[发明专利]音频敏感内容的识别方法、设备和计算机程序产品

说明书

本申请涉及音频识别领域，提供了一种音频敏感内容的识别方法、计算机设备和计算机程序产品。本申请能够提高对音频敏感内容识别的准确性。该方法包括：首先提取待识别音频的时频谱图，将时频谱图切分为多个时频谱图块，通过块嵌入层获取该多个时频谱图块分别对应的多个块嵌入特征，然后将多个块嵌入特征及其切分顺序信息输入至位置嵌入层，得到位置嵌入层输出的位置嵌入特征序列，该位置嵌入特征序列包含各块嵌入特征及其在时频谱图中的位置特征，接着将该位置嵌入特征序列输入到自注意力模型的编码器获得时频谱图的特征表示，最后基于该时频谱图的特征表示识别待识别音频是否包含敏感内容。

技术领域

本申请涉及音频识别技术领域，特别是涉及一种音频敏感内容的识别方法、计算机设备和计算机程序产品。

背景技术

随着互联网技术的发展，通过上传、发布和传播音视频作品或直播实时音视频丰富了内容传播形式，为使优质内容具有良好传播环境，需对包含敏感内容的音频进行准确识别。

目前的技术主要依赖于人工构造多种音频特征融合而成的人工构造特征进行音频敏感内容识别，如梅尔频率倒谱系数、能量、过零率、子带能量、子带能量熵、频谱中心、频谱延展度、谱熵、音色偏差等作为特征向量输入到神经网络中进行分类识别。但这种技术对音频敏感内容的识别准确率容易受到人工构造特征的制约，还会带来一些信息的损失，使其对音频敏感内容的识别准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种音频敏感内容的识别方法、计算机设备和计算机程序产品。

第一方面，本申请提供了一种音频敏感内容的识别方法。所述方法包括：

获得待识别音频的时频谱图，并将所述时频谱图切分为多个时频谱图块；

通过经训练的块嵌入层获取所述多个时频谱图块各自对应的块嵌入特征，得到多个块嵌入特征；

将所述多个块嵌入特征及所述多个时频谱图块的切分顺序信息输入至经训练的位置嵌入层，得到所述位置嵌入层输出的位置嵌入特征序列；所述位置嵌入特征序列中的位置嵌入特征包含块嵌入特征，及该块嵌入特征对应的时频谱图块在所述时频谱图中的位置特征；

将所述位置嵌入特征序列输入经训练的自注意力模型的编码器，得到所述编码器输出的所述时频谱图的特征表示；

基于所述时频谱图的特征表示，识别所述待识别音频是否包含敏感内容。

在一个实施例中，所述将所述时频谱图切分为多个时频谱图块，包括：

按照预设切分顺序及预设重叠维度数切分所述时频谱图得到所述多个时频谱图块；所述预设重叠维度数包括时间维度和/或频率维度上的重叠维度数。

在一个实施例中，所述将所述多个块嵌入特征及所述多个时频谱图块的切分顺序信息输入至经训练的位置嵌入层，包括：根据所述多个时频谱图块的切分顺序生成多个切分顺序标识，并将所述多个切分顺序标识对应携带在所述多个块嵌入特征中；将携带所述多个切分顺序标识的多个块嵌入特征输入至所述位置嵌入层。

在一个实施例中，所述位置嵌入层，用于根据所述多个块嵌入特征中携带的多个切分顺序标识，得到所述多个块嵌入特征分别对应的多个位置特征，将相对应的块嵌入特征及位置特征进行组合得到位置嵌入特征，根据组合得到的多个位置嵌入特征形成所述位置嵌入特征序列。

在一个实施例中，所述基于所述时频谱图的特征表示，识别所述待识别音频是否包含敏感内容，包括：将所述时频谱图的特征表示输入经训练的音频敏感内容分类器，得到所述音频敏感内容分类器输出的敏感内容分类标签；根据所述敏感内容分类标签，确定所述待识别音频是否包含敏感内容。