CN114067782B 音频识别方法及其装置、介质和芯片系统 （华为技术有限公司）

质和芯片系统，涉及人工智能(Artificial性预测器从待识别音频中分离出表示声道特征基于从低频部分中提取的第一音频特征和从高频谐波部分中提取的第二音频特征中的至少一将高频谐波部分与低频部分分离后可以采用不2通过线性预测器从所述待识别音频中分离出第一频段范围部分和第二频段范围部分，将从所述第一频段范围部分中提取的第一音频特征和从所述第二频段范围部分中提基于所述融合特征参数对所述音频进行识别以确定所述待识别通过小波变换从所述第二频段范围部分中提取所述第二音频特征，通过线性预测器从所述待识别音频中分离出所述第一频段范围部通过模拟人耳耳蜗感知能力的音频特征提取算法从所述第一频段范围部分中提取所取算法为梅尔频率倒谱系数MFCC提取法，并且所述第一音频特征为梅尔频率倒谱系数6.根据权利要求1至5中任一项所述的方法，其分离模块，用于从所述待识别音频中分离出第一频段范围部分和第二频段范围部分，识别模块，用于将从所述第一频段范围部分中提取的第一音算机上执行时使计算机执行权利要求1至7中任一项3程序指令被所述处理器执行时使得所述电子装置执行权利要求1至7中任一项所述的音频4以对音频对应的环境中的噪音类型进行区分理与物理特征实现自动鉴别发音装置属性和类别的应用技术。声纹识别一般由音频预处部分)和表示声源特征的高频谐波部分或者说声源5频特征提取算法从第一频段范围部分中提取[0013]将待识别音频的第一音频特征或第二音频特征与对应第一音频类型的第一音频计算出的特征值与第二音频类型对应的特征值之间的差异大于第二匹配度阈值的情况下，6第一频段范围部分包含的频段的频率低于第二频段范围部分包含的频段的频率；识别模[0025]图1根据本申请的一些实施例，示出了一种通过本申请提供的音频识别方法进行[0028]图4根据本申请的一些实施例，示出了对地铁场景下分离出来的声道信号进行7特性的高频声源信号特征无法被提取出并且直接从高低频掺杂的原始音频中提取梅尔倒出该音频的发声物体的声道的特征)和高频谐波部分(表征发出该音频的发声物体的声源的特征)进行分离，再对分离出来的低频部分和高频谐波部分分别采用对应的特征提取算分离出来的声源信号进行时频特征参数提取，可以有效表征该音频的发声物体的声源特上述从低频的声道信号中提取出来的MFCC特征参数和从高频的声源信号中提取出来的时[0041]图1根据本申请的一些实施例，示出了一种通过本申请提供的音频识别方法进行中，电子设备100能够通过本申请实提供的音频识别方法对用户所处的场景中的噪声进行100或电子设备200的一部分，也可以为独立于电子设备100和电子设备200的独立的装置，可以与电子设备100和电子设备200进行数据连接，以将采集到的音频发送给电子设备1008块170的部分功能模块设置于处理芯片1用于将麦克风160采集到的音频中的中低频的声道信号和高频的声源信号进行分离，并且的融合特征参数。神经网络处理器150用于根据提取出来的MFCC特征参数和时频特征参数[0049]可以理解的是，本申请实施例提供的降噪耳机100的硬件结构并不构成对降噪耳降噪耳机100上，从而使得降噪耳机100能够通过该噪声场景识别模型进行噪声类型识别，服务器200在训练噪声场景识别模型的过程中，可以将在不同场景下采集到的大量的音频[0052]需要说明的是，本申请实施例提供的音频识别方法可以适用于各种神经网络模型，例如，卷积神经网络(ConvolutionalNeuralNetwork，CNN)、深度神经网络(Deep9[0057]选择音频强度达到声强阈值(例如10^_5(W/m2))的音频数据进行训练，或者采集到的音频数据的音频强度大于声强阈值时，服务器200对采集到的音频中的声道信号对应于声道信号的MFCC特征参数和对应于声源信号的时用到的多个场景下的音频数据进行线性预测分离出低频的声道信号(例如音频中频率在200赫兹以下的低频部分和频率在200至3000赫兹之间的中频部分)和高频的声源信号(例利用P阶线性预测器来分离出地铁场景中采集到的音频数据中的声道信号和声源信号。即可以通过地铁场景下的音频在过去P个历史时刻的取样值的加权和来预测地铁场景下的音[0083]S304：服务器200对音频数据中分离出来的声道信号和声源信号分别进行特征提[0084]图4根据本申请的一些实施例，示出了对地铁场景下分离出来的声道信号进行频谱上进行倒谱分析，例如对获得的Mel频谱取对数，然后通过DCT(DiscreteCosine算法来提取上述声道信号的声道特征，例如线性预测倒谱系数(LinearPrediction[0086]下面对服务器200采用多尺度小波变换对声源信号进行时频特征提取的过程进行[0109]具体地，服务器200可以将每一个场景下采集到的音频中的声道信号的MFCC特征参数和声源信号的时频特征参数融合后得到的特征向量输入神经网络模型进行训练。例进行线性融合后得到的特征向量输入神经网络模型，采集到的音频的融合后的特征向量对模型进行训练的训练结果)和表征地铁场景的数据进[0110]可以理解，训练好的噪声场景识别模型可以仅包括上述也可以在具有上述训练过的神经网路模型的同时，包括S302至305步骤中的音频强度检测[0111]对于降噪耳机100，可以将上述训练好的噪声场景识别模型移植到降噪耳机100[0112]然后，降噪耳机可以利用移植到降噪耳机100上的噪声场景识别模型进行场景识[0115]S308：降噪耳机100的数据处理芯片110利用P阶线性滤波器从采集到的音频数据中分离出声道信号和声源信号。具体分离过程与上述利用服务器200分离出声道信号和声的特征向量的特征值之间的差值的绝对值大于0.5的情况下，号和/或声源信号的特征分别与S604中得到的声道信号和声源信号的[0129]例如，对合法用户的语音中的声道信号和/或声源信号的特征分别配置匹配度阈与合法用户的语音中的声道信号的特征的特征值之间的差异(两者差值的绝对值)大于匹征值之间的差异(两者差值的绝对值)大于匹[0133]识别模块706，基于从低频部分中提取的低音频特征和从高频谐波部分中提取的上关于本申请提供的音频识别方法的具体描述中的技术细节依然适用于图7所示的音频识[0137]处理器810可以包括一个或多个处理单元，例如，可以包括中央处理器(Central型可视为存储程序区881中能够实现音频识别等功能的[0139]移动通信模块830可以包括但不限于天线、功率放大器、滤波器、低噪声放大器820可以提供应用在电子设备800上的包括无线局域网(wirelesslocalareanetworks，星系统(globalnavigationsatellitesystem，GNSS)，调频(frequencymodulation，[0141]在一些实施例中，电子设备800的移动通信模块830和无线通信模块820也可以位[0144]音频模块850用于将数字音频信息转换成模拟音频输出，或者将模拟音频输入转[0145]摄像头870用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件把光信号转换成电信号，之后将电信号传递给图像信号处理(ImageSignal[0148]根据本申请的实施例，图9示出了一种片上系统(SystemonChip，SoC)900的框accessmemory，RAM)、可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory，EPROM)、电可擦除可编程只读存储器(ElectricallyErasableProgrammable[0154]需要说明的是，本申请各设备实施例中提到的各单元/模式并不是最重要的，这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技决本申请所提出的技术问题关系不太密切的单元/模块引入，这并不表明