CN109887515A - 音频处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种音频处理方法及装置、电子设备和存储介质，所述方法包括：对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，使得补全后的第一音频可以呈现良好的听觉效果。

Description

音频处理方法及装置、电子设备和存储介质

技术领域

本公开涉及信号处理技术领域，尤其涉及一种音频处理方法及装置、电子设备和存储介质。

背景技术

音频补全是指当音频中的一段因为噪声干扰或者意外导致缺失时，重新生成缺失部分的音频并将其自然补全。这一技术在音频信息修复和降噪方面有较多应用。相关技术主要依赖传统的音频处理方法，使用稀疏的音频表示方法，寻找与缺失片段周围已知片段相似的部分进行填充。

发明内容

本公开提出了一种音频处理技术方案。

根据本公开的一方面，提供了一种音频处理方法，包括：对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：对所述第一频谱图像进行特征提取，得到第一频谱特征；对所述第一频谱特征进行频谱重构，得到所述第二频谱图像。

在一种可能的实现方式中，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：对所述第一频谱图像进行特征提取，得到第二频谱特征；对所述受损音频的相关信息进行特征提取，得到监督特征；对齐所述第二频谱特征和所述监督特征；根据对齐后的监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像，其中，所述相关信息包括与所述受损音频对应的视频信息和光流信息中的至少一种。

在一种可能的实现方式中，所述受损音频包括受损音频片段；所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段；利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述受损音频包括受损音频片段和未受损音频片段；所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：根据第二频谱图像中与受损音频片段对应的频谱图像和未受损音频片段，预测所述补全音频片段；利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频的操作，通过WaveNet解码网络实现。

在一种可能的实现方式中，所述第一频谱图像和第二频谱图像包括梅尔频谱图像或梅尔倒谱图像。

根据本公开的一方面，提供了一种音频处理装置，包括：频谱转换模块，用于对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；频谱补全模块，用于对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；音频补全模块，用于根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述频谱补全模块包括：第一特征提取子模块，用于对所述第一频谱图像进行特征提取，得到第一频谱特征；第一频谱重构子模块，用于对所述第一频谱特征进行频谱重构，得到所述第二频谱图像。

在一种可能的实现方式中，所述频谱补全模块包括：第二特征提取子模块，用于对所述第一频谱图像进行特征提取，得到第二频谱特征；第三特征提取子模块，用于对所述受损音频的相关信息进行特征提取，得到监督特征；对齐子模块，用于对齐所述第二频谱特征和所述监督特征；第二频谱重构子模块，用于根据对齐后的监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像，其中，所述相关信息包括与所述受损音频对应的视频信息和光流信息中的至少一种。

在一种可能的实现方式中，所述受损音频包括受损音频片段；所述音频补全模块包括：第一谱频转换子模块，用于对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段；第一音频补全子模块，用于利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述受损音频包括受损音频片段和未受损音频片段；所述音频补全模块包括：预测子模块，用于根据第二频谱图像中与受损音频片段对应的频谱图像和未受损音频片段，预测所述补全音频片段；第二音频补全子模块，用于利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述音频补全模块通过WaveNet解码网络实现。

在一种可能的实现方式中，所述第一频谱图像和第二频谱图像包括梅尔频谱图像或梅尔倒谱图像。

根据本公开的一方面，提供了一种电子设备，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：执行上述音频处理方法方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述音频处理方法方法。

在本公开实施例中，通过对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，将音频补全的问题转化为频谱补全的问题，从而减少对音频信息的过分依赖。通过音频处理方法可以补全例如受到噪声干扰、有***音质片段的或者部分片段被抹去等的局部失真的受损音频，使得补全后的音频可以呈现良好的听觉效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

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

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种音频处理方法的流程图。

图2示出根据本公开实施例的一种音频处理方法中音频信息和频谱图像的示意图。

图3示出根据本公开实施例的一种音频处理方法中所采用的神经网络的结构示意图。

图4示出根据本公开实施例的一种音频处理方法中所采用的神经网络的结构示意图。

图5示出根据本公开实施例的音频处理装置的框图。

图6是根据示例性实施例示出的一种电子设备的框图。

图7是根据示例性实施例示出的一种电子设备的框图。

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。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，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示出根据本公开实施例的音频处理方法的流程图。该音频处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该音频处理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，所述方法包括：

