本公开涉及音频信号处理技术领域，具体地，涉及一种音频处理方法、装置、可读介质和电子设备。
背景技术：
随着终端技术和电子信息技术的不断发展，终端设备在人们日常生活中的重要性越来越高，人们可以通过终端设备获取各种形式的信息。其中，相较于文本信息、图片信息来说，视频信息中包含的内容表达更加丰富，能够从视觉和听觉两个维度为用户传递信息。对于视频信息来说，合适的背景音乐往往能够增加信息的表现力和传播度。
由于一首完整的音乐的时长，往往与需要与之适配的视频画面的时长不同，如果直接对音乐进行截断，将会导致音乐不完整，表现效果生硬，甚至会影响视频画面的表现力。因此，为了使视频画面和音频能够匹配，需要对音频的音乐结构进行分析，以将音频按照音乐结构进行分割，得到多个音频段，从而实现音频段和画面片段的匹配。
技术实现要素：
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种音频处理方法，所述方法包括：
提取待处理音频中每个音频帧的频域特征，并基于所述频域特征确定所述待处理音频对应的初始相似度矩阵；
获取每个所述音频帧在所述待处理音频中的时间顺序，按照所述时间顺序修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵；
根据所述目标相似度矩阵构建所述待处理音频对应的音频特征图谱；
对所述音频特征图谱进行谱聚类，得到多个簇，并根据多个所述簇的聚类边界确定所述待处理音频的多个分割边界；
根据所述分割边界对所述待处理音频进行分割，以得到多个音频段。
第二方面，本公开提供一种音频处理装置，所述装置包括：
第一确定模块，用于提取待处理音频中每个音频帧的频域特征，并基于所述频域特征确定所述待处理音频对应的初始相似度矩阵；
第二确定模块，用于获取每个所述音频帧在所述待处理音频中的时间顺序，按照所述时间顺序修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵；
图谱构建模块，用于根据所述目标相似度矩阵构建所述待处理音频对应的音频特征图谱；
聚类模块，用于对所述音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界；
分割模块，用于根据所述分割边界对所述待处理音频进行分割，以得到多个音频段。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先提取待处理音频中每个音频帧的频域特征，并基于频域特征确定初始相似度矩阵，之后，获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合了时间关系的目标相似度矩阵。再根据目标相似度矩阵构建对应的音频特征图谱，然后对构建的音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界，最后根据分割边界对待处理音频进行分割，得到多个音频段。本公开中结合音频帧在频域特征上的相似度和音频帧在待处理音频中的时间顺序，以得到目标相似度矩阵，从而根据能够从频域、时域两个维度反映音频帧之间关联的目标相似度矩阵，确定用于对待处理音频进行分割的分割边界，能够提高音频分割的准确度和适应度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种音频处理方法的流程图；
图2是根据一示例性实施例示出的音频特征图谱的示意图；
图3是根据一示例性实施例示出的另一种音频处理方法的流程图；
图4是根据一示例性实施例示出的初始相似度矩阵的示意图；
图5是根据一示例性实施例示出的另一种音频处理方法的流程图；
图6是根据一示例性实施例示出的节拍时刻序列的示意图；
图7是根据一示例性实施例示出的另一种音频处理方法的流程图；
图8是根据一示例性实施例示出的目标相似度矩阵的示意图；
图9是根据一示例性实施例示出的另一种音频处理方法的流程图；
图10是根据一示例性实施例示出的另一种音频处理方法的流程图；
图11是根据一示例性实施例示出的初始音频段的示意图；
图12是根据一示例性实施例示出的一种音频处理装置的框图；
图13是根据一示例性实施例示出的另一种音频处理装置的框图；
图14是根据一示例性实施例示出的另一种音频处理装置的框图；
图15是根据一示例性实施例示出的另一种音频处理装置的框图；
图16是根据一示例性实施例示出的另一种音频处理装置的框图；
图17是根据一示例性实施例示出的另一种音频处理装置的框图；
图18是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种音频处理方法的流程图，如图1所示，该方法包括：
步骤101，提取待处理音频中每个音频帧的频域特征，并基于频域特征确定待处理音频对应的初始相似度矩阵。其中，初始相似度矩阵中包括了每两个音频帧在频域特征上的相似度。
举例来说，要对待处理音频进行分割，可以理解为将待处理音频划分为多个音频段，其中每个音频段中包括的是多个连续的音频帧，并且一个音频段中包括的音频帧之间具有相似的音乐结构(例如：属于同一段旋律)。首先，可以提取待处理音频中包括的每个音频帧的频域特征，频域特征可以理解为该音频帧在频域上的局部特征，频域特征例如可以是该音频帧在各音符频率处的振幅值。在得到每个音频帧的频域特征之后，可以基于频域特征构建初始相似度矩阵。初始相似度矩阵中包括了任意两个音频帧在频域特征上的相似度，能够反映待处理音频中，各个音频帧在频域上的关联。例如，可以根据每两个音频帧对应的两个频域特征，按照预设算法计算每两个音频帧在频域特征上的相似度。预设算法例如可以是高斯核函数，也可以是其他计算相似度的算法，本公开对此不作具体限定。进一步的，可以根据每两个音频帧在频域特征上的相似度，构建初始相似度矩阵。可以理解为，将每两个音频帧在频域特征上的相似度，填入初始相似度矩阵，初始相似度矩阵中第i行第j列的元素，表示的是待处理音频中第i个音频帧与第j个音频帧在频域特征上的相似度。第i个音频帧与第j个音频帧在频域特征上的相似度，与第j个音频帧与第i个音频帧在频域特征上的相似度是等价的，因此初始相似度矩阵为对称矩阵。
