CN116645974A - 音乐识别方法、音乐识别装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种音乐识别方法、音乐识别装置、电子设备及存储介质，属于人工智能技术领域。方法包括：获取音乐数据，音乐数据包括目标音乐的音频数据和歌词文本数据；对音频数据进行特征提取，得到目标音乐音频特征，目标音乐音频特征包含目标音乐的韵律特点；对歌词文本数据进行上下文提取，得到目标音乐歌词特征，目标音乐歌词特征包含目标音乐的文本内容特点；对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；基于候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；基于候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别。本申请能提高音乐识别的准确性。

Description

音乐识别方法、音乐识别装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种音乐识别方法、音乐识别装置、电子设备及存储介质。

背景技术

目前，在很多的音乐识别过程中常常采用人工提取特征的方式对音乐的流派、情感等进行识别，这一方式往往会存在着特征提取不全面等问题，影响音乐识别的准确性，因此，如何提高音乐识别的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种音乐识别方法、音乐识别装置、电子设备及存储介质，旨在提高音乐识别的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种音乐识别方法，所述方法包括：

获取目标音乐的音乐数据，其中，所述音乐数据包括所述目标音乐的音频数据和歌词文本数据；

对所述音频数据进行音频特征提取，得到目标音乐音频特征，其中，所述目标音乐音频特征包含所述目标音乐的韵律特点；

对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，所述目标音乐歌词特征包含所述目标音乐的文本内容特点；

对所述目标音乐音频特征和所述目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别；

基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别。

在一些实施例，所述对所述音频数据进行音频特征提取，得到目标音乐音频特征，包括：

对所述音频数据进行频谱变换，得到初始音乐频谱图；

对所述初始音乐频谱图进行滤波处理，得到目标音乐频谱图；

基于预设的音频特征提取网络对所述目标音乐频谱图进行特征提取，得到所述目标音乐音频特征，其中，所述音频特征提取网络为深度可分离卷积神经网络。

在一些实施例，所述音频特征提取网络包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层，所述基于预设的音频特征提取网络对所述目标音乐频谱图进行特征提取，得到所述目标音乐音频特征，包括：

