一种基于虚拟现实的多通道音频流分流处理方法与流程

1.本技术涉及音频数据处理技术领域，具体而言，涉及一种基于虚拟现实的多通道音频流分流处理方法。


背景技术：

2.近年来，由于虚拟现实技术在影视业的广泛应用，在影视娱乐市场中的影响力非常大，此体验馆可以让观影者体会到置身于真实场景之中的感觉，让体验者沉浸在影片所创造的虚拟环境之中。同时，随着虚拟现实技术的不断创新，虚拟现实技术具体与音频流分流处理技术结合时，可能存在音频信息异常的问题，这样一来，可能干扰音频流。从而难以确保音频分流处理结果的置信度。


技术实现要素：

3.为改善相关技术中存在的技术问题，本技术提供了一种基于虚拟现实的多通道音频流分流处理方法。
4.第一方面，提供一种基于虚拟现实的多通道音频流分流处理方法，所述方法至少包括：获得参考音频交互数据和所述参考音频交互数据对应的待处理音频数据文本；通过配置后的用于进行文本训练的参考智能优化线程，对所述待处理音频数据文本和所述参考音频交互数据进行特征提取处理，确定音频特征文件；其中，所述音频特征文件用于表示所述待处理音频数据文本对应的音频种类信息和/或音频异常信息；通过所述参考智能优化线程和所述音频特征文件，对所述待处理音频数据文本进行分流处理，得到音频分流处理结果。
5.在一种独立实施的实施例中，所述通过所述参考智能优化线程和所述音频特征文件，对所述待处理音频数据文本进行分流处理，得到音频分流处理结果，包括：通过所述参考智能优化线程对所述音频特征文件和所述待处理音频数据文本进行特征提取处理，确定参考数据流特征集；其中，所述参考数据流特征集用于清洗所述待处理音频数据文本中的音频种类信息，和/或，用于识别所述待处理音频数据文本中的音频异常信息；通过所述参考数据流特征集对所述待处理音频数据文本进行分流处理，生成所述音频分流处理结果。
6.在一种独立实施的实施例中，所述通过所述参考智能优化线程对所述音频特征文件和所述待处理音频数据文本进行特征提取处理，确定参考数据流特征集，包括：通过所述参考智能优化线程对所述音频特征文件和所述待处理音频数据文本进行特征提取处理，确定若干个不同音色的第一数据流特征集；将第一音色的第一数据流特征集确定为待处理数据流特征集，对所述待处理数据流特征集进行识别处理，确定第二数据流特征集；其中，所述识别处理包括特征提取处理和/或特征衍生处理；结合所述第二数据流特征集和与所述第二数据流特征集音色相同的第一数据流特征集，确定第三数据流特征集；将所述第三数据流特征集确定为优化后的待处理数据流特征集，反馈至对所述待处理数据流特征集进行识别处理，确定第二数据流特征集的步骤，直到确定的所述第三数据流特征集的音色与第
一数据流特征集对应的第二音色相同，并将第二音色对应的第三数据流特征集确定为所述参考数据流特征集。
7.在一种独立实施的实施例中，根据下述步骤配置所述参考智能优化线程：获得配置范例，其中，所述配置范例中包括范例音频交互数据、范例音频交互数据对应的第一音频数据文本和第二音频数据文本，第一音频数据文本的准确性超过第二音频数据文本的准确性；通过所述配置范例，配置待配置智能优化线程，得到所述参考智能优化线程。
8.在一种独立实施的实施例中，在所述配置范例还包括范例音频交互数据对应的范例数字信号集和范例模拟信号集，所述参考智能优化线程中包括多个音色识别线程和噪音优化线程的基础上，所述通过所述配置范例，配置待配置智能优化线程，得到所述参考智能优化线程，包括：将所述第二音频数据文本和所述范例音频交互数据，加载至所述多个音色识别线程中，得到所述范例音频交互数据对应的评估音频特征文件、评估模拟信号集、和评估数字信号集；将所述评估音频特征文件和所述第二音频数据文本加载至所述噪音优化线程中，生成所述评估音频数据文本；结合所述评估模拟信号集与所述范例模拟信号集、所述评估数字信号集与所述范例数字信号集、所述评估音频数据文本与所述第一音频数据文本、所述评估音频数据文本与所述第二音频数据文本中的不少于一种文本信息，配置所述待配置智能优化线程，得到所述参考智能优化线程。
