CN111613195B - 音频拼接方法、装置及存储介质 - Google Patents

Abstract

本公开涉及音频拼接方法、装置及存储介质。该方法包括：确定各个待拼接音频的音频片段；对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度；根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段；根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接。本公开能够自动化地进行音频拼接，并能够提高音频片段之间的拼接自然程度。

Description

音频拼接方法、装置及存储介质

技术领域

本公开涉及音频技术领域，尤其涉及一种音频拼接方法、装置及存储介质。

背景技术

目前，音频拼接作品(例如串烧歌曲)多为人工创作，这要求创作者对音乐具有较高的敏感度，且通常需要耗费大量的人力和时间。如何自动化地进行音频拼接以得到和谐的音频拼接作品，是亟待解决的问题。

发明内容

有鉴于此，本公开提出了一种音频拼接方法、装置及存储介质。

根据本公开的一方面，提供了一种音频拼接方法，包括：

确定各个待拼接音频的音频片段；

对于所述各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据所述第一音频片段的相邻音频片段和所述第二音频片段的相邻音频片段中的至少一项，确定所述第一音频片段与所述第二音频片段之间的和谐度，其中，所述第一音频片段包括所述第一待拼接音频的任意一个音频片段，所述第二音频片段包括所述第二待拼接音频的任意一个音频片段；

根据所述各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定所述每两个待拼接音频之间的匹配的音频片段；

根据所述每两个待拼接音频之间的匹配的音频片段，对所述各个待拼接音频的音频片段进行拼接。

在一种可能的实现方式中，确定所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度；

确定所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度；

根据所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度，以及所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度，确定所述第一音频片段与所述第二音频片段之间的和谐度。

在一种可能的实现方式中，根据所述第一音频片段的相邻音频片段和所述第二音频片段的音高、节奏和响度中的至少一项，确定所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度；

根据所述第一音频片段和所述第二音频片段的相邻音频片段的音高、节奏和响度中的至少一项，确定所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度。

在一种可能的实现方式中，所述第一音频片段的相邻音频片段为所述第一音频片段的下一音频片段，所述第二音频片段的相邻音频片段为所述第二音频片段的上一音频片段。

在一种可能的实现方式中，若所述第一音频片段与所述第二音频片段之间的和谐度大于和谐度阈值，且在所述第一待拼接音频的各个音频片段与所述第二待拼接音频的各个音频片段中，所述第一音频片段与所述第二音频片段之间的和谐度最大，则将所述第一音频片段与所述第二音频片段确定为所述第一待拼接音频与所述第二待拼接音频之间的匹配的音频片段。

在一种可能的实现方式中，根据所述每两个待拼接音频之间的匹配的音频片段，确定所述各个待拼接音频对应的最长拼接序列；

根据所述最长拼接序列，确定所述各个待拼接音频中的待拼接音频片段；

根据所述最长拼接序列对应的待拼接音频的顺序，对所述各个待拼接音频片段进行拼接。

在一种可能的实现方式中，若所述第一音频片段与所述第二音频片段为所述第一待拼接音频与所述第二待拼接音频之间的匹配的音频片段，第三音频片段与第四音频片段为所述第二待拼接音频与第三待拼接音频之间的匹配的音频片段，且所述第二音频片段与所述第三音频片段之间的片段数小于数量阈值，则确定所述第一待拼接音频、所述第二待拼接音频与所述第三待拼接音频可拼接，其中，所述第三音频片段为所述第二待拼接音频中在所述第二音频片段之后的任意一个音频片段，所述第四音频片段为所述第三待拼接音频中的任意一个音频片段；

根据所述各个待拼接音频中的可拼接的待拼接音频，确定所述各个待拼接音频对应的最长拼接序列。

在一种可能的实现方式中，所述各个待拼接音频中的任一待拼接音频在所述最长拼接序列中最多出现一次。

在一种可能的实现方式中，在所述对所述各个待拼接音频片段进行拼接之后，还包括：

确定所述各个待拼接片段的平均节奏和平均响度；

根据所述各个待拼接片段的平均节奏，对所述各个待拼接片段进行节奏调节；

根据所述各个待拼接片段的平均响度，对所述各个待拼接片段进行响度调节。

根据本公开的另一方面，提供了一种音频拼接装置，包括：

第一确定模块，用于确定各个待拼接音频的音频片段；

第二确定模块，用于对于所述各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据所述第一音频片段的相邻音频片段和所述第二音频片段的相邻音频片段中的至少一项，确定所述第一音频片段与所述第二音频片段之间的和谐度，其中，所述第一音频片段包括所述第一待拼接音频的任意一个音频片段，所述第二音频片段包括所述第二待拼接音频的任意一个音频片段；

第三确定模块，用于根据所述各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定所述每两个待拼接音频之间的匹配的音频片段；

