CN111460214B - 分类模型训练方法、音频分类方法、装置、介质及设备 - Google Patents
分类模型训练方法、音频分类方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN111460214B CN111460214B CN202010255326.4A CN202010255326A CN111460214B CN 111460214 B CN111460214 B CN 111460214B CN 202010255326 A CN202010255326 A CN 202010255326A CN 111460214 B CN111460214 B CN 111460214B
- Authority
- CN
- China
- Prior art keywords
- audio
- language
- classification model
- processed
- languages
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013145 classification model Methods 0.000 title claims abstract description 198
- 238000012549 training Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 84
- 239000012634 fragment Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 14
- 239000013598 vector Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本公开涉及一种分类模型训练方法、音频分类方法、装置、介质及设备。所述方法包括：获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。这样，能够提升对非常用语种识别、分类的准确性，解决非常用语种的少样本所导致的模型效果不佳、准确率低的问题。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种分类模型训练方法、音频分类方法、装置、介质及设备。
背景技术
在音频处理场景下，有时存在识别音频内容属于哪一语种的需求，即，对于一段音频，识别该音频内的说话内容属于哪一语种，也可视为对一段音频的内容进行分类。
相关技术中，一般预先针对欲识别的目标语种进行模型训练，还可以使用多种模型训练方式进行模型训练，在训练得到相应的模型之后，比对经训练得到的多种模型在相同识别场景下的识别效果，进而选取效果最好的模型作为可用作识别目标语种的模型，并在后续需要识别音频内说话内容属于目标语种中的哪一种时使用所选择的模型完成识别。
上述方式在目标语种的训练数据量足够多时表现较为优秀，例如，目标语种是中文、英文等常用语种。而若目标语种本身的训练数据量较少，例如，目标语种为印度语、西班牙语等非常用语种，由于训练数据不足导致训练所得的模型在准确性上存在劣势，因而经过上述方式，即便选取多个模型中效果最好的模型，该模型的识别准确率也是无法达到标准的，无法准确识别出音频中说话内容所属语种。
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。
第一方面，本公开提供一种音频分类模型训练方法，所述方法包括：
获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
第二方面，本公开提供一种音频分类方法，所述方法包括：
对待处理音频进行切分，以获得多个待处理音频片段；
分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开第一方面所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
第三方面，本公开提供一种音频分类模型训练装置，所述装置包括：
第一获取模块，用于获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
第二获取模块，用于获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
设置模块，用于根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
模型训练模块，用于将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
第四方面，本公开提供一种音频分类装置，所述装置包括：
切分模块，用于对待处理音频进行切分，以获得多个待处理音频片段；
分类模块，用于分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开第一方面所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
确定模块，用于针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
第五方面，本公开提供一种非暂态计算机可读存储介质，，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，或者，该程序被处理装置执行时实现本公开第二方面所述方法的步骤。
第六方面，本公开提供一种电子设备，，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，或者，实现本公开第二方面所述方法的步骤。
