CN107680584A - 用于切分音频的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于切分音频的方法和装置。该方法的一具体实施方式包括：对待切分音频进行分帧处理，生成多个音频帧；对于该多个音频帧中的目标音频帧，提取该目标音频帧的音频特征；将该音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，该边界概率值用于表征该目标音频帧所包括的音频对应两个音素的概率，该音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；根据该边界概率值，确定是否切分该目标音频帧；响应于确定切分该目标音频帧，切分该目标音频帧，以切分该待切分音频。该实施方式提高了音频切分的效率。

Description

用于切分音频的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及音频处理技术领域，尤其涉及用于切分音频的方法和装置。

背景技术

音频是有规律的声波的频率、幅度变化信息的载体。人类能够听到的所有声音都称之为音频，它可能包括噪音等。在音频处理的过程中，通常需要对音频进行切分。

现有的音频切分技术，通常需要人工听音标注，再进行切分。

发明内容

本申请实施例的目的在于提出一种用于切分音频的方法和装置。

第一方面，本申请实施例提供了一种用于切分音频的方法，上述方法包括：对待切分音频进行分帧处理，生成多个音频帧；对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征；将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，上述边界概率值用于表征上述目标音频帧所包括的音频对应两个音素的概率，上述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；根据上述边界概率值，确定是否切分上述目标音频帧；响应于确定切分上述目标音频帧，切分上述目标音频帧，以切分上述待切分音频。

第二方面，本申请实施例提供了一种用于切分音频的装置，上述装置包括：第一生成单元，用于对待切分音频进行分帧处理，生成多个音频帧；提取单元，用于对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征；第二生成单元，用于将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，上述边界概率值用于表征上述目标音频帧所包括的音频对应两个音素的概率，上述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；确定单元，用于根据上述边界概率值，确定是否切分上述目标音频帧；切分单元，用于响应于确定切分上述目标音频帧，切分上述目标音频帧，以切分上述待切分音频。

第三方面，本申请实施例提供了一种电子设备，上述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本申请实施例提供的用于切分音频的方法和装置，通过首先对待切分音频进行分帧，生成多个音频帧；然后，提取目标音频帧的音频特征；再后，利用音素边界确定模型，生成边界概率值；再后，通过边界概率值确定是否切分上述目标音频帧，如果确定切分，则切分上述目标音频帧，以切分上述待切分音频，从而提高了音频切分的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于切分音频的方法的一个实施例的流程图；

图3是根据本申请的用于切分音频的方法的一个应用场景的示意图；

图4是根据本申请的用于切分音频的方法的又一个实施例的流程图；

图5是根据本申请的用于切分音频的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于切分音频的方法或用于切分音频的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如音频编辑类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是支持语音输入的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上音频编辑类应用提供支持的后台服务器。后台服务器可以对音频切分请求等数据进行分析等处理，并将处理结果(例如切分后的音频)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于切分音频的方法一般由服务器105执行，相应地，用于切分音频的装置一般设置于服务器105中。可选地，本申请实施例所提供的用于切分音频的方法还可以有终端设备101、102、103执行。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于切分音频的方法的一个实施例的流程200。上述的用于切分音频的方法，包括以下步骤：

步骤201，对待切分音频进行分帧处理，生成多个音频帧。

在本实施例中，用于切分音频的方法运行于其上的电子设备(例如图1所示的服务器)可以对待切分音频进行分帧处理，生成多个音频帧。

在本实施例中，上述待切分音频可以对应一段语音，例如，上述音频可以是对应语音“我饿了”的音频。

在本实施例的一些可选的实现方式中，对待切分音频进行分帧处理，可以通过以下方式实现：对待切分音频进行加窗处理，即将待切分音频与窗函数相乘，获取窗函数对应的待切分音频的一帧，移动窗函数，再将窗函数与待切分音频相乘，再得到一帧。窗函数移动的距离称为帧距，音频帧的帧长可以等于帧距，也可以大于帧距。

在本实施例的一些可选的实现方式中，对待切分音频进行分帧处理，可以通过以下方式实现：将待切分音频划分为多个音频帧，得到的音频帧的帧长可以相同，例如均为25毫秒，且各个音频帧之间相互不重合。

