[发明专利]声音事件识别方法、装置、设备和存储介质

权利要求书

1.一种声音事件识别方法，所述方法包括：

提取音频序列的多帧音频的声学特征；

对于所述多帧音频中的每一帧音频，基于第一神经网络，处理所述帧音频的声学特征与所述帧音频相邻帧音频的声学特征，得到与所述帧音频对应的融合声音事件特征；

分别确定每一帧音频的融合声音事件特征的概率；

将所述多帧音频的融合声音事件特征的概率输入第一时间池化层，得到至少一个声音事件的概率；

根据所述至少一个声音事件的概率和对应的阈值，得到所述音频序列的声音事件。

2.根据权利要求1所述的方法，其中，在分别确定每一帧音频的融合声音事件特征的概率之前，还包括：

基于第二神经网络，分别处理所述融合声音事件特征，得到处理声音事件特征。

3.根据权利要求2所述的方法，其中，在基于第二神经网络，分别处理所述融合声音事件特征之前，还包括：

将多帧音频的融合声音事件特征输入第二时间池化层，获得池化后的声音事件特征；其中，所述第二时间池化层的数量为至少一个。

4.根据权利要求2所述的方法，其中，第一神经网络的数量为多个和/或所述第二神经网络的数量为多个，多个第一神经网络与多个第二神经网络堆叠。

5.根据权利要求4所述的方法，其中，第一神经网络包括：前馈序列记忆神经网络FSMN、紧凑前馈序列记忆神经网络CFSMN和深层前馈序列记忆神经网络DFSMN中的至少一种；

第二神经网络，包括：深度神经网络DNN、卷积神经网络CNN和递归神经网络RNN中的至少一种。

6.一种声音事件识别装置，所述装置包括：

提取模块，用于提取音频序列的多帧音频的声学件特征；

第一神经网络模块，用于对于每一帧音频，基于第一神经网络，处理所述帧音频的声学特征与所述帧音频相邻帧音频的声学特征，得到与所述帧音频对应的融合声音事件特征；

处理模块，用于分别确定每一帧音频的融合声音事件特征的概率；

池化模块，用于将多帧音频的融合声音事件特征的概率输入第一时间池化层，得到至少一个声音事件的概率；

所述处理模块，还用于根据所述至少一个声音事件的概率和对应的阈值，得到所述音频序列的声音事件。

7.一种计算设备，所述计算设备包括：至少一个处理器、至少一个存储器以及至少一个计算机程序，其中，所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，所述处理器用于执行所述计算机程序，以使所述计算设备实现如权利要求1-5中任意一项所述的方法的步骤。

8.一种计算机可读存储介质，所述存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-5中任意一项所述的方法的步骤。