[发明专利]音频数据聚类方法、装置、设备及存储介质

说明书

本申请实施例提供了一种音频数据聚类方法、装置、设备及存储介质。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。本申请实施例，提升了音频数据聚类的准确度。

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种音频数据聚类方法、装置、设备及存储介质。

背景技术

音频数据聚类是一种应用较广的聚类方法，例如：针对音视频会议中的音频数据，可以采用音频数据聚类的方式，从中分辨出不同说话人的说话时长并标注，也即：将属于同一说话人的音频片段聚集到一起。

目前，通常采用传统的聚类方法，如谱聚类、AHC层次聚类或者K-means等进行音频数据聚类。但是，上述传统方法，聚类效果具有较大局限，聚类准确度较低。例如：容易将同一种类的音频数据识别成多种不同类别，或者，将不同种类的音频数据错误地聚为一类。

发明内容

有鉴于此，本申请实施例提供一种音频数据聚类方法、装置、设备及存储介质，以至少部分解决上述问题。

根据本申请实施例的第一方面，提供了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。

根据本申请实施例的第二方面，提供了另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。

根据本申请实施例的第三方面，提供了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。

根据本申请实施例的第四方面，提供了另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。