[发明专利]音频数据处理方法及装置、计算设备

说明书

本发明公开了一种音频数据处理方法及装置、计算设备，其方法包括：将音频数据转化为动态图像数据；对动态图像数据包含的多帧语谱图进行分组处理；获取一帧语谱图；判断帧语谱图是否为任一分组的第1帧语谱图；若是，将帧语谱图输入神经网络，得到处理后的帧语谱图；若否，将帧语谱图输入神经网络，运算至神经网络的第i层卷积层得到第i层卷积层的运算结果后，获取帧语谱图所属分组的第1帧语谱图输入至神经网络中得到的第j层反卷积层的运算结果，将第i层卷积层的运算结果与第j层反卷积层的运算结果进行图像融合，得到处理后的帧语谱图；重复执行上述步骤直至完成对动态图像数据中所有帧语谱图的处理；将处理后的动态图像数据转化为音频数据。

技术领域

本发明涉及图像处理领域，具体涉及一种音频数据处理方法及装置、计算设备。

背景技术

音频数据可以用于刑侦范围、电话银行交易等各方面。通过对音频数据的处理，可以识别说话人、说话的具体内容、变声等。对音频数据的处理可以将音频数据转换为语谱图，对语谱图进行处理。

现有技术在对音频数据进行处理时，往往是将音频数据中每一帧的语谱图均进行处理，这样处理没有考虑到音频数据中声音的连续性，每一帧语谱图之间具有相关性。这样处理使得需要对每一帧均进行处理，处理的速度较慢，需要花费较多的时间。

因此，需要一种音频数据处理方法，以提升音频处理的速度。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的音频数据处理方法及装置、计算设备。

根据本发明的一个方面，提供了一种音频数据处理方法，其包括：

将音频数据转化为动态图像数据；其中，动态图像数据由多帧语谱图组成；

对动态图像数据所包含的多帧语谱图进行分组处理；

获取分组处理后动态图像数据中的一帧语谱图；

判断帧语谱图是否为任一分组的第1帧语谱图；

若是，则将帧语谱图输入至经训练得到的神经网络中，经过该神经网络全部卷积层和反卷积层的运算后，得到处理后的帧语谱图；

若否，则将帧语谱图输入至经训练得到的神经网络中，在运算至神经网络的第i层卷积层得到第i层卷积层的运算结果后，获取帧语谱图所属分组的第1帧语谱图输入至神经网络中得到的第j层反卷积层的运算结果，直接将第i层卷积层的运算结果与第j层反卷积层的运算结果进行图像融合，得到处理后的帧语谱图；其中，i和j为自然数；

重复执行上述步骤直至完成对动态图像数据中所有帧语谱图的处理；

将处理后的动态图像数据转化为音频数据。

可选地，在判断出帧语谱图不是任一分组的第1帧语谱图之后，方法还包括：

计算帧语谱图与其所属分组的第1帧语谱图的帧间距；

根据帧间距，确定i和j的取值；其中，第i层卷积层与最后一层卷积层之间的层距与帧间距成反比关系，第j层反卷积层与输出层之间的层距与帧间距成正比关系。

可选地，方法还包括：预先设置帧间距与i和j的取值的对应关系。

可选地，在直接将第i层卷积层的运算结果与第j层反卷积层的运算结果进行图像融合之后，方法还包括：

若第j层反卷积层是神经网络的最后一层反卷积层，则将图像融合结果输入到输出层，以得到处理后的帧语谱图；

若第j层反卷积层不是神经网络的最后一层反卷积层，则将图像融合结果输入到第j+1层反卷积层，经过后续反卷积层和输出层的运算，以得到处理后的帧语谱图。