WO2023134549A1 - 编码器的生成方法、指纹提取方法、介质及电子设备 - Google Patents
编码器的生成方法、指纹提取方法、介质及电子设备 Download PDFInfo
- Publication number
- WO2023134549A1 WO2023134549A1 PCT/CN2023/070796 CN2023070796W WO2023134549A1 WO 2023134549 A1 WO2023134549 A1 WO 2023134549A1 CN 2023070796 W CN2023070796 W CN 2023070796W WO 2023134549 A1 WO2023134549 A1 WO 2023134549A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- samples
- encoder
- audio
- sample
- encoding
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000605 extraction Methods 0.000 title abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 199
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000052 comparative effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 33
- 238000001914 filtration Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method 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
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
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
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/16—Vocoder architecture
Definitions
- the first group of samples and the second group of samples may be constructed according to data enhancement results of multiple sample audios, and the data enhancement may include adjusting audio parameters.
- constructing the first group of samples and the second group of samples according to the plurality of sample audios includes: respectively performing the first parameter adjustment and the second parameter adjustment on the plurality of sample audios to obtain the first group of samples and the second group sample.
- retrieving from the preset database according to the audio fingerprint of the audio to be queried other audio that belongs to the same audio as the audio to be queried may be: according to the audio fingerprint of the audio to be queried, retrieving from the database Other audio whose fingerprint similarity meets preset conditions.
- the similarity can be determined by audio fingerprints, ie the distances between encoded vectors of fingerprint features of audio. Regarding the distance, reference may be made to the foregoing step 210 and its related descriptions, which will not be repeated here. It is worth noting that other audios that belong to the same audio as the audio to be queried can also be retrieved from the database by means other than similarity, and this disclosure does not impose any restrictions on this.
- the above-mentioned computer-readable medium carries one or more programs, and when the above-mentioned one or more programs are executed by the electronic device, the electronic device: acquires a plurality of sample audios; constructs a first group of samples according to the plurality of sample audios And a second group of samples, wherein, for each sample in the first group of samples, there are corresponding positive samples and negative samples in the second group of samples; according to the first group of samples and the first Two groups of samples carry out comparative training for the first encoder and the second encoder, and the first encoder that has been trained can be used as an audio fingerprint extractor to output an encoded vector as a fingerprint feature of the audio; wherein, the first encoder uses Encoding the samples in the first group of samples to obtain a first encoding vector corresponding to each sample, the second encoder is used to encode the samples in the second group of samples to obtain a corresponding to each sample the second encoding vector of the first encoder; the comparison training is used to make the first encoding vector output