拼接模块，用于根据所述每两个待拼接音频之间的匹配的音频片段，对所述各个待拼接音频的音频片段进行拼接。

根据本公开的另一方面，提供了一种音频拼接装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。

根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

在本公开实施例中，通过确定各个待拼接音频的音频片段，对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段，并根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接，由此能够自动化地进行音频拼接，并能够基于音频片段的上下文确定音频片段之间的和谐度，从而能够提高音频片段之间的拼接自然程度，得到和谐的音频拼接作品。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的音频拼接方法的流程图。

图2示出根据本公开一实施例的音频拼接方法中谋一窗口对应的频谱图的示意图。

图3示出根据本公开一实施例的音频拼接方法中第一音高曲线、第二音高曲线以及第一音高曲线与第二音高曲线之间的面积的示意图。

图4示出根据本公开一实施例的音频拼接方法中确定歌曲A(第一待拼接音频)的第一音频片段a的下一音频片段a⁺的前3秒与第二音频片段b的前3秒之间的相似度，以及确定第一音频片段a的后3秒与第二音频片段b的上一音频片段b^-的后3秒之间的相似度的示意图。

图5示出根据本公开一实施例的音频拼接方法中基于表2得到的有向图的示意图。

图6示出根据本公开一实施例的音频拼接装置的框图。

图7是根据一示例性实施例示出的一种用于音频拼接的装置800的框图。

图8是根据一示例性实施例示出的一种用于音频拼接的装置1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的音频拼接方法的流程图。该音频拼接方法的执行主体可以是音频拼接装置。例如，该音频拼接方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，该音频拼接方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该音频拼接方法包括步骤S11至步骤S14。

在步骤S11中，确定各个待拼接音频的音频片段。

在本公开实施例中，待拼接音频可以表示用于拼接的音频。在本公开实施例中，可以基于各个待拼接音频中的至少两个待拼接音频的音频片段拼接得到音频拼接作品。

本公开实施例可以应用于专辑预览和歌曲串烧等应用场景中。例如，在专辑预览的应用场景中，各个待拼接音频可以为某一专辑的各首歌曲的音频。又如，在歌曲串烧的应用场景中，各个待拼接音频可以为需要进行串烧的各首歌曲的音频。

在本公开实施例中，待拼接音频的音频片段可以为待拼接音频中的一句歌词对应的片段，或者可以为待拼接音频中的多句歌词对应的片段，或者可以为待拼接音频中的一段歌词对应的片段，在此不作限定。本公开实施例可以采用相关技术确定各个待拼接音频的音频片段。

在一种可能的实现方式中，确定各个待拼接音频的音频片段，包括：对于各个待拼接音频中的第一待拼接音频，获取第一待拼接音频对应的歌词文件和音频文件；基于歌词文件中的时间信息和歌词信息，对音频文件进行切割，得到各个音频片段对应的时间范围。其中，歌词文件可以为lrc文件，音频文件可以为mp3文件，在此不作限定。在该实现方式中，还可以基于音频片段的时间长度和歌词内容，确定前奏片段、间奏片段和尾奏片段，以辅助进行音频片段的确定。

在一种可能的实现方式中，可以基于第一待拼接音频对应的歌词的韵脚，确定第一待拼接音频的主歌部分和副歌部分，以辅助进行音频片段的确定。例如，可以基于十三撤确定第一待拼接音频对应的歌词的韵脚，在此不作限定。

在本公开实施例中，第一待拼接音频可以为各个待拼接音频中的任意一个待拼接音频。

在步骤S12中，对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，其中，第一音频片段包括第一待拼接音频的任意一个音频片段，第二音频片段包括第二待拼接音频的任意一个音频片段。

例如，第一音频片段为第一待拼接音频的任意一个音频片段，第二音频片段为第二待拼接音频的任意一个音频片段。又如，第一音频片段为第一待拼接音频的连续多个音频片段，第二音频片段为第二待拼接音频的连续多个音频片段。

在本公开实施例中，第二待拼接音频可以为各个待拼接音频中除第一待拼接音频以外的任意一个待拼接音频。

在本公开实施例中，第一音频片段与第二音频片段之间的和谐度表示第一音频片段与第二音频片段之间拼接的自然程度。

在一种可能的实现方式中，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，包括：确定第一音频片段的相邻音频片段与第二音频片段之间的相似度；确定第一音频片段与第二音频片段的相邻音频片段之间的相似度；根据第一音频片段的相邻音频片段与第二音频片段之间的相似度，以及第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度。

在另一种可能的实现方式中，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，包括：确定第一音频片段的相邻音频片段与第二音频片段之间的相似度；根据第一音频片段的相邻音频片段与第二音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度。例如，可以将第一音频片段的相邻音频片段与第二音频片段之间的相似度，确定为第一音频片段与第二音频片段之间的和谐度。例如，第一音频片段的相邻音频片段为第一音频片段的下一音频片段。