步骤S11，对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像。

在一种可能的实现方式中，待处理的受损音频可以是在一首完整歌曲的音频信息(即没有任何损坏的完整的音频)的基础上产生的；例如，可以是在传输音频信息的过程中出现信息缺失的现象产生的，也可以是音频信息中携带的病毒造成的，还可以是编辑音频信息的过程中意外删除部分信息造成的。

在本公开的实现方式中，不会对待处理的受损音频的音频帧数进行限定，其可以包括一首完整歌曲的音频信息中的全部音频帧(例如1000帧)，作为示例，受损音频中的受损音频片段可以是位于第8-10帧的音频帧，也可以仅包括该完整歌曲的音频信息中的部分音频帧(例如10帧)，作为示例，受损音频中的受损音频片段可以是位于第7帧的音频帧。

在一种可能的实现方式中，所述待处理的受损音频可以通过任意格式的音频信号表示。作为示例，如图2所示，受损音频可以通过声谱图12表示，与用于表示完好音频的声谱图11相比，声谱图12中具有较为明显的缺失区域(声谱图12中的矩形空白部分)，该缺失区域即可表示待处理的受损音频的受损片段。

在一种可能的实现方式中，音频信号可以在时域空间下表示音频信息，频谱图像(信号)可以在频域空间下来表示音频信息，因此，在本实现方式中可以将第一频谱图像和受损音频作为相同信息的不同表现形式。

在一种可能的实现方式中，第一频谱图像和第二频谱图像包括梅尔频谱图像或梅尔倒谱图像。

步骤S12，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像。

其中，第一频谱图像中包括至少一个缺失区域，即需要补全的区域，该缺失区域用于表示受损音频中的缺失片段。作为示例，第一频谱图像中可以包括多个连续的缺失区域，也可以包括多个间隔的缺失区域，在一种可能的实现方式中，第一频谱图像中缺失区域的面积的越大，受损音频中的受损片段越多。缺失区域的面积的越小，受损音频中的受损片段越小。

在一种可能的实现方式中，对于频谱补全，可以利用第一频谱图像中缺失区域周围的像素点填充第一频谱图像的缺失区域，达到频谱补全的效果；也可以利用深度学习技术，根据第一频谱图像中除缺失区域之外的其他区域的像素点预测(或联想)对缺失区域中的各个像素点，达到频谱补全的效果。

在一种可能的实现方式中，所述补全的第二频谱图像与完好音频的频谱图像之间的差距较小。频谱补全操作用于补全将第一频谱图像中的缺失部分，以使补全后的第二频谱图像与完好的频谱图像趋近相同。

作为示例，如图2所示，频谱图像13为需要补全的第一频谱图像，频谱图像13中颜色较深的矩形区域为第一频谱图像的缺失区域，频谱图像14为补全后的第二频谱图像。

步骤S13，根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

其中，补全后的第一音频与完好音频之间的差距较小。所述补全操作用于补全受损音频中的缺失片段，以使补全后的第一音频与完好音频趋近相同。

其中，受损音频中包括至少一个受损音频片段，受损音频片段即需要补全的音频片段。作为示例，受损音频中可以包括多个连续的受损音频片段，也可以包括多个间隔的受损音频片段，受损音频中受损音频片段的数量越多，受损程度越严重，受损音频片段的数量越少，受损程度越轻微。

在一种可能的实现方式中，可以通过对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段，利用补全音频片段对受损音频进行补全，达到音频补全的效果；也可以利用深度学习技术，将第二频谱图像作为学习目标，并根据受损音频中除缺失片段之外的其他音频片段预测(或联想)受损片段的信息，达到音频补全的效果。

在一种可能的实现方式中，根据第二频谱图像对所述受损音频进行补全，得到补全后的第一音频的操作，通过WaveNet解码网络实现。例如，可以通过WaveNet解码网络中的卷积层对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，并利用补全音频片段对受损音频进行补全，达到音频补全的效果；又例如，可以利用WaveNet解码网络中的带洞因果卷积层(dialated causal convolutions)，预测受损音频中受损音频片段的信息，达到音频补全的效果。

在本公开的实施例中，通过对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，将音频补全的问题转化为频谱补全的问题，从而减少对音频信息的过分依赖。通过音频处理方法可以补全例如受到噪声干扰、有***音质片段的或者部分片段被抹去等的局部失真的受损音频，使得补全后的音频可以呈现良好的听觉效果。

在一种可能的实现方式中，步骤S12，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：对所述第一频谱图像进行特征提取，得到第一频谱特征；对所述第一频谱特征进行频谱重构，得到所述第二频谱图像。