9.在一种独立实施的实施例中，所述结合所述评估模拟信号集与所述范例模拟信号集、所述评估数字信号集与所述范例数字信号集、所述评估音频数据文本与所述第一音频数据文本、所述评估音频数据文本与所述第二音频数据文本中的不少于一种文本信息，配置所述待配置智能优化线程，得到所述参考智能优化线程，包括：结合所述评估音频数据文本和所述第一音频数据文本，确定用于表示音频异常信息误差的第一量化评估向量、和用于表示误差许可的第二量化评估向量；结合所述评估模拟信号集和所述范例模拟信号集，确定用于表示语义信息误差的第三量化评估向量；结合所述评估数字信号集和所述范例数字信号集，确定用于表示法向信息误差的第四量化评估向量；以及基于第二音频数据文本和所述评估音频数据文本，确定用于表示无效的第五量化评估向量；结合所述第一量化评估向量、第二量化评估向量、第三量化评估向量、第四量化评估向量、以及所述第五量化评估向量中的至少一种量化评估向量，确定参考量化评估向量；结合所述参考量化评估向量，配置所述待配置智能优化线程，得到所述参考智能优化线程。
10.在一种独立实施的实施例中，在所述参考量化评估向量包括第四量化评估向量的基础上，所述结合所述评估数字信号集和所述范例数字信号集，确定用于表示法向信息误差的第四量化评估向量，包括：结合所述评估数字信号集和所述范例数字信号集，生成所述评估数字信号集中各个第一音频波形的第一离散信息、与所述范例数字信号集中和所述第一音频波形关联的第二音频波形的第二离散信息之间的关联关系；通过每个所述第一音频波形分别对应的所述关联关系、以及所述第一音频波形的数目，生成所述第四量化评估向量。
11.在一种独立实施的实施例中，在所述参考量化评估向量包括第二量化评估向量的基础上，所述结合所述评估音频数据文本和所述第一音频数据文本，确定用于表示误差许可的第二量化评估向量，包括：生成所述评估音频数据文本中各个音频波形在第一维度上的第一特征和在第二维度上的第二特征；以及生成所述第一音频数据文本中各个音频波形
在第一维度上的第三特征和在第二维度上的第四特征；结合所述评估音频数据文本中各个第三音频波形分别对应的所述第一特征和所述第二特征，以及所述第一音频数据文本中与所述第三音频波形关联的第四音频波形对应的所述第三特征和所述第四特征，生成所述第二量化评估向量。
12.在一种独立实施的实施例中，在所述参考量化评估向量包括第五量化评估向量的基础上，所述基于第二音频数据文本和所述评估音频数据文本，确定用于表示无效的第五量化评估向量，包括：通过配置后的特征提取处理线程，分别对所述评估音频数据文本和所述第二音频数据文本进行特征提取处理，生成所述评估音频数据文本对应的第一参考数据流特征集、和所述第二音频数据文本对应的第二参考数据流特征集；结合所述第一参考数据流特征集和所述第二参考数据流特征集，生成所述第五量化评估向量。
13.本技术实施例所提供的一种基于虚拟现实的多通道音频流分流处理方法，通过生成参考数据流特征集，该参考数据流特征集能够清洗待处理音频数据文本中的音频种类信息和/或能够识别出待处理音频数据文本中的音频异常信息，在通过参考数据流特征集对待处理音频数据文本进行分流处理，将待处理音频数据文本中存在异常的信息准确地分离出来，这样一来，能够确保音频分流处理结果的置信度。
附图说明
14.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
15.图1为本技术实施例所提供的一种基于虚拟现实的多通道音频流分流处理方法的流程图。
具体实施方式
16.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
17.请参阅图1，示出了一种基于虚拟现实的多通道音频流分流处理方法，该方法可以包括以下步骤s101-s103所描述的技术方案。
18.s101，获得参考音频交互数据和参考音频交互数据对应的待处理音频数据文本。
19.s102，通过配置后的用于进行文本训练的参考智能优化线程，对待处理音频数据文本和参考音频交互数据进行特征提取处理，确定音频特征文件；其中，音频特征文件用于表示待处理音频数据文本对应的音频种类信息和/或音频异常信息。