基于所述第一卷积层对所述目标音乐频谱图进行第一卷积处理，得到第一音频特征；

基于所述第二卷积层对所述第一音频特征进行第二卷积处理，得到第二音频特征；

基于所述第三卷积层对所述第二音频特征进行第三卷积处理，得到第三音频特征；

基于所述第四卷积层对所述第三音频特征进行第四卷积处理，得到第四音频特征；

对所述目标音乐频谱图和所述第四音频特征进行特征相加，得到所述目标音乐音频特征。

在一些实施例，所述对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，包括：

对所述歌词文本数据进行词嵌入处理，得到歌词文本嵌入特征；

基于预设的文本特征提取网络对所述歌词文本嵌入特征进行上下文本提取，得到所述目标音乐歌词特征。

在一些实施例，所述基于预设的文本特征提取网络对所述歌词文本嵌入特征进行上下文本提取，得到所述目标音乐歌词特征，包括：

基于所述文本特征提取网络对所述歌词文本嵌入特征进行正向编码，得到第一歌词编码特征；

基于所述文本特征提取网络对所述歌词文本嵌入特征进行反向编码，得到第二歌词编码特征；

对所述第一歌词编码特征和所述第一歌词编码特征进行特征拼接，得到所述目标音乐歌词特征。

在一些实施例，所述基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别，包括：

基于预设的音乐流派分类器和所述候选音乐流派标签对所述目标音乐表征特征进行音乐流派评分，得到所述目标音乐在所述候选音乐流派标签上的流派分值；

从所述流派分值筛选出最大的流派分值作为第一目标分值；

根据所述第一目标分值从所述候选音乐流派标签筛选出目标音乐流派标签，并根据所述目标音乐流派标签，得到所述目标流派类别。

在一些实施例，所述基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别，包括：

基于预设的音乐情感分类器和所述候选音乐情感标签对所述目标音乐表征特征进行音乐情感评分，得到所述目标音乐在所述候选音乐情感标签上的情感分值；

从所述情感分值筛选出最大的情感分值作为第二目标分值；

根据所述第二目标分值从所述候选音乐情感标签筛选出目标音乐情感标签，并根据所述目标音乐情感标签，得到所述目标情感类别。

为实现上述目的，本申请实施例的第二方面提出了一种音乐识别装置，所述装置包括：

数据获取模块，用于获取目标音乐的音乐数据，其中，所述音乐数据包括所述目标音乐的音频数据和歌词文本数据；

音频特征提取模块，用于对所述音频数据进行音频特征提取，得到目标音乐音频特征，其中，所述目标音乐音频特征包含所述目标音乐的韵律特点；

文本特征提取模块，用于对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，所述目标音乐歌词特征包含所述目标音乐的文本内容特点；

特征拼接模块，用于对所述目标音乐音频特征和所述目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

流派识别模块，用于基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别；

情感识别模块，用于基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的音乐识别方法、音乐识别装置、电子设备及存储介质，其通过获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点，这一方式能够较为方便地将音频数据转换为频谱特征，提高获取到的音乐音频特征的特征质量；并对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点，使得能够利用目标音乐歌词特征来进行音乐识别。进一步地，对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征，能够使得得到的目标音乐表征特征既包含目标音乐的歌词信息和音频信息，能够有效地提高目标音乐表征特征的信息丰富性。最后，基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别，能够实现音乐的多任务识别，提高音乐流派的识别准确性和音乐情感的识别准确性。

附图说明

图1是本申请实施例提供的音乐识别方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图2中的步骤S203的流程图；

图4是图1中的步骤S103的流程图；

图5是图4中的步骤S402的流程图；

图6是图1中的步骤S105的流程图；

图7是图1中的步骤S106的流程图；

图8是本申请实施例提供的音乐识别装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

傅里叶变换：表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。在不同的研究领域，傅立叶变换具有多种不同的变体形式，如连续傅立叶变换和离散傅立叶变换。

梅尔倒频谱系数(Mel-Frequency Cipstal Coefficients,MFCC)：是一组用来建立梅尔倒频谱的关键系数。由音乐信号当中的片段，可以得到一组足以代表此音乐信号的倒频谱，而梅尔倒频谱系数即是从这个倒频谱中推得的倒频谱(也就是频谱的频谱)。与一般的倒频谱不同，梅尔倒频谱最大的特色在于梅尔倒频谱上的频带是均匀分布于梅尔刻度上的，也就是说，相较于一般所看到、线性的倒频谱表示方法，这样的频带会和人类非线性的听觉系统(Audio System)更为接近。例如：在音讯压缩的技术中，常常使用梅尔倒频谱来处理。

Softmax函数：Softmax函数是归一化指数函数。

目前，在很多的音乐识别过程中常常采用人工提取特征的方式对音乐的流派、情感等进行识别，这一方式往往会存在着特征提取不全面等问题，影响音乐识别的准确性，因此，如何提高音乐识别的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种音乐识别方法、音乐识别装置、电子设备及存储介质，旨在提高音乐识别的准确性。

本申请实施例提供的音乐识别方法、音乐识别装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的音乐识别方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的音乐识别方法，涉及人工智能技术领域。本申请实施例提供的音乐识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现音乐识别方法的应用等，但并不局限于以上形式。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的音乐识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；

步骤S102，对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点；

步骤S103，对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点；

步骤S104，对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

步骤S105，基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；

步骤S106，基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别。

本申请实施例所示意的步骤S101至步骤S106，通过获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点，这一方式能够较为方便地将音频数据转换为频谱特征，提高获取到的音乐音频特征的特征质量；并对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点，使得能够利用目标音乐歌词特征来进行音乐识别。进一步地，对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征，能够使得得到的目标音乐表征特征既包含目标音乐的歌词信息和音频信息，能够有效地提高目标音乐表征特征的信息丰富性。最后，基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别，能够实现音乐的多任务识别，提高音乐流派的识别准确性和音乐情感的识别准确性。