步骤102，获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合时间关系的目标相似度矩阵。其中，目标相似度矩阵中包括了每两个音频帧之间的目标相似度。
示例的，对于待处理音频中包括的各个音频帧，时间上临近的音频帧更有可能属于同一段旋律，也就是说时域上距离较短的音频帧天然相似。而初始相似度矩阵反映的是，待处理音频中各个音频帧在频域上的关联。因此，可以在初始相似度矩阵的基础上，先获取每个音频帧在待处理音频中的时间顺序，并按照得到的时间顺序对初始相似度矩阵中的每个元素进行修正，以得到目标相似度矩阵，其中包括了每两个音频帧之间的目标相似度。每两个音频帧之间的目标相似度，是根据该两个音频帧在频域特征上的相似度，和该两个音频帧在时域上的距离确定的，这样目标相似度矩阵在初始相似度矩阵的基础上，融合了时间关系，能够反映待处理音频帧中，各个音频帧在频域和时域上的关联。目标相似度矩阵中第i行第j列的元素，表示的是待处理音频中第i个音频帧与第j个音频帧之间的目标相似度。第i个音频帧与第j个音频帧之间的目标相似度，与第j个音频帧与第i个音频帧之间的目标相似度是等价的，因此目标相似度矩阵也为对称矩阵。
步骤103，根据目标相似度矩阵构建待处理音频对应的音频特征图谱。其中，音频特征图谱可以包括每个音频帧对应的节点，和任意两个节点之间的边，每个边用于表征该边两端的两个节点对应音频帧之间的目标相似度。
示例的，在得到目标相似度矩阵之后，可以根据目标相似度矩阵中包括的元素，和待处理音频中包括的全部音频帧，构建待处理音频对应的音频特征图谱。构建音频特征图谱的过程例如可以包括：按照待处理音频中包括的音频帧的数量，建立多个节点，每个节点对应一个音频帧。之后，以第一节点为音频特征图谱中的任一节点，第二节点为音频特征图谱中除第一节点之外的任一节点为例，可以先确定第一节点和第二节点对应的两个音频帧之间的目标相关度，然后按照目标相关度，在第一节点和第二节点之间建立边。具体的，可以将目标相关度作为该边的值，也可以用该边的宽度来表示目标相关度，即第一节点和第二节点对应的两个音频帧之间的相关度越大，该边的宽度越宽。进一步的，还可以设置一个相关度阈值(例如可以是0.3)，若目标相关度大于或等于相关度阈值，可以将目标相关度作为该边的值，若目标相关度小于相关度阈值，可以将0作为该边的值。以待处理音频中包括4个音频帧来举例，建立如图2所示的音频特征图谱，其中包括4个节点：节点a、节点b、节点c、节点d，分别对应第1个音频帧，第2个音频帧，第3个音频帧，第4个音频帧，还包括6个边：边ab、边ac、边ad、边bc、边bd、边cd，其中边ab的值为0.7，表示节点a与节点b(即第1个音频帧与第2个音频帧)之间的目标相关度，边ac的值为0.3，表示节点a和节点c(即第1个音频帧与第3个音频帧)之间的目标相关度，依次类推。
步骤104，对音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定待处理音频的多个分割边界。
步骤105，根据分割边界对待处理音频进行分割，以得到多个音频段。
示例的，在建立音频特征图谱之后，可以对音频特征图谱进行谱聚类，以得到谱聚类的结果：多个簇。对音频特征图谱进行谱聚类，可以理解为对音频特征图谱进行切图，让切图后的不同子图谱之间边权重和尽可能低，而子图谱内的边权重和尽可能高，这样得到的每个子图谱对应一个簇，每个簇中包括至少一个音频帧对应的节点，这些节点对应的音频帧在频域和时域两个维度上相似。具体的，首先可以根据目标相似度矩阵计算拉普拉斯矩阵，例如，拉普拉斯矩阵l＝d-w，其中，d表示音频特征图谱的度矩阵，w表示目标相似度矩阵。之后对得到的拉普拉斯矩阵进行标准化处理。进一步的，计算标准化处理后的拉普拉斯矩阵的特征值及特征向量。然后，将特征值进行排序，选取最小的预设数量个特征值，并对最小的预设数量个特征值的特征向量使用k-means进行聚类，得到预设数量个簇。
进一步的，由于每个簇中包括的节点对应的音频帧在频域和时域两个维度上相似，因此可以根据多个簇的聚类边界来确定多个分割边界。分割边界的数量可以与簇的数量相同，也可以不同。在得到分割边界之后，可以按照分割边界直接对待处理音频进行分割，以得到多个音频段。音频段的数量可以与分割边界的数量相同，也可以不同。
在一种实现方式中，可以先根据每个簇的聚类边界，确定该簇包括的中心节点。然后将根据每个簇包括的中心节点确定分割边界。例如，对音频特征图谱进行谱聚类之后，得到3个簇，分别根据3个簇的聚类边界确定对应3个中心节点，第一个簇的中心节点对应的音频帧在待处理音频中的时间顺序为1s，第二个簇的中心节点对应的音频帧在待处理音频中的时间顺序为5s，第三个簇的中心节点对应的音频帧在待处理音频中的时间顺序为10s，那么可以将1s至5s的中点3s作为一个分割边界，将5s至10s的中点7.5s作为一个分割边界，得到3s和7.5s共2个分割边界。若待处理音频的时长为16s，那么按照3s和7.5s对待处理音频进行分割，可以得到0s-3s、3s-7.5s、7.5s-16s，共3个音频段。
