[發明專利]一種音頻識別模型的訓練和非正常音頻識別的方法和裝置

在審

• 申請號: 202011102269.2
• 申請日: 2020-10-15
• 公開（公告）號: CN112259078A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 陳華官;張志齊
• 申請（專利權）人: 上海依圖網絡科技有限公司
• 主分類號: G10L15/06
• 分類號: G10L15/06;G10L15/16;G10L15/02
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 盧志娟

本申請公開了一種音頻識別模型的訓練和非正常音頻識別的方法和裝置，屬于人工智能技術領域，該方法包括，分別將每一音頻樣本劃分為多個音頻樣本片段，并獲取各音頻樣本片段對應的音頻類別標簽；基于各音頻樣本的音頻特征向量和相應的音頻類別標簽，以及各音頻樣本片段對應的音頻類別標簽，對音頻識別模型進行訓練，獲得符合預設訓練條件的音頻識別模型。獲取識別請求消息中包含的待識別音頻；提取待識別音頻的音頻特征向量；將待識別音頻的音頻特征向量輸入至音頻識別模型，獲得待識別音頻以及待識別音頻中的各音頻片段對應的目標音頻類別。這樣，可以獲得更細時間粒度的音頻識別結果，提高了音頻識別的精確度。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種音頻識別模型的訓練和非正常音頻識別的方法和裝置。

背景技術

隨著多媒體技術的發展，音頻的數量和時長呈指數型增長。音頻在被上傳至網絡中時，通常需要對音頻進行審核，以避免違反公德以及自發性知覺經絡反應(AutonomousSensory Meridian Response，ASMR)等非正常音頻在網絡中傳播。

現有技術下，通常通過用于非正常音頻識別的模型，識別音頻是否為非正常音頻。但是，音頻識別結果的時間粒度較粗，語音識別結果的精確度較低。

發明內容

本申請實施例提供一種音頻識別模型的訓練和非正常音頻識別的方法和裝置，用以在對音頻進行非正常音頻識別時，提高音頻識別結果的精確度。

一方面，提供一種音頻識別模型的訓練方法，包括：

獲取多個音頻樣本以及相應的音頻類別標簽，以及基于卷積神經網絡構建的音頻識別模型，其中，音頻類別標簽至少包括：非正常語音和正常語音；

分別將每一音頻樣本，按照指定音頻時長進行劃分，獲得多個音頻樣本片段，并分別獲取每一音頻樣本中的每一音頻樣本片段對應的音頻類別標簽；

分別提取每一音頻樣本的音頻特征向量；

基于各音頻特征向量和相應的音頻類別標簽，以及各音頻樣本中的各音頻樣本片段對應的音頻類別標簽，對音頻識別模型進行訓練，獲得符合預設訓練條件的音頻識別模型。

較佳的，基于各音頻特征向量和相應的音頻類別標簽，以及各音頻樣本中的各音頻樣本片段對應的音頻類別標簽，對音頻識別模型進行訓練，獲得符合預設訓練條件的音頻識別模型，包括：

分別針對每一音頻樣本，執行以下操作：將音頻樣本對應的音頻特征向量和相應的音頻類別標簽，以及音頻樣本中的各音頻樣本片段對應的音頻類別標簽，輸入至音頻識別模型，獲得音頻樣本對應的第一音頻類別，以及音頻樣本中的各音頻樣本片段對應的第二音頻類別；

基于各音頻樣本對應的音頻類別標簽和相應的第一音頻標簽，確定相應的第一損失；

基于各音頻樣本片段對應的音頻類別標簽和相應的第二音頻標簽，確定相應的第二損失；

根據各第一損失和各第二損失，對音頻識別模型的參數進行調整，獲得調整后的音頻識別模型。

較佳的，將音頻樣本對應的音頻特征向量和相應的音頻類別標簽，以及音頻樣本中的各音頻樣本片段對應的音頻類別標簽，輸入至音頻識別模型，獲得音頻樣本對應的第一音頻類別，包括：

基于卷積神經網絡，對音頻樣本的音頻特征向量進行卷積運算處理，獲得第一向量；

基于聚合層以及第一分類損失函數，對第一向量進行分類處理，獲得音頻樣本對應的第一音頻類別。

較佳的，將音頻樣本對應的音頻特征向量和相應的音頻類別標簽，以及音頻樣本中的各音頻樣本片段對應的音頻類別標簽，輸入至音頻識別模型，獲得音頻樣本中的各音頻樣本片段對應的第二音頻類別，包括：