在一些实施例的步骤S101中，可以从预设的音乐数据库中提取目标音乐的音乐数据，或者通过网络平台下载等方式获取目标音乐的音乐数据，还可以基于其他方式获取目标音乐的音乐数据，不限于此。其中，音乐数据包括目标音乐的音频数据和歌词文本数据。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S203：

步骤S201，对音频数据进行频谱变换，得到初始音乐频谱图；

步骤S202，对初始音乐频谱图进行滤波处理，得到目标音乐频谱图；

步骤S203，基于预设的音频特征提取网络对目标音乐频谱图进行特征提取，得到目标音乐音频特征，其中，音频特征提取网络为深度可分离卷积神经网络。

在一些实施例的步骤S201中，可以基于短时傅里叶变换等对音频数据进行频谱变换，将音频数据由时域空间转换到频域空间，得到初始音乐频谱图。例如，对音频数据进行信号分帧加窗处理，得到多帧音频片段，再对每一帧音频片段进行短时傅里叶变换，将音频片段的时域特征转换为频域特征，最后，在时间维度上将每一帧频谱特征进行堆叠处理，得到初始音乐频谱图，其中，每一帧音频片段的帧长、帧移可以根据实际情况设置，不做限制。例如，音频片段的帧长为10ms，帧移为5ms。

在一些实施例的步骤S202中，为了提高音乐频谱图的质量，还可以利用预设的滤波器对初始音乐频谱图进行滤波处理，得到目标音乐频谱图，其中，预设的滤波器可以是梅尔倒谱滤波器等等，不做限制。以64维的梅尔倒谱滤波器为例，先利用梅尔倒谱滤波器对初始音乐频谱图进行对数运算，得到初始对数谱，再对初始对数谱进行傅里叶反变换处理，得到目标梅尔倒谱。将该目标梅尔倒谱作为目标音乐频谱图。

在一些实施例的步骤S203中，基于预设的音频特征提取网络对目标音乐频谱图进行特征提取，得到目标音乐音频特征，其中，音频特征提取网络为深度可分离卷积神经网络，该音频特征提取网络包括四个卷积层，即第一卷积层、第二卷积层、第三卷积层以及第四卷积层，利用第一卷积层、第二卷积层、第三卷积层以及第四卷积层依次对目标音乐音频特征进行特征提取，上一个卷积层的输出作为下一个卷积层的输出，将最后的第四卷积层的输出作为目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点。这一方式能够使得在不改变特征提取准确性的前提下，降低音频特征提取网络的参数量和计算量，使得本申请的音乐识别方法能够被部署至移动端，提高了音乐识别方法的适用性。

通过上述步骤S201至步骤S203能够较为方便地将音频数据由时域特征转换为频谱特征，并对频域特征进行滤波处理，能够提高获取到的音乐音频特征的特征质量，有利于基于目标音乐音频特征来对目标音乐的流派类别和情感类别进行识别，提高音乐识别的准确性。

请参阅图3，在一些实施例中，音频特征提取网络包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层，步骤S203可以包括但不限于包括步骤S301至步骤S305：

步骤S301，基于第一卷积层对目标音乐频谱图进行第一卷积处理，得到第一音频特征；

步骤S302，基于第二卷积层对第一音频特征进行第二卷积处理，得到第二音频特征；

步骤S303，基于第三卷积层对第二音频特征进行第三卷积处理，得到第三音频特征；

步骤S304，基于第四卷积层对第三音频特征进行第四卷积处理，得到第四音频特征；

步骤S305，对目标音乐频谱图和第四音频特征进行特征相加，得到目标音乐音频特征。

在一些实施例的步骤S301中，基于第一卷积层对目标音乐频谱图进行第一卷积处理，提取目标音乐频谱图的浅层音乐特征，得到第一音频特征，其中，第一卷积层的卷积核尺寸为1×1。

在一些实施例的步骤S302中，基于第二卷积层对第一音频特征进行第二卷积处理，该第二卷积过程是深度卷积过程，能够实现对第一音频特征的深层特征提取，从而得到第二音频特征，其中，第二卷积层的卷积核尺寸为1×3。

在一些实施例的步骤S303中，基于第三卷积层对第二音频特征进行第三卷积处理，该第三卷积过程是逐点卷积过程，能够实现对第二音频特征的通道调整，增加第二音频特征的通道数，从而得到第三音频特征，其中，第三卷积层的卷积核尺寸为3×1。

在一些实施例的步骤S304中，基于第四卷积层对第三音频特征进行第四卷积处理，提取第三音频特征的全部音乐特征信息，得到第四音频特征，其中，第四卷积层的卷积核尺寸为1×1。

在一些实施例的步骤S305中，在对目标音乐频谱图和第四音频特征进行特征相加时，可以将目标音乐频谱图和第四音频特征进行向量相加，得到目标音乐音频特征，这一方式能够使得得到的目标音乐音频特征既包含目标音乐的全部音频特征信息也可以包含重要的局部音频特征信息，能够有效地提高特征信息的提取全面性。

通过上述步骤S301至步骤S305能够使得在不改变特征提取准确性的前提下，降低音频特征提取网络的参数量和计算量，从而使得本申请的音乐识别方法的整体计算量降低，使得该音乐识别方法以及该音乐识别方法所依托的网络模型能够被部署至移动端，提高了音乐识别方法的适用性。

请参阅图4，在一些实施例中，步骤S103可以包括但不限于包括步骤S401至步骤S402：

步骤S401，对歌词文本数据进行词嵌入处理，得到歌词文本嵌入特征；

步骤S402，基于预设的文本特征提取网络对歌词文本嵌入特征进行上下文本提取，得到目标音乐歌词特征。

在一些实施例的步骤S401中，在对歌词文本数据进行词嵌入处理时，将歌词文本数据中的文本词段从高维空间嵌入至一个预设的低维连续向量空间，将歌词文本数据中的文本词段转换为实数域的向量，得到歌词文本嵌入特征。

需要说明的是，当目标音乐为纯音乐时，歌词文本数据为空，即没有歌词，因此，歌词文本嵌入特征为0。

在一些实施例的步骤S402中，预设的文本特征提取网络可以是双向长短时记忆网络，基于文本特征提取网络对歌词文本嵌入特征进行双向编码，从而实现对歌词文本嵌入特征的上下文内容提取，将提取到的文本内容特征作为目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点。

通过上述步骤S401至步骤S402能够较为方便地将歌词文本数据嵌入至预设的低维连续向量空间，得到歌词文本数据的向量表示(即歌词文本嵌入特征)，并基于歌词文本嵌入特征来提取出目标音乐的文本内容信息，得到目标音乐歌词特征，使得能够利用目标音乐歌词特征来进行音乐识别，将目标音乐歌词特征中包含的音乐情感以及音乐流派用于音乐识别，能够提高音乐情感和音乐流派的识别精度。

请参阅图5，在一些实施例中，步骤S402可以包括但不限于包括步骤S501至步骤S503：

步骤S501，基于文本特征提取网络对歌词文本嵌入特征进行正向编码，得到第一歌词编码特征；

步骤S502，基于文本特征提取网络对歌词文本嵌入特征进行反向编码，得到第二歌词编码特征；

步骤S503，对第一歌词编码特征和第一歌词编码特征进行特征拼接，得到目标音乐歌词特征。

在一些实施例的步骤S501中，在基于文本特征提取网络对歌词文本嵌入特征进行正向编码，可以按照从左到右的顺序对歌词文本嵌入特征依次进行特征编码，提取歌词文本嵌入特征中的文本序列信息和文本内容信息，得到第一歌词编码特征。

在一些实施例的步骤S502中，在基于文本特征提取网络对歌词文本嵌入特征进行反向编码，可以按照从右到左的顺序对歌词文本嵌入特征依次进行特征编码，提取歌词文本嵌入特征中的文本序列信息和文本内容信息，得到第二歌词编码特征。

在一些实施例的步骤S503中，在对第一歌词编码特征和第一歌词编码特征进行特征拼接时，可以直接将第一歌词编码特征和第一歌词编码特征进行向量拼接，得到目标音乐歌词特征。

通过上述步骤S501至步骤S503能够较为方便地对歌词文本嵌入特征进行上下文信息提取，并根据每个歌词文本嵌入特征的上下文信息，构建出能够表征歌词文本数据的文本内容信息和文本序列信息的目标音乐歌词特征，使得能够利用目标音乐歌词特征来进行音乐识别，将目标音乐歌词特征中包含的音乐情感以及音乐流派用于音乐识别，能够提高音乐情感和音乐流派的识别精度。相较于传统技术中仅仅是基于音乐的音频信息进行音乐识别，本申请实施例的音乐识别方法具备更好的音乐识别效果。

在一些实施例的步骤S104中，在对目标音乐音频特征和目标音乐歌词特征进行特征拼接时，可以直接将目标音乐音频特征和目标音乐歌词特征进行向量拼接，得到目标音乐表征特征。这一方式能够使得得到的目标音乐表征特征既包含目标音乐的歌词信息和音频信息，能够有效地提高目标音乐表征特征的信息丰富性，使得能够将包含更多地音乐信息的目标音乐表征特征用于音乐流派识别和音乐情感识别等音乐识别任务，有效地提高音乐识别的准确性。

请参阅图6，在一些实施例，步骤S105包括但不限于包括步骤S601至步骤S603：

步骤S601，基于预设的音乐流派分类器和候选音乐流派标签对目标音乐表征特征进行音乐流派评分，得到目标音乐在候选音乐流派标签上的流派分值；

步骤S602，从流派分值筛选出最大的流派分值作为第一目标分值；

步骤S603，根据第一目标分值从候选音乐流派标签筛选出目标音乐流派标签，并根据目标音乐流派标签，得到目标流派类别。

在一些实施例的步骤S601中，该音乐流派分类器可以是softmax分类器等等，不做限制。以softmax分类器为例，基于softmax分类器创建目标音乐表征特征在每一候选音乐流派标签上的概率分布，实现对目标音乐表征特征的音乐流派评分，将每一候选音乐流派标签的概率分布向量作为目标音乐在候选音乐流派标签上的流派分值。

在一些实施例的步骤S602中，由于流派分值的大小可以直接反映出目标音乐属于每一候选音乐流派标签的可能性，即流派分值越大，目标音乐中的流派特征更偏向于该流派分值对应的候选音乐流派标签。因此，可以从流派分值筛选出最大的流派分值作为第一目标分值。

在一些实施例的步骤S603中，在确定第一目标分值之后，根据第一目标分值对候选音乐流派标签进行筛选，选取第一目标分值对应的候选音乐流派标签作为目标音乐流派标签，并将该目标音乐流派标签作为目标流派类别，该目标音乐流派标签能够用于表征目标音乐的音乐流派类别。

需要说明的是，候选音乐流派标签包括流行音乐、摇滚音乐、民谣音乐、电子音乐、轻音乐、布鲁斯音乐等等，可以根据实际需求设置，不限于此。

通过上述步骤S601至步骤S603能够清楚地根据目标音乐的目标音乐表征特征来判断该目标音乐的流派类别，能够实现基于目标音乐表征特征来预测该目标音乐在每一个候选音乐流派标签上的概率分布大小，以流派分值来量化出目标音乐中表征的流派信息属于每一候选音乐流派标签的可能性，能够较好地提高对音乐流派的识别准确性。

请参阅图7，在一些实施例中，步骤S106可以包括但不限于包括步骤S701至步骤S703：

步骤S701，基于预设的音乐情感分类器和候选音乐情感标签对目标音乐表征特征进行音乐情感评分，得到目标音乐在候选音乐情感标签上的情感分值；

步骤S702，从情感分值筛选出最大的情感分值作为第二目标分值；

步骤S703，根据第二目标分值从候选音乐情感标签筛选出目标音乐情感标签，并根据目标音乐情感标签，得到目标情感类别。

在一些实施例的步骤S701中，该音乐情感分类器可以是softmax分类器等等，不做限制。以softmax分类器为例，基于softmax分类器创建目标音乐表征特征在每一候选音乐情感标签上的概率分布，实现对目标音乐表征特征的音乐情感评分，将每一候选音乐情感标签的概率分布向量作为目标音乐在候选音乐情感标签上的情感分值。

在一些实施例的步骤S702中，由于情感分值的大小可以直接反映出目标音乐属于每一候选音乐情感标签的可能性，即情感分值越大，目标音乐中的情感特征更偏向于该情感分值对应的候选音乐情感标签。因此，可以从情感分值筛选出最大的情感分值作为第二目标分值。

在一些实施例的步骤S703中，在确定第二目标分值之后，根据第二目标分值对候选音乐情感标签进行筛选，选取第二目标分值对应的候选音乐情感标签作为目标音乐情感标签，并将该目标音乐情感标签作为目标情感类别，该目标音乐情感标签能够用于表征目标音乐的音乐情感类别。

需要说明的是，候选音乐情感标签包括怀旧、思念、快乐、孤独、伤感等等，可以根据实际需求设置，不限于此。

通过上述步骤S701至步骤S703能够清楚地根据目标音乐的目标音乐表征特征来判断该目标音乐的情感类别，能够实现基于目标音乐表征特征来预测该目标音乐在每一个候选音乐情感标签上的概率分布大小，以情感分值来量化出目标音乐中表征的情感信息属于每一候选音乐情感标签的可能性，能够较好地提高对音乐情感的识别准确性。

本申请实施例的音乐识别方法，其通过获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点，这一方式能够较为方便地将音频数据转换为频谱特征，提高获取到的音乐音频特征的特征质量；并对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点，使得能够利用目标音乐歌词特征来进行音乐识别。进一步地，对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征，能够使得得到的目标音乐表征特征既包含目标音乐的歌词信息和音频信息，能够有效地提高目标音乐表征特征的信息丰富性。最后，基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别，能够实现音乐的多任务识别，提高音乐流派的识别准确性和音乐情感的识别准确性。

请参阅图8，本申请实施例还提供一种音乐识别装置，可以实现上述音乐识别方法，该装置包括：

数据获取模块801，用于获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；

音频特征提取模块802，用于对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点；

文本特征提取模块803，用于对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点；

特征拼接模块804，用于对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

流派识别模块805，用于基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；

情感识别模块806，用于基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别。

该音乐识别装置的具体实施方式与上述音乐识别方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述音乐识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的音乐识别方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述音乐识别方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。

本申请实施例提供的音乐识别方法、音乐识别装置、电子设备及计算机可读存储介质，其通过获取目标音乐的音乐数据，其中，音乐数据包括目标音乐的音频数据和歌词文本数据；对音频数据进行音频特征提取，得到目标音乐音频特征，其中，目标音乐音频特征包含目标音乐的韵律特点，这一方式能够较为方便地将音频数据转换为频谱特征，提高获取到的音乐音频特征的特征质量；并对歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，目标音乐歌词特征包含目标音乐的文本内容特点，使得能够利用目标音乐歌词特征来进行音乐识别。进一步地，对目标音乐音频特征和目标音乐歌词特征进行特征拼接，得到目标音乐表征特征，能够使得得到的目标音乐表征特征既包含目标音乐的歌词信息和音频信息，能够有效地提高目标音乐表征特征的信息丰富性。最后，基于预设的候选音乐流派标签对目标音乐表征特征进行流派识别，得到目标音乐的目标流派类别；基于预设的候选音乐情感标签对目标音乐表征特征进行情感识别，得到目标音乐的目标情感类别，能够实现音乐的多任务识别，提高音乐流派的识别准确性和音乐情感的识别准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种音乐识别方法，其特征在于，所述方法包括：

获取目标音乐的音乐数据，其中，所述音乐数据包括所述目标音乐的音频数据和歌词文本数据；

对所述音频数据进行音频特征提取，得到目标音乐音频特征，其中，所述目标音乐音频特征包含所述目标音乐的韵律特点；

对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，所述目标音乐歌词特征包含所述目标音乐的文本内容特点；

对所述目标音乐音频特征和所述目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别；

基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别。

2.根据权利要求1所述的音乐识别方法，其特征在于，所述对所述音频数据进行音频特征提取，得到目标音乐音频特征，包括：

对所述音频数据进行频谱变换，得到初始音乐频谱图；

对所述初始音乐频谱图进行滤波处理，得到目标音乐频谱图；

基于预设的音频特征提取网络对所述目标音乐频谱图进行特征提取，得到所述目标音乐音频特征，其中，所述音频特征提取网络为深度可分离卷积神经网络。

3.根据权利要求2所述的音乐识别方法，其特征在于，所述音频特征提取网络包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层，所述基于预设的音频特征提取网络对所述目标音乐频谱图进行特征提取，得到所述目标音乐音频特征，包括：

基于所述第一卷积层对所述目标音乐频谱图进行第一卷积处理，得到第一音频特征；

基于所述第二卷积层对所述第一音频特征进行第二卷积处理，得到第二音频特征；

基于所述第三卷积层对所述第二音频特征进行第三卷积处理，得到第三音频特征；

基于所述第四卷积层对所述第三音频特征进行第四卷积处理，得到第四音频特征；

对所述目标音乐频谱图和所述第四音频特征进行特征相加，得到所述目标音乐音频特征。

4.根据权利要求1所述的音乐识别方法，其特征在于，所述对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，包括：

对所述歌词文本数据进行词嵌入处理，得到歌词文本嵌入特征；

基于预设的文本特征提取网络对所述歌词文本嵌入特征进行上下文本提取，得到所述目标音乐歌词特征。

5.根据权利要求4所述的音乐识别方法，其特征在于，所述基于预设的文本特征提取网络对所述歌词文本嵌入特征进行上下文本提取，得到所述目标音乐歌词特征，包括：

基于所述文本特征提取网络对所述歌词文本嵌入特征进行正向编码，得到第一歌词编码特征；

基于所述文本特征提取网络对所述歌词文本嵌入特征进行反向编码，得到第二歌词编码特征；

对所述第一歌词编码特征和所述第一歌词编码特征进行特征拼接，得到所述目标音乐歌词特征。

6.根据权利要求1所述的音乐识别方法，其特征在于，所述基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别，包括：

基于预设的音乐流派分类器和所述候选音乐流派标签对所述目标音乐表征特征进行音乐流派评分，得到所述目标音乐在所述候选音乐流派标签上的流派分值；

从所述流派分值筛选出最大的流派分值作为第一目标分值；

根据所述第一目标分值从所述候选音乐流派标签筛选出目标音乐流派标签，并根据所述目标音乐流派标签，得到所述目标流派类别。

7.根据权利要求1至6任一项所述的音乐识别方法，其特征在于，所述基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别，包括：

基于预设的音乐情感分类器和所述候选音乐情感标签对所述目标音乐表征特征进行音乐情感评分，得到所述目标音乐在所述候选音乐情感标签上的情感分值；

从所述情感分值筛选出最大的情感分值作为第二目标分值；

根据所述第二目标分值从所述候选音乐情感标签筛选出目标音乐情感标签，并根据所述目标音乐情感标签，得到所述目标情感类别。

8.一种音乐识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取目标音乐的音乐数据，其中，所述音乐数据包括所述目标音乐的音频数据和歌词文本数据；

音频特征提取模块，用于对所述音频数据进行音频特征提取，得到目标音乐音频特征，其中，所述目标音乐音频特征包含所述目标音乐的韵律特点；

文本特征提取模块，用于对所述歌词文本数据进行上下文提取，得到目标音乐歌词特征，其中，所述目标音乐歌词特征包含所述目标音乐的文本内容特点；

特征拼接模块，用于对所述目标音乐音频特征和所述目标音乐歌词特征进行特征拼接，得到目标音乐表征特征；

流派识别模块，用于基于预设的候选音乐流派标签对所述目标音乐表征特征进行流派识别，得到所述目标音乐的目标流派类别；

情感识别模块，用于基于预设的候选音乐情感标签对所述目标音乐表征特征进行情感识别，得到所述目标音乐的目标情感类别。

9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的音乐识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的音乐识别方法。