[發明專利]音頻識別方法、裝置及數據處理設備

有效

• 申請號: 201911072080.0
• 申請日: 2019-11-05
• 公開（公告）號: CN110782920B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 張文偉;王啟騰
• 申請（專利權）人: 廣州虎牙科技有限公司
• 主分類號: G10L25/51
• 分類號: G10L25/51;G10L25/30;G10L25/24;G10L25/45
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

1.一種音頻識別方法，其特征在于，所述方法包括：

獲取待識別音頻，從所述待識別音頻中剔除空白時間超過預設時間閾值的部分并將剩余部分拆分為多個音頻片段；

針對每個所述音頻片段，獲取該音頻片段的梅爾頻率倒譜系數頻譜；

將所述音頻片段的梅爾頻率倒譜系數頻譜拆分為多個大小相同的特征矩陣；

將所述多個特征矩陣輸入視覺幾何群VGG模型進行特征提取，獲得各所述特征矩陣對應的特征；

將各所述特征矩陣對應的特征進行拼接后，輸入到VGGish模型獲得所述音頻片段的特征；

將所述音頻片段的特征輸入訓練好的分類模型進行分類識別，獲得該音頻片段是否為疑似特定音頻片段的分類結果；

將多個所述音頻片段的分類結果輸入長短期記憶網絡LSTM網絡進行處理，獲得所述待識別音頻是否為特定音頻的識別結果。

2.根據權利要求1所述的方法，其特征在于，所述針對每個所述音頻片段，獲取該音頻片段的梅爾頻率倒譜系數頻譜，包括：

針對每個所述音頻片段，將該音頻片段拆分為多個幀；

根據每個幀中振幅和時間的關系，通過短時傅里葉變換計算獲得該待識別音頻的聲譜圖；

通過預設階數的梅爾標度濾波器組對所述多個幀的聲譜圖進行處理，獲得該音頻片段的梅爾頻譜；

對所述梅爾頻譜進行倒譜分析處理，獲得所述音頻片段的梅爾倒譜系數頻譜。

3.根據權利要求2所述的方法，其特征在于，針對每個所述音頻片段，按照預設窗長、預設步長對該音頻片段進行拆分，包括：

按照預設窗長、預設步長，使用漢寧窗口對該音頻片段進行拆分，其中，所述預設窗長不小于所述預設步長。

4.根據權利要求1所述的方法，其特征在于，所述針對每個所述音頻片段，獲取所述音頻片段的特征的步驟之前，所述方法還包括：

對每個所述音頻片段進行降采樣并轉化為單聲道音頻。

5.一種音頻識別裝置，其特征在于，包括：

音頻獲取模塊，用于獲取待識別音頻，從所述待識別音頻中剔除空白時間超過預設時間閾值的部分并將剩余部分拆分為多個音頻片段；

特征提取模塊，用于針對每個所述音頻片段，獲取該音頻片段的梅爾頻率倒譜系數頻譜；

將所述音頻片段的梅爾頻率倒譜系數頻譜拆分為多個大小相同的特征矩陣；

將所述多個特征矩陣輸入視覺幾何群VGG模型進行特征提取，獲得各所述特征矩陣對應的特征；

將各所述特征矩陣對應的特征進行拼接后，輸入到VGGish模型獲得所述音頻片段的特征；

分類模塊，用于將所述音頻片段的特征輸入訓練好的分類模型進行分類識別，獲得該音頻片段是否為疑似特定音頻片段的分類結果；

識別模塊，用于將多個所述音頻片段的分類結果輸入長短期記憶網絡LSTM網絡進行處理，獲得所述待識別音頻是否為特定音頻的識別結果。

6.一種數據處理設備，其特征在于，包括機器可讀存儲介質及處理器，所述機器可讀存儲介質存儲有機器可執行指令，所述機器可執行指令在被所述處理器執行時，實現權利要求1-4任意一項所述的方法。

7.一種機器可讀存儲介質，其特征在于，所述機器可讀存儲介質存儲有機器可執行指令，所述機器可執行指令在被處理器執行時，實現權利要求1-4任意一項所述的方法。