[发明专利]一种音频的标签化处理方法、装置和计算设备

说明书

本发明提供了一种音频的标签化处理方法和装置。该方法包括：获取原始音频信号；对所述原始音频信号进行离散化，得到目标音频；通过时序卷积神经网络CNN提取所述目标音频的特征，得到所述目标音频的特征向量；对所述特征向量进行聚类分析，得到所述特征向量对应的原始音频的不同分类；针对所述特征向量对应的原始音频的不同分类，提取同一类中的原始音频对应的标题中的关键字，并根据预定规则从所述关键字中选取一个或多个关键字作为该类别的音频标签。本发明提供的方案实现了高效、准确的音频分类，并实现了高准确度和全面性的音频标签化，从而能够提高音频的搜索命中率和推荐准确率。

技术领域

本发明涉及音频处理技术领域，特别是一种音频的标签化处理方法、音频的标签化处理装置、计算机存储介质以及计算设备。

背景技术

随着网络技术的发展和普及，出现了大量聚合类音频的分发平台，能够为网络用户提供个性化的音频服务，包括上传、搜索、推荐、播放、下载等服务。为了便于用户搜索和使用音频，并贴合用户的兴趣和需求进行音频的推荐，需要对平台上的海量音频进行准确的分类并为每个音频分配全面、合理的标签。现有的音频标签化方法通常通过人工标注，或仅简单地通过单个音频的标题和说明文字提取关键字作为标签，操作效率低、准确度低、标签涵盖面小。因此，亟需一种高效率、高准确度和全面性的音频标签化处理技术。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的音频的标签化处理方法、音频的标签化处理装置、计算机存储介质以及计算设备。

根据本发明实施例的一方面，提供了一种音频的标签化处理方法，包括：

获取原始音频信号；

对所述原始音频信号进行离散化，得到目标音频；

通过时序卷积神经网络CNN提取所述目标音频的特征，得到所述目标音频的特征向量；

对所述特征向量进行聚类分析，得到所述特征向量对应的原始音频的不同分类；

针对所述特征向量对应的原始音频的不同分类，提取同一类中的原始音频对应的标题中的关键字，并根据预定规则从所述关键字中选取一个或多个关键字作为该类别的音频标签。

可选地，对所述原始音频信号进行离散化，包括：

按指定采样频率对所述原始音频信号进行采样，对采样值幅度进行量化，并编码为脉冲编码调制PCM信号。

可选地，通过时序卷积神经网络CNN提取所述目标音频的特征，得到所述目标音频的特征向量，包括：

对所述目标音频按时间窗口进行分帧，得到n个音频帧；

通过时序CNN提取每个音频帧的特征，得到每个音频帧对应的m维特征向量；

将n个所述m维特征向量按时间顺序连接，得到一n×m维特征向量；

对所述n×m维特征向量进行降维分析，得到所述目标音频的最终的指定维数的特征向量，其中，n和m为大于1的自然数。

可选地，通过时序CNN提取每个音频帧的特征，得到每个音频帧对应的m维特征向量，包括：

对每个音频帧进行短时傅里叶变换STFT，得到该音频帧的频谱图；

对每个音频帧的所述频谱图进行对数-梅尔log-mel变换，得到该音频帧的log-mel声谱图；

将每个音频帧的所述log-mel声谱图输入时序CNN进行特征提取，得到每个音频帧对应的m维特征向量。

可选地，对所述n×m维特征向量进行降维分析，包括：

对所述n×m维特征向量进行平均池化average pooling。