[发明专利]音乐标签的预测方法、相关设备

权利要求书

1.一种音乐标签的预测方法，其特征在于，包括：

按照目标采样率加载目标音乐，所述目标音乐对应多个加载采样率，所述目标采样率是所述多个加载采样率中的其中一个；

在通过加载所述目标音乐得到目标音频数据后，根据所述目标采样率，对所述目标音频数据进行变采样离散傅里叶变换时所需的帧移参数进行动态计算，得到目标帧移参数；所述目标帧移参数是根据基准帧移参数对应的固定采样率和所述目标采样率之间的比例，对所述基准帧移参数进行动态缩放处理得到的；所述基准帧移参数是指任一音频数据进行离散傅里叶变换时所需的帧移参数；

确定所述目标音乐的音乐时长，并基于所述音乐时长、所述目标帧移参数以及所述目标采样率计算所述目标音频数据对应的分帧数；

将所述目标帧移参数和所述分帧数，添加至所述目标音频数据对应的傅里叶变换参数中；

基于计算出的傅里叶变换参数对所述目标音频数据进行变采样离散傅里叶变换，得到目标频谱图；所述变采样离散傅里叶变换是指根据动态调整得到的傅里叶变换参数进行的离散傅里叶变换；

根据所述目标频谱图对所述目标音乐的类别进行预测，得到所述目标音乐的类别预测标签。

2.如权利要求1所述的方法，其特征在于，所述根据所述目标采样率，对所述目标音频数据进行变采样离散傅里叶变换时所需的帧移参数进行动态计算，得到目标帧移参数，包括：

确定所述基准帧移参数，以及所述基准帧移参数所对应的固定采样率；

计算所述目标采样率和所述固定采样率之间的比例，并根据计算得到的比例对所述基准帧移参数进行动态缩放处理，得到所述目标音频数据在进行变采样离散傅里叶变换时所需的目标帧移参数。

3.如权利要求1或2所述的方法，其特征在于，所述基于所述音乐时长、所述目标帧移参数以及所述目标采样率计算所述目标音频数据对应的分帧数，包括：

根据所述音乐时长和所述目标采样率，计算所述目标音频数据包括的时间点位的点位数；

对所述点位数和所述目标帧移参数进行求和运算，并根据求和运算结果和所述目标帧移参数之间的比值，得到所述目标音频数据对应的分帧数。

4.如权利要求1所述的方法，其特征在于，所述目标音乐的类别预测标签是通过调用目标模型进行标签预测得到的，所述目标音乐被下载至多个终端设备中，加载采样率是指终端设备存储所述目标音乐时所使用的采样率；所述方法包括：

响应于所述多个终端设备中的目标终端设备上传所述目标音乐的请求，从所述请求中解析出所述目标终端设备对应的加载采样率；

将解析出的加载采样率确定为目标采样率，并触发执行所述按照目标采样率加载目标音乐的步骤。

5.如权利要求1所述的方法，其特征在于，所述目标音乐的类别预测标签是通过调用待优化的分类模型进行标签预测得到的，所述目标音乐是用于对所述分类模型进行模型训练的样本音乐，加载采样率是指为所述分类模型的训练过程所预设的采样率；所述方法包括：

获取用于对所述分类模型进行模型训练的多个样本音乐，并遍历所述多个样本音乐，将当前遍历的样本音乐作为目标音乐；

从所述目标音乐对应的多个加载采样率中，随机选取一个加载采样率作为目标采样率，并触发执行所述按照目标采样率加载目标音乐的步骤。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

获取所述目标音乐的类别标注标签，并根据所述类别标注标签和所述目标音乐的类别预测标签之间的差异，计算所述分类模型通过所述目标音乐产生的损失值；

基于所述分类模型通过所述目标音乐产生的损失值，更新优化所述分类模型的模型参数；

继续遍历所述多个样本音乐，并在所述多个样本音乐中的每个样本音乐均被遍历后，将当前通过所述多个样本音乐优化得到的分类模型作为一个候选模型进行保存；

重新遍历所述多个样本音乐，直至所述多个样本音乐的被遍历次数达到次数阈值；确定每次通过遍历所述多个样本音乐所得到的候选模型，并从确定的多个候选模型中选取一个候选模型作为目标模型，所述目标模型用于对任一音乐进行类别预测。