[發明專利]音頻類型識別方法、裝置及存儲介質

在審

• 申請號: 202011126396.6
• 申請日: 2020-10-20
• 公開（公告）號: CN112259122A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 李吉祥;張勃;梁楚明;王昭;相非
• 申請（專利權）人: 北京小米松果電子有限公司
• 主分類號: G10L25/03
• 分類號: G10L25/03;G10L25/18;G10L25/51;G06N3/08;G06N3/04
• 代理公司: 北京英創嘉友知識產權代理事務所(普通合伙) 11447
• 代理人: 曾堯

本公開涉及一種音頻類型識別方法、裝置及存儲介質，所述方法包括：獲取待識別的音頻數據；將所述音頻數據輸入至目標音頻類型識別模型，得到所述音頻數據的類型信息；其中，所述目標音頻類型識別模型由基于訓練得到的超網絡生成，所述超網絡中屬于同一層網絡的多個子結構具有不同尺寸的卷積核。上述技術方案可以基于訓練得到的超網絡確定精度更高的網絡結構作為目標音頻類型識別模型。由此，可以將待識別的音頻數據作為輸入，通過所述目標音頻類型識別模型確定所述音頻數據的類型信息，從而起到提升音頻分類精度的效果。

技術領域

本公開涉及信息處理領域，尤其涉及音頻類型識別方法、裝置及存儲介質。

背景技術

目前，深度學習技術在聲音場景識別領域中的應用越來越廣泛，基于深度學習技術的聲音場景識別方案也能夠實現較高的識別精度。例如，在相關技術中，可以基于3×3的卷積算子來對輸入至網絡中的音頻數據進行特征提取，從而根據提取到的特征對音頻數據進行檢測和識別。

一般來說，深度學習的網絡結構能夠對整體方案產生較大的影響。例如，不合理的網絡結構可能導致網絡輸出結果精度較低、網絡訓練困難等問題。

發明內容

為克服相關技術中存在的問題，本公開提供一種音頻類型識別方法、裝置及存儲介質。

根據本公開實施例的第一方面，提供一種音頻類型識別方法，包括：

獲取待識別的音頻數據；

將所述音頻數據輸入至目標音頻類型識別模型，得到所述音頻數據的類型信息；

其中，所述目標音頻類型識別模型由基于訓練得到的超網絡生成，所述超網絡中屬于同一層網絡的多個子結構具有不同尺寸的卷積核。

可選地，所述超網絡包括時域特征提取層以及頻域特征提取層，所述時域特征提取層的多個子結構具有尺寸為1×K的卷積核，所述頻域特征提取層的多個子結構具有尺寸為K×1的卷積核；

其中，K為正整數，針對所述時域特征提取層的多個子結構中的每一子結構；或頻域特征提取層的多個子結構中的每一子結構，K的取值不同。

可選地，所述超網絡通過如下方式訓練得到：

針對每一批訓練音頻數據，從超網絡的每一層網絡中隨機確定多個目標子結構；

基于每一所述目標子結構以及每一所述目標子結構在所述超網絡中所對應的層級信息，構建多個子模型；

通過當前批訓練音頻數據對每一所述子模型進行訓練；

根據訓練得到的子模型中各目標子結構的參數信息對所述超網絡中與所述訓練得到的子模型中的各目標子結構相對應的子結構的參數信息進行更新，直至所述超網絡收斂。

可選地，所述目標音頻類型識別模型通過如下方式生成：

從所述訓練得到的超網絡的每一層網絡中隨機確定多個目標子結構；

基于每一所述目標子結構以及每一所述目標子結構在所述超網絡中所對應的層級信息，構建多個候選子模型；

通過測試音頻數據集確定每一所述候選子模型的音頻類型分類準確度；

將音頻類型分類準確度大于閾值的目標候選子模型作為所述目標音頻類型識別模型。

可選地，所述方法還包括：

獲取訓練音頻數據；

將所述訓練音頻數據輸入至所述目標候選子模型，以對該目標候選子模型進行訓練，直至該目標候選子模型收斂；

所述將音頻類型分類準確度大于閾值的目標候選子模型作為所述目標音頻類型識別模型，包括：