在另一种可能的实现方式中，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，包括：确定第一音频片段与第二音频片段的相邻音频片段之间的相似度；根据第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度。例如，可以将第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定为第一音频片段与第二音频片段之间的和谐度。例如，第二音频片段的相邻音频片段为第二音频片段的上一音频片段。

在一种可能的实现方式中，确定第一音频片段的相邻音频片段与第二音频片段之间的相似度，包括：根据第一音频片段的相邻音频片段和第二音频片段的音高、节奏和响度中的至少一项，确定第一音频片段的相邻音频片段与第二音频片段之间的相似度；确定第一音频片段与第二音频片段的相邻音频片段之间的相似度，包括：根据第一音频片段和第二音频片段的相邻音频片段的音高、节奏和响度中的至少一项，确定第一音频片段与第二音频片段的相邻音频片段之间的相似度。

在一种可能的实现方式中，可以对第一音频片段进行短时傅里叶变换，并基于谐波峰值法确定第一音频片段中至少一个窗口的基音的频率。例如，可以对第一音频片段进行短时傅里叶变换，得到第一音频片段中多个窗口对应的频谱图，并将各个窗口对应的频谱图的峰值频率分别确定为该窗口的基音的频率，并基于各个窗口的基音的频率确定各个窗口的音高。图2示出根据本公开一实施例的音频拼接方法中谋一窗口对应的频谱图的示意图。如图2所示，可以将幅值最大的频率确定为该窗口的基音的频率。

在一种可能的实现方式中，可以根据

得到某一窗口的音高对应的音符序号，其中，f表示该窗口的基音的频率。

在一种可能的实现方式中，可以结合音频片段的节拍，将窗口对应的音高转换为窗口内的音符对应的音高。

在一种可能的实现方式中，第一音频片段的相邻音频片段为第一音频片段的下一音频片段，第二音频片段的相邻音频片段为第二音频片段的上一音频片段。在该实现方式中，可以根据第一音频片段的下一音频片段与第二音频片段之间的相似度，以及第一音频片段与第二音频片段的上一音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度。

在一种可能的实现方式中，根据第一音频片段的相邻音频片段与第二音频片段之间的相似度，以及第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度，包括：将第一相似度与第二相似度中的最大值确定为第一音频片段与第二音频片段之间的和谐度，其中，第一相似度表示第一音频片段的相邻音频片段与第二音频片段之间的相似度，第二相似度表示第一音频片段与第二音频片段的相邻音频片段之间的相似度。

在一个示例中，第一相似度表示第一音频片段的下一音频片段与第二音频片段之间的相似度，第二相似度表示第一音频片段与第二音频片段的上一音频片段之间的相似度。例如，第一音频片段a与第二音频片段b之间的和谐度H(a,b)＝max[s_g(a⁺,b),s_g(a,b^-)]，其中，s_g(a⁺,b)表示第一音频片段a的下一音频片段a⁺与第二音频片段b之间的相似度，s_g(a,b^-)表示第一音频片段a与第二音频片段b的上一音频片段b^-之间的相似度。

在另一种可能的实现方式中，根据第一音频片段的相邻音频片段与第二音频片段之间的相似度，以及第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度，包括：将第一相似度与第二相似度的平均值确定为第一音频片段与第二音频片段之间的和谐度，其中，第一相似度表示第一音频片段的相邻音频片段与第二音频片段之间的相似度，第二相似度表示第一音频片段与第二音频片段的相邻音频片段之间的相似度。

在一种可能的实现方式中，确定第一音频片段的下一音频片段与第二音频片段之间的相似度，包括：根据第一音频片段的下一音频片段和第二音频片段的音高、节奏和响度中的至少一项，确定第一音频片段的相邻音频片段与第二音频片段之间的相似度。确定第一音频片段与第二音频片段的上一音频片段之间的相似度，包括：根据第一音频片段和第二音频片段的上一音频片段的音高、节奏和响度中的至少一项，确定第一音频片段与第二音频片段的上一音频片段之间的相似度。

在一种可能的实现方式中，根据第一音频片段的下一音频片段和第二音频片段的音高、节奏和响度中的至少一项，确定第一音频片段的下一音频片段与第二音频片段之间的相似度，包括：根据第一音频片段的下一音频片段的音高和第二音频片段的音高，确定第一音频片段的下一音频片段与第二音频片段之间的音高相似度；根据第一音频片段的下一音频片段的节奏和第二音频片段的节奏，确定第一音频片段的下一音频片段与第二音频片段之间的节奏相似度；根据第一音频片段的下一音频片段的响度和第二音频片段的响度，确定第一音频片段的下一音频片段与第二音频片段之间的响度相似度；根据第一音频片段的下一音频片段与第二音频片段之间的音高相似度、节奏相似度和响度相似度，以及音高相似度对应的权重、节奏相似度对应的权重和响度相似度对应的权重，确定第一音频片段的下一音频片段与第二音频片段之间的相似度。例如，第一音频片段a的下一音频片段a⁺与第二音频片段b之间的相似度s_g(a⁺,b)＝w₁s₁(a⁺,b)+w₂s₂(a⁺,b)+w₃s₃(a⁺,b)，其中，s₁(a⁺,b)表示第一音频片段的下一音频片段与第二音频片段之间的音高相似度，w₁表示音高相似度对应的权重，s₂(a⁺,b)表示第一音频片段的下一音频片段与第二音频片段之间的节奏相似度，w₂表示节奏相似度对应的权重，s₃(a⁺,b)表示第一音频片段的下一音频片段与第二音频片段之间的响度相似度，w₃表示响度相似度对应的权重。