20.s103，通过参考智能优化线程和音频特征文件，对待处理音频数据文本进行分流处理，得到音频分流处理结果。
21.可以理解的是，通过通过参考智能优化线程，对待处理音频数据文本和参考音频交互数据进行特征提取处理，确定音频特征文件，该音频特征文件可以用于表示待处理音
频数据文本中包含的音频种类信息和/或音频异常信息，进而可以通过参考智能优化线程和音频特征文件，对待处理音频数据文本进行分流处理，譬如，可以清洗待处理音频数据文本中的音频种类信息，和/或识别待处理音频数据文本中异常的音频异常信息，得到准确性较高的音频分流处理结果。
22.以下对s101-s103进行进一步的限定。
23.在s101中，参考音频交互数据可以为实时场景中的随机一种音频交互数据，其中，参考音频交互数据可以为第一音频交互数据，也可以为第二音频交互数据。
24.这样一来，待处理音频数据文本与参考音频交互数据为关联后的音频交互数据。
25.在s102和s103中，参考深度线程可以包括多个音色识别线程和噪音优化线程，可以将待处理音频数据文本和参考音频交互数据视确定为多个维度的第一音频交互数据，通过参考智能优化线程中的多个音色识别线程对第一音频交互数据进行特征提取处理，确定音频特征文件。其中音频特征文件用于表示待处理音频数据文本对应的音频种类信息和/或音频异常信息。再可以将音频特征文件和待处理音频数据文本视确定为多个维度的第二音频交互数据，使用参考智能优化线程中的噪音优化线程对第二音频交互数据进行特征提取处理，得到分流处理后的音频分流处理结果。
26.在一种可能实施的实施例中，在s103中，通过参考智能优化线程和音频特征文件，对待处理音频数据文本进行分流处理，得到音频分流处理结果，具体可以包括以下步骤。
27.s1031，通过参考智能优化线程对音频特征文件和待处理音频数据文本进行特征提取处理，确定参考数据流特征集；其中，参考数据流特征集用于清洗待处理音频数据文本中的音频种类信息，和/或，用于识别待处理音频数据文本中的音频异常信息。
28.s1032，通过参考数据流特征集对待处理音频数据文本进行分流处理，确定音频分流处理结果。
29.可以理解的是，通过生成参考数据流特征集，该参考数据流特征集能够清洗待处理音频数据文本中的音频种类信息和/或能够识别出待处理音频数据文本中的音频异常信息，在通过参考数据流特征集对待处理音频数据文本进行分流处理，将待处理音频数据文本中存在异常的信息准确地分离出来，这样一来，能够确保音频分流处理结果的置信度。
30.在s1031中，可以通过参考智能优化线程中的噪音优化线程对音频特征文件和待处理音频数据文本进行特征提取处理，确定参考数据流特征集。
31.在一种可能实施的实施例中，在s1031中，通过参考智能优化线程对音频特征文件和待处理音频数据文本进行特征提取处理，确定参考数据流特征集，可以包括步骤a1-步骤a4所描述的内容。
32.步骤a1，通过参考智能优化线程对音频特征文件和待处理音频数据文本进行特征提取处理，确定若干个不同音色的第一数据流特征集。
33.步骤a2，将第一音色的第一数据流特征集确定为待处理数据流特征集，对待处理数据流特征集进行识别处理，确定第二数据流特征集；其中，所述识别处理包括特征提取处理和/或特征衍生处理。
34.步骤a3，基于第二数据流特征集和与第二数据流特征集音色相同的第一数据流特征集，确定第三数据流特征集。
35.步骤a4，将第三数据流特征集确定为优化后的待处理数据流特征集，反馈至对待
处理数据流特征集进行识别处理，确定第二数据流特征集的步骤，直到确定的第三数据流特征集的音色与第一数据流特征集对应的第二音色相同，并将第二音色对应的第三数据流特征集确定为参考数据流特征集。
36.进一步地，可以将音频特征文件和待处理音频数据文本视确定为多个维度的第二音频交互数据，使用参考智能优化线程中的噪音优化线程对第二音频交互数据进行特征提取处理，得到第一音色的第一数据流特征集，再可以对第一音色的第一数据流特征集进行特征提取处理，得到第二音色的第一数据流特征集，可以得到若干个不同音色的第一数据流特征集。譬如，可以通过特征提取单元执行特征提取处理过程。