- each block in a flowchart or block diagram may represent a module, program segment, or portion of code that contains one or more logical functions for implementing specified executable instructions.
- the functions noted in the block may occur out of the order noted in the figures. For example, two blocks shown in succession may, in fact, be executed substantially concurrently, or they may sometimes be executed in the reverse order, depending upon the functionality involved.
- a machine-readable medium may be a tangible medium that may contain or store a program for use by or in conjunction with an instruction execution system, apparatus, or device.
- a machine-readable medium may be a machine-readable signal medium or a machine-readable storage medium.
- a machine-readable medium may include, but is not limited to, electronic, magnetic, optical, electromagnetic, infrared, or semiconductor systems, apparatus, or devices, or any suitable combination of the foregoing.
- the first encoder is used to encode the samples in the first group of samples to obtain a first encoding vector corresponding to each sample
- the second encoder is used to encode the samples in the second group of samples Encoding is performed to obtain a second encoding vector corresponding to each sample
- the comparison training is used to make the first encoding vector output by the first encoder close to the corresponding second encoding vector of the positive sample, away from the corresponding The second encoding vector of the negative samples, and the encoding parameters of the second encoder gradually tend to the encoding parameters of the first encoder.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种编码器的生成方法、指纹提取方法、介质及电子设备,所述编码器的生成方法包括:获取多个样本音频;根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量。本公开得到的训练完成的第一编码器能有效提取音频的指纹特征,得到更准确的音频指纹,进而提高音频检索的准确度。
Description
相关申请的交叉引用
本申请要求于2022年01月14日提交的,申请号为202210045056.3、发明名称为“编码器的生成方法、指纹提取方法、介质及电子设备”的中国专利申请的优先权,该申请的全部内容通过引用结合在本申请中。
本公开涉及人工智能技术领域,具体地,涉及一种编码器的生成方法、指纹提取方法、介质及电子设备。
音频指纹是从音频内容中提取出的代表一条音频重要声学信息的紧致数字签名。音频指纹为音频提供了一种唯一性的表示,通过音频指纹可以有效地将一条音频和其他音频区分开来。相关技术中,使用长短期记忆的自动编码器为音频生成音频指纹,并利用该音频指纹完成音频检索任务,例如,从曲库中检索出与该音频相关的其他音频。然而,针对失真音频,通过自动编码器生成的音频指纹无法有效表示该音频,进而降低了音频检索的准确率,无法有效地完成音频检索任务。
发明内容
提供该部分内容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。该部分内容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,本公开提供一种编码器的生成方法,包括:
获取多个样本音频;
根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;
根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;
其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应 每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
第二方面,本公开提供一种音频指纹提取方法,包括:
获取待查询音频;
根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据第一方面所述的编码器的生成方法训练完成的第一编码器。
第三方面,本公开提供一种编码器的生成装置,包括:
第一获取模块,被配置为获取多个样本音频;
构造模块,被配置为根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;
训练模块,被配置为根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;
其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
第四方面,本公开提供一种音频指纹提取装置,包括:
第二获取模块,被配置为获取待查询音频;
