音频描述信息生成方法、装置、电子设备及存储介质与流程

本发明涉及信息处理，尤其涉及一种音频描述信息生成方法、装置、电子设备及存储介质。

背景技术：

1、文生音乐是一种前沿的音频生成任务，旨在将文本描述转化为音乐。这种任务对于创造性音频内容的生成提出了更高的要求，需要更准确、语义更丰富的描述（caption）。

2、传统生成音频描述的方法主要是通过人工标注的形式，采用标注规范，通过定义一系列标准化的音频描述规则，借助人工对音频进行标注。然而，上述传统方法受制于人力，不仅费时费力，而且标注质量难以保障，特别是在大规模数据集上的应用场景中存在明显的局限性。

技术实现思路

1、本发明提供一种音频描述信息生成方法、装置、电子设备及存储介质，用以解决传统方法受制于人力，不仅费时费力，而且标注质量难以保障，特别是在大规模数据集上的应用场景中存在明显的局限性的缺陷。

2、本发明提供一种音频描述信息生成方法，包括：

3、获取文本信息转化的音频数据以及所述音频数据的元数据；

4、基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息；所述第一提示信息是基于所述元数据确定的。

5、根据本发明提供的一种音频描述信息生成方法，所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息，包括：

6、至少两次将所述音频数据重复输入至预设的音频描述生成模型，得到所述音频描述生成模型每次生成的第一伪描述信息，以获取多个所述第一伪描述信息；

7、将所述元数据和所述第一提示信息输入至预设的大语言模型，得到所述大语言模型输出的第二伪描述信息；

8、基于多个所述第一伪描述信息和所述第二伪描述信息，生成所述音频数据的描述信息。

9、根据本发明提供的一种音频描述信息生成方法，所述基于多个所述第一伪描述信息和所述第二伪描述信息，生成所述音频数据的描述信息，包括：

10、基于多个所述第一伪描述信息和所述第二伪描述信息，配置第二提示信息；

11、将多个所述第一伪描述信息、所述第二伪描述信息和所述第二提示信息输入至所述大语言模型，得到所述大语言模型输出的所述音频数据的描述信息。

12、根据本发明提供的一种音频描述信息生成方法，所述元数据包括标签、文件名和原始描述中的至少两类数据；在所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息之前，所述方法还包括：

13、根据所述标签、所述文件名和所述原始描述中的至少两类数据，配置所述第一提示信息。

14、根据本发明提供的一种音频描述信息生成方法，所述音频数据的描述信息为外文描述信息；在所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息之后，所述方法还包括：

15、对所述音频数据对应的外文描述信息进行翻译处理，得到所述音频数据对应的目标语言下的描述信息。

16、根据本发明提供的一种音频描述信息生成方法，在所述获取文本信息转化的音频数据以及所述音频数据的元数据之后，所述方法还包括：

17、将所述元数据翻译为目标语言下的元数据，并基于所述音频数据的元数据，配置所述目标语言下的第三提示信息；

18、将所述目标语言下的元数据和所述目标语言下的第三提示信息输入至预设的大语言模型，得到所述大语言模型输出的所述音频数据对应的目标语言下的描述信息。

19、本发明还提供一种音频描述信息生成装置，包括：

20、获取模块，用于获取文本信息转化的音频数据以及所述音频数据的元数据；

21、生成模块，用于基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息；所述第一提示信息是基于所述元数据确定的。

22、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述音频描述信息生成方法。

23、本发明还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，该计算机程序被处理器执行时实现如上述任一种所述音频描述信息生成方法。

24、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述音频描述信息生成方法。

25、本发明提供的音频描述信息生成方法、装置、电子设备及存储介质，通过充分利用音频本身的多模态信息，包括文本信息转化的音频数据本身以及音频数据的元数据，根据音频数据的元数据设计提示信息，以引导后续语言模型的准确输出，进而利用音频数据本身、元数据和设计好的提示信息智能生成音频数据的描述信息，可以在生成描述信息时更全面、准确地捕捉音频与文本之间的关联，使得生成的描述信息更具表现力和音频元素的表达能力，大大提升了生成音频描述信息的质量，比人工标注效率更高，可以很好地适用于大规模数据集的应用场景。

技术特征：

1.一种音频描述信息生成方法，其特征在于，包括：

2.根据权利要求1所述的音频描述信息生成方法，其特征在于，所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息，包括：

3.根据权利要求1所述的音频描述信息生成方法，其特征在于，所述元数据包括标签、文件名和原始描述中的至少两类数据；在所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息之前，所述方法还包括：

4.根据权利要求1-3任一项所述的音频描述信息生成方法，其特征在于，所述音频数据的描述信息为外文描述信息；在所述基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息之后，所述方法还包括：

5.根据权利要求1-3任一项所述的音频描述信息生成方法，其特征在于，在所述获取文本信息转化的音频数据以及所述音频数据的元数据之后，所述方法还包括：

6.一种音频描述信息生成装置，其特征在于，包括：

7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述音频描述信息生成方法。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述音频描述信息生成方法。

技术总结本发明提供一种音频描述信息生成方法、装置、电子设备及存储介质，属于信息处理技术领域，所述方法包括：获取文本信息转化的音频数据以及所述音频数据的元数据；基于所述音频数据、所述元数据和第一提示信息，生成所述音频数据的描述信息；所述第一提示信息是基于所述元数据确定的。本发明可以在生成描述信息时更全面、准确地捕捉音频与文本之间的关联，使得生成的描述信息更具表现力和音频元素的表达能力，大大提升了生成音频描述信息的质量，比人工标注效率更高，可以很好地适用于大规模数据集的应用场景。技术研发人员：汪伟飞,唐帅,吴凌翔,王金桥受保护的技术使用者：武汉人工智能研究院技术研发日：技术公布日：2024/3/12