37.举例而言，若干个不同音色的第一数据流特征集可以包括第一音色的第一数据流特征集、第二音色的第一数据流特征集、第三音色的第一数据流特征集，其中，第一音色超过第二音色，第二音色超过第三音色。
38.进一步地，可以将第三音色的第一数据流特征集（即第一音色的第一数据流特征集）确定为待处理数据流特征集，对待处理数据流特征集（即第三音色的第一数据流特征集）进行识别处理（譬如，可以通过特征提取单元进行特征提取处理，或者，也可以通过衍生单元进行特征衍生处理），确定第一次处理后的第二数据流特征集，此时第一次处理后的第二数据流特征集的音色可以为第三音色。再可以将第一次处理后的第二数据流特征集和与第二数据流特征集音色相同的第一数据流特征集（这里为第三音色的第一数据流特征集）进行拼接，确定第一次处理后的第三数据流特征集。其中，第一次处理后的第三数据流特征集的音色可以为第三音色。
39.譬如，可以将第一次处理后的第二数据流特征集（即第三音色的第二数据流特征集）和第三音色的第一数据流特征集进行关联，确定第一次处理后的第三数据流特征集；或者，可以将第三音色的第二数据流特征集和第三音色的第一数据流特征集进行关联，并对关联后的数据流特征集进行特征提取处理，确定第一次处理后的第三数据流特征集；再或者，也可以确定第三音色的第二数据流特征集与第三音色的第一数据流特征集中相同特征定位处特征向量的比较结果，得到异常数据流特征集，将该异常数据流特征集确定为第一次处理后的第三数据流特征集。
40.再可以将第一次处理后的第三数据流特征集确定为优化后的待处理数据流特征集，对优化后的待处理数据流特征集进行识别处理（譬如识别处理可以包括特征提取处理和/或特征衍生处理处理），确定第二次处理后的第二数据流特征集，此时，第二次处理后的第二数据流特征集的音色可以为第二音色。进而可以基于第二次处理后的第二数据流特征集和第二音色的第一数据流特征集进行拼接，确定第二次处理后的第三数据流特征集。其中，第二次处理后的第三数据流特征集的音色可以为第二音色。
41.进而可以将第二次处理后的第三数据流特征集确定为优化后的待处理数据流特征集，对优化后的待处理数据流特征集进行识别处理，确定第三次处理后的第二数据流特征集，此时，第三次处理后的第二数据流特征集的音色可以为第一音色。进而可以基于第三次处理后的第二数据流特征集和第一音色的第一数据流特征集进行拼接，确定第三次处理后的第三数据流特征集。其中，第三次处理后的第三数据流特征集的音色可以为第一音色。可知第一音色为第一数据流特征集对应的第二音色，则将第二音色对应的第三数据流特征集确定为参考数据流特征集，即将第一音色的第三数据流特征集确定为参考数据流特征
集。
42.举例而言，在生成若干个不同音色的第一数据流特征集之后，还可以将第一音色（第三音色）的第一数据流特征集进行识别处理，确定第二音色的第二数据流特征集；再可以将第二音色的第二数据流特征集与第二音色的第一数据流特征集关联，将关联后的第二音色的数据流特征集进行特征提取处理，确定第一音色的第二数据流特征集，再可以将第一音色的第二数据流特征集与第一音色的第一数据流特征集关联，将关联后的第一音色的数据流特征集进行特征提取处理，确定第一音色的第二数据流特征集，该第一音色（第二音色）的第二数据流特征集可以为参考数据流特征集。
43.在s1032中，可以将参考数据流特征集与待处理音频数据文本进行特征拼接，确定音频分流处理结果。或者，也可以对参考数据流特征集进行至少一次特征提取处理，将至少一次特征提取处理后的数据流特征集与待处理音频数据文本进行特征拼接，确定音频分流处理结果。譬如，特征拼接的过程可以为将参考数据流特征集与待处理音频数据文本中相同特征定位处的特征向量加权处理；或者，也可以将参考数据流特征集与待处理音频数据文本进行关联，通过特征提取单元对关联后的数据流特征集进行特征提取处理等。
