CN110503961B

CN110503961B - 音频识别方法、装置、存储介质及电子设备

Info

Publication number: CN110503961B
Application number: CN201910829472.0A
Authority: CN
Inventors: 蔡猛
Original assignee: Beijing ByteDance Network Technology Co Ltd
Current assignee: Beijing ByteDance Network Technology Co Ltd
Priority date: 2019-09-03
Filing date: 2019-09-03
Publication date: 2023-03-14
Anticipated expiration: 2039-09-03
Also published as: CN110503961A

Abstract

本公开涉及一种音频识别方法、装置、存储介质及电子设备。所述方法包括：对待识别音频进行人声提取，以获得仅含人声的目标音频，所述待识别音频与目标歌曲相对应；对所述目标音频进行声纹特征提取，以获得目标声纹特征信息；根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人。这样，能够更加准确地识别待识别音频属于歌曲的原唱版本还是翻唱版本，提升音频识别的准确性，稳定性高，且受环境影响较小。

Description

音频识别方法、装置、存储介质及电子设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种音频识别方法、装置、存储介质及电子设备。

背景技术

用户在利用公共平台上传多媒体内容时，一般需要选择音乐素材。用户在选择素材时，先要进行搜索，而搜索结果往往存在原唱版本与翻唱版本混杂显示的情况。在一些场景中，用户需要知晓搜索结果中哪些是原唱、哪些是翻唱。基于用户的这一需求，在用户搜索时应当向用户区分展示歌曲的原唱版本和翻唱版本，以便用户选择，而这依赖于对素材库中各种歌曲原唱版本与翻唱版本的区分。

相关技术中，一般采用固定音频检测的方式，采集相同的音频，提取音频的二值特征进行哈希计算以区别原唱和翻唱。这种检测方式需要采集相同的音频，受环境干扰较大，并且准确率不高，有时无法准确区分原唱和翻唱。例如，同一首歌曲、同一演唱人的录音室版本与演唱会版本应当均属于该歌曲的原唱版本，但在利用该方案进行处理时，极有可能存在其中一者被误识别为翻唱版本。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

根据本公开的第一方面，提供一种音频识别方法，包括：

对待识别音频进行人声提取，以获得仅含人声的目标音频，所述待识别音频与目标歌曲相对应；

对所述目标音频进行声纹特征提取，以获得目标声纹特征信息；

根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人。

根据本公开的第二方面，提供一种音频识别装置，包括：

第一处理模块，用于对待识别音频进行人声提取，以获得仅含人声的目标音频，所述待识别音频与目标歌曲相对应；

第二处理模块，用于对所述目标音频进行声纹特征提取，以获得目标声纹特征信息；

确定模块，用于根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人。

根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

根据本公开的第四方面，提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤

通过上述技术方案，首先对待识别音频进行人声提取，获得仅含人声的目标音频，能够减小背景音乐对识别准确率的影响；之后，对目标音频进行声纹特征提取，获得目标声纹特征信息，能够反映待识别音频说话人的音色；之后，根据目标声纹特征信息，确定待识别音频是否属于目标歌曲的原唱版本。这样，能够更加准确地识别待识别音频属于歌曲的原唱版本还是翻唱版本，提升音频识别的准确性，稳定性高，且受环境影响较小。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

在附图中：

图1是根据本公开的一种实施方式提供的音频识别方法的流程图；

图2是根据本公开提供的音频识别方法中，根据目标声纹特征信息，确定待识别音频是否属于目标歌曲的原唱版本的步骤的一种示例性实现方式的流程图；

图3是根据本公开的一种实施方式提供的音频识别装置的框图；

图4出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据本公开的一种实施方式提供的音频识别方法的流程图。如图1所示，该方法可以包括以下步骤。