通过上述技术方案，获取初始音频分类模型，获取属于非常用语种的多个第二音频，并确定每一第二音频的语言特征和所属语种，根据第二音频所属语种的总数，对初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型，之后，将第二音频的语言特征作为模型输入数据、并将第二音频所属语种作为模型输出数据，对中间音频分类模型进行训练，以获得目标音频分类模型。其中，初始音频分类模型基于属于常用语种的多个第一音频训练得到，使得初始音频分类模型具备语种分类的基本能力。这样，基于具备良好语种分类能力的初始音频分类模型，进一步对非常用语种进行针对性训练，能够提升对非常用语种识别、分类的准确性，减轻非常用语种的少样本所导致的模型效果不佳、准确率低的问题。
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分类模型训练方法的流程图；
图2是根据本公开的一种实施方式提供的音频分类方法的流程图；
图3是根据本公开的一种实施方式提供的音频分类模型训练装置的框图；
图4是根据本公开的一种实施方式提供的音频分类装置的框图；
图5是根据本公开的一种实施例提供的电子设备的框图。
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。
正如背景技术中所述，在现有技术中，对于音频说话内容的语种识别，一般预先针对欲识别的目标语种进行模型训练，可使用多种模型训练方式进行模型训练，在训练得到相应的模型之后，比对经训练得到的多种模型在相同识别场景下的识别效果，选取效果最好的模型作为可用作识别目标语种的音频分类模型，并在后续需要识别音频内说话内容属于目标语种中的哪一种时使用该音频分类模型完成语种识别。举例来说，若目标语种为中文、英文和印度语，则采用上述方式基于中文、英文和印度语的训练数据直接进行模型训练后可得到多个用于识别中文、英文、印度语的模型，在其中选取识别效果最好的模型作为用于识别中文、英文、印度语的音频分类模型，在实际使用时，就可以利用这个用于识别中文、英文、印度语的音频分类模型识别一段音频中的说话内容是中文、英文还是印度语。
上述方式在目标语种的训练数据量足够多时表现较为优秀，例如，目标语种是中文、英文等常用语种，这样的常用语种存在上千小时甚至更多的音频可作为训练数据。而若目标语种为印度语、西班牙语等非常用语种，这样的非常用语种仅有几百小时、几十小时甚至更少的音频作为训练数据，例如，印度语仅有150小时左右的音频可作为训练数据。这样的非常用语种本身的训练数据量较少，由于训练数据不足导致训练所得的模型在准确性上存在劣势，因而经过上述方式，即便选取多个模型中效果最好的模型作为音频分类模型，该模型的识别准确率也是无法达到标准的，无法准确识别出音频中说话内容所属语种。因而，在上述示例中，由于印度语本身的训练数据缺乏，最终得到的用于识别中文、英文、印度语的音频分类模型在语种分类上表现并不理想。
为了解决现有技术中存在的上述问题，本公开提供一种分类模型训练方法、音频分类方法、装置、介质及设备。
图1是根据本公开的一种实施方式提供的音频分类模型训练方法的流程图。如图1所示，该方法可以包括以下步骤。
在步骤11中，获取初始音频分类模型。
其中，初始音频分类模型基于属于常用语种的多个第一音频训练得到。在这里，常用语种就是指可获得的训练数据足够多的语种，例如，中文、英文等。
需要说明的是，在未做额外说明的情况下，本公开所涉及到的语种可以是某一国家的语言(例如，中文、英文、法文等)，也可以是某一地区的方言(例如，四川话、广东话等)。
在步骤11之前，本公开提供的方法还可以包括以下步骤：
获取属于常用语种的多个第一音频，并确定每一第一音频的语言特征和所属语种；
将第一音频的语言特征作为模型输入数据、并将第一音频所属语种作为模型输出数据，对神经网络模型进行训练，以获得初始音频分类模型。
其中，获取属于常用语种的多个第一音频，可以从多种(即，两种或两种以上)常用语种各自对应的数据集(包含属于该常用语种的音频)中分别获取多个第一音频，并且，考虑到模型的训练效果，可以控制对应于各个常用语种的第一音频的数量相当。例如，获取中文和英文的第一音频共4000h(小时)，并且，对应中文的第一音频2000h，且对应英文的第一音频2000h。
在一种可能的实施例中，可以通过预训练的特征提取模型提取每一第一音频的语言特征。示例地，特征提取模型可以是基于AudioSet数据集训练得到的。具体地，该特征提取模型可以通过谷歌提供的基于AudioSet数据集的pretrain模型获得，该pretrain模型就是前文提到的现有技术中所使用的音频分类模型，该pretrain模型用于对输入至该模型的音频进行分类，以识别输入至该模型的音频属于哪一语种。因而，将上述pretrain模型的最后一层(即，最后一层全连接层)去掉之后，模型的剩余部分具备提取音频的某种特征的能力，而该种特征在pretrain模型用作产生音频分类结果，可见，该种特征有助于对音频的语种分类，可视为音频的语言特征。从而，上述模型剩余部分可作为特征提取模型，用于提取第一音频的语言特征。在一种可能的示例中，上述pretrain模型为CNN(ConvolutionalNeural Networks，卷积神经网络)模型，则每一第一音频的语言特征就是通过卷积神经网络提取到的有助于对每一第一音频进行分类的特征。
以及，将一个第一音频输入至上述特征提取模型后，能够得到该特征提取模型输出的第一音频的语言特征。其中，每一第一音频的语言特征均是一个特征向量，如N维特征向量，示例地，N可以为128。
如上文所述，在某一语种的数据集中，存储有属于该语种的多个音频，因此，每一第一音频的所属语种是在获取第一音频时就已知的。
在确定每一第一音频的语言特征和所属语种后，即可将这些数据用作模型训练。模型训练过程为：将第一音频的语言特征作为模型的输入数据、并将第一音频所属语种作为模型的真实输出，对神经网络模型进行训练，以获得初始音频分类模型。并且，在每一次的训练中，是将一个第一音频的语言特征作为模型输入数据、并将输入的该第一音频所属语种作为真实输出。示例地，初始音频分类模型可以为LSTM(Long Short-Term Memory，长短期记忆网络)模型。