其中，频谱重构可以理解为，利用第一频谱图像缺失区域周围的像素点填充第一频谱图像的缺失区域，达到频谱补全的效果；也可以理解为根据第一频谱图像中除缺失区域之外的其他区域的像素点预测(或联想)对缺失区域中的各个像素点，达到频谱补全的效果。

在一种可能的实现方式中，可以利用卷积神经网络对第一频谱图像进行特征提取和频谱重构的操作。其中，卷积神经网络可以包括至少一个卷积层，其中，卷积层用于对第一频谱图像进行卷积处理，提取第一频谱图像的特征。

在一种可能的实现方式中，对于特征提取，可以利用短时傅里叶变换(STFT，short-time Fourier transform)和梅尔滤波器等特征提取方法对第一频谱图像进行特征提取，以得到第一频谱特征。

在一种可能的实现方式中，在受损音频中受损音频片段的数量过多时，可以将受损音频分割为仅包括较少数量的音频片段的受损音频，进而将分割得到的受损音频分别频谱转换为第一频谱图像，并分别对各个第一频谱图像进行特征提取和频谱重构，得到对应于各个受损音频的第二频谱图像。

在一种可能的实现方式中，步骤S12，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：对所述第一频谱图像进行特征提取，得到第二频谱特征；对所述受损音频的相关信息进行特征提取，得到监督特征；对齐所述第二频谱特征和所述监督特征；根据对齐后的监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像，其中，所述相关信息包括与所述受损音频对应的视频信息和光流信息中的至少一种。

本实现方式中，所述受损音频可以是来源于一段具有音频信息的视频，其中，每一帧(段)视频帧都具有与其对应的音频片段，且视频帧与音频片段的内容相匹配，因此，本实现方式可以利用与受损音频天然对齐的视频信息补全受损音频。

作为示例，受损音频可以是来源于一段大提琴演奏的录制视频，当视频中的视频帧中表演者演奏幅度较大，琴弦与琴身的间的相对距离较大时，对应于该视频帧的音频片段所表达的响度较大，当视频中的视频帧中演奏频率较快时，对应于该视频帧的音频片段所表达的节奏较急促，相反的，当视频帧中表演者演奏幅度较小，琴弦与琴身间的相对距离较小时，对应于该视频帧的音频帧所表达的响度较小，当某一段视频中演奏频率较慢时，对应于该段的音频片段所表达的节奏较缓慢。

在一种可能的实现方式中，所述受损音频对应的视频信息和光流信息为完整的、未受到噪声干扰的信息。

其中，视频信息包括对应于音频信息的各个视频帧，光流信息用于表示视频信息的图像序列中像素在时间域上的变化、相邻视频帧图像之间的相关性，以及相邻视频帧图像中物体的发生相对移动的信息。在本实现方式中，视频信息和光流信息都可以作为受损音频的参照，使得补全后的第一音频更加完整。

在一种可能的实现方式中，对于特征提取，可以利用短时傅里叶变换(STFT，short-time Fourier transform)和梅尔滤波器等特征提取方法对受损音频的相关信息进行特征提取，以得到受损音频的监督特征。

在一种可能的实现方式中，所述监督特征可以是从受损音频对应的视频信息和/或光流信息中提取得到的特征，例如，可以是视频信息和/或光流信息的边缘特征、纹理特征和风格特征等。

在一种可能的实现方式中，可以利用深度学习技术对受损音频和受损音频的相关信息提取操作；例如，可以利用卷积神经网络中的卷积层对受损音频和受损音频的相关信息进行卷积处理(特征提取)，以提取第二频谱特征和监督特征。

在一种可能的实现方式中，对齐所述第二频谱特征和所述监督特征，用于使第二频谱特征和所述监督特征两者间的距离尽可能的减小，使第二频谱特征和所述监督特征可以处于同一空间。

在一种可能的实现方式中，对齐所述第二频谱特征和所述监督特征可以通过融合(例如拼接)第二频谱特征和所述监督特征完成；在本实现方式中，第二频谱特征的宽度可与监督特征相同，二者的高度是否相同不做限制，这样相应的第二频谱特征和监督特征可以沿宽度方向拼接。或者，第二频谱特征的高度可与监督特征相同，二者的宽度是否相同不做限制，这样，相应的第二频谱特征和监督特征可以沿高度方向拼接。

举例来说，第二频谱特征的维度为1×4×1，监督特征的维度为1×4×1，在特征融合的过程中，可以沿高度对相应的第二频谱特征和监督特征进行拼接，得到维度为(1+1)×4×1的特征。