在步骤11中，对待识别音频进行人声提取，以获得仅含人声的目标音频。

待识别音频与目标歌曲相对应。示例地，待识别音频可以为用户上传的音频，用户在上传音频时，可以填写该音频的相关信息，例如，该音频来自哪一首歌曲，以形成音频与歌曲之间的对应关系。再例如，待识别音频可以为从网络获取的音频，在获取音频时可以同时获取该歌曲的相关信息，例如，该歌曲来自哪一首歌曲，以形成音频与歌曲之间的对应关系。

在一种可能的示例中，待识别音频可以通过歌曲标识与目标歌曲相对应，每一首歌曲对应一个能够唯一代表该歌曲的歌曲标识，该歌曲的原唱版本、翻唱版本均对应于该歌曲的歌曲标识。示例地，歌曲标识可以包括但不限于以下中的任意一者或任意几者的组合：歌曲名称、歌曲ID、歌曲发行时间、词作者、曲作者、原唱人。其中，歌曲的原唱版本为该歌曲原唱人演唱的版本，可以包括原唱人在任何场景中的演唱，例如，该歌曲原唱人在已发行音源中的演唱，或者，该歌曲原唱人在演唱会演唱的该首歌曲，或者，该歌曲原唱人在录音室演唱的该首歌曲，或者，该歌曲原唱人无伴奏演唱的该首歌曲。歌曲的翻唱版本则为除该歌曲原唱人之外的其他人演唱的该首歌曲。

针对待识别音频，首先对其进行人声提取，从而获得仅含人声的目标音频。其中，在进行人声提取时，可以首先将人声与歌曲的背景音乐相分离，之后保留经人声音乐分离操作而得到的人声音频。示例地，将人声与音乐相分离的方法可以利用PIT、DeepClustering、TasNet等方法。需要说明的是，分离人声与音乐的具体实现方式为本领域技术人员公知，在此不赘述。通过人声提取，能够最大限度降低背景音乐对后续判断的干扰，提升后续判断准确率。

在步骤12中，对目标音频进行声纹特征提取，以获得目标声纹特征信息。

声纹是用电声学仪器显示的携带言语信息的声波频谱，具有特定性和相对稳定性，同一个人在一段时间内其声纹特征变化不大，因此，声纹特征能够在一定程度上反映说话人的音色，进而反映说话人的身份。并且，声纹特征的表示长度固定，也就是说，即便是时长不同的两段音频，其声纹特征的表示长度也是相同的。声纹特征的这一特性使其可以对音频进行统一结构化的表示，关注于音频本身的声音特性，而受音频本身长度的影响小，更加便于对不同长度音频的处理。

在经步骤11得到仅含人声的目标音频后，可以对目标音频进行声纹特征提取，以获得目标声纹特征信息。其中，对目标音频进行声纹特征提取的方式可以基于现有的声纹特征提取方式，例如，采用GMM-UBM框架提取声纹特征信息。需要说明的是，声纹特征提取的具体实现方式为本领域技术人员公知，在此不赘述。

在步骤13中，根据目标声纹特征信息，确定待识别音频是否属于目标歌曲的原唱版本。由上所述，目标歌曲的原唱版本来自目标歌曲的原唱人。

在一种可能的实施方式中，步骤13可以包括以下步骤，如图3所示。

在步骤21中，确定与待识别音频对应的目标分类器。

针对每一首歌曲，可以为该歌曲训练一个分类器，用于识别该歌曲的原唱版本或翻唱版本。

示例地，可以仅利用歌曲的原唱版本训练分类器，即，预先利用该歌曲的原唱版本进行训练，为该歌曲训练一个分类器。例如，针对每一首歌曲，在获取到该歌曲的原唱版本后，首先进行人声音乐分离，之后对得到的人声进行声纹特征提取，从而提取出原唱版本对应的声纹特征信息，用于分类器训练。

再例如，可以利用歌曲的原唱版本和翻唱版本训练分类器，即，预先利用该歌曲的原唱版本和翻唱版本进行训练，为该歌曲训练一个分类器。例如，针对每一首歌曲，在获取到该歌曲的原唱版本和翻唱版本后，首先进行人声音乐分离，之后对得到的人声进行声纹特征提取，从而提取出原唱版本对应的声纹特征信息，用于分类器训练。