在另一种实现方式中，也可以直接根据每个簇的聚类边界确定分割边界。例如，第一个簇的聚类边界为0.2s至2.5s，第二个簇的聚类边界为2.6s至8.1s，第三个簇的聚类边界为聚类8.6s至12.8s。那么可以将2.5s至2.6s的中点2.55s作为一个分割边界，将8.1s至8.6s的重点8.35s作为一个分割边界，得到2.55s和8.35s共2个分割边界。若待处理音频的时长为16s，那么按照2.55s和8.35s对待处理音频进行分割，可以得到0s-2.55s、2.55s-8.35s、8.35s-16s，共3个音频段。
这样，由于目标相似度矩阵能够反映待处理音频帧中，各个音频帧在频域和时域上的关联，因此通过对目标相似度矩阵对应的音频特征图谱进行谱聚类，得到的簇中包括的节点对应的音频帧在频域和时域两个维度上相似，相应的根据簇确定的分割边界也能够将待处理音频按照频域和时域两个维度的关联进行分割。相比于仅按照局部特征的关联对音频进行分割的技术方案，或者仅考虑音频帧在时间上临近的技术方案，本公开能够综合考虑音频帧的频域特征的相似度，和音频帧在时间上的关联，能够有效提高音频分割的准确度和适应度。
综上所述，本公开首先提取待处理音频中每个音频帧的频域特征，并基于频域特征确定初始相似度矩阵，之后，获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合了时间关系的目标相似度矩阵。再根据目标相似度矩阵构建对应的音频特征图谱，然后对构建的音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界，最后根据分割边界对待处理音频进行分割，得到多个音频段。本公开中结合音频帧在频域特征上的相似度和音频帧在待处理音频中的时间顺序，以得到目标相似度矩阵，从而根据能够从频域、时域两个维度反映音频帧之间关联的目标相似度矩阵，确定用于对待处理音频进行分割的分割边界，能够提高音频分割的准确度和适应度。
图3是根据一示例性实施例示出的另一种音频处理方法的流程图，如图3所示，步骤101的实现方式可以包括：
步骤1011，按照cqt提取每个音频帧的频域特征。
步骤1012，根据每个音频帧的频域特征，确定每两个音频帧在频域特征上的相似度。
步骤1013，根据每两个音频帧在频域特征上的相似度，生成初始相似度矩阵，并对初始相似度矩阵进行平滑滤波。
举例来说，首先可以利用cqt(英文：constant-qtransform，中文：常数q变换)来提取每个音频帧的频域特征。由于cqt频谱的横轴频率基于log2为底，并且可以根据谱线频率的不同改变滤波窗的带宽，因此cqt与音阶频率的分布相同，可以直接得到音频帧在各音符频率处的振幅值，并作为该音频帧的频域特征。cqt对于低频的波，滤波窗的带宽十分小，有更高的频率分辨率来分解相近的音符，对于高频的波，滤波窗的带宽比较大，在高频有更高的时间分辨率来跟踪快速变化的泛音，因此获得的频域特征更加准确。例如，可以通过公式1来确定每个音频帧的频域特征：
其中，w[k,n]表示cqt中第k个窗函数(此处以hamming窗为例)中第n个音频帧对应的值，α为常数，例如可以为0.46，n[k]表示第k个窗函数的带宽(即第k个窗函数中包括的采样时刻的数量)，k表示cqt谱的频率序号。x[k]表示利用第k个窗函数对第n个音频帧进行滤波的结果，即第n个音频帧在第k个频率处的分量，x[n]表示第n个音频帧的振幅，q为cqt变换中的常数因子。
之后，可以根据步骤1011中求得的每个音频帧的频域特征，确定每两个音频帧在频域特征上的相似度。每两个音频帧在频域特征上的相似度，反映的是两个音频帧的频域特征之间的相似程度。然后将每两个音频帧在频域特征上的相似度，填入初始相似度矩阵，即将第i个音频帧与第j个音频帧在频域特征上的相似度，填入初始相似度矩阵中的第i行j列，得到的初始相似度矩阵可以如图4中的(a)所示，其中，横轴和纵轴均表示时间，每个点的深浅表示横轴坐标对应的音频帧，与纵轴坐标对应的音频帧在频域特征上的相似度。由于在提取待处理音频的频域特征，和计算相似度的过程中，不可避免地包含噪声，此时初始相似度矩阵中可能包含一些稀疏的、不连续的帧间的相似度。因此可以再对初始相似度矩阵进行平滑滤波(例如可以是中值滤波)，从而对噪声干扰产生的相似度进行抑制，例如，图4中的(a)经过平滑滤波处理后，如图4中的(b)所示。由于音频分割最终希望得到的是较长时间的音频段，而平滑滤波能够筛选掉稀疏的、不连续的帧间的相似度，能够进一步提高音频分割的准确度和适应度。
以下对步骤1012的实现方式进行具体说明，步骤1012可以通过以下步骤来实现：
步骤a)利用高斯核函数计算每两个音频帧的频域特征之间的第一相似度。
步骤b)按照预设的邻近算法确定每个音频帧在频域特征上对应的邻近音频帧。
步骤c)若第一音频帧属于第二音频帧对应的邻近音频帧，将第一音频帧的频域特征与第二音频帧的频域特征之间的第一相似度，作为第一音频帧与第二音频帧在频域特征上的相似度。若第一音频帧不属于第二音频帧对应的邻近音频帧，将第一音频帧与第二音频帧在频域特征上的相似度置零。
其中，第一音频帧与第二音频帧不同。也就是说第一音频帧为待处理音频中的任一音频帧，第二音频帧为待处理音频中除第一音频帧之外的任一音频帧。
在一种实现方式中，可以将两个音频帧的频域特征带入高斯核函数，计算得到该两个音频帧的频域特征之间的第一相似度。高斯核函数如公式二所示：
其中，
在一种应用方式中，可以直接将每两个音频帧的频域特征之间的第一相似度，作为每两个音频帧在频域特征上的相似度，以生成初始相似度矩阵。