44.对基于虚拟现实的多通道音频流分流处理方法进行进一步的解释，将待处理音频数据文本和参考音频交互数据加载至参考智能优化线程的多个音色识别线程中，多个音色识别线程中的特征提取处理架构对待处理音频数据文本和参考音频交互数据进行特征提取处理，确定第二中间数据流特征集，将第二中间数据流特征集加载至音频特征文件对应的第一检验子线程中，得到音频特征文件。其中，在参考智能优化线程的配置过程中，还可以包括模拟信号集对应的第二检验子线程和数字信号集对应的第三检验子线程。
45.在一种可能实施的实施例中，可以根据下述步骤配置参考智能优化线程。
46.步骤b1，获得配置范例，其中，配置范例中包括范例音频交互数据、范例音频交互数据对应的第一音频数据文本和第二音频数据文本，第一音频数据文本的准确性超过第二音频数据文本的准确性。
47.步骤b2，通过配置范例，配置待配置智能优化线程，得到参考智能优化线程。
48.其中，范例音频交互数据可以为第二音频交互数据或者第一音频交互数据，范例音频交互数据对应的第一音频数据文本和第二音频数据文本，其中，第一音频数据文本的准确性超过第二音频数据文本的准确性，即第二音频数据文本可以视确定为第一音频数据文本的实时数据。
49.这里范例音频交互数据中还可以包括范例音频交互数据对应的范例数字信号集和范例模拟信号集。
50.举例而言，可以将范例音频交互数据加载至配置后的智能区分线程中，得到范例音频交互数据对应的范例模拟信号集。
51.在一种可能实施的实施例中，在配置范例还包括范例音频交互数据对应的范例数字信号集和范例模拟信号集，参考智能优化线程中包括多个音色识别线程和噪音优化线程的基础上，步骤b2，通过配置范例，配置待配置智能优化线程，得到参考智能优化线程，具体可以包括以下内容。
52.步骤b21，将第二音频数据文本和范例音频交互数据，加载至多个音色识别线程中，得到范例音频交互数据对应的评估音频特征文件、评估模拟信号集、和评估数字信号
集。
53.步骤b22，将评估音频特征文件和第二音频数据文本加载至噪音优化线程中，确定评估音频数据文本。
54.步骤b23，结合所述评估模拟信号集与所述范例模拟信号集、所述评估数字信号集与所述范例数字信号集、所述评估音频数据文本与所述第一音频数据文本、所述评估音频数据文本与所述第二音频数据文本中的不少于一种文本信息，配置待配置智能优化线程，得到参考智能优化线程。
55.其中，步骤b21和b22的过程可参考前述对参考智能优化线程的说明过程，此处不再进行详细说明。
56.在步骤b23中，评估模拟信号集与范例模拟信号集搭建一个音频集，评估数字信号集与范例数字信号集搭建一个音频集，评估音频数据文本与第一音频数据文本搭建一个音频集，评估音频数据文本与第二音频数据文本搭建一个音频集，得到四个音频集，可以基于四个音频集中的至少一个音频集，配置待配置智能优化线程，得到参考智能优化线程。
57.在一种可能实施的实施例中，步骤b23，结合所述评估模拟信号集与所述范例模拟信号集、所述评估数字信号集与所述范例数字信号集、所述评估音频数据文本与所述第一音频数据文本、所述评估音频数据文本与所述第二音频数据文本中的不少于一种文本信息，配置待配置智能优化线程，得到参考智能优化线程，可以包括以下内容。
58.步骤c1，基于评估音频数据文本和第一音频数据文本，确定用于表示音频异常信息误差的第一量化评估向量、和用于表示误差许可的第二量化评估向量；基于评估模拟信号集和范例模拟信号集，确定用于表示语义信息误差的第三量化评估向量；基于评估数字信号集和范例数字信号集，确定用于表示法向信息误差的第四量化评估向量；以及基于第二音频数据文本和评估音频数据文本，确定用于表示无效的第五量化评估向量。
59.步骤c2，基于第一量化评估向量、第二量化评估向量、第三量化评估向量、第四量化评估向量、以及第五量化评估向量中的至少一种量化评估向量，确定参考量化评估向量。
60.步骤c3，基于参考量化评估向量，配置待配置智能优化线程，得到参考智能优化线程。