在一种可能的实现方式中，根据第一音频片段的下一音频片段的音高和第二音频片段的音高，确定第一音频片段的下一音频片段与第二音频片段之间的音高相似度，包括：确定第一音频片段的下一音频片段对应的第一音高曲线；确定第二音频片段对应的第二音高曲线；确定第一音高曲线与第二音高曲线之间的面积；将该面积的倒数确定为第一音频片段的下一音频片段与第二音频片段之间的音高相似度。图3示出根据本公开一实施例的音频拼接方法中第一音高曲线、第二音高曲线以及第一音高曲线与第二音高曲线之间的面积的示意图。在图3中，一条曲线为第一音高曲线，另一条曲线为第二音高曲线，根据两条曲线之间的面积，可以确定第一音频片段的下一音频片段与第二音频片段之间的音高相似度。

在一种可能的实现方式中，根据第一音频片段的下一音频片段的节奏和第二音频片段的节奏，确定第一音频片段的下一音频片段与第二音频片段之间的节奏相似度，包括：确定第一音频片段的下一音频片段的每分钟节拍数；确定第二音频片段的每分钟节拍数；确定第一音频片段的下一音频片段的每分钟节拍数与第二音频片段的每分钟节拍数的差值的绝对值；将该绝对值的倒数确定为第一音频片段的下一音频片段与第二音频片段之间的节奏相似度。例如，第一音频片段a的下一音频片段a⁺与第二音频片段b之间的节奏相似度

其中，

表示第一音频片段a的下一音频片段a⁺的每分钟节拍数，B_b表示第二音频片段b的每分钟节拍数。

在一种可能的实现方式中，根据第一音频片段的下一音频片段的响度和第二音频片段的响度，确定第一音频片段的下一音频片段与第二音频片段之间的响度相似度，包括：确定第一音频片段的下一音频片段的响度平均值；确定第二音频片段的响度平均值；确定第一音频片段的下一音频片段的响度平均值与第二音频片段的响度平均值的差值的绝对值；将该绝对值的倒数确定为第一音频片段的下一音频片段与第二音频片段之间的响度相似度。例如，第一音频片段a的下一音频片段a⁺与第二音频片段b之间的响度相似度

其中，

表示第一音频片段a的下一音频片段a⁺的响度平均值，D_b表示第二音频片段b的响度平均值。

上文介绍了根据音频片段的音高、节奏和响度确定音频片段之间的相似度的方式如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活选择音高、节奏和响度中的一项、两项或三项用于确定音频片段之间的相似度。

在一种可能的实现方式中，在确定音频片段之间的相似度时，可以仅选取音频片段的一部分进行相似度(包括但不限于音高相似度、节奏相似度和响度相似度中的至少一项)的确定。由于人感知旋律和节奏属于短期记忆，因此，通过选取音频片段的一部分进行相似度的确定，不仅能够降低计算量，还能够使音频拼接结果(例如串烧歌曲)富有更多的变化。

在一个示例中，可以确定第一音频片段的下一音频片段的其中N秒与第二音频片段的其中N秒之间的相似度，作为第一音频片段的下一音频片段与第二音频片段之间的相似度。例如，可以确定第一音频片段的下一音频片段的前N秒与第二音频片段的前N秒之间的相似度，作为第一音频片段的下一音频片段与第二音频片段之间的相似度。例如，N等于3。

在一个示例中，可以确定第一音频片段的其中N秒与第二音频片段的上一音频片段的其中N秒之间的相似度，作为第一音频片段与第二音频片段的上一音频片段之间的相似度。例如，可以确定第一音频片段的后N秒与第二音频片段的上一音频片段的后N秒之间的相似度，作为第一音频片段与第二音频片段的上一音频片段之间的相似度。

图4示出根据本公开一实施例的音频拼接方法中确定歌曲A(第一待拼接音频)的第一音频片段a的下一音频片段a⁺的前3秒与第二音频片段b的前3秒之间的相似度，以及确定第一音频片段a的后3秒与第二音频片段b的上一音频片段b^-的后3秒之间的相似度的示意图。