在一种可能的实现方式中，对第一频谱特征的频谱重构操作可以通过深度学习技术完成。频谱重构过程中，可以利用受损音频和受损音频的相关信息(例如视频信息和流光信息)天然对齐的自我监督，根据第一频谱图像中除缺失区域之外的其他区域的像素点预测(或联想)对重构各个像素点，以达到频谱重构的效果，使频谱重构之后得到的第二频谱图像可以更好的补全受损音频。

本实现方式中，可以将受损音频的相关信息(例如与所述受损音频对应的视频信息和光流信息中的至少一种)作为监督信息，来指导补全受损音频，提高了补全后的第一音频的完整度，优化第一音频的呈现效果。

在一种可能的实现方式中，所述受损音频包括受损音频片段；步骤13，所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段；利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

其中，受损音频可以由受损音频片段和未受损音频片段组成，第二频谱图像中包括分别与受损音频的各个片段(包括受损音频片段和未受损音频片段)对应的图像区域。补全音频片段可以用于替换受损音频中的受损音频片段。谱频转换可以是将频谱图像转换为音频的过程，可以理解为步骤11中频谱转换的逆过程。

本实现方式中，可以将第二频谱图像中与受损音频片段对应的图像区域中的频谱图像转化为补全音频片段，并利用该补全音频片段替换受损音频中的受损音频片段，以达到音频补全的效果。

作为示例，受损音频由5个音频片段组成，其中，第1、2、3、4个片段为未受损音频片段，第5个音频片段为受损音频片段。通过本实现方式可以将第二频谱图像中与第5个音频片段对应的图像区域中的频谱图像进行谱频转换，得到补全音频片段，并利用补全音频片段替换受损音频中的第5个音频片段，得到由第1、2、3、4个未受损片段和补全音频片段组成的补全后的第一音频。

在一种可能的实现方式中，所述受损音频包括受损音频片段和未受损音频片段；步骤13，所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：根据第二频谱图像中与受损音频片段对应的频谱图像和未受损音频片段，预测所述补全音频片段；利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

本实现方式中，在确定用于替换受损音频片段的补全音频片段的过程中，还可以利用受损音频中的未受损音频片段来实现。举例来说(继续以上述实现方式中为例)，本实现方式在确定补全音频片段时，可以利用位于第1、2、3、4个片段的未受损音频片段对补全音频片段的内容进行预测(或联想)，并利用第二频谱图像中与受损音频片段对应的频谱图像作为用于引导补全音频片段的产生，进而得到更为准确的补全音频片段，并利用补全音频片段替换受损音频中的第5个音频片段，得到由第1、2、3、4个未受损片段和补全音频片段组成的补全后的第一音频。

在一种可能的实现方式中，步骤12和步骤13可以通过神经网络执行，其中，步骤S12对所述第一频谱图像进行特征提取，得到第一频谱特征的；对所述第一频谱特征进行频谱重构，得到所述第二频谱图像的操作，可以通过由第一编码网络和第一解码网络组成的第一生成网络实现；步骤S13所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频的操作，可以通过第二解码网络实现。

图3示出根据本公开实施例的一种音频处理方法中所采用的神经网络的结构示意图。在一种可能的实现方式中，如图3所示，对受损音频201进行频谱转化，得到频谱转化结果(第一频谱图像202)；第一编码网络E_a将第一频谱图像202压缩为一个特征向量并将用于表示第一频谱图像的特征向量发送至第一解码网络G_a；第一解码网络G_a可以基于该特征向量进行频谱补全的操作，并将频谱补全的之后的第二频谱图像203发送至第二解码网络204；第二解码网络204则会根据频谱补全的第二频谱图像203和受损音频201，对受损音频进行补全，最终得到补全后的第一音频205。

在一种可能的实现方式中，步骤12和步骤13可以通过神经网络执行；其中，步骤12所述对所述第一频谱图像进行特征提取，得到第二频谱特征的操作；对齐所述第二频谱特征和所述监督特征；对对齐后的所述受损音频的相关信息进行特征提取，得到监督特征；所述根据所述监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像的操作，可以通过由第一编码网络、第一解码网络和第二编码网络组成的第二生成网络实现；步骤13根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频的操作，可以通过第二解码网络实现。

图4示出根据本公开实施例的一种音频处理方法中所采用的神经网络的结构示意图。在一种可能的实现方式中，如图4所示，音频处理方法还可以应用于，利用受损音频和受损音频的相关信息(例如视频信息和流光信息)天然对齐的自我监督来补齐受损音频的情况。