处理模块,被配置为根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据第一方面所述的编码器的生成方法训练完成的第一编码器
第五方面,本公开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第一方面和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,其上存储有至少一个计算机程序;
至少一个处理装置,用于执行所述存储装置中的所述至少一个计算机程序,以实现第一方面和第二方面所述方法的步骤。
通过上述技术方案,通过对比训练的方式,使第一编码器输出的第一编码向量接近对应的正样本的第二编码向量,远离对应的负样本的第二编码向量,即使得第一编码器输出的编码向量能更有效地区分与其属于同一个音频的音频以及与其不属于同一个音频的音频,且对比训练使得第一编码器能学习到音频的更高层次的特征。进而训练得到的作为音频指纹提取器的第一编码器输出的音频指纹(即输出的音频的指纹特征的编码向量)能更好地完成音频检索任务,提高了音频检索的准确度。
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。
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是根据本公开一示例性实施例示出的一种编码器的生成方法的流程图。
图2是根据本公开一示例性实施例示出的对第一编码器以及第二编码器进行对比训练的流程图。
图3是根据本公开一示例性实施例示出的一种音频指纹提取方法的流程图。
图4是根据本公开一示例性实施例示出的一种编码器的生成装置的框图。
图5是根据本公开一示例性实施例示出的一种音频指纹提取装置的框图。
图6是根据本公开一示例性实施例示出的一种电子设备的结构示意图。
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、模块或单元一定为不同的装置、模块或单元,也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。
正如背景技术所言,音频指纹是从音频内容中提取出的代表一条音频重要声学信息的紧致数字签名。音频指纹为音频提供了一种唯一性的表示,通过音频指纹可以有效地将一条音频和其他音频区分开来。在一些实施例中,音频指纹可以应用于多种场景,例如,音频指纹可以用于音频消重,即消除一组音频中的重复音频;又例如,音频指纹可以用于音频检索,如用于听歌识曲,为一段音频找出其原曲。
相关技术中,在音频检索任务中,可以基于非深度学习的算法,对原始音频提取频谱图后,计算频谱图上的显著点,对其进行哈希编码,构建大规模音频指纹库,检索时对查询音频提取指纹特征后,通过哈希特征检索进行多级过滤。也可以通过音乐检测模块和音乐识别模块进行音频检索,其中,音乐检测模块用于检测当前是否有音乐,音乐识别模块包含一些卷积层和两层分割编码块,其对查询音频提取特征,并通过特征距离进行检索。除此之外,还可以使用一个长短期记忆的自动编码器生成音频指纹,利用该音频指纹进行音频检索。
然而,上述相关技术中所述的生成音频指纹(或提取特征)的方法,均不能对失真音频进行有效检索。在一些实施例中,失真音频可以是指被编辑后的音频,例如,对音频的速度和/或音频进行编辑后得到的音频。
有鉴于此,本公开提出一种编码器的生成方法,通过对比训练的方式训练得到作为音频指纹提取器的第一编码器,使得第一编码器能学习到音频的更高层次的特征,其输出的编码向量能更好地区分与其属于同一个音频的音频以及与其不属于同一个音频的音频,通过该音频指纹提取器输出的音频指纹能更好地完成音频检索任务,提高音频检索的准确度。
图1是根据本公开一示例性实施例示出的一种编码器的生成方法的流程图。如图1所示,该生成方法包括:
步骤110,获取多个样本音频。
在一些实施例,样本音频可以是用于对第一编码器和第二编码器进行对比训练的训练数据。在一些实施例中,样本音频可以是音乐数据,例如,歌曲或歌曲片段,其中,歌曲 片段的长度可以根据实际情况具体设置,例如,歌曲片段的长度可以是10s至900s中的任意数值。在一些实施例中,样本音频可以使用不同人声和不同风格的音乐数据。
在一些实施例中,可以通过读取存储的数据、调用相关接口或其他方式获取多个样本音频。
步骤120,根据多个样本音频构造第一组样本以及第二组样本。
在一些实施例中,可以根据多个样本音频的数据增强的结果构造第一组样本以及第二组样本,数据增强可以包括对音频的参数进行调整。在一些实施例中,根据多个样本音频构造第一组样本以及第二组样本,包括:对多个样本音频分别进行第一参数调整以及第二参数调整,得到第一组样本以及第二组样本。
在一些实施例中,参数调整可以是指根据对应的调整方式对音频的调整参数进行调整。在一些实施例中,第一参数调整或第二参数调整的调整参数可以包括但不限于以下的至少一种:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。
在一些实施例中,噪声可以包括白噪声,对噪声进行调整可以是指增加第一预设比例的白噪声,其中,第一预设比例可以根据实际情况具体设置,例如,第一预设比例的范围可以是(0,0.1]。在一些实施例中,对音高进行调整可以是指对音高进行升调或降调,例如,在八度内对音高进行升调或降调,八度可以包括12个半音,对应的,对音高进行调整可以是指以半音为单位对八度内的音高进行升调或降调。
在一些实施例中,对速度进行调整可以是指根据第二预设倍速对音频的播放速度进行快进或慢放,其中,第二预设倍速可以根据实际情况具体设置,例如,第二预设倍速的范围可以是[0.5,1.5]。在一些实施例中,滤波参数可以是指滤波频率,对滤波参数进行调整可以是指对音频进行高通滤波和/或低通滤波,其中,高通滤波或低通滤波对应的滤波频率可以根据实际需求进行具体设置。例如,高通滤波的滤波频率可以是2000Hz,低通滤波的滤波频率可以是300Hz。
在一些实施例中,对增益或衰减的频段进行调整可以通过均衡器实现,均衡器可以对以下参数进行调整:频率、增益以及Q(Quantize)值,其中,频率可以是用于表征进行调整的频率点的参数,增益可以是用于表征在设定的频率值上进行增益或衰减的参数,Q值可以是用于表征进行增益或衰减的频段“宽度”的参数。在一些实施例中,对音频格式进行调整可以是指通过预设格式对音频进行压缩,预设格式可以根据实际情况具体设置。例如,预设格式可以是32Kbps的MP3格式。在一些实施例中,还可以通过对音频的其他参数进行调整实现数据增强,例如,增加高斯噪声等,本公开在此不再赘述。
在一些实施例中,第一参数调整和第二参数调整对应的调整参数和/或调整方式不完全相同。调整方式不同可以是指调整参数的设定值不同。示例地,第一参数调整可以是增加 0.1比例的白噪声、对音频播放速度加快0.5倍、以及对音频前两个半音进行升调。第二参数调整可以是增加0.2比例的白噪声、对音频播放速度加快1倍、对音频的前2个半音进行升调,第三个半音进行降调、以及2000Hz高通滤波。通过调整参数和/或调整方式不完全相同的第一参数调整和第二参数调整可以实现不同版本的数据增强。
在一些实施例中,第一组样本中的每一条样本为经过第一参数调整后的样本音频,第二组样本中的每一条样本为经过第二参数调整后的样本音频。在一些实施例中,对样本音频采用不同版本的数据增强得到的音频互为相似音频,即对同一样本音频进行第一参数调整和第二参数调整,得到的第一参数调整后的样本音频和第二参数调整后的样本音频互为相似音频。
可以理解的,针对第一组样本中的任一样本,该样本的相似音频为该样本的正样本,不相似音频为该样本的负样本。因此,针对第一组样本中的每一条样本,在第二组样本中均存在对应的正样本以及负样本。对应的,针对第一组样本中的每一条样本,第二组样本中与该样本对应相同样本音频的样本为正样本,其他样本为负样本。