步骤202，对于多个音频帧中的目标音频帧，提取目标音频帧的音频特征。

在本实施例中，上述电子设备可以对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征。

可以理解，上述目标音频帧是上述多个音频帧中的任一音频帧。

在本实施例中，音频特征可以是预先定义的一些特征。

作为示例，提取出的音频特征可以包括以下一种或多种：目标音频帧的线性预测编码(Linear Predictive Coding，LPC)特征、梅尔频率倒谱系数(Mel-frequencyCepstrum Coefficients，MFCC)特征、梅尔标度滤波器组(Mel-scale Filter Bank，FBank)特征等。

作为示例，提取出的音频特征还可以包括FBank特征、FBank特征的一阶导数和FBank特征的二阶导数。

步骤203，将音频特征导入预先建立的音素边界确定模型，生成边界概率值。

在本实施例中，上述电子设备可以将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值。在这里，上述边界概率值用于表征上述目标音频帧所包括的音频对应两个音素的概率。在这里，边界确定模型用于表征音频特征与边界概率值之间的对应关系。

作为示例，请参考图3，其中，301指示一段音频，302指示音频301对应两个音素，分别为音素“w”和音素“o”。303指示音频帧，304指示另一个音频帧。如果音频帧303是目标音频帧，那么上述边界概率值用于表征音频帧303所包括的音频对应两个音素(例如图中所示的音素“w”和音素“o”)的概率。目标音频帧所包括的音频对应两个音素，也可以理解为两个音素对应的音频的分界在目标音频帧中。

在本实施例的一些可选的实现方式中，上述音素边界确定模型是通过以下步骤得到的：获取训练样本集，其中，训练样本为关联设置有边界位置信息的音频，其中，边界位置信息用于指示两个音素对应的音频之间的边界；利用上述训练样本集，训练时间递归神经网络，得到音素边界确定模型。

作为示例，对于训练样本集中的每个训练样本，对该训练样本进行分帧处理，生成多个训练用音频帧。然后提取各个训练用音频帧的训练用音频特征，将提取出的训练用音频特征导入初始的时间递归神经网络，得到该训练用音频帧的边界概率值。查找与该训练用音频帧关联设置边界位置信息所指示的切分位置，所在的训练用音频帧。然后根据查找出的训练用音频帧的边界概率值，调整时间递归神经网络，由此可以训练得到上述音素边界确定模型。

需要说明的是，时间递归神经网络可以记忆间隔较长的重要音频特征，确定当前帧的时候，基于时间递归神经网络得到的音素边界确定模型，可以参考当前帧之前的音频特征，确定边界概率值。因为音频通常具有连贯性，所以利用时间递归神经网络为基础的音素边界确定模型可以提高识别边界的准确率。

在本实施例的一些可选的实现方式中，上述音素边界确定模型还可以是关系对照表，上述关系对照表记载了音频特征与边界概率值之间的对应关系。作为示例，如果音频特征符合某一条件，例如大于某一阈值，则确定边界概率值为70％；如果音频特征不符合某一条件，例如小于某一阈值，则确定边界概率值为30％。

步骤204，根据边界概率值，确定是否切分目标音频帧。

在本实施例中，上述电子设备可以根据上述边界概率值，确定是否切分上述目标音频帧。

在本实施例的一些可选的实现方式中，步骤204可以通过以下方式实现：确定边界概率值是否大于预设阈值。如果边界概率值大于预设阈值，则确定切分上述目标音频帧。如果边界概率值不大于预设阈值，则确定不切分上述目标音频帧。

步骤205，响应于确定切分目标音频帧，切分目标音频帧，以切分待切分音频。

在本实施例中，上述电子设备可以响应于确定切分上述目标音频帧，切分上述目标音频帧，以切分上述待切分音频。

在本实施例的一些可选的实现方式中，上述多个音频帧组成音频帧序列，并且上述音频帧序列的相邻音频帧之间有重叠；以及上述切分上述目标音频帧，包括：确定上述目标音频帧和与上述目标音频帧相邻的音频帧之间的重叠长度；根据上述目标音频帧的帧长和上述重叠长度，确定上述目标音频帧的切分位置。

