[发明专利]音频检测方法、装置、电子设备及可读存储介质

权利要求书

1.一种音频检测方法，其特征在于，包括：

接收终端发送的待检测的音频以及与所述音频对应的文本；

将所述音频与所述文本进行对齐处理，得到所述音频中与所述文本对应的多个音素的每一音素的起止时间；

提取所述音频中的每一音素的音素特征向量，并基于每一音素的起止时间获取所述音频的音频序列特征；

基于所述音素特征向量和所述音频序列特征，获取所述音频的韵律检测结果；所述韵律检测结果包括所述音频的重音特征和停顿特征；

将所述韵律检测结果返回至所述终端，以使所述终端显示对应标记出所述重音特征和所述停顿特征的所述文本。

2.根据权利要求1所述的音频检测方法，其特征在于，所述音频序列特征包括所述音频中的每一音素的序列特征、每一音节的序列特征以及每一词语的序列特征；所述序列特征包括音高、音强和发音时长；

所述基于每一音素的起止时间获取所述音频的音频序列特征，包括：

以预设时长为一帧，获取所述音频中每一帧音频的音高和音强；

基于所述音频中每一帧音频的音高和音强，确定所述音频的音高和音强；

基于每一音素的起止时间以及所述音频的音高和音强，分别确定所述音频中的每一音素的音高、音强和发音时长，每一音节的音高、音强和发音时长以及每一词语的音高、音强和发音时长。

3.根据权利要求2所述的音频检测方法，其特征在于，所述获取所述音频中每一帧音频的音高和音强，包括：

获取所述音频中每一帧音频的原始音高和原始音强；

对所述原始音高和原始音强进行归一化，得到每一帧音频的音高和音强。

4.根据权利要求2所述的音频检测方法，其特征在于，所述基于所述音素特征向量和所述音频序列特征，获取所述音频的韵律检测结果，包括：

针对所述音频中的每一音素，将该音素的音素特征向量和该音素的序列特征进行拼接，得到每一音素的音素层特征；

基于每一音素的音素层特征，获取所述音频中每一音节的音节特征向量；

针对所述音频中的每一音节，将该音节的音节特征向量和该音节的序列特征进行拼接，得到音节层特征；

基于每一音节的音节层特征，获取所述音频中的重音特征和所述音频中每一词语的词语特征向量；

针对所述音频中的每一词语，将该词语的词语特征向量和该词语的序列特征进行拼接，得到每一词语的词语层特征；

基于每一词语的词语层特征，确定所述音频中的停顿特征。

5.根据权利要求4所述的音频检测方法，其特征在于，所述基于每一音节的音节层特征，获取所述音频中的重音特征和所述音频中每一词语的词语特征向量，包括：

基于每一音节的音节层特征，获取与每一音节的音节层特征对应的音节输出特征，以及所述音频中每一词语的词语特征向量；

对所得到的音节输出特征进行分类，得到所述重音特征。

6.根据权利要求4所述的音频检测方法，其特征在于，所述基于每一词语的词语层特征，确定所述音频中的停顿特征，包括：

对所述音频中的多个词语的词语层特征进行分类，预测每一词语后的静音时长；

基于每一词语后的静音时长，确定所述音频中的停顿特征。

7.根据权利要求6所述的音频检测方法，其特征在于，所述对所述音频中的多个词语的词语层特征进行分类，预测每一词语后的静音时长，包括：

对所述音频中的多个词语的词语层特征进行分类，预测得到每一词语后的初始静音时长；

获取所述文本的标准时长，并获取所述音频的总时长；

基于所述标准时长、所述总时长对每一词语后的初始静音时长归一化，得到每一词语后的静音时长。