【技术实现步骤摘要】
所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本专利技术还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是一一但不限于——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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。尽管上面已经示出和描述了本专利技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利技术的限制，本领域的普通技术人员在本专利技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术介绍
1、目前，用户对高质量无损音乐的需求日趋增长，但由于收声装置如麦克风等在收声时，会一并抓取环境中的声音，正
2、1)第一种方式：对收声装置进行改进，以达到选择性收声的目的，但往往效果不好，且成本高。
3、2)第二种方式：在收声装置采集的音频模拟信号转化为数字模拟信号的过程中，进行数据处理，但可能仍然存在少量的无法进行消除的噪音。
4、3)第三种方式：通过深度学习的方式识别噪音并滤除，但也有可能仍然存在少量的识别不到的噪音。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，具体针对音乐中噪音多的问题，具体提供了一种音乐的处理方法、系统和计算机设备，以最大程度上消除噪音，提高音乐的质量，具体如下：
2、1)第一方面，本专利技术提供一种音乐的处理方法，具体技术方案如下：
3、建立包括多个噪音样本的训练集，对每个预设深度学习模型进行训练，得到多个训练好的深度学习模型；
4、将待噪音识别音乐分别输入每个训练好的深度学习模型，得到多个噪音识别结果；
5、根据所有的噪音识别结果，确定在待噪音识别音乐中出现的所有噪音，并在待噪音识别音乐中进行去除。
6、本专利技术提供的一种音乐的处理方法的有益效果如下：
7、通过多个训练好的深度学习模型，对待噪音识别音乐进行识别，能够在待噪音识别音乐中识别出尽可能多的噪音，然后去除，最大程度上降低了待噪音识别音乐所保留的噪音的数量，提高了音乐的质量，提高了用户体验度。
8、在上述方案的基础上，本专利技术的一种音乐的处理方法还可以做如下改进。
9、进一步，还包括：
10、对去除噪音后的待噪音识别音乐进行分轨，得到每个声源的对应的音轨数据；
11、根据每个声源的对应的音轨数据与待噪音识别音乐对应的每个声源的对应的标准音轨数据进行对比，判断每个声源的对应的音轨数据是否存在异常。
12、采用上述进一步方案的有益效果是：通过判断每个声源的对应的音轨数据是否存在异常，能够判定音乐在演奏过程中是否存在瑕疵，如果存在瑕疵，能及时采取重新录制等后续措施。
13、进一步，还包括：
14、根据所有的噪音识别结果，确定在待噪音识别音乐中只出现一次的噪音，并根据只出现一次的噪音，生成相应的噪音样本，并添加至训练集；
15、基于更新后的训练集对对每个预设深度学习模型进行重新训练。
16、采用上述进一步方案的有益效果是：能够进一步提高每个训练好的深度学习模型的识别准确度。
17、进一步，多个预设深度学习模型包括：卷积神经网络、循环神经网络、自编码器和transformer。
18、2)第二方面，本专利技术还提供一种音乐的处理系统，具体技术方案如下：
19、包括训练模块、识别模块和确定去除模块；
20、训练模块用于：建立包括多个噪音样本的训练集，对每个预设深度学习模型进行训练，得到多个训练好的深度学习模型；
21、识别模块用于：将待噪音识别音乐分别输入每个训练好的深度学习模型，得到多个噪音识别结果；
22、确定去除模块用于：根据所有的噪音识别结果，确定在待噪音识别音乐中出现的所有噪音，并在待噪音识别音乐中进行去除。
23、在上述方案的基础上，本专利技术的一种音乐的处理系统还可以做如下改进。
24、进一步，还包括分轨对比模块，分轨对比模块用于：
25、对去除噪音后的待噪音识别音乐进行分轨，得到每个声源的对应的音轨数据；
26、根据每个声源的对应的音轨数据与待噪音识别音乐对应的每个声源的对应的标准音轨数据进行对比，判断每个声源的对应的音轨数据是否存在异常。
27、进一步，还包括更新模块；
28、更新模块用于：根据所有的噪音识别结果，确定在待噪音识别音乐中只出现一次的噪音，并根据只出现一次的噪音，生成相应的噪音样本，并添加至训练集；
29、训练模块还用于：基于更新后的训练集对对每个预设深度学习模型进行重新训练。
30、进一步，多个预设深度学习模型包括：卷积神经网络、循环神经网络、自编码器和transformer。
31、3)第三方面，本专利技术还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一种音乐的处理方法。
32、4)第四方面，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一种音乐的处理方法。
33、需要说明的是，本专利技术的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。
本文档来自技高网...【技术保护点】
1.一种音乐的处理方法，其特征在于，包括：
2.根据权利要求1所述的一种音乐的处理方法，其特征在于，还包括：
3.根据权利要求1或2所述的一种音乐的处理方法，其特征在于，还包括：
4.根据权利要求1或2所述的一种音乐的处理方法，其特征在于，多个预设深度学习模型包括：卷积神经网络、循环神经网络、自编码器和Transformer。
5.一种音乐的处理系统，其特征在于，包括训练模块、识别模块和确定去除模块；
6.根据权利要求5所述的一种音乐的处理系统，其特征在于，还包括分轨对比模块，所述分轨对比模块用于：
7.根据权利要求5或6所述的一种音乐的处理系统，其特征在于，还包括更新模块；
8.根据权利要求5或6所述的一种音乐的处理系统，其特征在于，多个预设深度学习模型包括：卷积神经网络、循环神经网络、自编码器和Transformer。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现权利要求1至4任一项所述的一种音乐的处理方法。
...【技术特征摘要】
1.一种音乐的处理方法，其特征在于，包括：
2.根据权利要求1所述的一种音乐的处理方法，其特征在于，还包括：
3.根据权利要求1或2所述的一种音乐的处理方法，其特征在于，还包括：
4.根据权利要求1或2所述的一种音乐的处理方法，其特征在于，多个预设深度学习模型包括：卷积神经网络、循环神经网络、自编码器和transformer。
5.一种音乐的处理系统，其特征在于，包括训练模块、识别模块和确定去除模块；
6.根据权利要求5所述的一种音乐的处理系统，其特征在于，还包括分轨对比模块，所述分轨对比模块用于：
7.根据权利要求5或6所述的一种音乐的处理系统，其特征在于...
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。