[发明专利]音频数据聚类方法、装置、设备及存储介质

权利要求书

1.一种音频数据聚类方法，包括：

获取待处理的多个音频片段；

对各音频片段进行特征提取，得到对应的声纹特征；

将各音频片段对应的声纹特征输入图神经网络，得到各音频片段的特征向量表示；

基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果。

2.根据权利要求1所述的方法，其中，所述获取待处理的多个音频片段，包括：

获取会议音频数据；

对所述会议音频数据进行数据分割，得到多个音频片段；其中，一个音频片段对应一个参会对象。

3.根据权利要求1所述的方法，其中，所述对各音频片段进行特征提取，得到对应的声纹特征，包括：

将各音频片段分别输入声纹提取网络，得到各音频片段对应的声纹特征。

4.根据权利要求1所述的方法，其中，所述图神经网络的训练过程包括：

获取初始图神经网络；

获取训练样本图；所述训练样本图是基于各样本音频片段对应的声纹特征，以及各样本音频片段之间的类别关系构建的；

基于所述训练样本图，对所述初始图神经网络进行训练，得到训练完成的图神经网络。

5.根据权利要求4所述的方法，其中，所述训练样本图的构建过程包括：

获取各样本音频片段对应的声纹特征，得到节点集合；

基于各样本音频片段之间的类别关系，确定边集合；其中，当两个样本音频片段之间属于同一类别时，确定该两个样本音频片段对应的节点之间存在连接边；

基于所述节点集合和所述边集合，构建训练样本图。

6.根据权利要求1所述的方法，其中，所述基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果，包括：

基于各音频片段的特征向量之间的相似度对各音频片段进行聚类，得到聚类结果。

7.一种音频数据聚类方法，包括：

接收针对会议音频数据的说话人聚类指令；

根据所述说话人聚类指令，对所述会议音频数据进行数据分割，得到多个音频片段；

对各音频片段进行特征提取，得到对应的声纹特征；

将各音频片段对应的声纹特征输入图神经网络，得到各音频片段的特征向量表示；

基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果。

8.一种音频数据聚类方法，包括：

通过音频聚类模型的声纹提取网络，获取待处理的多个音频片段分别对应的声纹特征；

通过音频聚类模型的图神经网络，基于各音频片段分别对应的声纹特征，得到各音频片段的特征向量表示；

通过所述音频聚类模型的聚类模块，基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果。

9.一种音频数据聚类装置，包括：

音频片段获取模块，用于获取待处理的多个音频片段；

第一声纹特征得到模块，用于对各音频片段进行特征提取，得到对应的声纹特征；

第一特征向量表示得到模块，用于将各音频片段对应的声纹特征输入图神经网络，得到各音频片段的特征向量表示；

第一聚类模块，用于基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果。

10.一种音频数据聚类装置，包括：

指令接收模块，用于接收针对会议音频数据的说话人聚类指令；

音频片段得到模块，用于根据所述说话人聚类指令，对所述会议音频数据进行数据分割，得到多个音频片段；

第二声纹特征得到模块，用于对各音频片段进行特征提取，得到对应的声纹特征；

第二特征向量表示得到模块，用于将各音频片段对应的声纹特征输入图神经网络，得到各音频片段的特征向量表示；

第二聚类模块，用于基于各音频片段的特征向量表示对各音频片段进行聚类，得到聚类结果。