[發明專利]一種音頻特征提取方法、系統、設備及介質

在審

• 申請號: 202110134475.X
• 申請日: 2021-01-29
• 公開（公告）號: CN112908307A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 邱實
• 申請（專利權）人: 云從科技集團股份有限公司
• 主分類號: G10L15/02
• 分類號: G10L15/02;G10L15/06;G10L25/24
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 李鐵

本發明提供一種音頻特征提取方法、系統、設備及介質，根據音頻數據來源執行對應的讀取命令，獲取音頻內容；對音頻內容進行一次或多次特征提取，并按照預設框架將每次提取的音頻特征保存至預設文件中。本發明針對目前存在的問題，設計了一套多功能音頻特征提取方式，包括音頻數據解析、音頻特征提取和特征結果保存三項基本功能，而且可以提供多種結果格式的支持，優化了處理效率。本發明實現了對音頻數據集的一鍵式處理；提取的特征內容支持多種語音算法框架，解決了不同平臺因各自的特征提取算法不同而難以對比實驗的問題。本發明提取效率高，資源占用小，降低了海量音頻數據處理所需的成本。

技術領域

本發明涉及音頻提取技術領域，特別是涉及一種音頻特征提取方法、系統、設備及介質。

背景技術

在語音識別和其他語音相關場景中，音頻特征提取都是其中關鍵的步驟。特征提取會將時域上的音頻信號轉換為各式頻域上的特征，例如FFT(Fast Fourier Transform)，Fbank，MFCC(Mel Frequency Cepstral Coefficents)等。許多語音算法的工具和科學計算的庫中都會包含特征提取的功能。然而，目前已有的音頻特征提取工具往往存在以下幾個問題：(1)由于不同的語音算法工具往往使用不同的數據格式，不同格式的音頻特征提取結果難以復用，而一種特征提取工具也難以在另一套算法框架下使用；(2)開源的語音算法框架(如kaldi)自帶的特征提取工具在性能和資源占用上難以令人滿意；(3)雖然c++，python等語言都有音頻特征提取的開源工具，但這些工具只提供了基本功能的接口，很難滿足豐富多變的數據需求。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種音頻特征提取方法、系統、設備及介質，用于解決現有技術存在的技術問題。

為實現上述目的及其他相關目的，本發明提供一種音頻特征提取方法，包括以下步驟：

根據音頻數據來源執行對應的讀取命令，獲取音頻內容；

對所述音頻內容進行一次或多次特征提取，并按照預設框架將每次提取的音頻特征保存至預設文件中。

可選地，提取的音頻特征包括以下至少之一：快速傅里葉變換特征、梅爾濾波器系數特征、梅爾倒譜系數特征、音調特征、身份向量特征。

可選地，對所述音頻內容進行一次或多次特征提取，包括：

對所述音頻內容進行離散傅里葉變換，提取快速傅里葉變換特征；

對所述快速傅里葉變換特征應用梅爾倒譜，提取梅爾濾波器系數特征；

對所述梅爾濾波器系數特征進行離散余弦變換，提取梅爾倒譜系數特征。

可選地，按照預設框架將每次提取的音頻特征保存至預設文件中，包括：將每次提取的音頻特征保存至csv文件、numpy的npy文件和/或kaldi的二進制ark文件中。

可選地，根據音頻數據來源執行對應的讀取命令，獲取音頻內容，包括：

若所述音頻數據來源是wav文件，則直接讀取wav文件，獲取對應的音頻內容；

若所述音頻數據來源是shell命令，則在管道pipeline中執行所述shell命令，獲取對應的音頻內容。

可選地，還包括根據語音數據集構建語音數據信息表，并根據所述語音數據信息表確定音頻數據來源；

其中，所述語音數據集中的內容包括以下至少之一：音頻編號、音頻文件的存儲位置、音頻的長度、音頻對應的文本內容標注。

本發明還提供一種音頻特征提取系統，包括有：

采集模塊，用于根據音頻數據來源執行對應的讀取命令，獲取音頻內容；