[發明專利]聲音場景的識別方法、裝置、設備及存儲介質

在審

• 申請號: 202010787183.1
• 申請日: 2020-08-07
• 公開（公告）號: CN112750448A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 李娟娟;夏咸軍;朱鴻寧;王燕南;黃俊
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G10L21/0208
• 分類號: G10L21/0208;G10L25/12;G10L25/18;G10L25/24;G10L25/30;G10L25/45
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 張所明

1.一種聲音場景的識別方法，其特征在于，所述方法包括：

獲取音頻信號；

對所述音頻信號進行特征提取，得到音頻特征；

根據所述音頻特征對所述音頻信號進行至少兩級場景識別，得到至少兩級場景識別結果，所述場景識別結果中包含不同場景類別對應的場景概率；

基于至少兩級所述場景識別結果，確定所述音頻信號對應的目標場景類別；

其中，不同級別場景識別結果中包含的場景類別不同，且對于第i級場景識別結果中的任意場景類別，第i+1級場景識別結果中存在與所述場景類別對應的父類場景類別，i為正整數。

2.根據權利要求1所述的方法，其特征在于，所述基于至少兩級所述場景識別結果，確定所述音頻信號對應的目標場景類別，包括：

獲取第一級場景識別結果中候選場景類別對應的子類場景概率；

從所述第一級場景識別結果以外的場景識別結果中，獲取所述候選場景類別對應的至少一級父類場景類別的父類場景概率；

根據所述子類場景概率和所述父類場景概率，確定所述候選場景類別對應的融合場景概率；

基于各個所述候選場景類別的所述融合場景概率，從所述候選場景類別中確定所述目標場景類別。

3.根據權利要求2所述的方法，其特征在于，所述從所述第一級場景識別結果以外的場景識別結果中，獲取所述候選場景類別對應的至少一級父類場景類別的父類場景概率，包括：

確定第二級場景識別結果中所述候選場景類別對應的第一級父類場景類別，并獲取所述第一級父類場景類別對應的所述父類場景概率；

確定第j級場景識別結果中的第j-1級父類場景類別，并獲取所述第j-1級父類場景類別對應的所述父類場景概率，所述第j-1級父類場景類別為第j-2級父類場景類別對應的父類場景類別，j為大于等于2的整數。

4.根據權利要求2所述的方法，其特征在于，所述根據所述子類場景概率和所述父類場景概率，確定所述候選場景類別對應的融合場景概率，包括：

計算所述子類場景概率與所述父類場景概率的概率乘積；

將所述概率乘積確定為所述候選場景類別對應的所述融合場景概率；

所述基于各個所述候選場景類別的所述融合場景概率，從所述候選場景類別中確定所述目標場景類別，包括：

將最大融合場景概率對應的所述候選場景類別確定為所述目標場景類別。

5.根據權利要求1至4任一所述的方法，其特征在于，所述根據所述音頻特征對所述音頻信號進行至少兩級場景識別，得到至少兩級場景識別結果，包括：

將所述音頻特征輸入至少兩級場景識別模型，得到至少兩級所述場景識別模型輸出的所述場景識別結果，其中，第i級場景識別模型用于根據所述音頻特征輸入所述第i級場景識別結果，所述場景識別模型是根據包含場景類別標簽的樣本音頻信號訓練得到的神經網絡模型，且同一樣本音頻信號對應至少兩級所述場景類別標簽。

6.根據權利要求5所述的方法，其特征在于，所述將所述音頻特征輸入至少兩級場景識別模型，得到至少兩級所述場景識別模型輸出的所述場景識別結果，包括：

將所述音頻特征輸入第一級場景識別模型，得到所述第一級場景識別模型輸出的第一級場景識別結果；

響應于所述第一級場景識別結果不滿足結果輸出條件，將所述音頻特征輸入所述第一級場景識別模型以外的其它場景識別模型，得到其它場景識別模型輸出的場景識別結果。

7.根據權利要求6所述的方法，其特征在于，所述結果輸出條件包括如下至少一種：

所述第一級場景識別結果中的最高場景概率高于第一概率閾值；

所述第一級場景識別結果中前k個場景類別對應同一父類場景類別，其中，所述第一級場景識別結果中的場景類別根據所述場景概率的降序排序，k為大于等于2的整數。