在另一种应用方式中，可以先通过公式二，计算得到该两个音频帧的频域特征之间的第一相似度。之后，可以按照预设的邻近算法确定每个音频帧在频域特征上对应的邻近音频帧。邻近算法例如可以是knn(英文：k-nearestneighbor)算法，可以求得每个音频帧在频域特征上的k(例如可以是3)个邻近音频帧。最后，按照公式三确定每两个音频帧在频域特征上的相似度，以生成初始相似度矩阵：
其中，ri'j表示第i个音频帧与第j个音频帧在频域特征上的相似度，
图5是根据一示例性实施例示出的另一种音频处理方法的流程图，如图5所示，步骤105的实现方式可以包括：
步骤1051，提取待处理音频中对应的节拍时刻序列，节拍时刻序列包括待处理音频中的每个节拍对应的时刻。
步骤1052，针对每个分割边界，在节拍时刻序列中查找，对应的时刻与该分割边界之间的时间差最小的目标节拍。
步骤1053，按照每个分割边界对应的目标节拍对应的时刻，对待处理音频进行分割，以得到多个音频段。
示例的，经过步骤104得到的分割边界，是基于音频帧在频域和时域两个维度上的关联。在此基础上，还可以进一步结合待处理音频中的节拍，对待处理音频进行分割。由于节拍更加符合作曲原理和用户的听觉感受，因此，将分割边界与节拍相结合对待处理音频进行分割，更符合用户的听觉，能够进一步提高音频分割的准确度和适应度。
具体的，可以先提取包括了待处理音频中每个节拍对应的时刻的节拍时刻序列。例如，待处理音频的时长为60s，节拍时刻序列为：{0.5s，1s，1.5s，2s，2.5s，3s，3.5s，…，36.5s，37s，…，59.5s，60s}，其中包括了120个节拍，和每个节拍对应的时刻。然后在节拍时刻序列中查找与每个分割边界最接近的节拍，作为目标节拍(即目标节拍对应的时刻，与该分割边界的时间差最小)。最后，按照每个分割边界对应的目标节拍对应的时刻，对待处理音频进行分割，以得到第三数量个音频段。例如，分割边界为15.6s、27.4s、46.9s，那么15.6s与15.5s最接近，可以将15.5s对应的节拍作为目标节拍。27.4s与27.5s最接近，可以将27.5s对应的节拍作为目标节拍。46.9s与47s最接近，可以将47s对应的节拍作为目标节拍。然后，可以按照15.5s、27.5s和47s对待处理音频进行分割，可以得到0s-15.5s，15.5s-27.5s，27.5s-47s，47s-60s共4个音频段。
在一种应用场景中，步骤1051中的节拍时刻序列，可以通过以下步骤来得到：
步骤d)根据每个音频帧的短时能量，确定待处理音频中每个音符的起始点。
步骤e)根据每个音符的起始点，确定待处理音频的速度和节拍。
步骤f)根据每个音频帧的短时能量、待处理音频的速度和节拍，确定待处理音频中的每个节拍对应的时刻。
首先，可以分别计算每个音频帧的短时能量(即短时平均能量)，从而根据每个音频帧的短时能量，检测待处理音频中每个音符的起始点。可以根据任一种音符起始点检测(英文：onsetdetection)算法来检测起始点，本公开对此不作具体限定。之后可以根据每个音符的起始点，确定待处理音频的速度和节拍，例如速度为120，节拍为4/4拍。最后，可以根据每个音频帧的短时能量、待处理音频的速度和节拍，选择能量峰值作为每个节拍对应的时刻，以得到节拍时刻序列，其中，每个节拍均为能量峰值，并且满足待处理音频的速度和节拍所指示的规律。节拍时刻序列可以如图6所示，其中虚线所标识的时刻即为每个节拍对应的时刻，其中，横轴表示时间，纵轴表示能量。
图7是根据一示例性实施例示出的另一种音频处理方法的流程图，如图7所示，步骤102可以包括：
步骤1021，根据每个音频帧在待处理音频中的时间顺序，和每两个音频帧在频域特征上的相似度，确定每两个音频帧之间的目标相似度。
步骤1022，根据每两个音频帧之间的目标相似度，生成目标相似度矩阵。
举例来说，在初始相似度矩阵的基础上，可以再结合每个音频帧在待处理音频中的时间顺序对初始相似度矩阵中的每个元素进行修正，以得到目标相似度矩阵。具体的，可以根据该两个音频帧在频域特征上的相似度，和该两个音频帧在时域上的距离确定该两个音频帧的目标相似度。然后，将每两个音频帧在的目标相似度，填入目标相似度矩阵，即将第i个音频帧与第j个音频帧的目标相似度，填入目标相似度矩阵中的第i行j列，得到的目标相似度矩阵可以如图8所示，其中，横轴和纵轴均表示时间，每个点的深浅表示横轴坐标对应的音频帧，与纵轴坐标对应的音频帧的目标相似度。
在一种应用场景中，步骤1021的实现方式可以为：
若第一音频帧与第二音频帧的时间差小于预设的时间阈值，将第一音频帧与第二音频帧之间的目标相似度置为1。若第一音频帧与第二音频帧的时间差大于或等于时间阈值，将第一音频帧与第二音频帧在频域特征上的相似度，作为第一音频帧与第二音频帧之间的目标相似度。
其中，第一音频帧与第二音频帧不同。也就是说第一音频帧为待处理音频中的任一音频帧，第二音频帧为待处理音频中除第一音频帧之外的任一音频帧。
示例的，可以通过公式四确定每两个音频帧的目标相似度：
其中，ri'j'表示第i个音频帧与第j个音频帧的目标相似度，i-j表示第i个音频帧与第j个音频帧的时间差，n表示时间阈值，可以理解为帧间隔的数量，例如可以是为1(即第i个音频帧与第j个音频帧相邻时，δij为1，第i个音频帧与第j个音频帧不相邻时，δij为0)。
图9是根据一示例性实施例示出的另一种音频处理方法的流程图，如图9所示，步骤104可以包括：
步骤1041，针对每个簇，根据该簇中包括的多个音频帧对应的时间进行聚类，以得到该簇包括的至少一个时间簇。
步骤1042，将多个簇包括的时间簇，按照时间顺序进行排列。
步骤1043，根据每两个相邻的时间簇的聚类边界，确定多个分割边界。
