[发明专利]音频识别方法、装置及计算机存储介质

权利要求书

1.一种音频识别方法，其特征在于，所述方法包括：

从待识别的目标音频中获取多个音频片段；

从所述多个音频片段中确定目标片段，所述目标片段为对人声录制得到的音频片段；

当所述多个音频片段中的目标片段的总个数大于或等于指定个数时，确定所述目标音频为对人声录制得到的音频；或者，

当所述多个音频片段中的目标片段中存在至少两组目标片段时，确定所述目标音频为对人声录制得到的音频，所述至少两组目标片段中的每组目标片段包括至少两个连续的音频片段。

2.如权利要求1所述的方法，其特征在于，所述从所述多个音频片段中确定目标片段，包括：

从所述多个音频片段中选择出一个音频片段，对选择出的音频片段执行以下处理，直至处理完所述多个音频片段中的每个音频片段为止：

从选择出的音频片段中获取多个有效音频帧；

从所述多个有效音频帧中确定目标帧，所述目标帧为对人声录制得到的音频帧；

将所述多个有效音频帧中的目标帧的总个数除以所述多个有效音频帧的总个数，得到第一比值；

当所述第一比值大于或等于第一指定比值时，确定选择出的音频片段为目标片段。

3.如权利要求1所述的方法，其特征在于，所述确定所述目标音频为对人声录制得到的音频，包括：

从所述目标音频中获取多个有效音频帧；

从所述多个有效音频帧中确定目标帧；

将所述多个有效音频帧中的目标帧的总个数除以所述多个有效音频帧的总个数，得到第二比值；

当所述第二比值大于或等于第二指定比值时，确定所述目标音频为对人声录制得到的音频。

4.如权利要求3所述的方法，其特征在于，所述从所述目标音频中获取多个有效音频帧，包括：

从所述目标音频包括的音频帧中选择出一个音频帧，对选择出的音频帧执行以下处理，直至处理完所述目标音频包括的每个音频帧为止：

确定选择出的音频帧在人声频段区域的第一能量极大值中最大的第一能量极大值和在非人声频段区域的第二能量极大值中最大的第二能量极大值；

当所述最大的第一能量极大值和所述最大的第二能量极大值均大于或等于指定数值时，确定选择出的音频帧为有效音频帧。

5.如权利要求2或3所述的方法，其特征在于，所述从所述多个有效音频帧中确定目标帧，包括：

从所述多个有效音频帧中选择出一个有效音频帧，对选择出的有效音频帧执行以下处理，直至处理完所述多个有效音频帧中的每个有效音频帧为止：

根据选择出的有效音频帧在人声频段区域的第一能量极大值和在非人声频段区域的第二能量极大值，确定选择出的有效音频帧的人声显著值；

其中，所述人声显著值用于指示在人声频段区域的第一能量极大值与在非人声频段区域的第二能量极大值之间的差距；

当选择出的有效音频帧的人声显著值大于指定显著值时，确定选择出的有效音频帧为目标帧。

6.如权利要求5所述的方法，其特征在于，所述根据选择出的有效音频帧在人声频段区域的第一能量极大值和在非人声频段区域的第二能量极大值，确定选择出的有效音频帧的人声显著值，包括：

根据选择出的有效音频帧在人声频段区域的第一能量极大值和在非人声频段区域的第二能量极大值，按照如下公式确定选择出的有效音频帧的人声显著值；

其中，在上述公式中，所述C为选择出的有效音频帧的人声显著值，所述m为选择出的有效音频帧在人声频段区域的第一能量极大值的总个数，所述Ea_k为选择出的有效音频帧在人声频段区域的第一能量极大值，所述n为选择出的有效音频帧在非人声频段区域的第二能量极大值的总个数，所述Eb_k为选择出的有效音频帧在非人声频段区域的第二能量极大值。