在本实现方式中，上述目标音频帧相邻的音频帧，可以是上一音频帧，也可以是下一音频帧。还可以是与上一音频帧和下一音频帧均计算重叠长度，然后根据两个重叠长度，确定切分位置。

作为示例，帧长为25毫秒，重叠长度为20毫秒，那么可以根据两者差值5毫秒，确定上述目标音频帧的切分位置。

在本实施例的一些可选的实现方式中，上述根据上述目标音频帧的帧长和上述重叠长度，确定上述目标音频帧的切分位置，包括：确定上述帧长与上述重叠长度的差值；确定上述目标音频帧的待切分部分，其中，上述待切分部分为上述目标音频帧的第一位置与第二位置之间的部分，其中，上述第一位置是上述目标音频帧的起始位置，上述第二位置是与上述起始位置相距上述差值的位置。

作为示例，图3中的305示出了示出了目标音频帧303的待切分部分。

作为示例，可以将待切分部分的任意位置作为切分位置。也可以将待切分部分的中间位置作为切分位置。

在本实施例的一些可选的实现方式中，切分上述待切分音频得到多个分别与音素对应的子音频。多个子音频可以用于多种场景，例如，可以作为语音合成的材料，还可以经加工之后作为模型训练的样本等。

本申请的上述实施例提供的方法，通过首先对待切分音频进行分帧，生成多个音频帧；然后，提取目标音频帧的音频特征；再后，利用音素边界确定模型，生成边界概率值；再后，通过边界概率值确定是否切分上述目标音频帧，如果确定切分，则切分上述目标音频帧，以切分上述待切分音频，从而提高了音频切分的效率。

进一步参考图4，其示出了用于切分音频的方法的又一个实施例的流程400。该用于切分音频的方法的流程400，包括以下步骤：

步骤401，对待切分音频进行分帧处理，生成多个音频帧。

在本实施例中，用于切分音频的方法运行于其上的电子设备(例如图1所示的服务器)可以对待切分音频进行分帧处理，生成多个音频帧。

步骤402，对于多个音频帧中的目标音频帧，提取目标音频帧的音频特征。

在本实施例中，上述电子设备可以对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征。

步骤403，将音频特征导入预先建立的音素边界确定模型，生成边界概率值。

在本实施例中，上述电子设备可以将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值。在这里，上述边界概率值用于标准上述目标音频帧所包括的音频对应两个音素的概率。在这里，边界确定模型用于表征音频特征与边界概率值之间的对应关系。

需要说明的是，步骤401、步骤402和步骤403的具体实现方式和技术效果可以参考步骤201、步骤202和步骤203中的说明，在此不再赘述。

步骤404，将待切分音频导入预先建立的语音识别模型，生成待切分音频对应的音素信息序列。

在本实施例中，上述电子设备可以将上述待切分音频导入预先建立的语音识别模型，生成上述待切分音频对应的音素信息序列。

在本实施例中，音素信息包括音素类型和音素中心位置信息，上述语音识别模型用于表征音频与音素信息序列之间的对应关系。

在本实施例的一些可选的实现方式中，上述语音识别模型可以是通过以下方式中得到的：获取训练样本集，其中，训练样本包括训练用音频和与训练用音频对应的文本。利用上述训练样本集，训练基于神经网络的时序类分类(Connectionist temporalclassification，CTC)模型。

在本实施例的一些可选的实现方式中，上述语音识别模型还可以是关系对照表，关系对照表中记录了语音特征和音素信息之间的对应关系。作为示例，对照关系信息可以指示音频图像拐三次对应音素“w”，音素“w”的中心位置信息指示音频图像的第一个拐点。

在本实施例中，目标音频帧包括相邻音素中心位置信息对所指示的两个中心位置之间的多个待识别音频帧，其中，相邻音素中心位置信息对是音素信息序列中的相邻音素信息对中的音素中心位置信息。