举例来说，针对谱聚类得到的每个簇，可以先对该簇中包括的多个音频帧，按照对应的时间进行聚类，以得到该簇包括的至少一个时间簇。可以理解为，将该簇按照时间进行划分，得到至少一个时间簇。每个时间簇中至少包括一个音频帧，这些音频帧彼此的时间差都小于预设的时间半径(例如：2.5s)。可以先确定每个簇包括的全部时间簇中每个时间簇的中心时刻，然后按照每个时间簇的中心时刻的时间顺序，对全部时间簇进行排列。最后，根据每两个对应的中心时刻相邻的时间簇的聚类边界，确定多个分割边界。
以对音频特征图谱进行谱聚类之后，得到3个簇为例，第一个簇包括a时间簇和b时间簇，对应的中心时刻分别为2s和16s，第二个簇包括c时间簇，对应的中心时刻为7s，第三个簇包括d时间簇，对应的中心时刻为12s，共4个时间簇。a时间簇的聚类边界为0.6s-5.3s，b时间簇的聚类边界为14.9s-20.6s，c时间簇的聚类边界为5.9s-10.1s，d时间簇的聚类边界为10.7s-14s。按照中心时刻的时间顺序对4个时间簇进行排列，得到a时间簇-c时间簇-d时间簇-b时间簇，即a时间簇和c时间簇相邻，c时间簇和d时间簇相邻，d时间簇和b时间簇相邻。那么，可以将a时间簇和c时间簇的聚类边界的中点，即(5.3s 5.9s)/2＝5.6s作为一个分割边界，将c时间簇和d时间簇的聚类边界的中点，即(10.1s 10.7s)/2＝10.4s作为一个分割边界，将d时间簇和b时间簇的聚类边界的中点，即(14s 14.9s)＝14.45s作为一个分割边界。一共获得5.6s、10.4s、14.45s共3个分割边界。
图10是根据一示例性实施例示出的另一种音频处理方法的流程图，如图10所示，步骤105可以通过以下步骤来实现：
步骤1054，将多个分割边界按照时间顺序进行排列，并按照排序后的分割边界对待处理音频进行分割，以得到第一数量个初始音频段。
步骤1055，针对每个初始音频段，根据该初始音频段两端分别对应的两个分割边界，确定该初始音频段所属的目标时间簇，目标时间簇的聚类边界与目标时间簇之前的一个时间簇的聚类边界，确定了该初始音频段起始端对应的分割边界，目标时间簇的聚类边界与目标时间簇之后的一个时间簇的聚类边界，确定了该初始音频段结束端对应的分割边界。
举例来说，在对待处理音频进行分割时，除了直接按照分割边界对待处理音频进行分割的方式，还可以先按照分割边界对待处理音频进行分割，再依据分割结果与步骤104中得到的簇进行关联，以根据关联结果对分割结果进行合并。具体的，可以先将多个分割边界按照时间顺序进行排列，并按照排序后的分割边界对待处理音频进行分割，以得到第一数量个初始音频段，其中，第一数量＝分割边界的数量 1。初始音频段即为按照步骤104得到的分割边界直接对待处理音频进行分割得到的，可以理解为初始音频段中包括的音频帧属于同一段旋律。
之后，针对每个初始音频段，可以根据该初始音频段两端分别对应的两个分割边界，确定该初始音频段所属的目标时间簇。例如，待处理音频的时长为60s，对应2个簇为例，第一个簇包括e时间簇和f时间簇，对应的中心时刻分别为8s和29s，第二个簇包括g时间簇和h时间簇，对应的中心时刻为17s和43s，4个时间簇按照时间顺序排列即为：e时间簇-g时间簇-f时间簇-h时间簇。根据4个时间簇确定的分割边界为：12.5s、23s、36s，共3个分割边界。那么对应4(即第一数量)个初始音频段为：0s-12.5s，12.5s-23s，23s-36s，36s-60s。针对12.5s-23s的初始音频段，两端对应的分割边界为12.5s和23s，可以确定所属的目标时间簇为g时间簇，即g时间簇与e时间簇的聚类边界，确定了12.5s，g时间簇与f时间簇的聚类边界确定了23s。同样的，可以分别确定0s-12.5s所属的目标时间簇为e时间簇，23s-36s所属的目标时间簇为f时间簇，36s-60s所属的目标时间簇为h时间簇。
步骤1056，根据目标时间簇所属的目标簇，确定该初始音频段属于目标簇。
步骤1057，根据每个初始音频段所属的目标簇，对第一数量个初始音频段进行合并，以得到第二数量个音频段。其中，第一数量与第二数量可以相同，也可以不同。
示例的，分别确定每个初始音频段所属的目标时间簇后，可以根据目标时间簇所属的目标簇，为该初始音频段进行标记，例如可以为该初始音频段增加一个标签，以指示该初始音频段属于目标簇。例如：0s-12.5s属于e时间簇，e时间簇属于第一个簇，那么可以将0s-12.5s标记为x，以指示目标簇为第一个簇，可以将12.5s-23s标记为y，以指示目标簇为第二个簇，同样的，可以将23s-36s标记为x，将36s-60s标记为y。即4个初始音频段对应的标记为x-y-x-y。可以理解为，标记相同的初始音频段，同属于一个簇，也就是说标记相同的初始音频段之间具有相似的音乐结构，这样，可以通过标记的形式，显式输出每个初始音频段所属的音乐结构。
进一步的，还可以根据每个初始音频段所属的目标簇，得到每个初始音频段所具有的规律，从而可以对第一数量个初始音频段进行合并，以得到第二数量个音频段。其中，第二数量小于或等于第一数量。也就是说，结合每个初始音频段所属的音乐结构(即所属的目标簇)，可以得到第一数量个初始音频段的音乐结构之间的关系，从而根据具体需求对初始音频段进行合并。根据4个初始音频段对应的标记为x-y-x-y可以看出，待处理音频中，4个初始音频段是有规律重复的，即x-y这样的结构重复了2次，可以将x-y理解为一个小节。那么，可以将0s-12.5s与12.5s-23s进行合并，得到0s-23s作为一个音频段，并将23s-36s与36s-60s进行合并，得到23s-60s作为一个音频段。
