[发明专利]基于多声部的音乐数据识别方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了基于多声部的音乐数据识别方法、装置、设备及存储介质，用于提高识别单声部音乐数据的准确率。基于多声部的音乐数据识别方法包括：获取多声部音乐数据，并采用卷积神经网络将多声部音乐数据转换为音乐序列，音乐序列包括音高序列和节奏序列；将音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组；根据多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，多个样本乐谱序列组与多个匹配概率组一一对应；基于多个匹配概率组在多个样本乐谱序列组中确定多个目标单声部音乐数据。此外，本发明还涉及区块链技术，多声部音乐数据可存储于区块链中。

技术领域

本发明涉及语音处理技术领域，尤其涉及一种基于多声部的音乐数据识别方法、装置、设备及存储介质。

背景技术

多声部音乐由多种乐器组成，不同的乐器有不同的声音特点，有时相关人员需要提取其中的伴奏部分或者提取某个乐器的乐谱，从而将一段音乐分解为单个的样本乐谱数据，然后还可以根据单个的样本乐谱数据生成新的乐谱数据。

现有技术中，主要使用非限制性多声部学习算法来识别多声部音乐，但是这种非限制性多声部学习算法在对多声部音乐进行识别时，会产生很大的输出空间，在较大的输出空间中无法准确的识别单声部音乐数据。

发明内容

本发明提供了一种基于多声部的音乐数据识别方法、装置、设备及存储介质，用于提高识别单声部音乐数据的准确率。

本发明第一方面提供了一种基于多声部的音乐数据识别方法，包括：获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列；将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组；根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应；基于所述多个匹配概率组在所述多个样本乐谱序列组中确定多个目标单声部音乐数据。

可选的，在本发明第一方面的第一种实现方式中，所述获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列包括：获取多声部音乐数据，将所述多声部音乐数据输入卷积神经网络，生成初始音乐特征向量；将所述初始音乐特征向量输入长短期记忆人工神经网络，进行时域变化减小处理，生成减小时域变化后的音乐特征向量；将所述减小时域变化后的音乐特征向量输入深度神经网络的全连接层进行映射，生成音乐序列，所述音乐序列包括音高序列和节奏序列。

可选的，在本发明第一方面的第二种实现方式中，所述将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组包括：读取预置的权重参数，并将所述音乐序列输入多声部音乐识别模型中的第一层隐藏层，结合所述预置的权重参数进行卷积，生成第一准确率和第一隐藏音乐向量；基于预置的损失函数和所述第一准确率计算第一权重参数，并将所述第一隐藏音乐向量输入第二层隐藏层，结合所述第一权重参数进行卷积，生成第二准确率和第二隐藏音乐向量；基于所述损失函数和所述第二准确率计算第二权重参数，并将所述第二隐藏音乐向量输入第三层隐藏层，结合所述第二权重参数进行卷积，生成第三准确率和第三隐藏音乐向量；按照上述步骤在其他层隐藏层基于对应的权重参数和对应的隐藏音乐向量进行卷积，生成多个样本乐谱序列组。

可选的，在本发明第一方面的第三种实现方式中，所述根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应包括：按照时刻顺序将所述多个样本乐谱序列组依次输入预先训练好的音乐语言模型中进行比对，生成多个条件概率组；按照时刻顺序将所述多个条件概率组依次输入条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应。