具体过程包括：首先对受损音频301进行频谱转化第一频谱图像302，并将第一频谱图像302发送至第一编码网络E_a；第一编码网络会E_a将第一频谱图像302压缩成一个特征向量同时，还可以将受损音频的视频信息和流光信息(未示出)发送至第二编码网络E_v得到监督特征f_v；融合用于表示第一频谱图像的特征向量和监督特征f_v，并将融合结果发送至第一解码网络G_av；第一解码网络G_av可以基于该特征向量和监督特征进行频谱补全的操作，并将频谱补全的之后的第二频谱图像304发送至第二解码网络305；第二解码网络305则会根据频谱补全的第二频谱图像304和受损音频301，对受损音频进行补全，最终得到补全后的第一音频306。

在一种可能的实现方式中，可以将第一生成网络和第二解码网络分开训练，其中，可以通过对抗训练方法训练第一生成网络，通过离散混合损失函数训练第二解码网络。

用于训练第一生成网络所使用的网络损失函数可以表示为：

其中，用于表示第一编码网络的网络损失，用于表示第一编码网络和和第一解码网络的网络损失，用于表示和损失之和，a用于表示用于输入各个网络的受损音频，β用于表示第一解码网络的网络损失的权重。

本实现方式中，可以通过下述过程训练第一生成网络和第二解码网络：

步骤401、从训练集中获取多个训练样本(受损音频)以及与每个训练样本对应的标注信息(未受损音频和未受损音频的频谱图像)；

步骤402、针对每个训练样本，对训练样本进行频谱转换，得到所述训练样本的第一频谱图像；

步骤403、将第一频谱图像输入至第一生成网络，基于第一生成网络对所述训练样本的第一频谱图像进行频谱补全，得到训练样本补全的第二频谱图像；

步骤404、通过标注信息中未受损音频的频谱图像和训练样本的第二频谱图像确定和根据与之和调整第一生成网络中各个网络的网络参数；

步骤405、将训练样本和训练样本的第二频谱图像输入至第二解码网络，得到对训练样本进行补全的音频；

步骤406、根据标注信息中的未受损音频和对训练样本进行补全的音频，确定第二解码网络的网络损失；根据第二解码网络的网络损失调整第二解码网络的网络参数。

其中，本实现方式不会对步骤405和步骤406的执行顺序进行限定。

在一种可能的实现方式中，可以将第二生成网络和第二解码网络分开训练，其中，可以利用对抗训练方法训练由第二生成网络，可以通过离散混合损失函数训练第二解码网络。

用于训练第二生成网络所使用的损失函数可以表示为：

其中，用于表示第一编码网络和第一解码网络的网络损失，η₂为该网络损失的权重，t表示时间，η₂会随着时间的增加而衰减。用于表示第一编码网络、第一解码网络和第二编码网络的网络损失，L_Sync用于表示第一编码网络和第二编码网络的网络损失，用于表示三者的网络损失之和。

本实现方式中，可以通过下述过程训练第二生成网络和第二解码网络：

步骤411、从训练集中获取多个训练样本(受损音频、受损音频的频谱图像以及受损音频的视频信息和流光信息)、与每个训练样本对应的标注信息(未受损音频和未受损音频的频谱图像)；

步骤412、针对每个训练样本，对训练样本的受损音频进行频谱转换，得到所述训练样本的第一频谱图像；

步骤413、将第一频谱图像输入至第一编码网络，得到第二频谱特征；

步骤414、将对受损音频的视频信息和流光信息输入至第二编码网络，得到监督特征；

步骤415、对齐所述第二频谱特征和所述监督特征，并根据对齐后的第二频谱特征和监督特征确定L_Sync；

步骤416、将所述对齐后的第二频谱特征和监督特征确定输入至第二解码网络，基于第一生成网络对所述训练样本的第一频谱图像进行频谱补全，得到训练样本补全的第二频谱图像；

步骤417、根据训练样本补全的第二频谱图像、标注信息中未受损音频和未受损音频的频谱图像，确定和根据L_Sync、与之和调整(第二)生成网络中各个网络的网络参数；

步骤418、将训练样本和训练样本的第二频谱图像输入至第二解码网络，得到对训练样本进行补全的音频；

步骤419、根据标注信息中的未受损音频和对训练样本进行补全的音频，计算第二解码网络的网络损失；根据第二解码网络的网络损失调整第二解码网络的网络参数。

其中，本实现方式不会对步骤S418和步骤S419的执行顺序进行限定。

在一种可能的实现方式中，音频处理方法可以应用于视频-音频修复工具中，将一段包括受损音频的音频信息输入至该视频-音频修复工具，视频-音频修复工具即可输出一段补全之后的完好音频。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了音频处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种音频处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图5示出根据本公开实施例的音频处理装置的框图。如图5所示，所述音频处理装置包括频谱转换模块501、频谱补全模块502和音频补全模块503。