初始音频分类模型的输入是音频的特征向量(即上文所述的N维特征向量)，输出则是输入的音频对应于第一音频所属语种中各个语种的概率，输出形式可以为M维向量，M为训练初始音频分类模型的第一音频所属语种的总数。其中，对应于某一语种的概率值越大，则该音频越有可能属于该语种。例如，若初始音频分类模型是基于中文、英文这两种常用语种对应的第一音频训练所得的，则初始音频分类模型的输出结果是2维向量，且分别表示输入至初始音频分类模型的输入内容属于中文的概率或属于英文的概率。
需要说明的是，对神经网络模型进行训练的方式属于现有技术，为本领域技术人员公知，此处不做详细阐述。
此时所得的初始音频分类模型是基于属于常用语种的多个第一音频训练得到的，因而，该初始音频分类模型的分类效果优秀，模型内参数使得初始音频分类模型具备语种分类的基本能力。初始音频分类模型的训练在本公开提供的方案中，可以视为对最终所需模型的第一阶段训练。
在步骤12中，获取属于非常用语种的多个第二音频，并确定每一第二音频的语言特征和所属语种。
在这里，非常用语种就是指可获得的训练数据较少的语种，例如，印度语等。其中，获取属于非常用语种的多个第二音频，可以从多种(即，两种或两种以上)非常用语种各自对应的数据集(包含属于该非常用语种的音频)中分别获取多个第二音频，并且，考虑到模型的训练效果，可以控制对应于各个非常用语种的第二音频的数量相当。例如，若第二音频所属语种包括印度语A和印度语B(分别为印度语的两种方言)，则可以获取印度语A和印度语B的第二音频共800h，并且，对应印度语A的第一音频400h，且对应印度语B的第二音频400h。对于非常用语种数据集不足的问题，可以采用复制的方式进行数据扩充，并用于模型训练，并且，在数据扩充过程中，还可以对数据进行一定程度的处理，例如，若上述印度语A仅有200h的音频，则可以复制这200h的音频并加入一些噪声形成新的音频，并将原来的200h音频和新的200h音频作为模型训练所使用的400h音频。
并且，如上文所述，在某一语种的数据集中，存储有属于该语种的多个音频，因此，每一第二音频的所属语种是在获取第二音频时就已知的。
在一种可能的实施方式中，步骤12中确定每一第二音频的语言特征可以包括以下步骤：
通过预训练的特征提取模型提取每一第二音频的语言特征。
其中，特征提取模型是基于AudioSet数据集训练得到的，并且，有关于特征提取模型和语言特征的描述在上文中描述如何确定每一第一音频的语言特征时已经给出，此处不再重复叙述。确定每一第二音频的语言特征与确定每一第一音频的语言特征的原理相同，仅需根据上文已经给出的描述，将处理对象由第一音频变化为第二音频即可。
在步骤13中，根据第二音频所属语种的总数，对初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型。
初始音频分类模型包括输入层、中间层和输出层。输入层用于将输入的数据送到中间层。中间层用于对输入的数据进行模型内运算，中间层的最后一层是全连接层，全连接层的输出是M维数据，对应语种的M个类别，如上所述，M就是训练初始音频分类模型的第一音频所属语种的总数。全连接层与输出层通过激活函数连接，用于基于全连接层输出的M维数据得到M维向量，也就是上文中所述的M个概率值。
如上文所述，初始音频分类模型的训练在本公开提供的方案中，可以视为对最终所需模型的第一阶段训练，使模型具备良好的语种分类能力。接下来，则可以开始第二阶段的训练，在第二阶段的训练中，是对非常用语种进行针对性训练，全连接层内对应的类别需要相应变化，以适应当前训练，因此，需要根据第二音频所属语种的总数，对初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型。
在一种可能的实施方式中，步骤13可以包括以下步骤：
对初始音频分类模型中全连接层所包含的类别进行设置，使全连接层所包含的类别的数量与第二音频所属语种的总数相同、且全连接层所包含的类别与第二音频所属语种一一对应。
例如，若初始音频分类模型是基于中文和英文相关数据训练得到的，初始音频分类模型的全连接层的类别总数为2，全连接层的类别分别对应中文、英文，那么，如果第二阶段的训练是对印度语A和印度语B进行针对性训练，则此时需要将全连接层的类别总数设置为2，且来拿各种类别分别对应印度语A、印度语B，并以此获得中间音频分类模型。
由此，中间音频分类模型的全连接层与第二阶段的训练是完全匹配的，可以开始进一步对中间音频分类模型进行训练。
在步骤14中，将第二音频的语言特征作为模型输入数据、并将第二音频所属语种作为模型输出数据，对中间音频分类模型进行训练，以获得目标音频分类模型。
中间音频分类模型的训练过程与初始音频分类模型的输入数据格式是一致的，均是经特征提取模型提取到的音频的特征向量，二者的训练过程也相似。
在确定每一第二音频的语言特征和所属语种后，即可将这些数据用作模型训练。模型训练过程为：将第二音频的语言特征作为模型输入数据、并将第二音频所属语种作为模型的真实输出，对中间音频分类模型进行训练，以获得目标音频分类模型。并且，在每一次的训练中，是将一个第二音频的语言特征作为模型输入数据、并将输入的该第二音频所属语种作为真实的输出。由前文可知，中间音频分类模型可以是LSTM模型。
目标音频分类模型的输入是第二音频的特征向量(如上文所述的N维特征向量)，输出则是输入的第二音频对应于第二音频所属语种中各个语种的概率，输出形式可以为K维向量，K为训练目标音频分类模型的第二音频所属语种的总数。其中，对应于某一语种的概率值越大，则该音频越有可能属于该语种。例如，若目标音频分类模型是基于印度语A、印度语B这两种常用语种对应的第一音频训练所得的，则目标音频分类模型的输出结果是2维向量，且分别表示输入至目标音频分类模型的输入数据属于印度语A的概率或属于印度语B的概率。
需要说明的是，对神经网络模型进行训练的方式属于现有技术，为本领域技术人员公知，此处不做详细阐述。