为了训练所得到的分类器准确率更高，可以尽可能多地获取歌曲的原唱版本和翻唱版本，例如，获取歌曲原唱人在各种场景下的原唱版本、获取除歌曲原唱人之外的其他人在各种场景下的翻唱版本。

其中，示例地，可采用支持向量机(Support Vector Machine，SVM)实现分类器训练。需要说明的是，分类器的训练方式属于现有技术，为本领域技术人员公知，此处不赘述。

在一种可能的实施方式中，为每一首歌曲训练的分类器可以与歌曲信息相关联，基于目标歌曲(待识别音频对应的歌曲)的歌曲信息，可以从多个分类器中确定出目标分类器。在这种实施方式中，步骤21可以包括以下步骤：

获取目标歌曲的目标歌曲信息；

根据目标歌曲信息，从预先训练好的对应于不同歌曲信息的多个分类器中确定出目标分类器。

其中，歌曲信息可以用于指示歌曲是什么歌曲，示例地，歌曲信息可以例如包括歌曲标识。针对每一种歌曲信息，也就是针对每一首歌曲，对应于该歌曲信息的分类器可以根据多个第一训练样本得到。其中，第一训练样本至少包括对应于该歌曲信息的原唱音频。另外，第一训练版本还可以包括对应于该歌曲信息的翻唱音频。基于第一训练样本，按照前文所述的方式训练分类器，以得到每种歌曲信息对应的分类器。在对待识别音频进行识别时，可以首先获取目标歌曲的目标歌曲信息，并从预先训练的多个分类器中确定出与目标歌曲信息对应的分类器，即为目标分类器。

在训练分类器时，针对每一首歌曲训练得到一个分类器，并将得到的分类器与相应歌曲的歌曲信息相关联。在对待识别音频进行识别时，待识别音频与目标歌曲相对应，则获取目标歌曲的目标歌曲信息后，从多个分类器中找到与该目标歌曲信息相关联的分类器，作为目标分类器。示例地，若歌曲信息为歌曲名称，训练所得到的每个分类器均与其歌曲的歌曲名称相关联，处理待识别音频时，首先获取待识别音频对应的歌曲名称(目标歌曲的歌曲名称)，并根据该歌曲名称确定目标分类器。

采用上述方式，针对每一首歌曲单独训练分类器，能够为后续的识别提供更加精确的识别依据。

在另一种可能的实施方式中，为每一首歌曲训练的分类器可以与歌曲内容相关联，基于目标音频(待识别音频对应的人声音频)的人声内容，可以从多个分类器中确定出目标分类器。在这种实施方式中，步骤21可以包括以下步骤：

根据目标音频对应的人声内容，从预先训练好的对应于不同人声内容的多个分类器中确定出目标分类器。

人声内容用于指示目标音频的说话内容，由于目标音频来自于歌曲，则人声内容指示的是待识别音频中的歌词。不同的歌曲，其歌词必然存在区别，基于这一点，可以通过待识别音频对应的人声内容确定目标分类器。

针对每一种人声内容，对应于该人声内容的分类器是根据多个第二训练样本得到的。其中，第二训练样本至少包括对应于该人声内容的原唱音频。另外，第二训练样本还包括对应于该人声内容的翻唱音频。在此处，对应于人声内容的原唱音频(和/或者，翻唱音频)的意思是对应于该人声内容所对应的歌曲的原唱音频(和/或者，翻唱音频)。基于第二训练样本，按照前文所述的方式训练分类器，以得到每首歌曲对应的分类器。在对待识别音频进行识别时，可以首先获取目标音频的人声内容，并根据该人声内容，从预先训练的多个分类器中确定出目标分类器。

