[发明专利]一种音频检测方法及装置

说明书

本申请涉及计算机技术领域，公开了一种音频检测方法及装置，用以解决在检测时长较短或较长的声音事件时，检测准确率低的问题。该方法包括：对音频进行时频转换处理得到声谱图，对声谱图进行特征提取，确定各帧的初始语音特征，并对归属于同一帧的初始语音特征进行聚合处理，得到各帧的聚合语音特征；分别确定各个初始语音特征的第一上下文关联度，和各个聚合语音特征的第二上下文关联度；基于各个第一上下文关联度确定各帧包含的声音事件，以及基于各个第二上下文关联度对各帧包含的声音事件进行分类，并确定各个声音事件的起止时间。基于各个第一上下文关联度和各个第二上下文关联度，检测音频所包含的每类声音事件的起止时间，提高检测准确率。

技术领域

本发明涉及计算机技术领域，特别涉及一种音频检测方法及装置。

背景技术

随着人工智能的飞速发展，在物联网、移动导航设备等领域以及视觉信息不明确的情况下，采用深度学习技术检测音频，感知计算音频中包含的声音事件，以及对应的声音事件发生的时间段，为用户提供更好的响应服务。

声音事件是时序信号，因此，在检测声音事件时，其上下文的相关性是非常重要的，深度学习模型难以捕获时长较短的声音事件，导致该声音事件被忽略，进而出现删除该声音事件的错误；深度学习模型也难以检测出时长较长的声音事件，会将一个声音事件切割为多个声音事件，进而出现插入错误。

有鉴于此，需要设计一种新的音频检测方法，以克服上述缺陷。

发明内容

本申请实施例提供一种音频检测方法及装置，用以解决在检测时长较短或较长的声音事件时，检测准确率低的问题。

本申请实施例提供的具体技术方案如下：

第一方面，本申请实施例提供了一种音频检测方法，包括：

对音频进行时频转换处理得到声谱图，所述声谱图上的每一帧对应一个语音信号组，所述一个语音信号组中各个语音信号的频率不同；

对所述声谱图进行特征提取，确定各帧的初始语音特征，并对归属于同一帧的初始语音特征进行聚合处理，确定各帧的聚合语音特征；

分别确定各个初始语音特征的第一上下文关联度，和各个聚合语音特征的第二上下文关联度，其中，一个第一上下文关联度表征了一个初始语音特征与所述各个初始语音特征之间的相关性，一个第二上下文关联度表征了一个聚合语音特征与所述各个聚合语音特征之间的相关性；

基于各个第一上下文关联度确定各帧包含的声音事件，以及基于各个第二上下文关联度对各帧包含的声音事件进行分类，并确定各个声音事件的起止时间。

可选的，对所述声谱图进行特征提取，确定各帧的初始语音特征，包括：

将所述声谱图输入梅尔滤波器中，将各帧所包含的频谱转换为梅尔特征，并将各帧的梅尔特征作为所述各帧的初始语音特征。

可选的，对归属于同一帧的初始语音特征进行聚合处理，确定各帧的聚合语音特征，包括：

对归属于同一帧中且处于不同频率的初始语音特征进行池化处理，确定所述各帧的聚合语音特征。

可选的，在确定各帧的初始语音特征和聚合语音特征之后，在确定各个第一上下文关联度和第二上下文关联度之前，进一步包括：

根据设定的单位频率的长度，分别确定所述各帧的初始语音特征的位置编码，以及所述各帧的聚合语音特征的位置编码。

可选的，通过以下方式确定所述各个声音事件的起止时间，包括：

分别将归属于同一声音事件的帧数总和与设定的单位帧长相乘，将各个乘积结果确定为对应的声音事件的起止时间。

第二方面，本申请实施例还提供了一种音频检测装置，包括：