另外，在训练中间音频分类模型以获得目标音频分类模型，不仅可以按照上述方式在第二阶段的训练过程中仅仅针对属于非常用语种的第二音频进行训练，还可以参照上述方式在第二阶段的训练过程中结合常用语种和非常用语种音频进行训练，训练方式与上文中给出的方式相同，也就是将属于常用语种的音频的语言特征(或者，属于非常用语种的音频的语言特征)作为模型输入数据、并将输入音频所属语种作为模型输出数据，对中间音频分类模型进行训练，以获得目标音频分类模型。其中，训练数据的平衡、数量相当程度的考量均与上文中给出的一致，此处不再重复叙述。示例地，在第二阶段的模型训练中，可以结合中文、英文、印度语进行训练，最终得到的目标音频分类模型就是用于对中文、英文、印度语进行分类的模型。
通过上述技术方案，获取初始音频分类模型，获取属于非常用语种的多个第二音频，并确定每一第二音频的语言特征和所属语种，根据第二音频所属语种的总数，对初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型，之后，将第二音频的语言特征作为模型输入数据、并将第二音频所属语种作为模型输出数据，对中间音频分类模型进行训练，以获得目标音频分类模型。其中，初始音频分类模型基于属于常用语种的多个第一音频训练得到，使得初始音频分类模型具备语种分类的基本能力。这样，基于具备良好语种分类能力的初始音频分类模型，进一步对非常用语种进行针对性训练，能够提升对非常用语种识别、分类的准确性，减轻非常用语种的少样本所导致的模型效果不佳、准确率低的问题。
图2是根据本公开的一种实施方式提供的音频分类方法的流程图。如图2所示，该方法可以包括以下步骤。
在步骤21中，对待处理音频进行切分，以获得多个待处理音频片段。
由于音频时长越长，音频处理所需的计算能力越高，出现的问题就越多，因此，对于整段的待处理音频，可以首先进行切分，以获得多个待处理音频片段，再对待处理音频片段进行处理，能够有效减轻音频处理过程中的计算压力、提升音频处理效率与准确性。
在一种可能的实施方式中，可以对待处理音频进行均等切分，保证获得的多个待处理音频片段时长一致，数据格式一致，后续处理更高效。
在另一种可能的实施方式中，可以对待处理音频进行分析，并以音频中无人声的部分作为切分点，对待处理音频进行切分，保证获得的多个待处理音频片段的内容具有较高的关联性，便于后续的语种识别。
在步骤22中，分别将每一待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果。
其中，目标音频分类模型是根据本公开任意实施例提供的音频分类模型训练方法训练得到的。相应地，该输出结果用于指示输入至目标音频分类模型的待处理音频片段对应于第二音频所属语种中各个语种的概率。
在步骤23中，针对每一待处理音频片段，根据该待处理音频片段对应于第二音频所属语种中各个语种的概率，确定该待处理音频所属语种。
根据待处理音频片段对应于第二音频所属语种中各个语种的概率，可以确定待处理音频片段所属语种，进而，根据每一待处理音频片段所属语种，可以确定待处理音频所属语种。
在一种可能的实施方式中，确定待处理音频片段所属语种可以通过如下方式实现：
若待处理音频片段对应于第二音频所属语种中各个语种的概率中存在唯一的一个概率大于预设概率阈值，将该大于该预设概率阈值的概率所对应的语种确定为待处理音频片段所属语种。
其中，预设概率阈值可以根据经验值设定。此处给出的是针对单个待处理音频片段所属语种的确定方式，每一待处理音频片段所属语种的确定均可参照上述方式。
在另一种可能的实施方式中，步骤23可以包括以下步骤：
针对每一待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
根据每一待处理音频片段所属语种，确定待处理音频所属语种。
在这一实施方式中，确定待处理音频片段所属语种的方式是：根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种。如上文中所述，待处理音频片段对应于某一语种的概率值越大，表示该待处理音频片段越有可能属于该语种，因此，可以直接通过最大概率值确定待处理音频所属语种。此处给出的是针对单个待处理音频片段所属语种的确定方式，每一待处理音频片段所属语种的确定均可参照上述方式。
在一种可能的实施例中，根据每一待处理音频片段所属语种，确定待处理音频所属语种，可以包括以下步骤：
对每一待处理音频片段所属语种进行统计，以确定数量最多的语种；
将数量最多的语种确定为待处理音频所属语种。
对一段待处理音频切分后，可得到多个待处理音频片段，每一待处理音频片段对应于一语种，因此，在一段待处理音频中，待处理音频片段属于某一语种的比例越大，说明该待处理音频越有可能属于该语种。所以，可以对每一待处理音频片段所属语种进行统计，以确定数量最多的语种，并将数量最多的语种确定为待处理音频所属语种。示例地，若待处理音频C被切分为10个待处理音频片段，并且，在这10个待处理音频片段中，存在8个待处理音频片段所属语种为印度语，剩余2个待处理音频片段所属语种为中文，则可以确定待处理音频C所属语种为印度语。
通过上述方案，对待处理音频进行切分，以获得多个待处理音频片段，分别将每一待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，以及，针对每一待处理音频片段，根据该待处理音频片段对应于第二音频所属语种中各个语种的概率，确定该待处理音频所属语种。其中，目标分类模型是基于本公开任意实施例提供的音频分类模型训练方法训练得到的，具有优秀的识别、分类效果，能够提升待处理音频所述语种确定的准确性。
图3是根据本公开的一种实施方式提供的音频分类模型训练装置的框图。如图3所示，该装置30可以包括：
第一获取模块31，用于获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
第二获取模块32，用于获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
设置模块33，用于根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
模型训练模块34，用于将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
