[发明专利]一种音频识别方法、装置、设备及存储介质

权利要求书

1.一种音频识别方法，其特征在于，包括：

获取待识别音频；

对所述待识别音频进行梅尔倒谱变换，得到梅尔倒谱矩阵；

将梅尔倒谱矩阵输入识别模型，得到声事件结果，所述识别模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集包括：梅尔倒谱矩阵样本和梅尔倒谱矩阵样本对应的声事件标签。

2.根据权利要求1所述的方法，其特征在于，通过目标样本集迭代训练神经网络模型包括：

将所述目标样本集中的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件；

根据所述预测声事件和所述梅尔倒谱矩阵样本对应的声事件标签图像形成的目标函数训练所述神经网络的参数；

返回执行将所述目标样本集中的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件的操作，直至得到识别模型。

3.根据权利要求2所述的方法，其特征在于，将所述目标样本集中的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件，包括：

获取所述目标样本集中的梅尔倒谱矩阵样本中每一帧的互信息值；

根据所述梅尔倒谱矩阵样本中每一帧的互信息值对所述梅尔倒谱矩阵样本进行降维，得到降维后的梅尔倒谱矩阵样本；

将降维后的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件。

4.根据权利要求3所述的方法，其特征在于，根据所述梅尔倒谱矩阵样本中每一帧的互信息值对所述梅尔倒谱矩阵样本进行降维，得到降维后的梅尔倒谱矩阵样本，包括：

根据所述梅尔倒谱矩阵样本中每一帧的互信息值对所述梅尔倒谱矩阵样本中的帧进行降序排序，得到第一矩阵；

若所述第一矩阵中前预设数量的帧累计互信息值和所述梅尔倒谱矩阵样本中所有帧累计互信息值的比值大于或者等于第一比值阈值，则根据所述第一矩阵中前预设数量的帧生成降维后的梅尔倒谱矩阵样本。

5.根据权利要求4所述的方法，其特征在于，所述目标样本集还包括：梅尔倒谱矩阵样本对应的场景标签；

相应的，在若所述第一矩阵中前预设数量的帧累计互信息值和所述梅尔倒谱矩阵样本中所有帧累计互信息值的比值大于或者等于第一比值阈值，则根据所述第一矩阵中前预设数量的帧生成降维后的梅尔倒谱矩阵样本之前，还包括：

根据所述梅尔倒谱矩阵样本对应的场景标签确定第一比值阈值。

6.根据权利要求4所述的方法，其特征在于，在将降维后的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件之后，还包括：

根据所述预测声事件和梅尔倒谱矩阵样本对应的声事件标签对所述第一比值阈值进行调整，得到目标比值阈值。

7.一种音频识别装置，其特征在于，包括：

获取模块，用于获取待识别音频；

变换模块，用于对所述待识别音频进行梅尔倒谱变换，得到梅尔倒谱矩阵；

识别模块，用于将梅尔倒谱矩阵输入识别模型，得到声事件结果，所述识别模型通过目标样本集迭代训练神经网络模型得到，所述目标样本集包括：梅尔倒谱矩阵样本和梅尔倒谱矩阵样本对应的声事件标签。

8.根据权利要求7所述的装置，其特征在于，所述识别模块具体用于：

将所述目标样本集中的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件；

根据所述预测声事件和所述梅尔倒谱矩阵样本对应的声事件标签图像形成的目标函数训练所述神经网络的参数；

返回执行将所述目标样本集中的梅尔倒谱矩阵样本输入神经网络模型，得到预测声事件的操作，直至得到识别模型。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述处理器实现如权利要求1-6中任一所述的方法。

10.一种包含计算机程序的计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被一个或多个处理器执行时实现如权利要求1-6中任一所述的方法。