再比如，以待处理音频对应8个分割边界为例，待处理音频对应的频谱图如图11所示，其中横轴表示时间，纵轴表示频率。按照步骤1054中分割得到9(即第一数量)个初始音频段，如图11中的虚线划分所示。按照每个初始音频段所属的目标簇进行标记，得到：a1-b1-a1-b1-c1-d1-c1-d1-e1，其中，a1-b1这样的结构重复了2次，c1-d1这样的结构也重复了2次。那么可以将a1-b1看作一个小节，c1-d1看作一个小节进行合并，即得到(a1-b1)-(a1-b1)-(c1-d1)-(c1-d1)-e1，共5(即第二数量)个音频段。还可以将a1-b1-a1-b1看作一个小节，c1-d1-c1-d1看作一个小节进行合并，即得到(a1-b1-a1-b1)-(c1-d1-c1-d1)-e1，共3(即第二数量)个音频段。这样，在得到初始音频段的基础上，还可以结合初始音频段的音乐结构之间的关系，再对初始音频段进行合并，进一步提高了音频分割的灵活度。
需要说明的是，在得到第二数量个音频段之后，可以按照具体的需求将各个音频段与不同视频段进行匹配。例如，可以根据每个音频段的时长，和每个视频段的时长来进行匹配，将时长最接近的音频段和视频段进行融合。还可以为每个音频段增加一个内容标签(或者情感标签)，将内容标签(或者情感标签)匹配的音频段和视频段进行融合。
综上所述，本公开首先提取待处理音频中每个音频帧的频域特征，并基于频域特征确定初始相似度矩阵，之后，获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合了时间关系的目标相似度矩阵。再根据目标相似度矩阵构建对应的音频特征图谱，然后对构建的音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界，最后根据分割边界对待处理音频进行分割，得到多个音频段。本公开中结合音频帧在频域特征上的相似度和音频帧在待处理音频中的时间顺序，以得到目标相似度矩阵，从而根据能够从频域、时域两个维度反映音频帧之间关联的目标相似度矩阵，确定用于对待处理音频进行分割的分割边界，能够提高音频分割的准确度和适应度。
图12是根据一示例性实施例示出的一种音频处理装置的框图，如图12所示，该装置200包括：
第一确定模块201，用于提取待处理音频中每个音频帧的频域特征，并基于频域特征确定待处理音频对应的初始相似度矩阵。
第二确定模块202，用于获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合时间关系的目标相似度矩阵。
图谱构建模块203，用于根据目标相似度矩阵构建待处理音频对应的音频特征图谱。
聚类模块204，用于对音频特征图谱进行谱聚类，得到多个簇，并根据多个簇确定多个分割边界。
分割模块205，用于根据分割边界对待处理音频进行分割，以得到多个音频段。
图13是根据一示例性实施例示出的另一种音频处理装置的框图，如图13所示，第一确定模块201可以包括：
提取子模块2011，用于按照cqt提取每个音频帧的频域特征。
第一确定子模块2012，用于根据每个音频帧的频域特征，确定每两个音频帧在频域特征上的相似度。
第一生成子模块2013，用于根据每两个音频帧在频域特征上的相似度，生成初始相似度矩阵，并对初始相似度矩阵进行平滑滤波。
在一种应用场景中，第一确定子模块2012用于执行以下步骤：
步骤a)利用高斯核函数计算每两个音频帧的频域特征之间的第一相似度。
步骤b)按照预设的邻近算法确定每个音频帧在频域特征上对应的邻近音频帧。
步骤c)若第一音频帧属于第二音频帧对应的邻近音频帧，将第一音频帧的频域特征与第二音频帧的频域特征之间的第一相似度，作为第一音频帧与第二音频帧在频域特征上的相似度。若第一音频帧不属于第二音频帧对应的邻近音频帧，将第一音频帧与第二音频帧在频域特征上的相似度置零。
其中，第一音频帧与第二音频帧不同。
图14是根据一示例性实施例示出的另一种音频处理装置的框图，如图14所示，分割模块205可以包括：
序列提取子模块2051，用于提取待处理音频中对应的节拍时刻序列，节拍时刻序列包括待处理音频中的每个节拍对应的时刻。
查找子模块2052，用于针对每个分割边界，在节拍时刻序列中查找，对应的时刻与该分割边界之间的时间差最小的目标节拍。
分割子模块2053，用于按照每个分割边界对应的目标节拍对应的时刻，对待处理音频进行分割，以得到多个音频段。
在一种应用场景中，序列提取子模块2051可以用于执行以下步骤：
步骤d)根据每个音频帧的短时能量，确定待处理音频中每个音符的起始点。
步骤e)根据每个音符的起始点，确定待处理音频的速度和节拍。
步骤f)根据每个音频帧的短时能量、待处理音频的速度和节拍，确定待处理音频中的每个节拍对应的时刻。
图15是根据一示例性实施例示出的另一种音频处理装置的框图，如图15所示，第二确定模块202可以包括：
第二确定子模块2021，用于根据每个音频帧在待处理音频中的时间顺序，和每两个音频帧在频域特征上的相似度，确定每两个音频帧之间的目标相似度。
第二生成子模块2022，用于根据每两个音频帧之间的目标相似度，生成目标相似度矩阵。
在一种应用场景中，第二确定子模块2021可以用于：
若第一音频帧与第二音频帧的时间差小于预设的时间阈值，将第一音频帧与第二音频帧之间的目标相似度置为1。若第一音频帧与第二音频帧的时间差大于或等于时间阈值，将第一音频帧与第二音频帧在频域特征上的相似度，作为第一音频帧与第二音频帧之间的目标相似度。
其中，第一音频帧与第二音频帧不同。
图16是根据一示例性实施例示出的另一种音频处理装置的框图，如图16所示，聚类模块204可以包括：
聚类子模块2041，用于针对每个簇，根据该簇中包括的多个音频帧对应的时间进行聚类，以得到该簇包括的至少一个时间簇。