可选地，所述设置模块33用于对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第二音频所属语种的总数相同、且所述全连接层所包含的类别与所述第二音频所属语种一一对应。
可选地，所述第二获取模块32用于通过预训练的特征提取模型提取每一所述第二音频的语言特征，其中，所述特征提取模型是基于AudioSet数据集训练得到的。
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。
图4是根据本公开的一种实施方式提供的音频分类装置的框图。如图4所示，该装置40可以包括：
切分模块41，用于对待处理音频进行切分，以获得多个待处理音频片段；
分类模块42，用于分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开任意实施例所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
确定模块43，用于针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
可选地，所述确定模块43，包括：
第一确定子模块，用于针对每一所述待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
第二确定子模块，用于根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种。
可选地，所述第二确定子模块，包括：
统计子模块，用于对每一所述待处理音频片段所属语种进行统计，以确定数量最多的语种；
第三确定子模块，用于将所述数量最多的语种确定为所述待处理音频所属语种。
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5，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5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5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608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608；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5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608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***、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***、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***、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，电子设备可以利用诸如HTTP(HyperText TransferProtocol，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：获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
或者，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：对待处理音频进行切分，以获得多个待处理音频片段；分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开任意实施例所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
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***、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***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，第一获取模块还可以被描述为“获取初始音频分类模型的模块”。
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***(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***、装置或设备使用或与指令执行***、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***、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，提供了一种音频分类模型训练方法，所述方法包括：
获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
根据本公开的一个或多个实施例，提供了一种音频分类模型训练方法，其中，所述根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型，包括：
对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第二音频所属语种的总数相同、且所述全连接层所包含的类别与所述第二音频所属语种一一对应。
根据本公开的一个或多个实施例，提供了一种音频分类模型训练方法，其中，所述确定每一所述第二音频的语言特征，包括：
通过预训练的特征提取模型提取每一所述第二音频的语言特征，其中，所述特征提取模型是基于AudioSet数据集训练得到的。
根据本公开的一个或多个实施例，提供了一种音频分类方法，所述方法包括：
