。
在另一种实施方式中，可以利用多个预训练模型中的每一预训练模型来分别提取新类音频样本的第一音频表征，即得到多个第一音频表征，其中，多个预训练模型的结构互不相同。这样，可以将多个结构不同的预训练模型各自提取的音频表征均作为先验信息，以拼接的方式加入到用于新类音频分类的音频分类模型的训练流程中，从而保证非常见音频分类任务的分类效果。
示例地，如图2B所示，利用预训练模型A和预训练模型B分别提取新类音频样本的第一音频表征，得到第一音频表征A1和第一音频表征B1。
其中，可以根据通用音频类别的数据集训练得到预训练模型，也可以直接下载开源的通用音频分类模型，作为预训练模型，其中，这些开源的通用音频分类模型是基于通用音频类别的数据集事先训练好的。
在S103中，通过将新类音频样本作为音频表征提取模块的输入，将基于每一第一音频表征和音频表征提取模块输出的第二音频表征得到的拼接音频表征作为分类器的输入，将参考类别作为分类器的目标输出的方式进行模型训练，以得到音频分类模型。
在本公开中，在音频分类模型训练过程中，可以利用交叉熵损失函数和自适应矩估计(Adaptive Moment Estimation，Adam)优化器来进行模型参数更新，示例地，利用交叉熵损失函数和Adam优化器训练50个epoch(一个epoch意味着训练集中每一个新类音频样本都参与训练了一次)。交叉熵损失函数通过度量参考类别与分类器输出的预测类别之间的差异，完成误差计算；Adam优化器是一种基于梯度的优化算法，具有收敛速度快、计算高效、内存占用少等特点。
在上述技术方案中，将基于基类音频样本训练得到的预训练模型提取的音频表征作为先验信息，以拼接的方式加入到用于新类音频分类的音频分类模型的训练流程中，可以提升非常见音频分类任务的分类效果。并且，由于音频分类模型并非是在预训练模型基础上微调得到的，因此，音频分类模型的模型结构不需要与预训练模型的模型结构保持一致，由此，音频分类模型可以采用最适合非常见音频的分类模型结构，进一步提升非常见音频分类任务的分类效果。
如图2A和图2B所示，音频分类模型中的音频表征提取模块可以包括串联的特征提取器和编码器，其中，特征提取器用于提取输入的音频的音频特征，编码器用于对该音频特征进行编码，得到输入的音频的音频表征。
其中，音频特征可以例如是对数梅尔滤波器组特征、梅尔频率倒谱系数(Mel-scale Frequency Cepstral Coefficients，MFCC)特征、恒Q变换(Constant Q Transform，CQT)特征、基频特征等。
示例地，音频分类模型的编码器可以是一种神经网络模型，该神经网络模型可以包括串联的卷积神经网络和循环神经网络，其中，卷积神经网络可以包括4个依次连接的卷积神经网络块，循环神经网络与4个依次连接的卷积神经网络块中的最后一个卷积神经网络块连接，并且，每个卷积神经网络块包括依次连接的卷积层、批量归一化层和池化层。例如，卷积层的卷积核大小为3*3，4个依次连接的卷积神经网络块的卷积层通道数依次为64、128、256、512，池化层的池化大小为2*2。循环神经网络可以例如是单向长短期记忆神经网络(Long Short-Term Memory，LSTM)、双向长短期记忆神经网络(Bi-direction LongShort-Term Memory，Bi-LSTM)等，该循环神经网络的神经单元数为256。
音频分类模型的编码器(具体为上述循环神经网络)输出为[bs,T,emb1]大小的矩阵，即第二音频表征。其中，bs为批次大小(batch size)；T为第二音频表征的时间维度(即时间长度)，与新类音频样本的时长呈正相关关系；emb1为新类音频样本在每一时刻的音频表征向量的维度。示例地，emb1为256。
音频分类模型的分类器可以包括两层全连接层，第一层全连接层的神经单元数为256，第二层神经单元数为非常见音频的类别数。
下面针对上述拼接音频表征的确定方式进行详细说明，具体来说，可以通过图3中所示的S301和S302来得到拼接音频表征。
在S301中，针对每一第一音频表征，对该第一音频表征进行表征转换处理，以使得表征转换处理后所得的第一音频表征的时间维度与第二音频表征的时间维度一致。
在本公开中，预训练模型的音频表征提取与预训练模型本身的配置保持一致，包括特征、参数等，经过预训练模型提取到的第一音频表征为[bs,t,emb2]大小的矩阵。其中，t为第一音频表征的时间维度，与新类音频样本的时长呈正相关关系；emb2为新类音频样本在每一时刻的音频表征向量的维度。由于预训练模型提取特征的特征类型、参数，与上述音频分类模型可能不同，所以t与T可能不一致，emb2也是和预训练模型的配置相关，与emb1维度可能也不一致。为了能将各预训练模型提取到的第一音频表征与第二音频表征进行拼接，需要将各预训练模型提取到的第一音频表征分别进行表征转换，以使得表征转换处理后所得的第一音频表征的时间维度与第二音频表征的时间维度一致，即将各预训练模型提取到的第一音频表征均转换为[bs,T,emb2]大小的矩阵。
在S302中，将所有表征转换处理后所得的第一音频表征、第二音频表征进行拼接，得到拼接音频表征。
在一种实施方式中，上述至少一个预训练模型为一个，此时，可以将该一个预训练模型提取到的第一音频表征进行表征转换处理，之后，将表征转换处理后所得的第一音频表征与第二音频表征进行拼接，得到拼接音频表征。
在另一种实施方式中，上述至少一个预训练模型为多个，此时，可以将各第一预训练模型提取到的第一音频表征分别进行表征转换处理，之后，将所有表征转换处理后所得的第一音频表征、第二音频表征进行拼接，得到拼接音频表征。
示例地，如图2B所示，采用预训练模型A和预训练模型B分别提取新类音频表征的第一音频表征，得到第一音频表征A1和第一音频表征B1；此时，可以对第一音频表征A1、第一音频表征B1分别进行表征转换，得到表征转换处理后所得的第一音频表征A1、表征转换处理后所得的第一音频表征B1；之后，可以将表征转换处理后所得的第一音频表征A1、表征转换处理后所得的第一音频表征B1以及第二音频表征依次进行拼接，得到拼接音频表征。
