[发明专利]音频场景识别方法、装置、设备及计算机可读存储介质

权利要求书

1.一种音频场景识别方法，其特征在于，所述方法包括：

对待识别的音频信号进行音频片段提取，得到第一音频片段和第二音频片段；其中，所述第一音频片段包含所述第二音频片段、且所述第一音频片段的时长大于所述第二音频片段的时长；

获取所述第一音频片段的动态音频特征，及所述第二音频片段的动态音频特征；

将所述第一音频片段的动态音频特征输入第一识别模型中进行音频场景识别，得到对应的第一识别结果，并将所述第二音频片段的动态音频特征输入所述第一识别模型中进行音频场景识别，得到对应的第二识别结果；

结合所述第一识别结果和所述第二识别结果，确定所述音频信号对应的音频场景。

2.如权利要求1所述的方法，其特征在于，所述对所述音频信号进行音频片段提取，得到第一音频片段和第二音频片段，包括：

通过第一窗口对所述音频信号进行音频片段提取，得到第一音频片段；

通过第二窗口对所述音频信号进行音频片段提取，得到第二音频片段；

其中，所述第一窗口对应的时域包含所述第二窗口对应的时域、且所述第一窗口的窗口大小大于所述第二窗口的窗口大小。

3.如权利要求1所述的方法，其特征在于，所述获取所述第一音频片段的动态音频特征，及所述第二音频片段的动态音频特征，包括：

分别对所述第一音频片段和第二音频片段执行以下操作：

获取音频片段的静态音频特征；

对所述静态音频特征进行一阶差分处理，得到对应的一阶差分特征；

对所述静态音频特征进行二阶差分处理，得到对应的二阶差分特征；

将所述静态音频特征、所述一阶差分特征及所述二阶差分特征进行拼接，得到所述音频片段的动态音频特征。

4.如权利要求3所述的方法，其特征在于，所述获取音频片段的静态音频特征，包括：

对所述音频片段进行快速傅里叶变换，得到对应的音频频谱；

对所述音频频谱进行求平方，得到对应的音频功率谱；

对所述音频功率谱进行梅尔滤波，得到对应的音频梅尔频谱；

对所述音频梅尔频谱进行取对数处理，得到对应的对数梅尔频谱特征，并将所述对数梅尔频谱特征确定为所述音频片段的静态音频特征。

5.如权利要求4所述的方法，其特征在于，所述对所述音频片段进行快速傅里叶变换，得到对应的音频频谱，包括：

对所述音频片段进行分帧处理，得到对应的至少两个音频帧；

对所述至少两个音频帧进行加窗处理，得到对应的加窗音频信号；

对所述加窗音频信号进行快速傅里叶变换，得到对应的音频频谱。

6.如权利要求1所述的方法，其特征在于，所述将所述第一音频片段的动态音频特征输入第一识别模型中之前，所述方法还包括：

获取音频信号样本的动态音频特征，所述音频信号样本标注有对应的音频场景；

将所述音频信号样本的动态音频特征输入至第一识别模型中，对所述音频信号样本进行音频场景识别，得到识别结果；

获取所述识别结果与所述音频信号样本的标注之间的差异；

基于获取的所述差异，更新所述第一识别模型的模型参数。

7.如权利要求6所述的方法，其特征在于，所述基于获取的所述差异，更新所述第一识别模型的模型参数，包括：

当所述差异超过差异阈值时，基于所述差异确定所述第一识别模型的误差信号；

将所述误差信号在所述第一识别模型中反向传播，并在传播的过程中更新各个层的模型参数。

8.如权利要求1～7任一项所述的方法，其特征在于，所述第一识别结果表征所述待识别的音频信号对应不同音频场景的第一预测概率，所述第二识别结果表征所述音频信号对应不同音频场景的第二预测概率；

所述结合所述第一识别结果和所述第二识别结果，确定所述音频信号对应的音频场景，包括：

分别获取对应同一音频场景下的所述第一预测概率与所述第二预测概率的均值；

取均值最大的音频场景作为所述音频信号对应的音频场景。