排列子模块2042，用于将多个簇包括的时间簇，按照时间顺序进行排列。
第三确定子模块2043，用于根据每两个相邻的时间簇的聚类边界，确定多个分割边界。
图17是根据一示例性实施例示出的另一种音频处理装置的框图，如图17所示，分割模块205可以包括：
初始分割子模块2054，用于将多个分割边界按照时间顺序进行排列，并按照排序后的分割边界对待处理音频进行分割，以得到第一数量个初始音频段。
第四确定子模块2055，用于针对每个初始音频段，根据该初始音频段两端分别对应的两个分割边界，确定该初始音频段所属的目标时间簇，目标时间簇的聚类边界与目标时间簇之前的一个时间簇的聚类边界，确定了该初始音频段起始端对应的分割边界，目标时间簇的聚类边界与目标时间簇之后的一个时间簇的聚类边界，确定了该初始音频段结束端对应的分割边界。
第五确定子模块2056，用于根据目标时间簇所属的目标簇，确定该初始音频段属于目标簇。
合并子模块2057，用于根据每个初始音频段所属的目标簇，对第一数量个初始音频段进行合并，以得到第二数量个音频段。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先提取待处理音频中每个音频帧的频域特征，并基于频域特征确定初始相似度矩阵，之后，获取每个音频帧在待处理音频中的时间顺序，按照时间顺序修正初始相似度矩阵，以得到融合了时间关系的目标相似度矩阵。再根据目标相似度矩阵构建对应的音频特征图谱，然后对构建的音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界，最后根据分割边界对待处理音频进行分割，得到多个音频段。本公开中结合音频帧在频域特征上的相似度和音频帧在待处理音频中的时间顺序，以得到目标相似度矩阵，从而根据能够从频域、时域两个维度反映音频帧之间关联的目标相似度矩阵，确定用于对待处理音频进行分割的分割边界，能够提高音频分割的准确度和适应度。
下面参考图18，其示出了适于用来实现本公开实施例的电子设备(例如本公开所示实施例中的执行主体，可以是终端设备，也可以是服务器)300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图18示出的电子设备仅仅是一个示例，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18所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储装置308加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、rom302以及ram303通过总线304彼此相连。输入/输出(i/o)接口305也连接至总线304。
通常，以下装置可以连接至i/o接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图18示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在非暂态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装置309从网络上被下载和安装，或者从存储装置308被安装，或者从rom302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开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。在本公开中，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。而在本公开中，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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：提取待处理音频中每个音频帧的频域特征，并基于所述频域特征确定所述待处理音频对应的初始相似度矩阵；获取每个所述音频帧在所述待处理音频中的时间顺序，按照所述时间顺序修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵；根据所述目标相似度矩阵构建所述待处理音频对应的音频特征图谱；对所述音频特征图谱进行谱聚类，得到多个簇，并根据多个所述簇的聚类边界确定所述待处理音频的多个分割边界；根据所述分割边界对所述待处理音频进行分割，以得到多个音频段。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一确定模块还可以被描述为“确定初始相似度矩阵的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种音频处理方法，包括：提取待处理音频中每个音频帧的频域特征，并基于所述频域特征确定所述待处理音频对应的初始相似度矩阵；获取每个所述音频帧在所述待处理音频中的时间顺序，按照所述时间顺序修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵；根据所述目标相似度矩阵构建所述待处理音频对应的音频特征图谱；对所述音频特征图谱进行谱聚类，得到多个簇，并根据多个所述簇的聚类边界确定所述待处理音频的多个分割边界；根据所述分割边界对所述待处理音频进行分割，以得到多个音频段。