本发明专利技术公开一种音频识别模型的训练方法，包括：获取多个样本音频数据，每个样本音频数据携带有对应的样本乐器对象；对多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征；将多个样本梅尔频谱特征输入至预先构造的卷积神经网络识别模型中，以得到每个样本梅尔频谱特征对应的预测结果，预测结果包括多个预测概率值；基于每个样本音频数据的预测结果对应的预测乐器对象与每个样本音频数据对应的样本乐器对象的差异确定训练目标；按照优化训练目标的方向，调整卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到音频识别模型。本发明专利技术通过音频识别模型可以更加准确地进行音频识别。过音频识别模型可以更加准确地进行音频识别。过音频识别模型可以更加准确地进行音频识别。
【技术实现步骤摘要】
音频识别模型的训练方法和乐器对象识别方法
[0001]本专利技术实施例涉及音频识别领域，尤其涉及一种音频识别模型的训练方法与乐器对象识别方法。
技术介绍
[0002]互联网技术和音乐产业飞速发展的大前提下，越来越多的乐器得以在互联网平台中出现在大众的视野当中，特别是对于一些小众的传统民族、民间乐器，用以推广中国传统音乐与地域文化。现有的乐器识别模型不够多元化，只针对一种乐器进行识别，无法识别出多种乐器。
技术实现思路
[0003]有鉴于此，本专利技术实施例的目的是提供一种音频识别模型的训练方法与乐器对象识别方法，用以解决现有技术中乐器识别效率低、不够准确的问题。
[0004]为实现上述目的，本专利技术实施例提供了一种音频识别模型的训练方法，包括：
[0005]获取多个样本音频数据，每个样本音频数据携带有对应的样本乐器对象；
[0006]对所述多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征；
[0007]将所述多个样本梅尔频谱特征输入至预先构造的卷积神经网络识别模型中，以得到每个样本梅尔频谱特征对应的预测结果，所述预测结果包括多个预测概率值；
[0008]基于所述每个样本音频数据的所述预测结果对应的预测乐器对象与所述每个样本音频数据对应的样本乐器对象的差异确定训练目标；
[0009]按照优化所述训练目标的方向，调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型。
[0010]进一步地，所述对所述多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征包括：
[0011]构建提取参数，所述提取参数用于从所述多个样本音频数据中提取样本频谱特征；
[0012]基于所述提取参数从每个所述样本音频数据中，提取每个所述样本音频数据对应的频谱特征；
[0013]对每个样本频谱特征进行梅尔尺度变换，得到对应的变换梅尔频谱特征；
[0014]将每个变换梅尔频谱特征进行缩放处理，得到所述样本梅尔频谱特征。
[0015]进一步地，所述预先构造卷积神经网络识别模型的步骤包括：
[0016]根据所述样本梅尔频谱特征以及与所述样本梅尔频谱特征对应的乐器，构造映射函数；
[0017]基于所述映射函数对卷积神经网络模型进行修改，以得到卷积神经网络识别模型。
[0018]进一步地，基于所述每个样本音频数据的所述预测结果对应的预测乐器对象与所述每个样本音频数据对应的样本乐器对象的差异确定训练目标包括：
[0019]选取所述每个样本音频数据的所述预测结果中最大的预测概率值对应的预测乐器对象作为测试乐器对象；
[0020]判断所述每个样本音频数据的测试乐器对象是否为所述每个样本音频数据的样本乐器对象；
[0021]若不一致，则将所述训练目标确定为：所述每个样本音频数据的测试对象为所述每个样本音频数据的样本乐器对象。
[0022]进一步地，按照优化所述训练目标的方向，调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型包括：
[0023]计算所述测试对象对应的样本概率值与所述样本乐器对象对应的预测概率值之间的误差值；
[0024]基于所述误差值调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型；其中，所述训练停止条件为所述误差值小于预设阈值。
[0025]为实现上述目的，本专利技术实施例提供了一种基于音频识别模型的乐器对象识别方法，包括：
[0026]获取待识别音频数据；
[0027]基于提取参数从待识别音频数据中提取对应的目标频谱特征；
[0028]对每个目标频谱特征进行梅尔预处理，得到输入梅尔频谱特征；
[0029]将所述输入梅尔频谱特征输入至音频识别模型中，以输出所述待识别音频数据的目标概率值组；
[0030]从所述目标概率值组对应的乐器对象组中，确定所述待识别音频数据对应的目标乐器对象。
[0031]进一步地，所述对每个目标频谱特征进行梅尔预处理，得到输入梅尔频谱特征包括：
[0032]对每个目标频谱特征进行梅尔尺度变换，得到对应的目标梅尔频谱特征；
[0033]将所述目标梅尔频谱特征进行缩放处理，得到输入梅尔频谱特征。
[0034]为实现上述目的，本专利技术实施例提供了一种音频识别模型的训练系统，包括：