对待处理音频进行切分，以获得多个待处理音频片段；
分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开任意实施例所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种音频分类方法，其中，所述针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种，包括：
针对每一所述待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种音频分类方法，其中，所述根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种，包括：
对每一所述待处理音频片段所属语种进行统计，以确定数量最多的语种；
将所述数量最多的语种确定为所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种音频分类模型训练装置，所述装置包括：
第一获取模块，用于获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
第二获取模块，用于获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
设置模块，用于根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
模型训练模块，用于将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
根据本公开的一个或多个实施例，提供了一种音频分类模型训练装置，其中，所述设置模块用于对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第二音频所属语种的总数相同、且所述全连接层所包含的类别与所述第二音频所属语种一一对应。
根据本公开的一个或多个实施例，提供了一种音频分类模型训练装置，其中，所述第二获取模块用于通过预训练的特征提取模型提取每一所述第二音频的语言特征，其中，所述特征提取模型是基于AudioSet数据集训练得到的。
根据本公开的一个或多个实施例，提供了一种音频分类装置，所述装置包括：
切分模块，用于对待处理音频进行切分，以获得多个待处理音频片段；
分类模块，用于分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开任意实施例所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
确定模块，用于针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种音频分类装置，其中，所述确定模块，包括：
第一确定子模块，用于针对每一所述待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
第二确定子模块，用于根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种音频分类装置，其中，所述第二确定子模块，包括：
统计子模块，用于对每一所述待处理音频片段所属语种进行统计，以确定数量最多的语种；
第三确定子模块，用于将所述数量最多的语种确定为所述待处理音频所属语种。
根据本公开的一个或多个实施例，提供了一种非暂态计算机可读存储介质，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提供的音频分类模型训练方法的步骤，或者，该程序被处理装置执行时实现本公开任意实施例所提供的音频分类方法的步骤。
根据本公开的一个或多个实施例，提供了一种电子设备，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提供的音频分类模型训练方法的步骤，或者，实现本公开任意实施例所提供的音频分类方法的步骤。
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 (9)
1.一种音频分类模型训练方法，其特征在于，所述方法包括：
获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第一音频所属语种的数量和所述第二音频所属语种的数量之和相同、且所述全连接层所包含的类别与所述第一音频、所述第二音频所属语种一一对应，以获得中间音频分类模型；
将所述第一音频和所述第二音频的语言特征作为模型输入数据、并将所述第一音频和所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
2.根据权利要求1所述的方法，其特征在于，所述确定每一所述第二音频的语言特征，包括：
通过预训练的特征提取模型提取每一所述第二音频的语言特征，其中，所述特征提取模型是基于AudioSet数据集训练得到的。
3.一种音频分类方法，其特征在于，所述方法包括：
对待处理音频进行切分，以获得多个待处理音频片段；
分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据权利要求1或2所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
4.根据权利要求3所述的方法，其特征在于，所述针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种，包括：
针对每一所述待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种。
5.根据权利要求4所述的方法，其特征在于，所述根据每一所述待处理音频片段所属语种，确定所述待处理音频所属语种，包括：
对每一所述待处理音频片段所属语种进行统计，以确定数量最多的语种；
将所述数量最多的语种确定为所述待处理音频所属语种。
