[发明专利]音频分类方法、装置、智能设备和存储介质

权利要求书

1.一种音频分类方法，其特征在于，包括：

获取待分类的音频文件；

提取所述音频文件的音频信号；

将所述音频信号经过短时傅里叶变换和梅尔频率转换，生成梅尔标注频谱图，并对振幅取对数，使所述梅尔标注频谱图中的低幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号；

将振幅取对数处理后的梅尔标注频谱图进行梅尔频率倒谱系数转换，生成表示音频特征的梅尔频率倒谱系数作为输入向量；

将所述输入向量输入至预先训练得到的用于音频分类的神经网络模型，所述神经网络模型包括卷积神经网络模型，所述卷积神经网络模型采用5层2D卷积结构，其中，为所述待分类的音频文件选取一个流派的单流派场景对应的激活函数为softmax，所述单流派场景对应的损失函数为categorical crossentropy；为所述待分类的音频文件选取多个标签的多标签场景对应的激活函数为sigmoid，所述多标签场景对应的损失函数为binary cross-entropy；

通过所述神经网络模型分析所述输入向量，生成所述音频文件的标签信息和所属于的流派。

2.根据权利要求1所述的方法，其特征在于，所述提取所述音频文件的音频信号，包括：

将所述音频文件转换为单声道；

调整对单声道的音频文件的采样频率为预设采样频率，按照所述预设采样频率对单声道的音频文件进行采样，以提取得到所述音频文件的音频信号。

3.根据权利要求1所述的方法，其特征在于，所述将所述输入向量输入至预先训练得到的神经网络模型之前，还包括：

获取已分类的音频文件和已分类的音频文件的分类标识信息；

提取已分类的音频文件的音频信号作为训练音频信号，处理所述训练音频信号，生成表示音频特征的训练向量；

以所述训练向量以及所述训练向量对应的分类标识信息，训练预先建立的神经网络模型，得到用于音频分类的神经网络模型。

4.根据权利要求3所述的方法，其特征在于，获取已分类的音频文件和已分类的音频文件的分类标识信息，包括：

获取已分类的音频文件，以及已分类的音频文件的标签信息和所属于的流派。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型还包括：

卷积循环神经网络模型，所述卷积循环神经网络模型与所述卷积神经网络模型组合形成所述神经网络模型。

6.一种音频分类装置，其特征在于，包括：

待分类音频文件获取模块，用于获取待分类的音频文件；

输入向量生成模块，用于提取所述音频文件的音频信号，处理所述音频信号，生成表示音频特征的输入向量；

输入模块，用于将所述输入向量输入至预先训练得到的用于音频分类的神经网络模型，所述神经网络模型包括卷积神经网络模型，所述卷积神经网络模型采用5层2D卷积结构，其中，为所述待分类的音频文件选取一个流派的单流派场景对应的激活函数为softmax，所述单流派场景对应的损失函数为categorical crossentropy；为所述待分类的音频文件选取多个标签的多标签场景对应的激活函数为sigmoid，所述多标签场景对应的损失函数为binary cross-entropy；

分类结果生成模块，用于通过所述神经网络模型分析所述输入向量，生成所述音频文件的标签信息和所属于的流派；

所述输入向量生成模块包括：

音频信号提取单元，用于提取所述音频文件的音频信号；

输入向量第三生成单元，用于将所述音频信号经过短时傅里叶变换和梅尔频率转换，生成梅尔标注频谱图，并对振幅取对数，使所述梅尔标注频谱图中的低幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号；将振幅取对数处理后的梅尔标注频谱图进行梅尔频率倒谱系数转换，生成表示音频特征的梅尔频率倒谱系数作为输入向量。