[0035]第一获取模块，用于获取多个样本音频数据，每个样本音频数据携带有对应的样本乐器对象；
[0036]第一预处理模块，用于对所述多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征；
[0037]第一识别模块，用于将所述多个样本梅尔频谱特征输入至预先构造的卷积神经网络识别模型中，以得到每个样本梅尔频谱特征对应的预测结果，所述预测结果包括多个预测概率值；
[0038]第一确定模块，用于基于所述每个样本音频数据的所述预测结果对应的预测乐器对象与所述每个样本音频数据对应的样本乐器对象的差异确定训练目标；
[0039]调整模块，用于按照优化所述训练目标的方向，调整所述卷积神经网络识别模型
的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型。
[0040]为实现上述目的，本专利技术实施例提供了一种乐器对象识别系统，包括：
[0041]第二获取模块，用于获取待识别音频数据；
[0042]提取模块，用于基于提取参数从待识别音频数据中提取对应的目标频谱特征；
[0043]第二预处理模块，用于对每个目标频谱特征进行梅尔预处理，得到输入梅尔频谱特征；
[0044]第二识别模块，用于将所述输入梅尔频谱特征输入至音频识别模型中，以输出所述待识别音频数据的概率值组；
[0045]第二确定模块，用于从所述概率值组对应的乐器对象组中，确定所述待识别音频数据对应的目标乐器对象。
[0046]为实现上述目的，本专利技术实施例提供了一种计算机设备，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的音频识别模型的训练方法以及上述的基于音频识别模型的乐器对象识别方法的步骤。
[0047]为实现上述目的，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行上述的音频识别模型的训练方法以及上述的基于音频识别模型的乐器对象识别方法的步骤。
[0048]本专利技术实施例提供的音频识别模型的训练方法与乐器对象识别方法，通过梅尔预处理对提取的目标频谱特征进行处理，得到样本梅尔频谱特征，再输入至音频识别网络中，输出一组概率值，选取最大概率值对应的乐器的作为目标乐器，通过预处理提取特征的方式提升了模型本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种音频识别模型的训练方法，其特征在于，包括：获取多个样本音频数据，每个样本音频数据携带有对应的样本乐器对象；对所述多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征；将所述多个样本梅尔频谱特征输入至预先构造的卷积神经网络识别模型中，以得到每个样本梅尔频谱特征对应的预测结果，所述预测结果包括多个预测概率值；基于所述每个样本音频数据的所述预测结果对应的预测乐器对象与所述每个样本音频数据对应的样本乐器对象的差异确定训练目标；按照优化所述训练目标的方向，调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型。2.根据权利要求1所述的音频识别模型的训练方法，其特征在于，所述对所述多个样本音频数据进行梅尔预处理，以得到对应的多个样本梅尔频谱特征包括：构建提取参数，所述提取参数用于从所述多个样本音频数据中提取样本频谱特征；基于所述提取参数从每个所述样本音频数据中，提取每个所述样本音频数据对应的频谱特征；对每个样本频谱特征进行梅尔尺度变换，得到对应的变换梅尔频谱特征；将每个变换梅尔频谱特征进行缩放处理，得到所述样本梅尔频谱特征。3.根据权利要求1所述的音频识别模型的训练方法，其特征在于，所述预先构造卷积神经网络识别模型的步骤包括：根据所述样本梅尔频谱特征以及与所述样本梅尔频谱特征对应的乐器，构造映射函数；基于所述映射函数对卷积神经网络模型进行修改，以得到卷积神经网络识别模型。4.根据权利要求1所述的音频识别模型的训练方法，其特征在于，基于所述每个样本音频数据的所述预测结果对应的预测乐器对象与所述每个样本音频数据对应的样本乐器对象的差异确定训练目标包括：选取所述每个样本音频数据的所述预测结果中最大的预测概率值对应的预测乐器对象作为测试乐器对象；判断所述每个样本音频数据的测试乐器对象是否为所述每个样本音频数据的样本乐器对象；若不一致，则将所述训练目标确定为：所述每个样本音频数据的测试对象为所述每个样本音频数据的样本乐器对象。5.根据权利要求4所述的音频识别模型的训练方法，其特征在于，按照优化所述训练目标的方向，调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型包括：计算所述测试对象对应的样本概率值与所述样本乐器对象对应的预测概率值之间的误差值；基于所述误差值调整所述卷积神经网络识别模型的模型参数并继续训练，直至满足训练停止条件时结束训练，得到所述音频识别模型；其中，所述训练停止条件为所述误差值小于预设阈值。6.一种基于音频识别模型的乐器对象识别方法，其特征在于，包括：
获取待识别音频数据；基于提取参数从待识别音频数据中...
【专利技术属性】
技术研发人员：蔡梓丰，韩宝强，陈又新，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。