步骤405，根据待识别音频帧对应的边界概率值，从多个待识别音频帧中，选取最大边界概率值对应的待识别音频帧。

在本实施例中，上述电子设备可以根据待识别音频帧对应的边界概率值，从上述多个待识别音频帧中，选取最大边界概率值对应的待识别音频帧。

由此，可以从两个音素中心位置之间的音频帧中，快速确定包括边界的音频帧。

步骤406，确定切分选取出的待识别音频帧，并切分选取出的待识别音频帧，以切分待切分音频。

在本实施例中，上述电子设备可以确定切分选取出的待识别音频帧，并切分选取出的待识别音频帧，以切分待切分音频。

需要说明的是，如何确定切分位置可以参考步骤204中的相关说明，在此不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于切分音频的方法的流程400突出了利用语音识别模型确定目标音频对应的音素信息的步骤。由此，本实施例描述的方案可以引入更多的音素类型和音素中心位置的相关数据，从而提高音频切分的效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于切分音频的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例上述的用于切分音频的装置500包括：第一生成单元501、提取单元502、第二生成单元503、确定单元504和切分单元505。其中，第一生成单元，用于对待切分音频进行分帧处理，生成多个音频帧；提取单元，用于对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征；第二生成单元，用于将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，上述边界概率值用于表征上述目标音频帧所包括的音频对应两个音素的概率，上述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；确定单元，用于根据上述边界概率值，确定是否切分上述目标音频帧；切分单元，用于响应于确定切分上述目标音频帧，切分上述目标音频帧，以切分上述待切分音频。

在本实施例的一些可选的实现方式中，上述音素边界确定模型是通过以下步骤得到的：获取训练样本集，其中，训练样本为关联设置有边界位置信息的音频，其中，边界位置信息用于指示两个音素对应的音频之间的边界；利用上述训练样本集，训练时间递归神经网络，得到音素边界确定模型。

在本实施例的一些可选的实现方式中，上述多个音频帧组成音频帧序列，并且上述音频帧序列的相邻音频帧之间有重叠；以及上述切分单元，还用于：确定上述目标音频帧和与上述目标音频帧相邻的音频帧之间的重叠长度；根据上述目标音频帧的帧长和上述重叠长度，确定上述目标音频帧的切分位置。

在本实施例的一些可选的实现方式中，上述切分单元，还用于：确定上述帧长与上述重叠长度的差值；确定上述目标音频帧的待切分部分，其中，上述待切分部分为上述目标音频帧的第一位置与第二位置之间的部分，其中，上述第一位置是上述目标音频帧的起始位置，上述第二位置是与上述起始位置相距上述差值的位置。

在本实施例的一些可选的实现方式中，上述装置还包括：第三生成单元(未示出)，用于将上述待切分音频导入预先建立的语音识别模型，生成上述待切分音频对应的音素信息序列，其中，音素信息包括音素类型和音素中心位置信息，上述语音识别模型用于表征音频与音素信息序列之间的对应关系。

在本实施例的一些可选的实现方式中，上述目标音频帧包括相邻音素中心位置信息对所指示的两个中心位置之间的多个待识别音频帧，其中，相邻音素中心位置信息对是音素信息序列中的相邻音素信息对中的音素中心位置信息；以及上述确定单元，还用于：根据待识别音频帧对应的边界概率值，从上述多个待识别音频帧中，选取最大边界概率值对应的待识别音频帧；确定切分选取出的待识别音频帧，，并切分选取出的待识别音频帧，以切分待切分音频。

在本实施例中，：第一生成单元501、提取单元502、第二生成单元503、确定单元504和切分单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204以及步骤205的相关说明，在此不再赘述。

需要说明的是，本实施例提供的用于切分音频的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明，在此不再赘述。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。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。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成单元、提取单元、第二生成单元、确定单元和切分单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“对待切分音频进行分帧处理，生成多个音频帧的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：对待切分音频进行分帧处理，生成多个音频帧；对于上述多个音频帧中的目标音频帧，提取上述目标音频帧的音频特征；将上述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，上述边界概率值用于表征上述目标音频帧所包括的音频对应两个音素的概率，上述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；根据上述边界概率值，确定是否切分上述目标音频帧；响应于确定切分上述目标音频帧，切分上述目标音频帧，以切分上述待切分音频。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于切分音频的方法，其特征在于，所述方法包括：

