[发明专利]音频类别预测方法、装置、存储介质及电子设备

说明书

本申请公开了一种音频类别预测方法、装置、存储介质及电子设备，涉及人工智能技术领域，该方法包括：获取至少一个音频的声学特征信息及音素对齐信息，每个音频标定对应的音频类别；采用音频分析模型，对每个音频的声学特征信息及音素对齐信息进行深度提取处理，得到每个音频的深度发音特征；将相同音频类别的音频的深度发音特征进行压缩映射处理，得到至少一个压缩特征集；基于至少一个压缩特征集进行高斯过程构建，以获得音频类别预测函数；基于音频类别预测函数对音频分析模型中的参数进行调整，以获得训练后音频分析模型预测待分析音频的音频类别。本申请有效降低音频类别预测工作中计算复杂度的同时提升音频类别预测效果。

技术领域

本申请涉及人工智能技术领域，具体涉及一种音频类别预测方法、装置、存储介质及电子设备。

背景技术

音频类别预测即分析音频的类别的工作，例如在口语考试中对音频打分的工作，由于多种因素，如不同发言地区的发音、音频录音质量、音频录音环境等影响，导致音频类别预测具有较高难度。

目前，相关技术方案中，会通过采集大量的音频样本进行大规模学习，存在计算复杂度高的问题，或者会从从大量的音频样本中选取部分进行学习，存在抽取的样本不可靠导致音频类别预测效果较差的问题。

因此，目前存在音频类别预测工作计算复杂度高、音频类别预测效果较差的问题。

发明内容

本申请实施例提供一种音频类别预测方法及相关装置，可以有效降低音频类别预测工作中计算复杂度的同时提升音频类别预测效果。

为解决上述技术问题，本申请实施例提供以下技术方案：

根据本申请的一个实施例，一种音频类别预测方法，该方法包括：获取至少一个音频的声学特征信息及音素对齐信息，每个所述音频标定对应的音频类别；采用音频分析模型，对每个所述音频的声学特征信息及音素对齐信息进行深度提取处理，得到每个所述音频的深度发音特征；将相同音频类别的所述音频的深度发音特征进行压缩映射处理，得到至少一个压缩特征集；基于所述至少一个压缩特征集进行高斯过程构建，以获得音频类别预测函数；基于所述音频类别预测函数对所述音频分析模型中的参数进行调整，以获得训练后音频分析模型预测待分析音频的音频类别。

根据本申请的一个实施例，一种音频类别预测装置，其包括：获取模块，用于获取至少一个音频的声学特征信息及音素对齐信息，每个所述音频标定对应的音频类别；输入模块，用于采用音频分析模型，对每个所述音频的声学特征信息及音素对齐信息进行深度提取处理，得到每个所述音频的深度发音特征；压缩模块，用于将相同音频类别的所述音频的深度发音特征进行压缩映射处理，得到至少一个压缩特征集；高斯模块，用于基于所述至少一个压缩特征集进行高斯过程构建，以获得音频类别预测函数；预测模块，用于基于所述音频类别预测函数对所述音频分析模型中的参数进行调整，以获得训练后音频分析模型预测待分析音频的音频类别。

在本申请的一些实施例中，所述音频的声学特征信息中包括所述音频的至少一帧子声学特征，所述音频的音素对齐信息中包括所述音频中词的发音起止时间段；所述输入模块，包括：深度提取单元，用于对每个所述音频的至少一帧子声学特征进行深度提取处理，得到每个所述音频对应的至少一帧深度特征；第一归一化单元，用于将每个所述音频对应的至少一帧深度特征中属于相同发音起止时间段的深度特征进行归一化处理，得到每个所述音频中词的词特征；第二归一化单元，用于对每个所述音频中词的词特征进行归一化处理，得到每个所述音频的深度发音特征。

在本申请的一些实施例中，所述深度提取单元，包括：网络输入子单元，用于将每个所述音频的至少一帧子声学特征输入特征提取神经网络；网络提取子单元，用于基于所述特征提取神经网络对输入的至少一帧子声学特征进行深度提取处理，得到每个所述音频对应的至少一帧深度特征。