音频情绪识别模型的训练方法、装置、设备和可读介质与流程

所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图13来描述根据本发明的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1310可以执行如本公开实施例所示的方法。存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)13201和/或高速缓存存储单元13202，还可以进一步包括只读存储单元(rom)13203。存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204，这样的程序模块13205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1300也可以与一个或多个外部设备1340(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。

背景技术：

1、目前，现有的语音情绪识别技术，主要是利用神经网络对音频进行特征提取与情绪解析，得到给定音频中的说话人的情绪分类。

2、在相关技术中，将独热向量作为训练标签对音频情绪识别模型进行训练。

3、但是，由于独热向量是一种独立的、无语义信息的表征，忽略了情绪类别本身的先验知识，可能会导致音频情绪识别模型在进行情绪特征提取时会忽略一些有用的潜在类别信息，使得音频情绪识别模型在一些复杂应用场景上的泛化能力较差。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种音频情绪识别模型的训练方法、装置、设备和可读介质，用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的音频情绪识别模型的泛化性差等问题。

2、根据本公开实施例的第一方面，提供一种音频情绪识别模型的训练方法，包括：提取音频样本中的关键帧的语音状态；根据预设的嵌入向量编码信息确定所述关键帧的语音状态对应的情绪标签嵌入向量；根据所述情绪标签嵌入向量和所述音频样本的独热向量确定损失函数的输入；基于所述损失函数对所述音频情绪识别模型进行训练。

3、在本公开的一种示例性实施例中，提取音频样本中的关键帧的语音状态包括：

4、将音频样本输入至音频情绪识别模型的预训练模型。

5、基于所述预训练模型的前端的cnn模块和量化模块获得帧级别的离散值，每一帧对应的离散值表征当前帧的语音状态。

6、采用tf-idf关键词提取算法确定所述离散值对应的tf-idf值。

7、根据所述tf-idf值确定所述音频样本中的关键帧，并确定所述关键帧对应的语音状态。

8、在本公开的一种示例性实施例中，根据预设的嵌入向量编码信息确定所述关键帧的语音状态对应的情绪标签嵌入向量包括：

9、获取音频情绪识别模型的预训练模型的嵌入向量编码信息。

10、根据所述嵌入向量编码信息确定所述音频样本中的关键帧的语音状态对应于的指定个数的嵌入向量。

11、对所述指定个数的嵌入向量进行平均化处理。

12、根据所述平均化处理的结果确定所述情绪标签嵌入向量。

13、在本公开的一种示例性实施例中，根据所述情绪标签嵌入向量和所述音频样本的独热向量确定损失函数的输入包括：

14、将所述语音样本输入至音频情绪识别模型，并获取所述wav2vec2.0模型输出的语音特征图。

15、对所述语音特征图进行均值池化处理，并将所述均值池化处理的结果压缩为情绪嵌入向量。

16、将所述情绪嵌入向量输入至全连接层，以获得情绪分数向量。

17、根据所述情绪嵌入向量、所述情绪分数向量和所述独热向量确定所述损失函数的输入。

18、在本公开的一种示例性实施例中，还包括：

19、根据所述情绪分数向量与所述独热向量之间的交叉熵函数构建第一目标函数。

20、根据所述情绪标签嵌入向量与所述情绪嵌入向量之间的均方误差函数构建第二目标函数。

21、根据所述第一目标函数、所述第二目标函数和预设的权重值确定所述损失函数。

22、在本公开的一种示例性实施例中，还包括：

23、在对所述音频情绪识别模型进行训练的过程中，保持所述cnn模块的指定参数不更新。

24、在本公开的一种示例性实施例中，还包括：

25、设置所述音频情绪识别模型的transformer网络层学习率不超过0.0001，和/或控制所述音频情绪识别模型的训练周期数小于或等于20次。

26、根据本公开实施例的第二方面，提供一种音频情绪识别模型的训练装置，包括：

27、提取模块，设置为提取音频样本中的关键帧的语音状态。

28、确定模块，设置为根据预设的嵌入向量编码信息确定所述关键帧的语音状态对应的情绪标签嵌入向量。

29、所述确定模块，设置为根据所述情绪标签嵌入向量和所述音频样本的独热向量确定损失函数的输入。

30、训练模块，设置为基于所述损失函数对所述音频情绪识别模型进行训练。

31、根据本公开的第三方面，提供一种电子设备，包括：存储器。以及耦合到所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上述任意一项所述的方法。

32、根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任意一项所述的音频情绪识别模型的训练方法。

33、本公开实施例，通过提取音频样本中的关键帧的语音状态，并根据预设的嵌入向量编码信息确定所述关键帧的语音状态对应的情绪标签嵌入向量，进而根据所述情绪标签嵌入向量和所述音频样本的独热向量确定损失函数的输入，最后基于所述损失函数对所述音频情绪识别模型进行训练，使得音频情绪识别模型在训练过程中能够学习到更加泛化的情绪特征，更准确且可靠地进行情绪识别。

34、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。