在训练分类器时，针对每一首歌曲训练得到一个分类器，并将得到的分类器与相应歌曲的歌词内容相关联。在对待识别音频进行识别时，根据目标音频(来自待识别音频)的人声内容，以及各个分类器对应的歌词内容，从多个分类器中找到与该人声内容匹配的歌词内容相关联的分类器，作为目标分类器。其中，若人声内容与某歌词内容完全相同，或者，若人声内容为某歌词内容的一部分，则可以认为该人声内容与该歌词内容相匹配。示例地，若训练所得到的每个分类器均与其歌曲的歌词内容相关联，处理待识别音频时，首先获取目标音频(来自待识别音频)的人声内容，并将该人声内容与各分类器对应的歌词内容进行匹配，将匹配成功的歌词内容对应的分类器确定为目标分类器。

在步骤22中，将目标声纹特征信息输入至目标分类器，以获得目标分类器针对目标声纹特征信息输出的分类结果。

将目标声纹特征输入至目标分类器后，即可获得目标分类器针对目标声纹特征信息输出的关于目标音频中人声是否来自目标歌曲的原唱人的分类结果。

在步骤23中，根据分类结果，确定待识别音频是否属于目标歌曲的原唱版本。

基于该结果，就可以确定待识别音频是否属于目标歌曲的原唱版本。若步骤22中目标分类器输出的分类结果指示目标音频中人声来自目标歌曲的原唱人，则可以确定待识别音频属于目标歌曲的原唱版本。若步骤22中目标分类器输出的分类结果指示目标音频中人声并非来自目标歌曲的原唱人，则可以确定待识别音频不属于目标歌曲的原唱版本。

采用上述方式，利用分类器判断待识别音频是否为歌曲的原唱版本，准确率更高，且能够避免音频损坏造成的识别准确率低的问题。

在另一种可能的实施方式中，步骤13可以包括以下步骤：

确定目标歌曲的原唱人的原唱声纹特征信息；

计算目标声纹特征信息与原唱声纹特征信息之间的相似度；

根据该相似度以及预设的相似度阈值，确定待识别音频是否属于目标歌曲的原唱版本。

由上所述，声纹特征信息能够反映说话人的音色，进而反映说话人的身份，因此，还可以利用声纹特征信息识别歌曲是否为原唱版本。

首先，确定目标歌曲的原唱人的原唱声纹特征信息，计算目标声纹特征信息与原唱声纹特征信息之间的相似度，根据该相似度以及预设的相似度阈值，确定待识别音频是否属于目标歌曲的原唱版本。其中，预设的相似度阈值可以根据经验值人为设定。若目标声纹特征信息与原唱声纹特征信息之间的相似度大于(或等于)预设的相似度阈值，说明目标歌曲的原唱人与待识别音频的说话人的音色相似程度较高，可以认为待识别音频来自目标歌曲的原唱人，进而可以确定待识别音频属于目标歌曲的原唱版本。若目标声纹特征信息与原唱声纹特征信息之间的相似度小于预设的相似度阈值，说明目标歌曲的原唱人与待识别音频的说话人的音色相似程度较低，可以认为待识别音频与目标歌曲的原唱人是不同的人，进而可以确定待识别音频不属于目标歌曲的原唱版本。

采用上述方式，利用声纹特征信息，对待识别音频的说话人和歌曲原唱人进行比对，以确定二者音色之间的相似度，从而确定待识别音频的说话人和歌曲原唱人是否为同一人，从而确定待识别音频是否属于目标歌曲的原唱版本

通过上述技术方案，首先对待识别音频进行人声提取，获得仅含人声的目标音频，能够减小背景音乐对识别准确率的影响；之后，对目标音频进行声纹特征提取，获得目标声纹特征信息，能够反映待识别音频说话人的音色；之后，根据目标声纹特征信息，确定待识别音频是否属于目标歌曲的原唱版本。其中，声纹特征的表示长度固定，能够结构化表示音频，相较于二值特征提取及哈希计算的特征提取方式，受音频长度的影响小，无需采集固定长度的音频，且能保证识别准确率。这样，能够更加准确地识别待识别音频属于歌曲的原唱版本还是翻唱版本，提升音频识别的准确性，稳定性高，且受环境影响较小。

