[发明专利]音频数据提取方法、装置、计算机设备和存储介质

说明书

本申请涉及语音语义的音频转换领域，具体涉及一种音频数据提取方法、装置、计算机设备和存储介质。方法通过将语音数据拆分为碎片音频段；提取碎片音频段对应的音频特征信息；提取碎片音频段对应的音频特征信息，并在音频特征信息中添加对应的时序维度特征；通过预设聚类算法对音频特征信息进行聚类处理，获取语音数据对应的音频聚簇信息；并获取其对应的音频数据提取结果。本申请在聚类处理的过程中可以更快速地知悉数据的连续性信息，确保输出聚类后的音频聚簇信息的无损连续性，而后基于聚类结果来提取得到音频数据的提取结果，保证音频数据提取结果对应的为语音数据的被试者，从而提高声纹识别的准确率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种音频数据提取方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术与生物识别技术的发展，声纹识别技术也不断得到更新。声纹识别是生物识别技术的一种，也称为说话人识别，包括说话人辨认和说话人确认。声纹识别就是把声信号转换成电信号，再用计算机进行识别。不同的任务和应用会使用不同的声纹识别技术，如缩小刑侦范围时可能需要辨认技术，而银行交易时则需要确认技术。

目前，在进行声纹识别的音频数据提取操作时，一般可以利用降噪和波束形成等传统音频优化技术对所获得的音频进行优化，然后随机截取指定长度音频来作为声纹识别的输入数据。但这种方法并不适用于鸡尾酒会场景，随机截取会影响声纹识别过程的稳定性，因此在进行声纹识别时无法区分角色，从而影响声纹识别的准确率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高多人说话场景下的声纹识别准确率的音频数据提取方法、装置、计算机设备和存储介质。

一种音频数据提取方法，所述方法包括：

获取语音数据，将所述语音数据拆分为碎片音频段；

提取所述碎片音频段对应的音频特征信息，并在所述音频特征信息中添加对应的时序维度特征，得到音频融合特征信息；

基于所述时序维度特征，通过预设聚类算法对所述音频融合特征信息进行聚类处理，获取所述语音数据对应的音频聚簇信息；

根据所述音频聚簇信息，获取所述语音数据对应的音频数据提取结果。

在其中一个实施例中，所述获取语音数据，识别所述语音数据中的碎片音频段包括：

获取语音数据；

检测所述语音数据中的空白音频位置；

根据所述空白音频位置剔除所述语音数据中的连续空白音频段，获取碎片音频段。

在其中一个实施例中，所述检测所述语音数据中的空白音频位置包括：

通过静默检测以及滑动窗口检测所述语音数据中的空白音频位置。

在其中一个实施例中，所述提取所述碎片音频段对应的音频特征信息，并在所述音频特征信息中添加对应的时序维度特征，获取音频融合特征信息之前，还包括：

根据所述碎片音频段在所述语音数据中的时序信息，获取所述碎片音频段对应的时序维度特征。

在其中一个实施例中，所述根据所述音频聚簇信息获取所述语音数据对应的音频数据提取结果包括：

获取所述音频聚簇信息中最大聚簇的声音长度信息；

当所述最大聚簇的声音长度信息小于预设模型输入长度阈值时，反馈对应的音频拒识消息。

在其中一个实施例中，所述根据所述音频聚簇信息获取所述语音数据对应的音频数据提取结果包括：

获取所述音频聚簇信息中最大聚簇的声音长度信息；