其中，频谱转换模块501，用于对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；

频谱补全模块502，用于对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；

音频补全模块503，用于根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述频谱补全模块包括：第一特征提取子模块，用于对所述第一频谱图像进行特征提取，得到第一频谱特征；第一频谱重构子模块，用于对所述第一频谱特征进行频谱重构，得到所述第二频谱图像。

在一种可能的实现方式中，所述频谱补全模块包括：第二特征提取子模块，用于对所述第一频谱图像进行特征提取，得到第二频谱特征；第三特征提取子模块，用于对所述受损音频的相关信息进行特征提取，得到监督特征；对齐子模块，用于对齐所述第二频谱特征和所述监督特征；第二频谱重构子模块，用于根据对齐后的监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像，其中，所述相关信息包括与所述受损音频对应的视频信息和光流信息中的至少一种。

在一种可能的实现方式中，所述受损音频包括受损音频片段；所述音频补全模块包括：第一谱频转换子模块，用于对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段；第一音频补全子模块，用于利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述受损音频包括受损音频片段和未受损音频片段；所述音频补全模块包括：预测子模块，用于根据第二频谱图像中与受损音频片段对应的频谱图像和未受损音频片段，预测所述补全音频片段；第二音频补全子模块，用于利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

在一种可能的实现方式中，所述音频补全模块通过WaveNet解码网络实现。

在一种可能的实现方式中，所述第一频谱图像和第二频谱图像包括梅尔频谱图像或梅尔倒谱图像。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述音频处理方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，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上述音频处理方法。

图6是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备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，个人数字助理等终端。

参照图6，电子设备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通常控制电子设备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电子设备800的操作。这些数据的示例包括用于在电子设备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为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备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。当电子设备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***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)，当电子设备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***接口模块之间提供接口，上述***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，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备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被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备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***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，电子设备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电子设备800的处理器820执行以完成上述方法。

图7是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备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。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS 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电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是***、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(***)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***、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***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 (10)

1.一种音频处理方法，其特征在于，包括：

对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；

对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；

根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

2.根据权利要求1所述的方法，其特征在于，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：

对所述第一频谱图像进行特征提取，得到第一频谱特征；

对所述第一频谱特征进行频谱重构，得到所述第二频谱图像。

3.根据权利要求1所述的方法，其特征在于，对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像，包括：

对所述第一频谱图像进行特征提取，得到第二频谱特征；

对所述受损音频的相关信息进行特征提取，得到监督特征；

对齐所述第二频谱特征和所述监督特征；

根据对齐后的监督特征对所述第一频谱特征进行频谱重构，得到所述第二频谱图像，

其中，所述相关信息包括与所述受损音频对应的视频信息和光流信息中的至少一种。

4.根据权利要求1-3中任意一项所述的方法，其特征在于，所述受损音频包括受损音频片段；

所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：

对第二频谱图像中与受损音频片段对应的频谱图像进行谱频转换，得到补全音频片段；

利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

5.根据权利要求1-3中任意一项所述的方法，其特征在于，所述受损音频包括受损音频片段和未受损音频片段；

所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频，包括：

根据第二频谱图像中与受损音频片段对应的频谱图像和未受损音频片段，预测所述补全音频片段；

利用补全音频片段对受损音频进行补全，得到补全后的第一音频。

6.根据权利要求1-5中任意一项所述的方法，其特征在于：

所述根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频的操作，通过WaveNet解码网络实现。

7.根据权利要求1-6中任意一项所述的方法，其特征在于：

所述第一频谱图像和第二频谱图像包括梅尔频谱图像或梅尔倒谱图像。

8.一种音频处理装置，其特征在于，包括：

频谱转换模块，用于对待处理的受损音频进行频谱转换，得到所述受损音频的第一频谱图像；

频谱补全模块，用于对所述第一频谱图像进行频谱补全，得到补全的第二频谱图像；

音频补全模块，用于根据所述第二频谱图像对所述受损音频进行补全，得到补全后的第一音频。

9.一种电子设备，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7中任意一项所述的方法。

10.一种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7中任意一项所述的方法。