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述提取待处理音频中每个音频帧的频域特征，包括：按照cqt提取每个所述音频帧的频域特征；所述基于所述频域特征确定所述待处理音频对应的初始相似度矩阵，包括：根据每个所述音频帧的频域特征，确定每两个所述音频帧在频域特征上的相似度；根据每两个所述音频帧在频域特征上的相似度，生成所述初始相似度矩阵，并对所述初始相似度矩阵进行平滑滤波。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述根据每个所述音频帧的频域特征，确定每两个所述音频帧在频域特征上的相似度，包括：利用高斯核函数计算每两个所述音频帧的频域特征之间的第一相似度；按照预设的邻近算法确定每个所述音频帧在频域特征上对应的邻近音频帧；若第一音频帧属于第二音频帧对应的所述邻近音频帧，将所述第一音频帧的频域特征与所述第二音频帧的频域特征之间的第一相似度，作为所述第一音频帧与所述第二音频帧在频域特征上的相似度；若所述第一音频帧不属于所述第二音频帧对应的所述邻近音频帧，将所述第一音频帧与所述第二音频帧在频域特征上的相似度置零；其中，所述第一音频帧与所述第二音频帧不同。
根据本公开的一个或多个实施例，示例4提供了示例1的方法，所述根据所述分割边界对所述待处理音频进行分割，以得到多个音频段，包括：提取所述待处理音频中对应的节拍时刻序列，所述节拍时刻序列包括所述待处理音频中的每个节拍对应的时刻；针对每个所述分割边界，在所述节拍时刻序列中查找，对应的时刻与该分割边界之间的时间差最小的目标节拍；按照每个所述分割边界对应的所述目标节拍对应的时刻，对所述待处理音频进行分割，以得到多个所述音频段。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述提取所述待处理音频中对应的节拍时刻序列，包括：根据每个所述音频帧的短时能量，确定所述待处理音频中每个音符的起始点；根据每个所述音符的起始点，确定所述待处理音频的速度和节拍；根据每个所述音频帧的短时能量、所述待处理音频的速度和节拍，确定所述待处理音频中的每个节拍对应的时刻。
根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述按照所述时间顺序，修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵，包括：根据每个所述音频帧在所述待处理音频中的时间顺序，和每两个所述音频帧在频域特征上的相似度，确定每两个所述音频帧之间的目标相似度；根据每两个所述音频帧之间的目标相似度，生成所述目标相似度矩阵。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据每个所述音频帧在所述待处理音频中的时间顺序，和每两个所述音频帧在频域特征上的相似度，确定每两个所述音频帧之间的目标相似度，包括：若第一音频帧与第二音频帧的时间差小于预设的时间阈值，将所述第一音频帧与所述第二音频帧之间的目标相似度置为1；若第一音频帧与第二音频帧的时间差大于或等于所述时间阈值，将所述第一音频帧与所述第二音频帧在频域特征上的相似度，作为所述第一音频帧与所述第二音频帧之间的目标相似度；其中，所述第一音频帧与所述第二音频帧不同。
根据本公开的一个或多个实施例，示例8提供了示例1的方法，所述根据多个所述簇的聚类边界确定所述待处理音频的多个分割边界，包括：针对每个所述簇，根据该簇中包括的多个音频帧对应的时间进行聚类，以得到该簇包括的至少一个时间簇；将多个所述簇包括的所述时间簇，按照时间顺序进行排列；根据每两个相邻的所述时间簇的聚类边界，确定多个所述分割边界。
根据本公开的一个或多个实施例，示例9提供了示例8的方法，所述根据所述分割边界对所述待处理音频进行分割，以得到多个音频段，包括：将多个所述分割边界按照时间顺序进行排列，并按照排序后的所述分割边界对所述待处理音频进行分割，以得到第一数量个初始音频段；针对每个所述初始音频段，根据该初始音频段两端分别对应的两个分割边界，确定该初始音频段所属的目标时间簇，所述目标时间簇的聚类边界与所述目标时间簇之前的一个时间簇的聚类边界，确定了该初始音频段起始端对应的分割边界，所述目标时间簇的聚类边界与所述目标时间簇之后的一个时间簇的聚类边界，确定了该初始音频段结束端对应的分割边界；根据所述目标时间簇所属的目标簇，确定该初始音频段属于所述目标簇；根据每个所述初始音频段所属的所述目标簇，对第一数量个所述初始音频段进行合并，以得到第二数量个所述音频段。
根据本公开的一个或多个实施例，示例10提供了一种音频处理装置，包括：第一确定模块，用于提取待处理音频中每个音频帧的频域特征，并基于所述频域特征确定所述待处理音频对应的初始相似度矩阵；第二确定模块，用于获取每个所述音频帧在所述待处理音频中的时间顺序，按照所述时间顺序修正所述初始相似度矩阵，以得到融合时间关系的目标相似度矩阵；图谱构建模块，用于根据所述目标相似度矩阵构建所述待处理音频对应的音频特征图谱；聚类模块，用于对所述音频特征图谱进行谱聚类，得到多个簇，并根据多个簇的聚类边界确定多个分割边界；分割模块，用于根据所述分割边界对所述待处理音频进行分割，以得到多个音频段。
根据本公开的一个或多个实施例，示例11提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例9中所述方法的步骤。
根据本公开的一个或多个实施例，示例12提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例9中所述方法的步骤。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