6.一种音频分类模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
第二获取模块，用于获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
设置模块，用于对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第一音频所属语种的数量和所述第二音频所属语种的数量之和相同、且所述全连接层所包含的类别与所述第一音频、所述第二音频所属语种一一对应，以获得中间音频分类模型；
模型训练模块，用于将所述第一音频和所述第二音频的语言特征作为模型输入数据、并将所述第一音频和所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。
7.一种音频分类装置，其特征在于，所述装置包括：
切分模块，用于对待处理音频进行切分，以获得多个待处理音频片段；
分类模块，用于分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据权利要求1或2所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
确定模块，用于针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1或2所述方法的步骤，或者，该程序被处理装置执行时实现权利要求3-5中任一项所述方法的步骤。
9.一种电子设备，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或2所述方法的步骤，或者，实现权利要求3-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010255326.4A CN111460214B (zh) | 2020-04-02 | 2020-04-02 | 分类模型训练方法、音频分类方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010255326.4A CN111460214B (zh) | 2020-04-02 | 2020-04-02 | 分类模型训练方法、音频分类方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460214A CN111460214A (zh) | 2020-07-28 |
| CN111460214B true CN111460214B (zh) | 2024-04-19 |
Family
ID=71684379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010255326.4A Active CN111460214B (zh) | 2020-04-02 | 2020-04-02 | 分类模型训练方法、音频分类方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460214B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989108B (zh) * | 2021-02-24 | 2022-11-04 | 腾讯科技（深圳）有限公司 | 基于人工智能的语种检测方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107481717A (zh) * | 2017-08-01 | 2017-12-15 | 百度在线网络技术（北京）有限公司 | 一种声学模型训练方法及*** |
| CN107885845A (zh) * | 2017-11-10 | 2018-04-06 | 广州酷狗计算机科技有限公司 | 音频分类方法及装置、计算机设备及存储介质 |
| WO2019218467A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技（深圳）有限公司 | 一种音视频通话方言识别方法、装置、终端设备及介质 |
| CN110491375A (zh) * | 2019-08-22 | 2019-11-22 | 新疆科大讯飞信息科技有限责任公司 | 一种目标语种检测的方法和装置 |
| CN110517664A (zh) * | 2019-09-10 | 2019-11-29 | 科大讯飞股份有限公司 | 多方言识别方法、装置、设备及可读存储介质 |
| CN110838286A (zh) * | 2019-11-19 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 一种模型训练的方法、语种识别的方法、装置及设备 |
| CN110853615A (zh) * | 2019-11-13 | 2020-02-28 | 北京欧珀通信有限公司 | 一种数据处理方法、装置及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9396723B2 (en) * | 2013-02-01 | 2016-07-19 | Tencent Technology (Shenzhen) Company Limited | Method and device for acoustic language model training |
| US9355091B2 (en) * | 2013-03-13 | 2016-05-31 | Crimson Hexagon, Inc. | Systems and methods for language classification |
| US20180322411A1 (en) * | 2017-05-04 | 2018-11-08 | Linkedin Corporation | Automatic evaluation and validation of text mining algorithms |