61.这样一来，配置若干种量化评估向量，可以通过至少一种量化评估向量，确定参考量化评估向量，在通过参考量化评估向量配置智能优化线程时，可以使得得到的参考智能优化线程的准确性较高。
62.在一种可能实施的实施例中，在参考量化评估向量包括第二量化评估向量的基础上，基于评估音频数据文本和第一音频数据文本，确定用于表示误差许可的第二量化评估向量，可以包括以下内容。
63.步骤d1，确定评估音频数据文本中各个音频波形在第一维度上的第一特征和在第二维度上的第二特征。
64.步骤d2，确定第一音频数据文本中各个音频波形在第一维度上的第三特征和在第二维度上的第四特征。
65.步骤d3，基于评估音频数据文本中各个第三音频波形分别对应的第一特征和第二特征，以及第一音频数据文本中与第三音频波形关联的第四音频波形对应的第三特征和第四特征，确定第二量化评估向量。
66.在一种可能实施的实施例中，在参考量化评估向量包括第四量化评估向量的基础上，基于评估数字信号集和范例数字信号集，确定用于表示法向信息误差的第四量化评估向量，可以包括以下内容。
67.步骤e1，基于评估数字信号集和范例数字信号集，确定评估数字信号集中各个第一音频波形的第一离散信息、与范例数字信号集中和第一音频波形关联的第二音频波形的第二离散信息之间的关联关系。
68.步骤e2，通过每个第一音频波形分别对应的关联关系、以及第一音频波形的数目，确定第四量化评估向量。
69.这样一来，第一音频波形可以将评估数字信号集中的各个音频波形，第二音频波形可以为范例数字信号集中与第一音频波形的定位相同的音频波形。
70.在一种可能实施的实施例中，在参考量化评估向量包括第五量化评估向量的基础上，基于第二音频数据文本和评估音频数据文本，确定用于表示无效的第五量化评估向量，可以包括以下内容。
71.步骤f1，通过配置后的特征提取处理线程，分别对评估音频数据文本和第二音频数据文本进行特征提取处理，确定评估音频数据文本对应的第一参考数据流特征集、和第二音频数据文本对应的第二参考数据流特征集。
72.步骤f2，基于第一参考数据流特征集和第二参考数据流特征集，确定第五量化评估向量。
73.其中，在步骤f2中，基于第一参考数据流特征集和第二参考数据流特征集，确定第五量化评估向量，可以包括以下内容。
74.步骤f21，确定第一参考数据流特征集中各个第一特征点的第一特征向量、与第二参考数据流特征集中和第一特征点关联的第二特征点的第二特征向量之间的比较结果。
75.步骤f22，将各个第一特征点分别对应的比较结果的平方和，确定为第五量化评估向量。
76.实施时，配置后的特征提取处理线程可以为cnn线程。通过配置后的cnn线程分别对评估音频数据文本和第二音频数据文本进行特征提取处理，确定评估音频数据文本对应的第一参考数据流特征集、和第二音频数据文本对应的第二参考数据流特征集。
77.在步骤c2和c3中，实施时，可以将第一量化评估向量、第二量化评估向量、第三量化评估向量、第四量化评估向量、和第五量化评估向量中的任一量化评估向量确定为参考量化评估向量；或者，也可以将第一量化评估向量、第二量化评估向量、第三量化评估向量、第四量化评估向量、以及第五量化评估向量中的多种量化评估向量加权处理，得到参考量化评估向量；譬如，可以将第一量化评估向量与第二量化评估向量的和确定为参考量化评估向量，也可以将第一量化评估向量、第二量化评估向量、第三量化评估向量、第四量化评估向量和第五量化评估向量的和确定为参考量化评估向量。再可以通过参考量化评估向量，配置待配置智能优化线程，得到参考智能优化线程。
78.在上述基础上，提供了一种基于虚拟现实的多通道音频流分流处理装置200，应用于基于虚拟现实的多通道音频流分流处理系统，所述装置包括：数据获得模块210，用于获得参考音频交互数据和所述参考音频交互数据对应的待处理音频数据文本；
文件确定模块220，用于通过配置后的用于进行文本训练的参考智能优化线程，对所述待处理音频数据文本和所述参考音频交互数据进行特征提取处理，确定音频特征文件；其中，所述音频特征文件用于表示所述待处理音频数据文本对应的音频种类信息和/或音频异常信息；结果确定模块230，用于通过所述参考智能优化线程和所述音频特征文件，对所述待处理音频数据文本进行分流处理，得到音频分流处理结果。