在本公开实施例中,调整参数的类型多样,通过对多种调整参数进行调整分别得到第一组样本和第二组样本,进而通过该第一组样本和第二组样本对第一编码器和第二编码器进行对比训练,第一编码器能处理对多种调整参数进行调整后的音频,即第一编码器能处理被多种方式编辑后的音频,提高了第一编码器的鲁棒性,使得第一编码器能更好地提取被编辑的音频(例如,音高和/或速度进行调整的音频)的音频指纹,即能更好地提取失真音频的音频指纹,进而针对失真音频,利用第一编码器输出的音频指纹能准确地完成音频检索任务,提高音频检索的准确度。
步骤130,根据第一组样本和第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量。
在一些实施例中,第一编码器用于对第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,第二编码器用于对第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量。在一些实施例中,第一编码器可以用于对第一组样本中的样本的梅尔频谱进行编码处理,得到对应每一条样本的第一编码向量,第二编码器可以用于对第二组样本中的样本的梅尔频谱进行编码处理,得到对应每一条样本的第二编码向量。在一些实施例中,第一编码器可以是编码器,第二编码器可以是动量编码器。在一些实施例中,第一编码器或第二编码器可以是残差网络,例如,ResNet18。
在一些实施例中,对比训练用于使第一编码器输出的第一编码向量接近对应的正样本的第二编码向量,远离对应的负样本的第二编码向量,且第二编码器的编码参数逐渐趋向第一编码器的编码参数。对比训练可以是自监督学习,自监督学习无需人工标注的标签信 息,直接利用数据本身作为监督信息,来学习样本数据(例如,样本音频)的特征表达。关于对第一编码器和第二编码器进行对比训练的具体细节可以参见图2及其相关描述,在此不再赘述。
在本公开的实施例中,通过对比训练使第一编码器输出的第一编码向量接近对应的正样本的第二编码向量,远离对应的负样本的第二编码向量,即使得样本音频的特征与其正样本的特征更相似,且与其负样本的特征更不相似,从而使得编码器输出的第一编码向量能更有效地区分与其属于同一个音频的音频以及与其不属于同一个音频的音频,且对比训练使得第一编码器能学习到音频的更高层次的特征。进而,训练得到的作为音频指纹提取器的第一编码器输出的音频指纹(即输出的音频的指纹特征的编码向量)能更好地完成音频检索任务,提高了音频检索的准确度。
图2是根据本公开一示例性实施例示出的对第一编码器以及第二编码器进行对比训练的流程图。如图2所示,该方法包括:
步骤210,根据第一编码器对第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,以及根据第二编码器对第二组样本的样本进行编码,得到对应每一条样本的第二编码向量。
步骤220,基于第一编码向量和第二编码向量对对比损失函数的损失值进行迭代运算,并基于损失值迭代更新第一编码器的编码参数,以使第一编码器输出的第一编码向量接近对应的正样本的第二编码向量,远离对应的负样本的第二编码向量,其中,损失值用于表征第一编码向量以及第二编码向量之间的相似度;并,使第二编码器的编码参数逐渐趋向第一编码器的编码参数,直到得到训练完成的第一编码器。
在一些实施例中,相似度可以通过向量之间的距离确定,距离越小,相似度越大。在一些实施例中,距离可以包括但不限于余弦距离、欧氏距离、曼哈顿距离、马氏距离或闵可夫斯基距离等。
在一些实施例中,可以根据实际情况确定对比损失函数,并利用该对比损失函数确定损失值。例如,将第一编码向量和第二编码向量之间的相似度确定为损失值。在一些实施例中,对比损失函数可以是InfoNCE(Noise Contrastive Estimation,InfoNCE)损失函数。在一些实施例中,InfoNCE损失函数的损失值可以通过如下公式(1)得到:
其中,L
q表示InfoNCE损失函数的损失值,q表示第一编码向量,k
+表示与第一编码向量对应的样本匹配的正样本的第二编码向量,τ表示温度超参,τ可以根据实际情 况具体设置,例如,τ可以是0.1,K表示参与损失值计算的第二编码向量的总和,K
i表示参与损失值计算的第i个第二编码向量,q·k
+表示q与k
+的点积,q·k
i表示q与k
i的点积,exp表示以自然常数e为底的指数函数,log表示对数函数。
在一些实施例中,基于第一编码向量和第二编码向量对对比损失函数的损失值进行迭代运算,包括:在迭代运算是第一轮的情况下,基于第一轮得到的第一编码向量和第二编码向量,确定对比损失函数的损失值;在迭代运算不是第一轮的情况下,根据当前轮得到的第二编码向量替换掉预设队列中目标历史轮对应的第二编码向量,并基于当前轮得到的第一编码向量和预设队列中的第二编码向量,确定对比损失函数的所述损失值;其中,预设队列用于存储迭代运算中每一轮得到的第二编码向量,目标历史轮为预设队列中存储的轮数最早的历史轮。
在一些实施例中,在迭代运算是第一轮的情况下,预设队列中可以存储第一轮得到的第二编码向量,可以理解的,在迭代运算是第一轮的情况下,基于第一轮得到的第一编码向量和第二编码向量确定损失值,也即基于第一轮得到的第一编码向量和预设队列中的第二编码向量确定损失值。在迭代运算不是第一轮的情况下,可以根据当前轮得到的第二编码向量替换掉预设队列中目标历史轮对应的第二编码向量,即对预设队列进行更新,进而基于当前轮得到的第一编码向量和更新后的预设队列中的第二编码向量,确定对比损失函数的所述损失值。由此可知,在损失值的迭代运算过程中,预设队列为动态队列,预设队列中的第二编码向量在每一轮迭代运算时会进行更新,且在每一轮迭代运算中,针对多个第一编码中的每个,在预设队列中存在1个正样本的第二编码向量,其余为负样本的第二编码向量。
示例地,以多个样本音频为N个样本音频为例,则第一编码器可以得到N个第一编码向量,第二编码器可以得到N个第二编码向量,在模型的损失值的迭代运算过程中,在迭代运算是第一轮的情况下,可以基于第一轮得到的N个第二编码向量(也即预设队列中存储的第一轮得到的N个编码向量)和第一轮得到的N个第一编码向量,确定对比损失函数的损失值,例如,针对第一轮的N个第一编码向量中的每个,利用该第一编码向量和N个第二编码向量通过上述公式(1)计算得到N个损失值,对N个损失值求平均得到第一轮迭代运算的损失值。在迭代运算不是第一轮的情况下,例如,迭代运算为第二轮,则可以根据第二轮得到的N个第二编码向量替换掉预设队列中存储的轮数最早的历史轮,即第一轮得到的N个第二编码向量,此时预设队列中包括替换后的N个第二编码向量,进而,可以通过第二轮得到的N个第一编码向量和该预设队列中的N个第二编码向量,确定对比损失函数的损失值,得到第二轮迭代运算的损失值的方式与第一轮类似,在此不再赘述。以 此类推,可以得到多轮迭代运算中每轮对应的损失值。
在一些实施例中,基于损失值迭代更新第一编码器的编码参数的过程中,第二编码器的编码参数逐渐趋向第一编码器的编码参数。在一些实施例中,第二编码器的编码参数可以通过如下公式(2)进行变化:
θ
k←mθ
k+(1-m)θ
q (2)
其中,θ
k表示第二编码器的编码参数,θ
q表示第一编码器的编码参数,m表示常数,m可以根据实际情况具体设置,例如,m=0.999。由于m设置的值较大,因此,第二编码器的编码参数保持了其本身的大部分权重,仅利用较小的权重往第一编码器的编码参数进行靠近,实现第二编码器的编码参数逐渐趋向第一编码器的编码参数。
图3是根据本公开一示例性实施例示出的一种音频指纹提取方法的流程图。如图3所示,该方法包括:
步骤310,获取待查询音频。