-
2020
- 2020-04-02 CN CN202010255326.4A patent/CN111460214B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107481717A (zh) * | 2017-08-01 | 2017-12-15 | 百度在线网络技术（北京）有限公司 | 一种声学模型训练方法及*** |
| CN107885845A (zh) * | 2017-11-10 | 2018-04-06 | 广州酷狗计算机科技有限公司 | 音频分类方法及装置、计算机设备及存储介质 |
| WO2019218467A1 (zh) * | 2018-05-14 | 2019-11-21 | 平安科技（深圳）有限公司 | 一种音视频通话方言识别方法、装置、终端设备及介质 |
| CN110491375A (zh) * | 2019-08-22 | 2019-11-22 | 新疆科大讯飞信息科技有限责任公司 | 一种目标语种检测的方法和装置 |
| CN110517664A (zh) * | 2019-09-10 | 2019-11-29 | 科大讯飞股份有限公司 | 多方言识别方法、装置、设备及可读存储介质 |
| CN110853615A (zh) * | 2019-11-13 | 2020-02-28 | 北京欧珀通信有限公司 | 一种数据处理方法、装置及存储介质 |
| CN110838286A (zh) * | 2019-11-19 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 一种模型训练的方法、语种识别的方法、装置及设备 |
Non-Patent Citations (5)
| Title |
|---|
| Multi-view Learning for Semi-supervised Sentiment Classification;Yan Su;2012 International Conference on Asian Language Processing;20130307;全文 * |
| 一种结合支持向量机训练的锚模型语种识别方法;常振超;张兴明;杨镇西;张丽;;小型微型计算机***;20130415(04);全文 * |
| 基于迁移学习的低资源度维吾尔语语音识别;王俊超;计算机工程;20181031;第44卷(第10期);全文 * |
| 基于鉴别性向量空间模型的语种识别;刘巍巍;张卫强;刘加;;清华大学学报(自然科学版);20130615(06);全文 * |
| 基于音频特征参数的多语种分类算法;周金傲;龙华;;通信技术;20181010(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460214A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9619735B1 (en) | Pure convolutional neural network localization | |
| CN107301170B (zh) | 基于人工智能的切分语句的方法和装置 | |
| CN108989882B (zh) | 用于输出视频中的音乐片段的方法和装置 | |
| CN113470619B (zh) | 语音识别方法、装置、介质及设备 | |
| CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
| CN112037792B (zh) | 一种语音识别方法、装置、电子设备及存储介质 | |
| CN112883968B (zh) | 图像字符识别方法、装置、介质及电子设备 | |
| KR20210091076A (ko) | 비디오를 처리하기 위한 방법, 장치, 전자기기, 매체 및 컴퓨터 프로그램 | |
| WO2022247562A1 (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
| CN112906381B (zh) | 对话归属的识别方法、装置、可读介质和电子设备 | |
| WO2023143016A1 (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
| CN111625649A (zh) | 文本处理方法、装置、电子设备及介质 | |
| CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
| CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
| CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
| CN111078849A (zh) | 用于输出信息的方法和装置 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN111460214B (zh) | 分类模型训练方法、音频分类方法、装置、介质及设备 | |
| CN115967833A (zh) | 视频生成方法、装置、设备计存储介质 | |
| WO2023130925A1 (zh) | 字体识别方法、装置、可读介质及电子设备 | |
| CN114970470B (zh) | 文案信息处理方法、装置、电子设备和计算机可读介质 | |
| WO2023000782A1 (zh) | 获取视频热点的方法、装置、可读介质和电子设备 | |
| CN113986958B (zh) | 文本信息的转换方法、装置、可读介质和电子设备 | |
| CN110659208A (zh) | 测试数据集的更新方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |