[发明专利]音频处理方法、装置和存储介质

权利要求书

1.一种音频处理方法，其特征在于，包括：

在开启音频处理模式后，获取音频的当前播放环境；

若所述当前播放环境处于需要进行混音的状态时，对当前播放环境的环境音进行音频识别；

根据音频识别的结果确定所述环境音中的前景音；

对所述环境音中的前景音进行分类，以确定所述前景音的类别；

根据所述前景音的类别确定混音模式，采用确定的混音模式将所述前景音与所述音频进行混音，得到混合播放音，其中，依据前景音不同的类别使用不同的混音模式。

2.根据权利要求1所述的方法，其特征在于，所述若所述当前播放环境处于需要进行混音的状态时，对当前播放环境的环境音进行音频识别，包括：

若所述当前播放环境处于需要进行混音的状态时，对当前播放环境的环境音进行采样；

对采样得到的环境音提取梅尔频率倒谱系数特征，得到环境音的梅尔特征；

利用自适应判别网络对所述环境音的梅尔特征进行音频识别。

3.根据权利要求2所述的方法，其特征在于，所述根据音频识别的结果确定所述环境音中的前景音，包括：

根据所述环境音的梅尔特征对所述环境音进行分类，得到环境音中的前景音和背景音；

从环境音中的前景音和背景音中获取所述环境音中的前景音。

4.根据权利要求2所述的方法，其特征在于，所述对所述环境音中的前景音进行分类，以确定所述前景音的类别，包括：

获取音频的分类类别；

基于所述分类类别对所述前景音进行分类，得到所述前景音在每个分类类别中的置信度；

将所述置信度最高的分类类别确定为所述前景音的类别。

5.根据权利要求4所述的方法，其特征在于，所述基于所述分类类别对所述前景音进行分类，得到前景音对于每个类别的置信度，包括：

计算所述前景音的梅尔特征与每个分类类别之间的距离，根据所述距离确定所述前景音属于每个分类类别的概率；

所述将所述置信度最高的类别确定为所述前景音的类别，包括：将所述分类类别中概率最高的类别确定为所述前景音的分类类别。

6.根据权利要求2至5任一项所述的方法，其特征在于，在所述利用自适应判别网络对所述环境音的梅尔特征进行音频识别之前，还包括：

获取目标播放环境的环境音样本；

利用所述环境音样本对判别网络进行自适应训练，得到自适应判别网络。

7.根据权利要求6所述的方法，其特征在于，所述利用所述环境音样本对判别网络进行自适应训练，得到自适应判别网络，包括：

对所述环境音样本提取梅尔频率倒谱系数特征，得到环境音样本的梅尔特征；

根据所述环境音样本的梅尔特征对所述环境音样本进行分类，得到环境音样本的分类结果；

利用所述环境音样本的梅尔特征和所述环境音样本的分类结果对判别网络进行自适应训练，得到自适应判别网络。

8.根据权利要求7所述的方法，其特征在于，所述判别网络包括预设高斯混合模型，所述利用所述环境音样本的梅尔特征和所述环境音样本的分类结果对判别网络进行自适应训练，得到自适应判别网络，包括：

利用所述环境音样本的梅尔特征对所述预设高斯混合模型进行参数估计；

根据所述环境音样本的分类结果的真实值对估计的参数进行调整，直到所述预设高斯混合模型收敛，得到自适应判别网络。

9.根据权利要求6所述的方法，其特征在于，所述目标播放环境包括多个播放场景，所述判别网络包括多个预设高斯混合模型，所述利用所述环境音样本对判别网络进行自适应训练，得到自适应判别网络，包括：

利用多个播放场景的环境音样本对所述预设高斯混合模型进行训练，得到多个高斯混合模型；

计算所述多个高斯混合模型两两之间的相似度；

若所述相似度超过预设阈值，则将相似度超过预设阈值的两个高斯混合模型中的一个高斯混合模型确定为所述自适应判别网络的高斯混合模型。