图3是根据本公开的一种实施方式提供的音频识别装置的框图。如图3所示，该装置30可以包括：

第一处理模块31，用于对待识别音频进行人声提取，以获得仅含人声的目标音频，所述待识别音频与目标歌曲相对应；

第二处理模块32，用于对所述目标音频进行声纹特征提取，以获得目标声纹特征信息；

确定模块33，用于根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人。

可选地，所述确定模块33包括：

第一确定子模块，用于确定与所述待识别音频对应的目标分类器；

处理子模块，用于将所述目标声纹特征信息输入至所述目标分类器，以获得所述目标分类器针对所述目标声纹特征信息输出的关于所述目标音频中人声是否来自所述目标歌曲的原唱人的分类结果；

第二确定子模块，用于根据所述分类结果，确定所述待识别音频是否属于所述目标歌曲的原唱版本。

可选地，所述第一确定子模块用于获取所述目标歌曲的目标歌曲信息；根据所述目标歌曲信息，从预先训练好的对应于不同歌曲信息的多个分类器中确定出所述目标分类器，其中，针对每一种歌曲信息，对应于该歌曲信息的分类器是根据多个第一训练样本得到的，所述第一训练样本至少包括对应于该歌曲信息的原唱音频。

可选地，所述第一确定子模块用于根据所述目标音频对应的人声内容，从预先训练好的对应于不同人声内容的多个分类器中确定出所述目标分类器，其中，针对每一种人声内容，对应于该人声内容的分类器是根据多个第二训练样本得到的，所述第二训练样本至少包括对应于该人声内容的原唱音频。

可选地，所述确定模块33包括：

第三确定子模块，用于确定所述目标歌曲的原唱人的原唱声纹特征信息；

计算子模块，用于计算所述目标声纹特征信息与所述原唱声纹特征信息之间的相似度；

第四确定子模块，用于根据所述相似度以及预设的相似度阈值，确定所述待识别音频是否属于所述目标歌曲的原唱版本。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以被提供为一服务器。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，服务器可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对待识别音频进行人声提取，以获得仅含人声的目标音频，所述待识别音频与目标歌曲相对应；对所述目标音频进行声纹特征提取，以获得目标声纹特征信息；根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一处理模块还可以被描述为“对待识别音频进行人声提取的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供一种音频识别方法，包括：

可选地，所述根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，包括：

确定与所述待识别音频对应的目标分类器；

将所述目标声纹特征信息输入至所述目标分类器，以获得所述目标分类器针对所述目标声纹特征信息输出的关于所述目标音频中人声是否来自所述目标歌曲的原唱人的分类结果；

根据所述分类结果，确定所述待识别音频是否属于所述目标歌曲的原唱版本。

可选地，所述确定与所述待识别音频对应的目标分类器，包括：

获取所述目标歌曲的目标歌曲信息；

根据所述目标歌曲信息，从预先训练好的对应于不同歌曲信息的多个分类器中确定出所述目标分类器，其中，针对每一种歌曲信息，对应于该歌曲信息的分类器是根据多个第一训练样本得到的，所述第一训练样本至少包括对应于该歌曲信息的原唱音频。

根据所述目标音频对应的人声内容，从预先训练好的对应于不同人声内容的多个分类器中确定出所述目标分类器，其中，针对每一种人声内容，对应于该人声内容的分类器是根据多个第二训练样本得到的，所述第二训练样本至少包括对应于该人声内容的原唱音频。

