音频识别方法、装置、设备及介质与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开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11来描述根据本公开的这种实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130。其中，存储单元存储有程序代码，程序代码可以被处理单元1110执行，使得处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。示例性的，处理单元1110可以执行如图2中的方法实施例的如下步骤：获取待识别音频；根据待识别音频的业务特征和/或各个识别模型的性能指标，对多个识别模型进行工作流编排；根据编排后的多个音频识别模型对待识别音频进行识别，得到识别结果。存储单元1120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)11201和/或高速缓存存储单元11202，还可以进一步包括只读存储单元(rom)11203。存储单元1120还可以包括具有一组(至少一个)程序模块11205的程序/实用工具11204，这样的程序模块11205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1130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1100也可以与一个或多个外部设备1140(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1100交互的设备通信，和/或与使得该电子设备1100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1150进行。并且，电子设备1100还可以通过网络适配器1160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11所示，网络适配器1160通过总线1130与电子设备1100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1100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，该计算机可读存储介质可以是可读信号介质或者可读存储介质。在本公开的示例性实施例中，还提供了一种计算机程序产品，计算机程序产品包括计算机程序或计算机指令，计算机程序或计算机指令由处理器加载并执行，以使计算机实现上述实施例公开的方法的步骤。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储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。可选地，计算机可读存储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。在具体实施时，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公开操作的程序代码，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)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，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、移动终端、或者网络设备等)执行根据本公开实施方式的方法。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。本公开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精神由所附的权利要求指出。

背景技术：

1、随着多媒体技术的发展，在网络用户生成内容(user generated content，ugc)中，用户生成或分享的音频传播到网络上，可能会存在违规或不良内容的情况。

2、在相关技术中，通过人工审核或构建机器学习模型的方式可以阻断部分违规音频的发布。然而，人工审核效率低、难度大、成本高；对于机器学习模型的审核方式，通过一套模型覆盖多语种的检测难度大、机器学习模型计算量庞大、费时费力。

3、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、本公开提供一种音频识别方法、装置、设备及介质，至少在一定程度上克服相关技术中音频识别方式效率低、检测难度大的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供一种音频识别方法，包括：获取待识别音频；根据待识别音频的业务特征和/或各个音频识别模型的性能指标，对多个音频识别模型进行工作流编排；根据编排后的多个音频识别模型对所述待识别音频进行识别，得到识别结果，以使多个大小不同的音频识别模型协同进行音频识别。

4、在本公开的一个实施例中，所述根据待识别音频的业务特征和/或各个音频识别模型的性能指标，对多个音频识别模型进行工作流编排，包括：根据所述待识别音频的业务特征和/或各个音频识别模型的性能指标，得到各个音频识别模型的评分值；对所述各个音频识别模型的评分值排序，确定所述各个音频识别模型的优先级，其中，音频识别模型的评分值越高，优先级越高。

5、在本公开的一个实施例中，所述待识别音频的业务特征包括音频类型、场景、频次中的一项或多项；其中，所述根据所述待识别音频的业务特征和/或各个音频识别模型的性能指标，得到各个音频识别模型的评分值，包括：获取预设时间段内各个音频识别模型预测得到的目标类型的音频业务量，其中，一个识别模型预测对应一种目标类型；获取所述预设时间段内不同音频识别模型预测得到的目标类型的音频总业务量；根据所述音频业务量和所述音频总业务量，确定所述各个音频识别模型的频次，以根据各个音频识别模型的频次得到各个音频识别模型的评分值。

6、在本公开的一个实施例中，所述不同音频识别模型的性能指标包括处理效率、模型精度、资源占用率、算力消耗、推理成本中的至少一种；当根据待识别音频的业务特征和音频识别模型的性能指标，得到各个音频识别模型的评分值时，所述方法包括：对所述各个音频识别模型的频次和性能指标加权求和，得到所述各个音频识别模型的评分值。

7、在本公开的一个实施例中，所述多个识别模型的工作流，包括：若当前音频识别模型的优先级非最低优先级且所述识别结果包括检出目标音频，则输出所述识别结果；若所述当前音频识别模型的优先级非最低优先级且所述识别结果为未检出目标音频，则将所述待识别音频输入下一优先级音频识别模型进行音频识别。

8、在本公开的一个实施例中，所述方法还包括：若所述当前音频识别模型的优先级为最低优先级，则输出最终识别结果。

9、在本公开的一个实施例中，所述识别模型包括单一语种识别模型、娇喘音频识别模型、多语种识别模型、语音识别模型、语义识别模型和声纹识别模型中的至少两种。

10、在本公开的一个实施例中，当所述音频识别模型包括单一语种识别模型时，所述根据编排后的多个音频识别模型对所述待识别音频进行识别，得到识别结果，包括：将所述待识别音频输入至所述一个语种的识别引擎，得到所述待识别音频的文本信息；将所述待识别音频的文本信息输入至所述单一语种识别模型，得到所述单一语种识别模型的识别结果。

11、在本公开的一个实施例中，当所述音频识别模型包括娇喘音频识别模型时，所述根据编排后的多个音频识别模型对所述待识别音频进行识别，得到识别结果，包括：从所述待识别音频中提取脉冲编码调制信号；在所述脉冲编码调制信号中提取多维声学特征；通过所述娇喘音频识别模型对所述多维声学特征进行处理，得到识别为娇喘音频的概率；当所述识别为娇喘音频的概率大于或等于预设概率阈值时，判定所述识别结果为包括检出娇喘音频；当所述识别为娇喘音频的概率小于所述预设概率阈值时，判定所述识别结果为未检出娇喘音频。

12、在本公开的一个实施例中，当所述音频识别模型包括多语种识别模型时，所述多语种识别模型包括多语种语音翻译模型和单一语种语义识别模型；其中，所述根据编排后的多个音频识别模型对所述待识别音频进行识别，得到识别结果，包括：对所述待识别音频的属性信息进行识别，确定所述待识别音频的目标语种；若所述目标语种不为所述一个语种，则通过所述多语种语音翻译模型对所述待识别音频进行处理，得到所述待识别音频的单一语种文本信息；通过所述单一语种语义识别模型对所述单一语种文本信息进行处理，得到所述待识别音频的识别结果。

13、在本公开的一个实施例中，所述方法还包括：若所述目标语种为所述一个语种，则确定所述待识别音频的识别结果为未检出目标音频。

14、根据本公开的另一个方面，提供一种音频识别装置，包括：音频获取模块，用于获取待识别音频；流程编排模块，用于根据待识别音频的业务特征和/或各个识别模型的性能指标，对多个识别模型进行工作流编排；音频识别模块，用于根据编排后的多个音频识别模型对所述待识别音频进行识别，得到识别结果。

15、根据本公开的再一个方面，提供一种电子设备，包括：处理器和存储器，所述存储器用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的音频识别方法。

16、根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的音频识别方法。

17、根据本公开的另一个方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序或计算机指令，所述计算机程序或所述计算机指令由处理器加载并执行，以使计算机实现上述的音频识别方法。

18、在本公开实施方式中，获取待识别音频；根据待识别音频的业务特征和/或各个音频识别模型的性能指标，对多个音频识别模型进行工作流编排；根据编排后的多个音频识别模型对待识别音频进行识别，得到识别结果，从而实现多个大小不同的音频识别模型协同进行音频识别，利用大小模型协同方式可以解决多语种、多类型违规音频识别需求，有效提升违规音频的检出精度，音频识别效率显著提升。

19、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。