分类模型训练方法、音频分类方法、装置、介质及设备制造方法及图纸

本公开涉及一种分类模型训练方法、音频分类方法、装置、介质及设备。所述方法包括：获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。这样，能够提升对非常用语种识别、分类的准确性，解决非常用语种的少样本所导致的模型效果不佳、准确率低的问题。

【技术实现步骤摘要】
分类模型训练方法、音频分类方法、装置、介质及设备
本公开涉及计算机
，具体地，涉及一种分类模型训练方法、音频分类方法、装置、介质及设备。
技术介绍
在音频处理场景下，有时存在识别音频内容属于哪一语种的需求，即，对于一段音频，识别该音频内的说话内容属于哪一语种，也可视为对一段音频的内容进行分类。相关技术中，一般预先针对欲识别的目标语种进行模型训练，还可以使用多种模型训练方式进行模型训练，在训练得到相应的模型之后，比对经训练得到的多种模型在相同识别场景下的识别效果，进而选取效果最好的模型作为可用作识别目标语种的模型，并在后续需要识别音频内说话内容属于目标语种中的哪一种时使用所选择的模型完成识别。上述方式在目标语种的训练数据量足够多时表现较为优秀，例如，目标语种是中文、英文等常用语种。而若目标语种本身的训练数据量较少，例如，目标语种为印度语、西班牙语等非常用语种，由于训练数据不足导致训练所得的模型在准确性上存在劣势，因而经过上述方式，即便选取多个模型中效果最好的模型，该模型的识别准确率也是无法达到标准的，无法准确识别出音频中说话内容所属语种。
技术实现思路
提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。第一方面，本公开提供一种音频分类模型训练方法，所述方法包括：获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。第二方面，本公开提供一种音频分类方法，所述方法包括：对待处理音频进行切分，以获得多个待处理音频片段；分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开第一方面所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。第三方面，本公开提供一种音频分类模型训练装置，所述装置包括：第一获取模块，用于获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；第二获取模块，用于获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；设置模块，用于根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；模型训练模块，用于将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。第四方面，本公开提供一种音频分类装置，所述装置包括：切分模块，用于对待处理音频进行切分，以获得多个待处理音频片段；分类模块，用于分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据本公开第一方面所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；确定模块，用于针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。第五方面，本公开提供一种非暂态计算机可读存储介质，，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤，或者，该程序被处理装置执行时实现本公开第二方面所述方法的步骤。第六方面，本公开提供一种电子设备，，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤，或者，实现本公开第二方面所述方法的步骤。通过上述技术方案，获取初始音频分类模型，获取属于非常用语种的多个第二音频，并确定每一第二音频的语言特征和所属语种，根据第二音频所属语种的总数，对初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型，之后，将第二音频的语言特征作为模型输入数据、并将第二音频所属语种作为模型输出数据，对中间音频分类模型进行训练，以获得目标音频分类模型。其中，初始音频分类模型基于属于常用语种的多个第一音频训练得到，使得初始音频分类模型具备语种分类的基本能力。这样，基于具备良好语种分类能力的初始音频分类模型，进一步对非常用语种进行针对性训练，能够提升对非常用语种识别、分类的准确性，减轻非常用语种的少样本所导致的模型效果不佳、准确率低的问题。本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。附图说明结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：图1是根据本公开的一种实施方式提供的音频分类模型训练方法的流程图；图2是根据本公开的一种实施方式提供的音频分类方法的流程图；图3是根据本公开的一种实施方式提供的音频分类模型训练装置的框图；图4是根据本公开的一种实施方式提供的音频分类装置的框图；图5是根据本公开的一种实施例提供的电子设备的框图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对本文档来自技高网...

【技术保护点】
1.一种音频分类模型训练方法，其特征在于，所述方法包括：/n获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；/n获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；/n根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；/n将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。/n

【技术特征摘要】
1.一种音频分类模型训练方法，其特征在于，所述方法包括：
获取初始音频分类模型，所述初始音频分类模型基于属于常用语种的多个第一音频训练得到；
获取属于非常用语种的多个第二音频，并确定每一所述第二音频的语言特征和所属语种；
根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型；
将所述第二音频的语言特征作为模型输入数据、并将所述第二音频所属语种作为模型输出数据，对所述中间音频分类模型进行训练，以获得目标音频分类模型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述第二音频所属语种的总数，对所述初始音频分类模型中的全连接层进行设置，以获得中间音频分类模型，包括：
对所述初始音频分类模型中全连接层所包含的类别进行设置，使所述全连接层所包含的类别的数量与所述第二音频所属语种的总数相同、且所述全连接层所包含的类别与所述第二音频所属语种一一对应。


3.根据权利要求1所述的方法，其特征在于，所述确定每一所述第二音频的语言特征，包括：
通过预训练的特征提取模型提取每一所述第二音频的语言特征，其中，所述特征提取模型是基于AudioSet数据集训练得到的。


4.一种音频分类方法，其特征在于，所述方法包括：
对待处理音频进行切分，以获得多个待处理音频片段；
分别将每一所述待处理音频片段输入至目标音频分类模型，以获得目标音频分类模型的输出结果，其中，所述目标音频分类模型是根据权利要求1-3中任一项所述的音频分类模型训练方法训练得到的，所述输出结果用于指示输入至所述目标音频分类模型的待处理音频片段对应于所述第二音频所属语种中各个语种的概率；
针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种。


5.根据权利要求4所述的方法，其特征在于，所述针对每一所述待处理音频片段，根据该待处理音频片段对应于所述第二音频所属语种中各个语种的概率，确定所述待处理音频所属语种，包括：
针对每一所述待处理音频片段，根据该待处理音频片段所对应的最大概率，将该最大概率对应的语种确定为该待处理音频片段所属语种；
根据每一...

【专利技术属性】
技术研发人员：王康，何怡，许凌，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11