在步骤S13中，根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段。

在一种可能的实现方式中，根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段，包括：若第一音频片段与第二音频片段之间的和谐度大于和谐度阈值，且在第一待拼接音频的各个音频片段与第二待拼接音频的各个音频片段中，第一音频片段与第二音频片段之间的和谐度最大，则将第一音频片段与第二音频片段确定为第一待拼接音频与第二待拼接音频之间的匹配的音频片段。在该实现方式中，若在第一待拼接音频的各个音频片段与第二待拼接音频的各个音频片段中，存在和谐度大于和谐度阈值的两个音频片段，则将和谐度大于和谐度阈值的音频片段中和谐度最大的两个音频片段确定为第一待拼接音频与第二待拼接音频之间的匹配的音频片段。在该实现方式中，若在第一待拼接音频的各个音频片段与第二待拼接音频的各个音频片段中，不存在和谐度大于和谐度阈值的两个音频片段，则可以确定第一待拼接音频与第二待拼接音频之间的匹配的音频片段为空，或者可以确定第一待拼接音频与第二待拼接音频之间不存在匹配的音频片段。

在步骤S14中，根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接。

在一种可能的实现方式中，可以将每两个待拼接音频之间的匹配的音频片段的信息写入邻接矩阵中。例如，若第一待拼接音频与第二待拼接音频之间的匹配的音频片段不为空，则写入1；若第一待拼接音频与第二待拼接音频之间的匹配的音频片段为空，则写入0。基于邻接矩阵，可以得到各个待拼接音频对应的有向图。基于有向图进行深度优先遍历，得到最长拼接序列。

在一种可能的实现方式中，根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接，包括：根据每两个待拼接音频之间的匹配的音频片段，确定各个待拼接音频对应的最长拼接序列；根据最长拼接序列，确定各个待拼接音频中的待拼接音频片段；根据最长拼接序列对应的待拼接音频的顺序，对各个待拼接音频片段进行拼接。

在一种可能的实现方式中，根据每两个待拼接音频之间的匹配的音频片段，确定各个待拼接音频对应的最长拼接序列，包括：若第一音频片段与第二音频片段为第一待拼接音频与第二待拼接音频之间的匹配的音频片段，第三音频片段与第四音频片段为第二待拼接音频与第三待拼接音频之间的匹配的音频片段，且第二音频片段与第三音频片段之间的片段数小于数量阈值，则确定第一待拼接音频、第二待拼接音频与第三待拼接音频可拼接，其中，第三音频片段为第二待拼接音频中在第二音频片段之后的任意一个音频片段，第四音频片段为第三待拼接音频中的任意一个音频片段；根据各个待拼接音频中的可拼接的待拼接音频，确定各个待拼接音频对应的最长拼接序列。在该实现方式中，不要求进行拼接的音频片段之间紧密相连，可以用上一待拼接音频过渡几句，直至匹配的音频片段出现。

表1示出根据本公开一实施例的音频拼接方法中各个待拼接音频之间的匹配的音频片段的示意表格。

表1

在表1所示的示例中，i表示匹配的两个音频片段中的第一个音频片段，j表示匹配的两个音频片段中的第二个音频片段，H表示匹配的两个音频片段之间的和谐度。其中，匹配的两个音频片段中的第一个音频片段，表示匹配的两个音频片段中拼接在前的音频片段；匹配的两个音频片段中的第二个音频片段，表示匹配的两个音频片段中拼接在后的音频片段。

如表1所示，例如，第一待拼接音频A中的第一音频片段为i_AB，第二待拼接音频B中的第二音频片段为j_AB，第二待拼接音频B中的第三音频片段为i_BC，第三待拼接音频中的第四音频片段为j_BC，第一音频片段i_AB与第二音频片段j_AB为第一待拼接音频A与第二待拼接音频B之间的匹配的音频片段，第三音频片段i_BC与第四音频片段j_BC为第二待拼接音频B与第三待拼接音频C之间的匹配的音频片段，且第二音频片段j_AB与第三音频片段i_BC之间的片段数小于数量阈值，则确定第一待拼接音频A、第二待拼接音频B与第三待拼接音频C可拼接。例如，数量阈值为3。例如，第二音频片段j_AB为第二待拼接音频B的第2个音频片段，第三音频片段为i_BC为第二待拼接音频B的第4个音频片段，第二音频片段j_AB与第三音频片段i_BC之间的片段数小于数量阈值，则可以确定第一待拼接音频A、第二待拼接音频B与第三待拼接音频C可拼接，拼接结果为i_AB-j_AB-B₃-i_BC-j_BC，其中，B₃表示第二待拼接音频B的第3个音频片段。