步骤320,根据音频指纹提取器对待查询音频进行处理,得到作为待查询音频的指纹特征的编码向量。
在一些实施例中,待查询音频可以是需要得到音频的指纹特征的编码向量的音频,即需要得到音频指纹的音频。在一些实施例中,待查询音频可以是失真音频,即被编辑后的音频。在一些实施例中,被编辑的音频可以是指对以下一种或多种调整参数进行调整后的得到音频:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。关于调整前述调整参数的具体细节可以参见上述步骤120及其相关描述,在此不再赘述。
在一些实施例中,音频指纹提取器可以是根据前述步骤110至步骤130得到的训练完成的第一编码器。关于第一编码器(即音频指纹提取器)的训练过程可以参见上述图1和图2及其相关描述,在此不再赘述。
在一些实施例中,根据待查询音频的指纹特征的编码向量,即根据待查询音频的音频指纹,可以完成音频检索任务。在一些实施例中,根据待查询音频的音频指纹可以从预设数据库中检索出与该待查询音频属于同一音频的其他音频。示例地,当待查询音频为失真歌曲时,音频检索任务可以是指从曲库中检索出该待查询音频的原曲。
在一些实施例中,根据待查询音频的音频指纹从预设数据库中检索出与该待查询音频属于同一音频的其他音频可以是:根据待查询音频的音频指纹,从数据库中检索出与该音频指纹的相似度满足预设条件的其他音频。相似度可以通过音频指纹,即音频的指纹特征的编码向量之间的距离确定。关于距离可以参见上述步骤210及其相关描述,在此不再赘述。值得说明的是,还可以通过除相似度以外的其他方式,从数据库中检索出与待查询音 频属于同一音频的其他音频,本公开对此并不做任何限制。
图4是根据本公开一示例性实施例示出的一种编码器的生成装置的框图。如图4所示,该生成装置400包括:
第一获取模块410,被配置为获取多个样本音频;
构造模块420,被配置为根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;
训练模块430,被配置为根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;
其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
在一些实施例中,构造模块420进一步被配置为:
对多个所述样本音频分别进行第一参数调整以及第二参数调整,得到所述第一组样本以及所述第二组样本,所述第一参数调整和所述第二参数调整对应的调整参数和/或调整方式不完全相同;
其中,所述第一组样本中的每一条样本为经过所述第一参数调整后的样本音频,所述第二组样本中的每一条样本为经过所述第二参数调整后的样本音频,针对所述第一组样本中的每一条样本,所述第二组样本中与该样本对应相同样本音频的样本为正样本,其他样本为负样本。
在一些实施例中,所述调整参数包括但不限于以下的一种或多种:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。
在一些实施例中,训练模块430进一步被配置为:
根据所述第一编码器对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,以及根据所述第二编码器对所述第二组样本的样本进行编码,得到对应每一条样本的第二编码向量;
基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,并基于所述损失值迭代更新所述第一编码器的编码参数,以使所述第一编码器输出的所述第一编码向量接近对应的所述正样本的所述第二编码向量,远离对应的所述负样本的所述 第二编码向量,其中,所述损失值用于表征所述第一编码向量以及所述第二编码向量之间的相似度;并,
使所述第二编码器的编码参数逐渐趋向所述第一编码器的所述编码参数,直到得到训练完成的所述第一编码器。
在一些实施例中,训练模块430进一步被配置为:
在所述迭代运算是第一轮的情况下,基于所述第一轮得到的所述第一编码向量和所述第二编码向量,确定所述对比损失函数的所述损失值;
在所述迭代运算不是所述第一轮的情况下,根据当前轮得到的所述第二编码向量替换掉预设队列中目标历史轮对应的所述第二编码向量,并基于所述当前轮得到的所述第一编码向量和所述预设队列中的所述第二编码向量,确定所述对比损失函数的所述损失值;
其中,所述预设队列用于存储所述迭代运算中每一轮得到的所述第二编码向量,所述目标历史轮为所述预设队列中存储的轮数最早的所述历史轮。
图5是根据本公开一示例性实施例示出的一种音频指纹提取装置的框图。如图5所示,该装置500包括:
第二获取模块510,被配置为获取待查询音频;
处理模块520,被配置为根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据本公开实施例所述的编码器的生成方法训练完成的第一编码器。
下面参考图6,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。本公开实施例中的电子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6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6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 6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,客户端、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:获取多个样本音频;根据所述多个样本音频构造第一组样本 以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
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:获取待查询音频;根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据本公开实施例所述的编码器的生成方法训练完成的第一编码器。
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或单元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,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,跳转模块还可以被描述为“用于跳转至下一级页面的模块”。
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,示例1提供了一种编码器的生成方法,包括:
获取多个样本音频;
根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;
根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;
其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,所述根据所述多个样本音频构造第一组样本以及第二组样本,包括:
对多个所述样本音频分别进行第一参数调整以及第二参数调整,得到所述第一组样本以及所述第二组样本,所述第一参数调整和所述第二参数调整对应的调整参数和/或调整方式不完全相同;
