[发明专利]音频识别方法、装置、电子设备及计算机可读介质

说明书

本公开的实施例提供了一种音频识别方法、装置、电子设备及计算机可读介质。该方法包括：获取待识别音频；对待识别音频进行特征提取，获得待识别音频的特征向量；通过长短期记忆网络对特征向量进行处理，获得长短期记忆网络的输出数据；通过卷积神经网络对长短期记忆网络的输出数据进行处理，获得待识别音频的识别结果。本公开实施例提供的技术方案，通过长短期记忆网络对待识别音频的特征向量进行处理，获得第一数据，能够对待识别音频形成记忆信息。通过卷积神经网络对第一数据进行处理，能够结合长短期记忆网络对待识别音频的记忆信息，基于第一数据对待识别音频进行识别与分类，能够适用于长音频的无语意识别，并获得准确率较高的识别结果。

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种音频识别方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网的迅速发展，语音沟通、语音交友、语音游戏等功能充斥着各大互联网应用，在为用户提供便捷的同时也为情色交易和网络暴力提供了土壤，不仅影响了其它正常用户的社交和游戏体验，还给应用本身健康、良好、可持续的运营带来隐患。因此，语音识别工作一直是一个非常重要的领域。

传统的语音识别主要是对有语意音频的语音转文字。有语意的语音识别通过机器学习模型将语音片段转义为文字，再通过文字判别语音的含义。在与传统识别功能不断对抗的过程中，黑色产业已经发现了新的宣传方式，通过无语意的娇喘、呻吟等形式规避传统语音识别的检测，引诱他人加好友，从而进行诈骗活动或者情色活动。网络暴民也可以通过吼叫和胡言乱语干扰他人的正常社交和游戏，且传统的语音识别方式难以甄别。

因此，需要一种新的音频识别方法、装置、电子设备及计算机可读介质。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例提供一种音频识别方法、装置、电子设备及计算机可读介质，进而至少在一定程度上克服相关技术中无法识别无语意音频的缺陷。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

本公开实施例提出一种音频识别方法，包括：获取待识别音频；对所述待识别音频进行特征提取，获得所述待识别音频的特征向量；通过长短期记忆网络对所述特征向量进行处理，获得所述长短期记忆网络的输出数据；通过卷积神经网络对所述长短期记忆网络的所述输出数据进行处理，获得所述待识别音频的识别结果。

在示例性实施例中，在对所述待识别音频进行提取之前，所述方法还包括：对所述待识别音频进行切分，获得多个待识别音频段；所述对所述待识别音频进行特征提取，获得所述待识别音频的特征向量包括：分别对所述多个待识别音频段进行特征提取，获得所述多个待识别音频段的特征向量；所述通过长短期记忆网络对所述特征向量进行处理，获得第一数据包括：通过所述长短期记忆网络对每个待识别音频段的所述特征向量进行处理，获得每个待识别音频段的第一数据；所述通过卷积神经网络模型对所述第一数据进行处理，获得所述待识别音频的识别结果包括：通过所述卷积神经网络模型对所述每个待识别音频段的第一数据进行处理，获得所述每个待识别音频段的识别结果。

在示例性实施例中，所述方法还包括：对所述每个待识别音频段的识别结果进行加权求和，获得所述待识别音频的识别结果。

在示例性实施例中，对所述待识别音频进行切分，获得多个待识别音频段包括：在对所述待识别音频进行电信号转化过程中，获得所述待识别音频的关键帧；计算每两个相邻的所述关键帧之间的帧距；将帧距小于预设帧距阈值的多个连续的所述关键帧确定为关键帧组；根据各所述关键帧组的第一个关键帧和最后一个所述关键帧对所述待识别音频进行切分，获得各所述关键帧组对应的所述待识别音频段。。