在一种可能的实现方式中，若第一音频片段与第二音频片段为第一待拼接音频与第二待拼接音频之间的匹配的音频片段，第三音频片段与第四音频片段为第二待拼接音频与第三待拼接音频之间的匹配的音频片段，且第二音频片段与第三音频片段之间的片段数大于或等于数量阈值，则确定第一待拼接音频、第二待拼接音频与第三待拼接音频不可拼接。例如，数量阈值为3。例如，第二音频片段j_AB为第二待拼接音频B的第2个音频片段，第三音频片段为i_BC为第二待拼接音频B的第8个音频片段，述第二音频片段j_AB与第三音频片段i_BC之间的片段数大于数量阈值，则可以确定第一待拼接音频A、第二待拼接音频B与第三待拼接音频C不可拼接。

在本公开实施例中，第三待拼接音频为各个待拼接音频中除第一待拼接音频和第二待拼接音频之外的任意一个待拼接音频。

在一种可能的实现方式中，各个待拼接音频中的任一待拼接音频在最长拼接序列中最多出现一次。

表2示出根据本公开一实施例的音频拼接方法中各个待拼接音频之间的匹配的音频片段的示意表格。在表2所示的示例中，待拼接音频包括待拼接音频0-7。

表2

	0	1	2	3	4	5	6	7
									0	0	i<sub>01</sub>,j<sub>01</sub>,H<sub>01</sub>	0	0	0	i<sub>05</sub>,j<sub>05</sub>,H<sub>05</sub>	0	0
1	0	0	0	0	0	0	0	0
									2	0	0	0	i<sub>23</sub>,j<sub>23</sub>,H<sub>23</sub>	0	0	0	0
3	0	0	i<sub>32</sub>,j<sub>32</sub>,H<sub>32</sub>	0	0	i<sub>35</sub>,j<sub>35</sub>,H<sub>35</sub>	0	0
									4	0	0	0	i<sub>43</sub>,j<sub>43</sub>,H<sub>43</sub>	0	0	0	0
5	0	0	0	0	i<sub>54</sub>,j<sub>54</sub>,H<sub>54</sub>	0	0	0
									6	i<sub>60</sub>,j<sub>60</sub>,H<sub>60</sub>	0	0	0	i<sub>64</sub>,j<sub>64</sub>,H<sub>64</sub>	0	0	0
7	0	0	0	0	0	0	i<sub>76</sub>,j<sub>76</sub>,H<sub>76</sub>	0

图5示出根据本公开一实施例的音频拼接方法中基于表2得到的有向图的示意图。基于表2，可以得到的最长拼接序列为7-6-0-5-4-3-2。根据该最长拼接序列，可以确定待拼接音频片段包括i₇₆、j₇₆、i₆₀、j₆₀、i₀₅、j₀₅、i₅₄、j₅₄、i₄₃、j₄₃、i₃₂和j₃₂，待拼接音频片段还包括j₇₆与i₆₀之间的音频片段、j₆₀与i₀₅之间的音频片段、j₀₅与i₅₄之间的音频片段、j₅₄与i₄₃之间的音频片段以及j₄₃与i₃₂之间的音频片段。根据最长拼接序列对应的待拼接音频的顺序，可以确定音频拼接结果为i₇₆-j₇₆-…-i₆₀-j₆₀-…-i₀₅-j₀₅-…-i₅₄-j₅₄-…-i₄₃-j₄₃-…-i₃₂-j₃₂，其中，i₇₆-j₇₆表示i₇₆与j₇₆进行拼接，j₇₆-…-i₆₀表示对j₇₆、j₇₆与i₆₀之间的音频片段以及i₆₀进行拼接。

在一种可能的实现方式中，可以随机选择或者人工选择一个待拼接音频作为起点，基于该起点确定最长拼接序列。在另一种可能的实现方式中，可以直接搜索整个有向图中的最长序列作为最长拼接序列。

在本公开实施例中，通过确定各个待拼接音频的音频片段，对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段，并根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接，由此能够自动化地进行音频拼接，并能够基于音频片段的上下文确定音频片段之间的和谐度，从而能够提高音频片段之间的拼接自然程度，得到和谐的音频拼接作品。采用本公开实施例进行音频拼接能够节省大量的人力和时间。

在一种可能的实现方式中，在对各个待拼接音频片段进行拼接之后，还包括：确定各个待拼接片段的平均节奏和平均响度；根据各个待拼接片段的平均节奏，对各个待拼接片段进行节奏调节；根据各个待拼接片段的平均响度，对各个待拼接片段进行响度调节。

在一种可能的实现方式中，根据各个待拼接片段的平均节奏，对各个待拼接片段进行节奏调节，包括：根据各个待拼接片段的平均节奏，确定节奏区间；若某一待拼接片段的节奏在该节奏区间中，则不对该待拼接片段的节奏进行调节；若某一待拼接片段的节奏低于该节奏区间的下边界值，则将该待拼接片段的节奏调节为该节奏区间的下边界值；若某一待拼接片段的节奏高于该节奏区间的上边界值，则将该待拼接片段的节奏调节为该节奏区间的上边界值。例如，节奏区间为[0.8d,1.2d]，其中，d表示各个待拼接片段的平均节奏。