其中,所述第一组样本中的每一条样本为经过所述第一参数调整后的样本音频,所述第二组样本中的每一条样本为经过所述第二参数调整后的样本音频,针对所述第一组样本中的每一条样本,所述第二组样本中与该样本对应相同样本音频的样本为正样本,其他样 本为负样本。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,所述调整参数包括但不限于以下的一种或多种:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,所述根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,包括:
根据所述第一编码器对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,以及根据所述第二编码器对所述第二组样本的样本进行编码,得到对应每一条样本的第二编码向量;
基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,并基于所述损失值迭代更新所述第一编码器的编码参数,以使所述第一编码器输出的所述第一编码向量接近对应的所述正样本的所述第二编码向量,远离对应的所述负样本的所述第二编码向量,其中,所述损失值用于表征所述第一编码向量以及所述第二编码向量之间的相似度;并,
使所述第二编码器的编码参数逐渐趋向所述第一编码器的所述编码参数,直到得到训练完成的所述第一编码器。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,所述基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,包括:
在所述迭代运算是第一轮的情况下,基于所述第一轮得到的所述第一编码向量和所述第二编码向量,确定所述对比损失函数的所述损失值;
在所述迭代运算不是所述第一轮的情况下,根据当前轮得到的所述第二编码向量替换掉预设队列中目标历史轮对应的所述第二编码向量,并基于所述当前轮得到的所述第一编码向量和所述预设队列中的所述第二编码向量,确定所述对比损失函数的所述损失值;
其中,所述预设队列用于存储所述迭代运算中每一轮得到的所述第二编码向量,所述目标历史轮为所述预设队列中存储的轮数最早的所述历史轮。
根据本公开的一个或多个实施例,示例6提供了一种音频指纹提取方法,包括:获取待查询音频;根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据示例1-5任一项所述的编码器的生成方法训练完成的第一编码器。
根据本公开的一个或多个实施例,示例7提供了一种编码器的生成装置,包括:
第一获取模块,被配置为获取多个样本音频;
构造模块,被配置为根据所述多个样本音频构造第一组样本以及第二组样本,其中, 针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;
训练模块,被配置为根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;
其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
根据本公开的一个或多个实施例,示例8提供了示例7的装置,所述构造模块进一步被配置为:
对多个所述样本音频分别进行第一参数调整以及第二参数调整,得到所述第一组样本以及所述第二组样本,所述第一参数调整和所述第二参数调整对应的调整参数和/或调整方式不完全相同;
其中,所述第一组样本中的每一条样本为经过所述第一参数调整后的样本音频,所述第二组样本中的每一条样本为经过所述第二参数调整后的样本音频,针对所述第一组样本中的每一条样本,所述第二组样本中与该样本对应相同样本音频的样本为正样本,其他样本为负样本。
根据本公开的一个或多个实施例,示例9提供了示例8的装置,所述调整参数包括但不限于以下的至少一种:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。
根据本公开的一个或多个实施例,示例10提供了示例7的装置,所述训练模块进一步被配置为:
根据所述第一编码器对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,以及根据所述第二编码器对所述第二组样本的样本进行编码,得到对应每一条样本的第二编码向量;
基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,并基于所述损失值迭代更新所述第一编码器的编码参数,以使所述第一编码器输出的所述第一编码向量接近对应的所述正样本的所述第二编码向量,远离对应的所述负样本的所述第二编码向量,其中,所述损失值用于表征所述第一编码向量以及所述第二编码向量之间的相似度;并,
使所述第二编码器的编码参数逐渐趋向所述第一编码器的所述编码参数,直到得到训练完成的所述第一编码器。
根据本公开的一个或多个实施例,示例11提供了示例10的装置,所述训练模块进一步被配置为:
在所述迭代运算是第一轮的情况下,基于所述第一轮得到的所述第一编码向量和所述第二编码向量,确定所述对比损失函数的所述损失值;
在所述迭代运算不是所述第一轮的情况下,根据当前轮得到的所述第二编码向量替换掉预设队列中目标历史轮对应的所述第二编码向量,并基于所述当前轮得到的所述第一编码向量和所述预设队列中的所述第二编码向量,确定所述对比损失函数的所述损失值;
其中,所述预设队列用于存储所述迭代运算中每一轮得到的所述第二编码向量,所述目标历史轮为所述预设队列中存储的轮数最早的所述历史轮。
根据本公开的一个或多个实施例,示例12提供一种音频指纹提取装置,包括:
第二获取模块,被配置为获取待查询音频;
处理模块,被配置为根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据示例1-5任一项所述的编码器的生成方法训练完成的第一编码器。
根据本公开的一个或多个实施例,示例13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示例1-6中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例14提供一种电子设备,包括:
存储装置,其上存储有至少一个计算机程序;
至少一个处理装置,用于执行所述存储装置中的所述至少一个计算机程序,以实现示例1-6中任一项所述方法的步骤。
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 (10)
- 一种编码器的生成方法,其包括:获取多个样本音频;根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
- 根据权利要求1所述的方法,其中,所述根据所述多个样本音频构造第一组样本以及第二组样本,包括:对多个所述样本音频分别进行第一参数调整以及第二参数调整,得到所述第一组样本以及所述第二组样本,所述第一参数调整和所述第二参数调整对应的调整参数和/或调整方式不完全相同;其中,所述第一组样本中的每一条样本为经过所述第一参数调整后的样本音频,所述第二组样本中的每一条样本为经过所述第二参数调整后的样本音频,针对所述第一组样本中的每一条样本,所述第二组样本中与该样本对应相同样本音频的样本为正样本,其他样本为负样本。
- 根据权利要求2所述的方法,其中,所述调整参数包括但不限于以下的至少一种:噪声、音高、速度、滤波参数、回声、增益或衰减的频段、以及音频格式。