对待切分音频进行分帧处理，生成多个音频帧；

对于所述多个音频帧中的目标音频帧，提取所述目标音频帧的音频特征；

将所述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，所述边界概率值用于表征所述目标音频帧所包括的音频对应两个音素的概率，所述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；

根据所述边界概率值，确定是否切分所述目标音频帧；

响应于确定切分所述目标音频帧，切分所述目标音频帧，以切分所述待切分音频。

2.根据权利要求1所述的方法，其特征在于，所述音素边界确定模型是通过以下步骤得到的：

获取训练样本集，其中，训练样本为关联设置有边界位置信息的音频，其中，边界位置信息用于指示两个音素对应的音频之间的边界；

利用所述训练样本集，训练时间递归神经网络，得到音素边界确定模型。

3.根据权利要求1或2所述的方法，其特征在于，所述多个音频帧组成音频帧序列，并且所述音频帧序列的相邻音频帧之间有重叠；以及

所述切分所述目标音频帧，包括：

确定所述目标音频帧和与所述目标音频帧相邻的音频帧之间的重叠长度；

根据所述目标音频帧的帧长和所述重叠长度，确定所述目标音频帧的切分位置。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标音频帧的帧长和所述重叠长度，确定所述目标音频帧的切分位置，包括：

确定所述帧长与所述重叠长度的差值；

确定所述目标音频帧的待切分部分，其中，所述待切分部分为所述目标音频帧的第一位置与第二位置之间的部分，其中，所述第一位置是所述目标音频帧的起始位置，所述第二位置是与所述起始位置相距所述差值的位置。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述待切分音频导入预先建立的语音识别模型，生成所述待切分音频对应的音素信息序列，其中，音素信息包括音素类型和音素中心位置信息，所述语音识别模型用于表征音频与音素信息序列之间的对应关系。

6.根据权利要求5所述的方法，其特征在于，所述目标音频帧包括相邻音素中心位置信息对所指示的两个中心位置之间的多个待识别音频帧，其中，相邻音素中心位置信息对是音素信息序列中的相邻音素信息对中的音素中心位置信息；以及

所述根据所述边界概率值，确定是否切分所述目标音频帧，包括：

根据待识别音频帧对应的边界概率值，从所述多个待识别音频帧中，选取最大边界概率值对应的待识别音频帧；

确定切分选取出的待识别音频帧。

7.一种用于切分音频的装置，其特征在于，所述装置包括：

第一生成单元，用于对待切分音频进行分帧处理，生成多个音频帧；

提取单元，用于对于所述多个音频帧中的目标音频帧，提取所述目标音频帧的音频特征；

第二生成单元，用于将所述音频特征导入预先建立的音素边界确定模型，生成边界概率值，其中，所述边界概率值用于表征所述目标音频帧所包括的音频对应两个音素的概率，所述音素边界确定模型用于表征音频特征与边界概率值之间的对应关系；

确定单元，用于根据所述边界概率值，确定是否切分所述目标音频帧；

切分单元，用于响应于确定切分所述目标音频帧，切分所述目标音频帧，以切分所述待切分音频。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第三生成单元，用于将所述待切分音频导入预先建立的语音识别模型，生成所述待切分音频对应的音素信息序列，其中，音素信息包括音素类型和音素中心位置信息，所述语音识别模型用于表征音频与音素信息序列之间的对应关系。

9.根据权利要求8所述的装置，其特征在于，所述目标音频帧包括相邻音素中心位置信息对所指示的两个中心位置之间的多个待识别音频帧，其中，相邻音素中心位置信息对是音素信息序列中的相邻音素信息对中的音素中心位置信息；以及

所述确定单元，还用于：

根据待识别音频帧对应的边界概率值，从所述多个待识别音频帧中，选取最大边界概率值对应的待识别音频帧；

确定切分选取出的待识别音频帧。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。