一种基于深度学习的音频自动化标注方法技术

本发明专利技术涉及一种音频标注方法，特别涉及一种基于深度学习的音频自动化标注方法。一种基于深度学习的音频自动化标注方法，包括以下实现步骤：输入原始音频文件，通过音频预处理，得到若干个原始语谱图片段；将所述原始语谱图片段输入卷积神经网络中进行训练，构建深度学习模型；输入待标注音频文件，通过音频预处理，得到若干个待标注语谱图片段；基于所述深度学习模型，将所述待标注语谱图片段进行音频标注。本发明专利技术利用卷积神经网络训练音频深度学习网络，实现音频自动化标注方法，相比于传统的人工标注方式，提高了标注准确率，提升了音频标注效率。

【技术实现步骤摘要】
一种基于深度学习的音频自动化标注方法
本专利技术涉及一种音频标注方法，特别涉及一种基于深度学习的音频自动化标注方法。
技术介绍
音频的结构化表示是MIR(MusicInformationRetrieval音乐信息检索)中的重要问题，它主要是从音频信号本身提取特征，实现对音频的检索。传统的依靠专家只是提取音色、旋律、节奏的方式不能够完整描绘音频细节，无法实现自动标注，准确率较低。
技术实现思路
本专利技术的目的在于克服现有技术中所存在的上述不足，提供一种利用卷积神经网络训练音频深度学习网络，构建深度学习模型，并利用最大投票算法实现音频自动化标注方法。为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于深度学习的音频自动化标注方法，包括以下实现步骤：S1、输入原始音频文件，通过音频预处理，得到若干个原始语谱图片段；S2、将所述原始语谱图片段输入卷积神经网络中进行训练，构建深度学习模型；S3、输入待标注音频文件，通过音频预处理，得到若干个待标注语谱图片段；S4、基于所述深度学习模型，将所述待标注语谱图片段进行音频标注。作为本专利技术实施例的优选，所述原始音频文件为现有曲库音频文件。本文档来自技高网...

【技术保护点】
一种基于深度学习的音频自动化标注方法，其特征在于，包括以下实现步骤：S1、输入原始音频文件，通过音频预处理，得到若干个原始语谱图片段；S2、将所述原始语谱图片段输入卷积神经网络中进行训练，构建深度学习模型；S3、输入待标注音频文件，通过音频预处理，得到若干个待标注语谱图片段；S4、基于所述深度学习模型，将所述待标注语谱图片段进行音频标注。

【技术特征摘要】
1.一种基于深度学习的音频自动化标注方法，其特征在于，包括以下实现步骤：S1、输入原始音频文件，通过音频预处理，得到若干个原始语谱图片段；S2、将所述原始语谱图片段输入卷积神经网络中进行训练，构建深度学习模型；S3、输入待标注音频文件，通过音频预处理，得到若干个待标注语谱图片段；S4、基于所述深度学习模型，将所述待标注语谱图片段进行音频标注。2.根据权利要求1所述的音频自动化标注方法，其特征在于，所述原始音频文件为现有曲库音频文件。3.根据权利要求1所述的音频自动化标注方法，其特征在于，步骤S1和S3所述的音频预处理的实现步骤为：S100、去除音频文件音频头部和尾部静音段，得到初始音频文件；S200、将所述初始音频文件进行分帧、加窗；S300、对于所述初始音频文件分帧后的每一帧进行快速傅里叶变换，然后按照时间t顺序拼接，得到二维矩阵；S400、将所述二维矩阵的频率轴刻转换为梅尔刻度；S500、将所述二维矩阵中的能量值取对数，并归一化到分贝刻度，通过取整，负数值变为0，得到梅尔语谱图；S600、将所述梅尔语谱图切片，得到若干语图谱片段。4.根据权利要求3所述的音频自动化标注方法，其特征在于，步骤S200中，所述初始音频文件进行分帧的过程为：对于采样率kHz的所述初始音频文件，设置其帧大小为a，帧移为b，将所述初始音频文件分割为帧。5.根据权利要求3所述的音频自动化标注方法，其特征在于，步骤S600中将所述梅尔语谱图切片，得到若干语图谱片段的过程为：所述梅尔语谱图为长为T，宽为F的二维矩阵，设置切片大小为S，得到在T方向上将二维矩阵切成T/S个矩阵，并舍弃长度小于S的矩阵。6...

【专利技术属性】
技术研发人员：尹学渊，江天宇，
申请(专利权)人：成都嗨翻屋文化传播有限公司，
类型：发明
国别省市：四川,51