在一种可能的实现方式中，根据各个待拼接片段的平均响度，对各个待拼接片段进行响度调节，包括：根据各个待拼接片段的平均响度，确定响度区间；若某一待拼接片段的响度在该响度区间中，则不对该待拼接片段的响度进行调节；若某一待拼接片段的响度低于该响度区间的下边界值，则将该待拼接片段的响度调节为该响度区间的下边界值；若某一待拼接片段的响度高于该响度区间的上边界值，则将该待拼接片段的响度调节为该响度区间的上边界值。例如，响度区间为[0.8b,1.2b]，其中，b表示各个待拼接片段的平均响度。

图6示出根据本公开一实施例的音频拼接装置的框图。如图6所示，该装置包括：第一确定模块21，用于确定各个待拼接音频的音频片段；第二确定模块22，用于对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，其中，第一音频片段包括第一待拼接音频的任意一个音频片段，第二音频片段包括第二待拼接音频的任意一个音频片段；第三确定模块23，用于根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段；拼接模块24，用于根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接。

在一种可能的实现方式中，第二确定模块22包括：第一确定子模块，用于确定第一音频片段的相邻音频片段与第二音频片段之间的相似度；第二确定子模块，用于确定第一音频片段与第二音频片段的相邻音频片段之间的相似度；第三确定子模块，用于根据第一音频片段的相邻音频片段与第二音频片段之间的相似度，以及第一音频片段与第二音频片段的相邻音频片段之间的相似度，确定第一音频片段与第二音频片段之间的和谐度。

在一种可能的实现方式中，第一确定子模块用于：根据第一音频片段的相邻音频片段和第二音频片段的音高、节奏和响度中的至少一项，确定第一音频片段的相邻音频片段与第二音频片段之间的相似度；第二确定子模块用于：根据第一音频片段和第二音频片段的相邻音频片段的音高、节奏和响度中的至少一项，确定第一音频片段与第二音频片段的相邻音频片段之间的相似度。

在一种可能的实现方式中，第一音频片段的相邻音频片段为第一音频片段的下一音频片段，第二音频片段的相邻音频片段为第二音频片段的上一音频片段。

在一种可能的实现方式中，第三确定模块23用于：若第一音频片段与第二音频片段之间的和谐度大于和谐度阈值，且在第一待拼接音频的各个音频片段与第二待拼接音频的各个音频片段中，第一音频片段与第二音频片段之间的和谐度最大，则将第一音频片段与第二音频片段确定为第一待拼接音频与第二待拼接音频之间的匹配的音频片段。

在一种可能的实现方式中，拼接模块24包括：第三确定子模块，用于根据每两个待拼接音频之间的匹配的音频片段，确定各个待拼接音频对应的最长拼接序列；第四确定子模块，用于根据最长拼接序列，确定各个待拼接音频中的待拼接音频片段；拼接子模块，用于根据最长拼接序列对应的待拼接音频的顺序，对各个待拼接音频片段进行拼接。

在一种可能的实现方式中，第三确定子模块用于：若第一音频片段与第二音频片段为第一待拼接音频与第二待拼接音频之间的匹配的音频片段，第三音频片段与第四音频片段为第二待拼接音频与第三待拼接音频之间的匹配的音频片段，且第二音频片段与第三音频片段之间的片段数小于数量阈值，则确定第一待拼接音频、第二待拼接音频与第三待拼接音频可拼接，其中，第三音频片段为第二待拼接音频中在第二音频片段之后的任意一个音频片段，第四音频片段为第三待拼接音频中的任意一个音频片段；根据各个待拼接音频中的可拼接的待拼接音频，确定各个待拼接音频对应的最长拼接序列。

在一种可能的实现方式中，各个待拼接音频中的任一待拼接音频在最长拼接序列中最多出现一次。

在一种可能的实现方式中，还包括：第四确定模块，用于确定各个待拼接片段的平均节奏和平均响度；节奏调节模块，用于根据各个待拼接片段的平均节奏，对各个待拼接片段进行节奏调节；响度调节模块，用于根据各个待拼接片段的平均响度，对各个待拼接片段进行响度调节。

在本公开实施例中，通过确定各个待拼接音频的音频片段，对于各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据第一音频片段的相邻音频片段和第二音频片段的相邻音频片段中的至少一项，确定第一音频片段与第二音频片段之间的和谐度，根据各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定每两个待拼接音频之间的匹配的音频片段，并根据每两个待拼接音频之间的匹配的音频片段，对各个待拼接音频的音频片段进行拼接，由此能够自动化地进行音频拼接，并能够基于音频片段的上下文确定音频片段之间的和谐度，从而能够提高音频片段之间的拼接自然程度，得到和谐的音频拼接作品。