- 根据权利要求1所述的方法,其中,所述根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,包括:根据所述第一编码器对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,以及根据所述第二编码器对所述第二组样本的样本进行编码,得到对应每一条样本的第二编码向量;基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,并基于所述损失值迭代更新所述第一编码器的编码参数,以使所述第一编码器输出的所述第一编码向量接近对应的所述正样本的所述第二编码向量,远离对应的所述负样本的所述第二编码向量,其中,所述损失值用于表征所述第一编码向量以及所述第二编码向量之间 的相似度;并,使所述第二编码器的编码参数逐渐趋向所述第一编码器的所述编码参数,直到得到训练完成的所述第一编码器。
- 根据权利要求4所述的方法,其中,所述基于所述第一编码向量和所述第二编码向量对对比损失函数的损失值进行迭代运算,包括:在所述迭代运算是第一轮的情况下,基于所述第一轮得到的所述第一编码向量和所述第二编码向量,确定所述对比损失函数的所述损失值;在所述迭代运算不是所述第一轮的情况下,根据当前轮得到的所述第二编码向量替换掉预设队列中目标历史轮对应的所述第二编码向量,并基于所述当前轮得到的所述第一编码向量和所述预设队列中的所述第二编码向量,确定所述对比损失函数的所述损失值;其中,所述预设队列用于存储所述迭代运算中每一轮得到的所述第二编码向量,所述目标历史轮为所述预设队列中存储的轮数最早的所述历史轮。
- 一种音频指纹提取方法,其包括:获取待查询音频;根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据权利要求1-5任一项所述的编码器的生成方法训练完成的第一编码器。
- 一种编码器的生成装置,其包括:第一获取模块,被配置为获取多个样本音频;构造模块,被配置为根据所述多个样本音频构造第一组样本以及第二组样本,其中,针对所述第一组样本中的每一条样本,在所述第二组样本中均存在对应的正样本以及负样本;训练模块,被配置为根据所述第一组样本和所述第二组样本对于第一编码器以及第二编码器进行对比训练,训练完成的所述第一编码器能够作为音频指纹提取器输出作为音频的指纹特征的编码向量;其中,所述第一编码器用于对所述第一组样本中的样本进行编码,得到对应每一条样本的第一编码向量,所述第二编码器用于对所述第二组样本中的样本进行编码,得到对应每一条样本的第二编码向量;所述对比训练用于使所述第一编码器输出的第一编码向量接近对应的所述正样本的第二编码向量,远离对应的所述负样本的第二编码向量,且所述第二编码器的编码参数逐渐趋向所述第一编码器的编码参数。
- 一种音频指纹提取装置,其包括:第二获取模块,被配置为获取待查询音频;处理模块,被配置为根据音频指纹提取器对所述待查询音频进行处理,得到作为所述待查询音频的指纹特征的编码向量;所述音频指纹提取器是根据权利要求1-5任一项所述的编码器的生成方法训练完成的第一编码器。
- 一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理装置执行时实现权利要求1-6中任一项所述方法的步骤。
- 一种电子设备,其包括:存储装置,其上存储有至少一个计算机程序;至少一个处理装置,用于执行所述存储装置中的所述至少一个计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210045056.3A CN114443891B (zh) | 2022-01-14 | 2022-01-14 | 编码器的生成方法、指纹提取方法、介质及电子设备 |
CN202210045056.3 | 2022-01-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023134549A1 true WO2023134549A1 (zh) | 2023-07-20 |
Family
ID=81367987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2023/070796 WO2023134549A1 (zh) | 2022-01-14 | 2023-01-06 | 编码器的生成方法、指纹提取方法、介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114443891B (zh) |
WO (1) | WO2023134549A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114443891B (zh) * | 2022-01-14 | 2022-12-06 | 北京有竹居网络技术有限公司 | 编码器的生成方法、指纹提取方法、介质及电子设备 |
CN116069903A (zh) * | 2023-03-02 | 2023-05-05 | 特斯联科技集团有限公司 | 一种类案检索方法、***、电子设备及存储介质 |
CN116758936B (zh) * | 2023-08-18 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 音频指纹特征提取模型的处理方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
CN112905840A (zh) * | 2021-02-09 | 2021-06-04 | 北京有竹居网络技术有限公司 | 视频处理方法、装置、存储介质及设备 |
US20210295091A1 (en) * | 2020-03-19 | 2021-09-23 | Salesforce.Com, Inc. | Unsupervised representation learning with contrastive prototypes |
CN113887215A (zh) * | 2021-10-18 | 2022-01-04 | 平安科技(深圳)有限公司 | 文本相似度计算方法、装置、电子设备及存储介质 |
CN114443891A (zh) * | 2022-01-14 | 2022-05-06 | 北京有竹居网络技术有限公司 | 编码器的生成方法、指纹提取方法、介质及电子设备 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7516074B2 (en) * | 2005-09-01 | 2009-04-07 | Auditude, Inc. | Extraction and matching of characteristic fingerprints from audio signals |
US9684715B1 (en) * | 2012-03-08 | 2017-06-20 | Google Inc. | Audio identification using ordinal transformation |
SG11201505925SA (en) * | 2013-01-29 | 2015-09-29 | Fraunhofer Ges Forschung | Decoder for generating a frequency enhanced audio signal, method of decoding, encoder for generating an encoded signal and method of encoding using compact selection side information |
CN107731220B (zh) * | 2017-10-18 | 2019-01-22 | 北京达佳互联信息技术有限公司 | 音频识别方法、装置和服务器 |