下面针对上述S301中的对该第一音频表征进行表征转换处理的具体实施方式进行详细说明。具体来说，可以通过以下步骤(1)～步骤(3)来实现：
步骤(1)：在时间维度上对该第一音频表征进行特征平均处理。
具体来说，可以将[bs,t,emb2]大小的第一音频表征以t维度进行特征平均处理(即在t维度上求特征平均值)，得到[bs,emb2]大小的音频表征，即特征平均处理后所得的第一音频表征。
步骤(2)：对特征平均处理后所得的第一音频表征进行标准归一化处理。
对特征平均处理后所得的第一音频表征进行标准归一化处理，是指将特征平均处理后所得的第一音频表征(向量)中各元素归一化成均值为0、方差1的值。
步骤(3)：根据第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展。
具体来说，可以将标准归一化处理后所得的第一音频表征在时间维度上复制T次，即将[bs,emb2]大小的标准归一化处理后所得的第一音频表征在时间维度上复制T次，得到[bs,T,emb2]大小的矩阵，即表征转换处理后所得的第一音频表征。
另外，本公开还提供一种音频分类方法，如图4所示，该音频分类丰富可以包括S401和S402。
在S401中，获取待分类音频数据。
在S402中，将待分类音频数据输入到预先训练好的音频分类模型，得到待分类音频数据的目标类别。
其中，音频分类模型是根据本公开提供的上述音频分类模型生成方法生成的。
图5是根据一示例性实施例示出的一种音频分类模型生成装置的框图，其中，所述音频分类模型包括音频表征提取模块和分类器。如图5所示，该装置500包括：
第一获取模块501，用于获取新类音频样本和所述新类音频样本的参考类别；
提取模块502，用于采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；
模型生成模块503，用于通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
在上述技术方案中，将基于基类音频样本训练得到的预训练模型提取的音频表征作为先验信息，以拼接的方式加入到用于新类音频分类的音频分类模型的训练流程中，可以提升非常见音频分类任务的分类效果。并且，由于音频分类模型并非是在预训练模型基础上微调得到的，因此，音频分类模型的模型结构不需要与预训练模型的模型结构保持一致，由此，音频分类模型可以采用最适合非常见音频的分类模型结构，进一步提升非常见音频分类任务的分类效果。
可选地，所述模型生成模块503包括：
表征转换处理子模块，用于针对每一所述第一音频表征，对该第一音频表征进行表征转换处理，以使得表征转换处理后所得的第一音频表征的时间维度与所述第二音频表征的时间维度一致；
拼接子模块，将所有所述表征转换处理后所得的第一音频表征、所述第二音频表征进行拼接，得到所述拼接音频表征。
可选地，所述表征转换处理子模块包括：
特征平均处理子模块，用于在时间维度上对该第一音频表征进行特征平均处理；
标准归一化处理子模块，用于对特征平均处理后所得的第一音频表征进行标准归一化处理；
扩展子模块，用于根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展。
可选地，所述扩展子模块用于将标准归一化处理后所得的第一音频表征在时间维度上复制T次，其中，T为所述第二音频表征的时间维度。
可选地，所述预训练模型为多个。
图6是根据一示例性实施例示出的一种音频分类装置的框图。如图6所示，该装置600包括：
第二获取模块601，用于获取待分类音频数据；
音频分类模块602，用于将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据本公开提供的上述音频分类模型生成方法生成的。
本公开还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提供的上述音频分类模型生成方法的步骤或本公开提供的上述音频分类方法的步骤。
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(例如终端设备或服务器)700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700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700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700，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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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(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：获取新类音频样本和所述新类音频样本的参考类别，其中，音频分类模型包括音频表征提取模块和分类器；采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
或者，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：获取待分类音频数据；将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据本公开提供的所述音频分类模型生成方法生成的。
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，第一获取模块还可以被描述为“获取新类音频样本和所述新类音频样本的参考类别的模块”。
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提供了一种音频分类模型生成方法，所述音频分类模型包括音频表征提取模块和分类器，所述方法包括：获取新类音频样本和所述新类音频样本的参考类别；采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
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，所述拼接音频表征通过以下方式得到：针对每一所述第一音频表征，对该第一音频表征进行表征转换处理，以使得表征转换处理后所得的第一音频表征的时间维度与所述第二音频表征的时间维度一致；将所有所述表征转换处理后所得的第一音频表征、所述第二音频表征进行拼接，得到所述拼接音频表征。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述对该第一音频表征进行表征转换处理，包括：在时间维度上对该第一音频表征进行特征平均处理；对特征平均处理后所得的第一音频表征进行标准归一化处理；根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展。
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，所述根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展，包括：将标准归一化处理后所得的第一音频表征在时间维度上复制T次，其中，T为所述第二音频表征的时间维度。
根据本公开的一个或多个实施例，示例5提供了示例1-示例4中任一项的方法，所述预训练模型为多个。
根据本公开的一个或多个实施例，示例6提供了一种音频分类方法，包括：获取待分类音频数据；将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据示例1-5中任一项所述的音频分类模型生成方法生成的。
根据本公开的一个或多个实施例，示例7提供了一种音频分类模型生成装置，所述音频分类模型包括音频表征提取模块和分类器，所述装置包括：第一获取模块，用于获取新类音频样本和所述新类音频样本的参考类别；提取模块，用于采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；模型生成模块，用于通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
根据本公开的一个或多个实施例，示例8提供了示例7的装置，所述模型生成模块包括：表征转换处理子模块，用于针对每一所述第一音频表征，对该第一音频表征进行表征转换处理，以使得表征转换处理后所得的第一音频表征的时间维度与所述第二音频表征的时间维度一致；拼接子模块，将所有所述表征转换处理后所得的第一音频表征、所述第二音频表征进行拼接，得到所述拼接音频表征。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述表征转换处理子模块包括：特征平均处理子模块，用于在时间维度上对该第一音频表征进行特征平均处理；标准归一化处理子模块，用于对特征平均处理后所得的第一音频表征进行标准归一化处理；扩展子模块，用于根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述扩展子模块用于将标准归一化处理后所得的第一音频表征在时间维度上复制T次，其中，T为所述第二音频表征的时间维度。
根据本公开的一个或多个实施例，示例11提供了示例7-示例10中任一项的装置，所述预训练模型为多个。
根据本公开的一个或多个实施例，示例12提供了一种音频分类装置，包括：第二获取模块，用于获取待分类音频数据；音频分类模块，用于将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据示例1-5中任一项所述的音频分类模型生成方法生成的。
根据本公开的一个或多个实施例，示例13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1-6中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例14提供了一种电子设备，包括：存储装置，其上存储有至少一个计算机程序；至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现示例1-6中任一项所述方法的步骤。
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 (10)
1.一种音频分类模型生成方法，所述音频分类模型包括音频表征提取模块和分类器，其特征在于，所述方法包括：
获取新类音频样本和所述新类音频样本的参考类别；
采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；
通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
2.根据权利要求1所述的方法，其特征在于，所述拼接音频表征通过以下方式得到：
针对每一所述第一音频表征，对该第一音频表征进行表征转换处理，以使得表征转换处理后所得的第一音频表征的时间维度与所述第二音频表征的时间维度一致；
将所有所述表征转换处理后所得的第一音频表征、所述第二音频表征进行拼接，得到所述拼接音频表征。
3.根据权利要求2所述的方法，其特征在于，所述对该第一音频表征进行表征转换处理，包括：
在时间维度上对该第一音频表征进行特征平均处理；
对特征平均处理后所得的第一音频表征进行标准归一化处理；
根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二音频表征的时间维度，对标准归一化处理后所得的第一音频表征进行扩展，包括：
将标准归一化处理后所得的第一音频表征在时间维度上复制T次，其中，T为所述第二音频表征的时间维度。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述预训练模型为多个。
6.一种音频分类方法，其特征在于，包括：
获取待分类音频数据；
将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据权利要求1-5中任一项所述的音频分类模型生成方法生成的。
7.一种音频分类模型生成装置，所述音频分类模型包括音频表征提取模块和分类器，其特征在于，所述装置包括：
第一获取模块，用于获取新类音频样本和所述新类音频样本的参考类别；
提取模块，用于采用至少一个预训练模型中的每一所述预训练模型分别提取所述新类音频样本的第一音频表征，其中，所述预训练模型为基于基类音频样本训练的、用于音频分类的模型；
模型生成模块，用于通过将所述新类音频样本作为所述音频表征提取模块的输入，将基于每一所述第一音频表征和所述音频表征提取模块输出的第二音频表征得到的拼接音频表征作为所述分类器的输入，将所述参考类别作为所述分类器的目标输出的方式进行模型训练，以得到所述音频分类模型。
8.一种音频分类装置，其特征在于，包括：
第二获取模块，用于获取待分类音频数据；
音频分类模块，用于将所述待分类音频数据输入到预先训练好的音频分类模型，得到所述待分类音频数据的目标类别，其中，所述音频分类模型是根据权利要求1-5中任一项所述的音频分类模型生成方法生成的。
9.一种计算机可读介质，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1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有至少一个计算机程序；
至少一个处理装置，用于执行所述存储装置中的所述至少一个计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270885.6A CN116364066A (zh) | 2023-03-16 | 2023-03-16 | 分类模型生成方法、音频分类方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270885.6A CN116364066A (zh) | 2023-03-16 | 2023-03-16 | 分类模型生成方法、音频分类方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116364066A true CN116364066A (zh) | 2023-06-30 |
Family
ID=86926716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310270885.6A Pending CN116364066A (zh) | 2023-03-16 | 2023-03-16 | 分类模型生成方法、音频分类方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116364066A (zh) |
-
2023
- 2023-03-16 CN CN202310270885.6A patent/CN116364066A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111883117B (zh) | 语音唤醒方法及装置 | |
| CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
| CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
| CN116663609A (zh) | 模型训练方法、装置、设备及存储介质 | |
| CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
| CN112382266B (zh) | 一种语音合成方法、装置、电子设备及存储介质 | |
| CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
| CN117319705A (zh) | 视频生成方法、装置、介质及电子设备 | |
| CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
| CN116244431A (zh) | 文本分类方法、装置、介质及电子设备 | |
| CN116092092A (zh) | 匹配方法、装置、介质及电子设备 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN112257459B (zh) | 语言翻译模型的训练方法、翻译方法、装置和电子设备 | |
| CN116364066A (zh) | 分类模型生成方法、音频分类方法、装置、介质及设备 | |
| CN116343905B (zh) | 蛋白质特征的预处理方法、装置、介质及设备 | |
| CN114760494B (zh) | 视频处理方法、装置、可读介质及电子设备 | |
| CN116312619A (zh) | 语音活动检测模型生成方法、装置、介质及电子设备 | |
| CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 | |
| CN116504269A (zh) | 发音评价方法、装置、可读介质及电子设备 | |
| CN115938470B (zh) | 蛋白质特征预处理方法、装置、介质及设备 | |
| CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
| CN117726480B (zh) | 基于数字化虚拟评标室的电力设备获取方法 | |
| CN111933122B (zh) | 语音识别方法、装置、电子设备和计算机可读介质 | |
| CN116844548A (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 |