确定所述目标歌曲的原唱人的原唱声纹特征信息；

计算所述目标声纹特征信息与所述原唱声纹特征信息之间的相似度；

根据所述相似度以及预设的相似度阈值，确定所述待识别音频是否属于所述目标歌曲的原唱版本。

根据本公开的一个或多个实施例，提供了一种音频识别装置，包括：

可选地，所述确定模块包括：

根据本公开的一个或多个实施例，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开任意实施例所述方法的步骤。

根据本公开的一个或多个实施例，提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开任意实施例所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims

1.一种音频识别方法，其特征在于，所述方法包括：

根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人；

所述根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，包括：

确定与所述待识别音频对应的目标分类器，其中，所述目标分类器是从预先训练好的对应于不同歌曲信息的多个分类器中确定出的；

将所述目标声纹特征信息输入至所述目标分类器，以获得所述目标分类器针对所述目标声纹特征信息输出的分类结果，其中，所述分类结果用于表示所述目标音频中人声是否来自所述目标歌曲的原唱人；

根据所述分类结果，确定所述待识别音频是否属于所述目标歌曲的原唱版本；

所述确定与所述待识别音频对应的目标分类器，包括：

根据所述目标音频对应的人声内容，从预先训练好的对应于不同人声内容的多个分类器中确定出所述目标分类器，其中，针对每一种人声内容，对应于该人声内容的分类器是根据多个第二训练样本得到的，所述第二训练样本至少包括对应于该人声内容的原唱音频；每一分类器与歌曲的歌词内容相关联，通过将所述目标音频对应的人声内容与各分类器对应的歌词内容进行匹配，以将匹配成功的歌词内容对应的分类器确定为所述目标分类器，并且，当人声内容与歌词内容相同或人声内容属于歌词内容的一部分时，确定该人声内容与该歌词内容相匹配。

2.根据权利要求1所述的方法，其特征在于，所述确定与所述待识别音频对应的目标分类器，包括：

获取所述目标歌曲的目标歌曲信息；

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，包括：

确定所述目标歌曲的原唱人的原唱声纹特征信息；

4.一种音频识别装置，其特征在于，所述装置包括：

确定模块，用于根据所述目标声纹特征信息，确定所述待识别音频是否属于所述目标歌曲的原唱版本，其中，所述目标歌曲的原唱版本来自所述目标歌曲的原唱人；

所述确定模块包括：

第一确定子模块，用于确定与所述待识别音频对应的目标分类器，其中，所述目标分类器是从预先训练好的对应于不同歌曲信息的多个分类器中确定出的；

处理子模块，用于将所述目标声纹特征信息输入至所述目标分类器，以获得所述目标分类器针对所述目标声纹特征信息输出的分类结果，其中，所述分类结果用于表示所述目标音频中人声是否来自所述目标歌曲的原唱人；

第二确定子模块，用于根据所述分类结果，确定所述待识别音频是否属于所述目标歌曲的原唱版本；

所述第一确定子模块用于根据所述目标音频对应的人声内容，从预先训练好的对应于不同人声内容的多个分类器中确定出所述目标分类器，其中，针对每一种人声内容，对应于该人声内容的分类器是根据多个第二训练样本得到的，所述第二训练样本至少包括对应于该人声内容的原唱音频；每一分类器与歌曲的歌词内容相关联，通过将所述目标音频对应的人声内容与各分类器对应的歌词内容进行匹配，以将匹配成功的歌词内容对应的分类器确定为所述目标分类器，并且，当人声内容与歌词内容相同或人声内容属于歌词内容的一部分时，确定该人声内容与该歌词内容相匹配。

5.根据权利要求4所述的装置，其特征在于，所述第一确定子模块用于获取所述目标歌曲的目标歌曲信息；根据所述目标歌曲信息，从预先训练好的对应于不同歌曲信息的多个分类器中确定出所述目标分类器，其中，针对每一种歌曲信息，对应于该歌曲信息的分类器是根据多个第一训练样本得到的，所述第一训练样本至少包括对应于该歌曲信息的原唱音频。

6.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-3中任一项所述方法的步骤。

7.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-3中任一项所述方法的步骤。