一种基于长时结构声纹的多层滤波音频检索方法和装置

摘要

本发明实施例公开了一种基于样例的音频检索方法，即一种基于长时结构声纹的多层滤波音频检索方法，能够通过录制的音频片断搜索到整个音频的完整信息。本发明提出了一种新的具有长时结构信息的声纹生成方法，并采用两层滤波的方法提高检索效果。检索时先提取输入片断声纹特征，通过第一层滤波器，然后计算结果可信度，决定是否进行第二次滤波，并通过查询声纹扩展实现二次滤波。还公开了一种基于长时结构声纹的多层滤波音频检索装置。实验表明，利用本发明实施例，对于10000首歌曲的音频库，当询问片断为5秒且信噪比为0db时，能达到99.7％的准确率。

主权项

一种基于长时结构声纹的多层滤波音频检索方法，其特征在于：(1)构建音频数据库，包括提取音频数据库稳定特征，生成具有长时结构信息的声纹，使用所有数据库声纹构建哈希索引，键为声纹，值为声纹所在音频文件名以及声纹所在音频文件中的位置；(2)提取用户输入音频片段的稳定特征；(3)构建具有长时结构信息的声纹；(4)经过第一层滤波器，以所有声纹为查找项，查找数据库索引，得到候选中间结果，并根据原始特征计算中间结果相似度，然后根据相似度对中间结果进行排序；(5)对第一层滤波器排名第一的候选结果进行置信度打分，如果超过预定门限值，则输出结果，否则转入第6步；(6)扩展查询声纹，进入第二层滤波器，根据索引表，查找更多中间结果，并计算中间结果相似度，然后把第一二层滤波器结果根据相似度进行排序；(7)根据排序结果，选择相似度最高的音频片段信息返回用户。