[发明专利]音频分析方法、装置、设备及存储介质

说明书

本公开关于一种音频分析方法、装置、设备及存储介质，涉及计算机技术领域，用于解决通用技术在对终端的音频数据进行处理时准确率较低且成本较高的问题。该音频分析方法，包括：获取目标音频的干声音频数据；将干声音频数据输入至目标音素识别模型中进行音素识别处理，得到目标音素时间序列；目标音素识别模型为基于多个语种进行同音合并后的音素集合训练得到的；将干声音频数据输入至目标文本识别模型中进行文本识别处理，得到目标文字时间序列；目标文本识别模型为基于目标音频的歌词信息训练得到的；确定干声音频数据的音频信号特征信息；根据目标音素时间序列、目标文字时间序列和音频信号特征信息，确定干声音频数据的音频分析结果。

技术领域

本公开涉及计算机技术领域，尤其涉及一种音频分析方法、装置、设备及存储介质。

背景技术

随着终端(例如手机)录制歌曲功能的广泛应用，对录制歌曲内的歌声进行智能评价、修饰和合成等的衍生功能也得到了普及。这些衍生功能在实现时，一般需要对歌声的特征进行准确地分析处理，以保证处理后的结果符合用户的主观感知。

由于对歌声的特征进行分析处理涉及的技术实现复杂度较高，通常需要占用较多的存储资源和计算资源等，通用技术中一般是采用将相关实现算法等资源文件部署在云端服务器中，通过云端服务器进行分析处理的方式。

这种依赖服务器进行处理的方式，需要将终端的数据传输至云端服务器，容易出现由数据传输错误导致的处理结果中时间和歌声错位的现象，造成分析结果的准确率较低，容易影响用户体验。并且，在海量用户并发使用的情况下，这种依赖服务器进行处理的方式对服务器的计算容量要求较高，容易导致较高的服务器的部署成本。

发明内容

本公开提供一种音频分析方法、装置、设备及存储介质，用于解决通用技术在对终端的音频数据进行处理时准确率较低且成本较高的问题。

本公开实施例的技术方案如下：

根据本公开实施例的第一方面，提供一种音频分析方法，包括：获取目标音频的干声音频数据；将干声音频数据输入至目标音素识别模型中进行音素识别处理，得到目标音素时间序列；目标音素识别模型为基于多个语种进行同音合并后的音素集合训练得到的；目标音素时间序列包括干声音频数据中各音素发音时段对应的至少一个候选识别音素；将干声音频数据输入至目标文本识别模型中进行文本识别处理，得到目标文字时间序列；目标文本识别模型为基于目标音频的歌词信息训练得到的；目标文字时间序列包括干声音频数据中各文字发音时段对应的目标识别文字；确定干声音频数据的音频信号特征信息；根据目标音素时间序列、目标文字时间序列和音频信号特征信息，确定干声音频数据的音频分析结果；音频分析结果用于表征目标音频的发音节奏、发音力度和发音精度。

可选地，确定干声音频数据的音频信号特征信息的方法，具体包括：将干声音频数据划分为多个预设长度的音频数据帧；确定各音频数据帧的基音频率值和响度值，得到音频信号特征信息。

可选地，根据目标音素时间序列、目标文字时间序列和音频信号特征信息，确定干声音频数据的音频分析结果的方法，具体包括：对目标文字时间序列进行音素切分处理，得到切分后音素时间序列；切分后音素时间序列包括各目标识别文字对应的至少一个切分后音素，以及各切分后音素的开始时刻和终止时刻；基于切分后音素时间序列和各音频数据帧的基音频率值，确定用于表征目标音频的发音节奏的节拍点时间序列；根据节拍点时间序列中各音素开始时刻和终止时刻之间的音频数据帧的响度值，确定节拍点时间序列中各音素的响度值，得到用于表征目标音频的发音力度的响度值时间序列；基于切分后音素时间序列和目标音素时间序列，确定用于表征目标音频的发音精度的精度值时间序列。