音频搜索方法、装置及设备与流程

技术特征：
1.一种音频搜索方法，其特征在于，包括：将原始多媒体文件输入至神经网络模型，输出待搜索音频特征，其中，所述神经网络模型是使用多组数据通过机器学习训练生成的模型，所述多组数据包括：多种不同类型的乐器音频样本以及音源分离结果；从预设检索区域中查询与所述待搜索音频特征相似的音频片段，得到查询结果，其中，所述查询结果包括：所述音频片段、所述音频片段对应的时间范围。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用所述多组数据通过机器学习训练得到音频分类模型；对所述多组数据进行组合交叉处理，得到第一混合数据；对所述第一混合数据进行多标签训练，得到所述神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对所述第一混合数据和语言音频样本进行组合交叉处理，得到第二混合数据；对所述第二混合数据进行多标签训练，调整所述神经网络模型。4.根据权利要求1至3中任一项所述的方法，其特征在于，将所述原始多媒体文件输入至所述神经网络模型，输出所述待搜索音频特征包括：按照时间进度对所述原始多媒体文件进行分段处理，得到多个音频分段；将所述多个音频分段输入至所述神经网络模型，获取与所述神经网络模型的输出层相邻的最后一个网络层中多个备选特征；对所述多个备选特征进行加权平均处理，输出所述待搜索音频特征。5.根据权利要求1所述的方法，其特征在于，从所述预设检索区域中查询与所述待搜索音频特征相似的音频片段，得到所述查询结果包括：将所述待搜索音频特征与所述预设检索区域中的多个音频特征进行相似性度量处理，得到排序结果；基于所述排序结果确定所述查询结果。6.根据权利要求5所述的方法，其特征在于，将所述待搜索音频特征与所述预设检索区域中的多个音频特征进行相似性度量处理，得到所述排序结果包括：计算所述待搜索音频特征与所述多个音频特征中每个音频特征之间的欧式距离，得到多个计算结果；按照所述欧式距离的大小对所述多个计算结果进行排序，得到所述排序结果。7.根据权利要求1所述的方法，其特征在于，所述预设检索区域包括以下之一：音频特征库、视频特征库。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：从所述原始多媒体文件中提取与所述查询结果对应的辅助校验信息，其中，所述辅助校验信息包括以下至少之一：视频信息，图像信息；采用所述辅助校验信息对所述查询结果进行校验。9.一种音频搜索方法，其特征在于，包括：获取音频搜索请求消息，其中，所述音频搜索请求消息中携带的信息至少包括：原始多媒体文件的存储位置信息；基于所述音频搜索请求消息获取与所述原始多媒体文件相似的音频片段，得到搜索结
果；反馈音频搜索响应消息，其中，所述音频搜索响应消息中携带的信息至少包括：所述搜索结果。10.根据权利要求9所述的方法，其特征在于，基于所述音频搜索请求消息获取与所述原始多媒体文件相似的音频片段，得到所述搜索结果包括：对所述原始多媒体文件进行分类处理，提取待搜索音频特征，其中，所述待搜索音频特征用于表明所述原始多媒体文件的声源类型；搜索与所述待搜索音频特征相似的音频片段，得到所述搜索结果。11.根据权利要求10所述的方法，其特征在于，对所述原始多媒体文件进行分类处理，提取所述待搜索音频特征包括：将所述原始多媒体文件分别与多种不同类型的乐器音频样本进行相似度比对，得到比对结果；依据所述比对结果确定所述原始多媒体文件所属分类，得到分类结果；基于所述分类结果对所述原始多媒体文件进行分段处理，提取所述待搜索音频特征。12.一种音频搜索方法，其特征在于，包括：获取音频调用请求消息，其中，所述音频调用请求消息中携带的调用参数包括：应用标识信息、应用授权信息、原始多媒体文件的存储位置信息；基于所述音频调用请求消息获取与所述原始多媒体文件相似的音频片段，得到搜索结果；反馈音频调用响应消息，其中，所述音频调用响应消息中携带的信息至少包括：所述搜索结果。13.根据权利要求12所述的方法，其特征在于，基于所述音频调用请求消息获取与所述原始多媒体文件相似的音频片段，得到所述搜索结果包括：对所述原始多媒体文件进行分类处理，提取待搜索音频特征，其中，所述待搜索音频特征用于表明所述原始多媒体文件的声源类型；搜索与所述待搜索音频特征相似的音频片段，得到所述搜索结果。14.根据权利要求13所述的方法，其特征在于，对所述原始多媒体文件进行分类处理，提取所述待搜索音频特征包括：将所述原始多媒体文件分别与多种不同类型的乐器音频样本进行相似度比对，得到比对结果；依据所述比对结果确定所述原始多媒体文件所属分类，得到分类结果；基于所述分类结果对所述原始多媒体文件进行分段处理，提取所述待搜索音频特征。15.一种音频搜索装置，其特征在于，包括：生成模块，用于将原始多媒体文件输入至神经网络模型，输出待搜索音频特征，其中，所述神经网络模型是使用多组数据通过机器学习训练生成的模型，所述多组数据包括：多种不同类型的乐器音频样本以及音源分离结果；搜索模块，用于从预设检索区域中查询与所述待搜索音频特征相似的音频片段，得到查询结果，其中，所述查询结果包括：所述音频片段、所述音频片段对应的时间范围。16.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行
时控制所述存储介质所在设备执行权利要求1至14中任意一项所述的音频搜索方法。17.一种音频搜索设备，其特征在于，包括：处理器；以及存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：将原始多媒体文件输入至神经网络模型，输出待搜索音频特征，其中，所述神经网络模型是使用多组数据通过机器学习训练生成的模型，所述多组数据包括：多种不同类型的乐器音频样本以及音源分离结果；从预设检索区域中查询与所述待搜索音频特征相似的音频片段，得到查询结果，其中，所述查询结果包括：所述音频片段、所述音频片段对应的时间范围。

技术总结
本申请公开了一种音频搜索方法、装置及设备。其中，该方法包括：将原始多媒体文件输入至神经网络模型，输出待搜索音频特征，其中，上述神经网络模型是使用多组数据通过机器学习训练生成的模型，上述多组数据包括：多种不同类型的乐器音频样本以及音源分离结果；从预设检索区域中查询与上述待搜索音频特征相似的音频片段，得到查询结果，其中，上述查询结果包括：上述音频片段、上述音频片段对应的时间范围。本申请解决了现有技术中的音频搜索方法的通用性和搜索效率较差的技术问题。通用性和搜索效率较差的技术问题。通用性和搜索效率较差的技术问题。


技术研发人员：夏朱荣 张士伟 唐铭谦
受保护的技术使用者：阿里巴巴集团控股有限公司
技术研发日：2020.04.13
技术公布日：2021/10/21