图7是根据一示例性实施例示出的一种用于音频拼接的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。

图8是根据一示例性实施例示出的一种用于音频拼接的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图8，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种音频拼接方法，其特征在于，包括：

确定各个待拼接音频的音频片段；

对于所述各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据所述第一音频片段的相邻音频片段和所述第二音频片段的相邻音频片段中的至少一项，确定所述第一音频片段与所述第二音频片段之间的和谐度，其中，所述第一音频片段包括所述第一待拼接音频的任意一个音频片段，所述第二音频片段包括所述第二待拼接音频的任意一个音频片段；

根据所述各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定所述每两个待拼接音频之间的匹配的音频片段；

根据所述每两个待拼接音频之间的匹配的音频片段，对所述各个待拼接音频的音频片段进行拼接。

2.根据权利要求1所述的方法，其特征在于：

确定所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度；

确定所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度；

根据所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度，以及所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度，确定所述第一音频片段与所述第二音频片段之间的和谐度。

3.根据权利要求2所述的方法，其特征在于：

根据所述第一音频片段的相邻音频片段和所述第二音频片段的音高、节奏和响度中的至少一项，确定所述第一音频片段的相邻音频片段与所述第二音频片段之间的相似度；

根据所述第一音频片段和所述第二音频片段的相邻音频片段的音高、节奏和响度中的至少一项，确定所述第一音频片段与所述第二音频片段的相邻音频片段之间的相似度。

4.根据权利要求2或3所述的方法，其特征在于，所述第一音频片段的相邻音频片段为所述第一音频片段的下一音频片段，所述第二音频片段的相邻音频片段为所述第二音频片段的上一音频片段。

5.根据权利要求1所述的方法，其特征在于：

若所述第一音频片段与所述第二音频片段之间的和谐度大于和谐度阈值，且在所述第一待拼接音频的各个音频片段与所述第二待拼接音频的各个音频片段中，所述第一音频片段与所述第二音频片段之间的和谐度最大，则将所述第一音频片段与所述第二音频片段确定为所述第一待拼接音频与所述第二待拼接音频之间的匹配的音频片段。

6.根据权利要求1或5所述的方法，其特征在于：

根据所述每两个待拼接音频之间的匹配的音频片段，确定所述各个待拼接音频对应的最长拼接序列；

根据所述最长拼接序列，确定所述各个待拼接音频中的待拼接音频片段；

根据所述最长拼接序列对应的待拼接音频的顺序，对所述各个待拼接音频片段进行拼接。

7.根据权利要求6所述的方法，其特征在于：

若所述第一音频片段与所述第二音频片段为所述第一待拼接音频与所述第二待拼接音频之间的匹配的音频片段，第三音频片段与第四音频片段为所述第二待拼接音频与第三待拼接音频之间的匹配的音频片段，且所述第二音频片段与所述第三音频片段之间的片段数小于数量阈值，则确定所述第一待拼接音频、所述第二待拼接音频与所述第三待拼接音频可拼接，其中，所述第三音频片段为所述第二待拼接音频中在所述第二音频片段之后的任意一个音频片段，所述第四音频片段为所述第三待拼接音频中的任意一个音频片段；

根据所述各个待拼接音频中的可拼接的待拼接音频，确定所述各个待拼接音频对应的最长拼接序列。

8.根据权利要求6所述的方法，其特征在于，所述各个待拼接音频中的任一待拼接音频在所述最长拼接序列中最多出现一次。

9.根据权利要求6所述的方法，其特征在于，在所述对所述各个待拼接音频片段进行拼接之后，还包括：

确定各个待拼接片段的平均节奏和平均响度；

根据所述各个待拼接片段的平均节奏，对所述各个待拼接片段进行节奏调节；

根据所述各个待拼接片段的平均响度，对所述各个待拼接片段进行响度调节。

10.一种音频拼接装置，其特征在于，包括：

第一确定模块，用于确定各个待拼接音频的音频片段；

第二确定模块，用于对于所述各个待拼接音频中的第一待拼接音频的第一音频片段和第二待拼接音频的第二音频片段，根据所述第一音频片段的相邻音频片段和所述第二音频片段的相邻音频片段中的至少一项，确定所述第一音频片段与所述第二音频片段之间的和谐度，其中，所述第一音频片段包括所述第一待拼接音频的任意一个音频片段，所述第二音频片段包括所述第二待拼接音频的任意一个音频片段；

第三确定模块，用于根据所述各个待拼接音频中的每两个待拼接音频的音频片段之间的和谐度，确定所述每两个待拼接音频之间的匹配的音频片段；

拼接模块，用于根据所述每两个待拼接音频之间的匹配的音频片段，对所述各个待拼接音频的音频片段进行拼接。

11.一种音频拼接装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1至9中任意一项所述的方法。

12.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。

Images