US10956704B2 (en) * | 2018-11-07 | 2021-03-23 | Advanced New Technologies Co., Ltd. | Neural networks for biometric recognition |
CN110136744B (zh) * | 2019-05-24 | 2021-03-26 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音频指纹生成方法、设备及存储介质 |
US11335347B2 (en) * | 2019-06-03 | 2022-05-17 | Amazon Technologies, Inc. | Multiple classifications of audio data |
US11756530B2 (en) * | 2019-10-19 | 2023-09-12 | Google Llc | Self-supervised pitch estimation |
CN111243620B (zh) * | 2020-01-07 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 语音分离模型训练方法、装置、存储介质和计算机设备 |
CN111428078B (zh) * | 2020-03-20 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 音频指纹编码方法、装置、计算机设备及存储介质 |
CN113821658A (zh) * | 2021-06-30 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 对编码器进行训练的方法、装置、设备及存储介质 |
CN113724695B (zh) * | 2021-08-30 | 2023-08-01 | 深圳平安智慧医健科技有限公司 | 基于人工智能的电子病历生成方法、装置、设备及介质 |
CN113837260B (zh) * | 2021-09-17 | 2024-05-28 | 北京百度网讯科技有限公司 | 模型训练方法、对象匹配方法、装置及电子设备 |
CN113870845A (zh) * | 2021-09-26 | 2021-12-31 | 平安科技(深圳)有限公司 | 语音识别模型训练方法、装置、设备及介质 |
CN113889089B (zh) * | 2021-09-29 | 2024-07-19 | 北京百度网讯科技有限公司 | 语音识别模型的获取方法、装置、电子设备以及存储介质 |
-
2022
- 2022-01-14 CN CN202210045056.3A patent/CN114443891B/zh active Active
-
2023
- 2023-01-06 WO PCT/CN2023/070796 patent/WO2023134549A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210295091A1 (en) * | 2020-03-19 | 2021-09-23 | Salesforce.Com, Inc. | Unsupervised representation learning with contrastive prototypes |
CN111930992A (zh) * | 2020-08-14 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 神经网络训练方法、装置及电子设备 |
CN112905840A (zh) * | 2021-02-09 | 2021-06-04 | 北京有竹居网络技术有限公司 | 视频处理方法、装置、存储介质及设备 |
CN113887215A (zh) * | 2021-10-18 | 2022-01-04 | 平安科技(深圳)有限公司 | 文本相似度计算方法、装置、电子设备及存储介质 |
CN114443891A (zh) * | 2022-01-14 | 2022-05-06 | 北京有竹居网络技术有限公司 | 编码器的生成方法、指纹提取方法、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114443891B (zh) | 2022-12-06 |
CN114443891A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023134549A1 (zh) | 编码器的生成方法、指纹提取方法、介质及电子设备 | |
WO2020024556A1 (zh) | 音乐质量评价方法、装置、计算机设备及存储介质 | |
CN103038765B (zh) | 用于适配情境模型的方法和装置 | |
WO2022105545A1 (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN112489621B (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN111798821B (zh) | 声音转换方法、装置、可读存储介质及电子设备 | |
WO2023273611A1 (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
WO2023273579A1 (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN111444382B (zh) | 一种音频处理方法、装置、计算机设备以及存储介质 | |
WO2022156464A1 (zh) | 语音合成方法、装置、可读介质及电子设备 | |
CN111370019A (zh) | 声源分离方法及装置、神经网络的模型训练方法及装置 | |
WO2023134550A1 (zh) | 特征编码模型生成方法、音频确定方法以及相关装置 | |
WO2022156413A1 (zh) | 语音风格的迁移方法、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 | |
CN111462727A (zh) | 用于生成语音的方法、装置、电子设备和计算机可读介质 | |
CN111428078B (zh) | 音频指纹编码方法、装置、计算机设备及存储介质 | |
CN108847251B (zh) | 一种语音去重方法、装置、服务器及存储介质 | |
CN111898753B (zh) | 音乐转录模型的训练方法、音乐转录方法以及对应的装置 | |
WO2023226572A1 (zh) | 特征表示的提取方法、装置、设备、介质及程序产品 | |
CN110955789B (zh) | 一种多媒体数据处理方法以及设备 | |
WO2023155713A1 (zh) | 用于标记说话人的方法、装置和电子设备 | |
CN111462775A (zh) | 音频相似度确定方法、装置、服务器及介质 | |
CN116884402A (zh) | 语音转文本的方法、装置、电子设备及存储介质 | |
WO2023045870A1 (zh) | 网络模型的压缩方法、图像生成方法、装置、设备及介质 | |
CN113986958B (zh) | 文本信息的转换方法、装置、可读介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23739893 Country of ref document: EP Kind code of ref document: A1 |