一种音频处理方法、装置、计算机设备以及存储介质制造方法及图纸

本申请实施例公开了一种音频处理方法、装置、计算机设备以及存储介质，音频处理方法包括：获取样本音频数据的样本频率时间序列；样本频率时间序列包括第一频率特征和第二频率特征；调用样本特征提取模型对第一频率特征编码处理，得到第一频率特征的样本时序特征；调用样本特征预测模型对样本时序特征解码处理，得到处于第二音频时间段上的预测频率特征；根据预测频率特征、第二频率特征和样本特征预测模型，训练样本特征提取模型，得到特征提取模型，特征提取模型用于识别目标音频数据的音频时序特征。采用本申请，可以准确提取音频特征，提高音频识别模型的识别准确率。

【技术实现步骤摘要】
一种音频处理方法、装置、计算机设备以及存储介质
本申请涉及计算机
，尤其涉及一种音频处理方法、装置、计算机设备以及存储介质。
技术介绍
随着互联网技术的快速发展及手持录音设备的普及，人们可获取的音频数据呈爆炸式增长。为了有效管理、利用海量音频数据，音频检索成为应用热点。为了实现音频检索，首先需要将音频表示为一个向量或者一个矩阵，这个向量或者这个矩阵可以称为音频特征，音频特征越具有辨识度和区分性，在后续的检索中就越容易检索出满足业务要求的目标音频。目前，训练一个音频分类模型用于提取音频特征，为了训练音频分类模型每个参与模型训练的样本音频都要携带分类标签，需要专业人士为每个样本音频手动设置分类标签。人工为样本音频设置分类标签效率低下，造成携带分类标签的样本音频数量较少，由少量样本音频训练得到的音频分类模型不能准确提取出音频的深层次特征，会降低后续音频分类模型基于音频特征对音频进行识别的识别精度。
技术实现思路
本申请实施例提供一种音频处理方法、装置、计算机设备以及存储介质，可以准确提取音频特征，提高对音频的识别精度本文档来自技高网...

【技术保护点】
1.一种音频处理方法，其特征在于，包括：/n获取样本音频数据的样本频率时间序列；所述样本频率时间序列是对所述样本音频数据进行频谱分析后得到，所述样本频率时间序列包括第一频率特征和第二频率特征；所述第一频率特征所属的第一音频时间段和所述第二频率特征所属的第二音频时间段互不相同；/n调用样本特征提取模型对所述第一频率特征编码处理，得到所述第一频率特征的样本时序特征；/n调用样本特征预测模型对所述样本时序特征解码处理，得到处于所述第二音频时间段上的预测频率特征；/n根据所述预测频率特征、所述第二频率特征和所述样本特征预测模型，训练所述样本特征提取模型，得到特征提取模型，所述特征提取模型用于识别目标音...

【技术特征摘要】
1.一种音频处理方法，其特征在于，包括：
获取样本音频数据的样本频率时间序列；所述样本频率时间序列是对所述样本音频数据进行频谱分析后得到，所述样本频率时间序列包括第一频率特征和第二频率特征；所述第一频率特征所属的第一音频时间段和所述第二频率特征所属的第二音频时间段互不相同；
调用样本特征提取模型对所述第一频率特征编码处理，得到所述第一频率特征的样本时序特征；
调用样本特征预测模型对所述样本时序特征解码处理，得到处于所述第二音频时间段上的预测频率特征；
根据所述预测频率特征、所述第二频率特征和所述样本特征预测模型，训练所述样本特征提取模型，得到特征提取模型，所述特征提取模型用于识别目标音频数据的音频时序特征。


2.根据权利要求1所述的方法，其特征在于，所述第一音频时间段和所述第二音频时间段相邻，且所述第二音频时间段位于所述第一音频时间段之后；
所述根据所述预测频率特征、所述第二频率特征和所述样本特征预测模型，训练所述样本特征提取模型，得到特征提取模型，包括：
确定所述预测频率特征和所述第二频率特征之间的特征误差，根据所述特征误差调整所述样本特征提取模型的模型参数以及所述样本特征预测模型的模型参数；
当调整后的样本特征提取模型以及调整后的样本特征预测模型均满足模型收敛条件时，将调整后的样本特征提取模型作为所述特征提取模型。


3.根据权利要求1所述的方法，其特征在于，所述获取样本音频数据的样本频率时间序列，包括：
将所述样本音频数据转换为时域信号，将所述时域信号划分为多个单位时域信号；
根据时间采样间隔对单位时域信号采样得到离散单位时域信号，将所述离散单位时域信号频谱分析得到单位频域信号，根据频率采样间隔对所述单位频域信号采样得到样本频率特征；
将多个样本频率特征组合为所述样本频率时间序列。


4.根据权利要求3所述的方法，其特征在于，所述样本特征提取模型是循环神经网络模型，所述第一频率特征包括第一单位频率特征和第二单位频率特征，所述第一单位频率特征所属的音频时间段和所述第二单位频率特征所属的音频时间段相邻；
所述调用样本特征提取模型对所述第一频率特征编码处理，得到所述第一频率特征的样本时序特征，包括：
基于所述循环神经网络模型的隐藏层权重矩阵和所述循环神经网络模型的原始编码向量，对所述第一单位频率特征编码处理，得到辅助编码向量；
基于所述隐藏层权重矩阵和所述辅助编码向量对所述第二单位频率特征编码处理，得到所述第一频率特征的所述样本时序特征。


5.根据权利要求1所述的方法，其特征在于，所述样本特征预测模型是卷积神经网络模型；
所述调用样本特征预测模型对所述样本时序特征解码处理，得到处于所述第二音频时间段上的预测频率特征，包括：
基于所述卷积神经网络模型的卷积层权重矩阵对所述样本时序特征卷积处理，得到卷积特征；
对所述卷积特征池化处理，得到处于所述第二音频时间段上的所述预测频率特征。


6.一种音频处理方法，其特征在于，包括：
获取目...

【专利技术属性】
技术研发人员：缪畅宇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44