79.在上述基础上，示出了一种基于虚拟现实的多通道音频流分流处理系统300，包括互相之间通信的处理器310和存储器320，所述处理器310用于从所述存储器320中读取计算机程序并执行，以实现上述的方法。
80.在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
81.综上，基于上述方案，通过生成参考数据流特征集，该参考数据流特征集能够清洗待处理音频数据文本中的音频种类信息和/或能够识别出待处理音频数据文本中的音频异常信息，在通过参考数据流特征集对待处理音频数据文本进行分流处理，将待处理音频数据文本中存在异常的信息准确地分离出来，这样一来，能够确保音频分流处理结果的置信度。
82.应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本技术的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
83.需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
84.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
85.同时，本技术使用了特定词语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
86.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的
种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
87.计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。
88.本技术各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net、python等，常规程序化编程语言如c语言、visual basic、fortran 2003、perl、cobol 2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（lan）或广域网（wan），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（saas）。
89.此外，除非权利要求中明确说明，本技术所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
90.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
91.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本技术一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
92.针对本技术引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本技术作为参考。与本技术内容不一致或产生冲突的申请历史文件除外，对本技术权利要求最广范围有限制的文件(当前或之后附加于本技术中的)也除外。需要说明的是，如果本技术附属材料中的描述、定义、和/或术语的使用与本技术所述内容有不一致或冲突的地方，以本技术的描述、定义和/或术语的使用为准。
93.最后，应当理解的是，本技术中所述实施例仅用以说明本技术实施例的原则。其他的变形也可能属于本技术的范围。因此，作为示例而非限制，本技术实施例的替代配置可视为与本技术的教导一致。相应地，本技术的实施例不仅限于本技术明确介绍和描述的实施例。
94.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。