孫衛(wèi)國，夏秀渝，喬立能，葉于林

(1.四川大學(xué) 電子信息學(xué)院，四川 成都 610064；2.中國人民解放軍78438部隊(duì)，四川 成都 610066)

面向音頻檢索的音頻分割和標(biāo)注研究

孫衛(wèi)國1，夏秀渝1，喬立能1，葉于林2

(1.四川大學(xué) 電子信息學(xué)院，四川 成都 610064；2.中國人民解放軍78438部隊(duì)，四川 成都 610066)

解決大規(guī)模音頻數(shù)據(jù)庫快速檢索的有效手段之一是建立合適的音頻索引,其中音頻分割和標(biāo)注是建立音頻索引的基礎(chǔ)。文中采用了一種基于短時(shí)能量和改進(jìn)度量距離的兩步音頻分割算法，使得分割后的音頻片段具有段間特征差異大、段內(nèi)特征方差小的特點(diǎn)。在音頻分割的基礎(chǔ)上進(jìn)行了音頻數(shù)據(jù)庫中音頻流的標(biāo)注；分別基于BP神經(jīng)網(wǎng)絡(luò)算法和Philips音頻指紋算法對音頻進(jìn)行了音頻類別和音頻內(nèi)容的標(biāo)注，為后續(xù)建立音頻索引表做準(zhǔn)備。實(shí)驗(yàn)結(jié)果表明，兩步分割算法能較好地分割任意音頻流，音頻標(biāo)注算法能有效進(jìn)行基于音頻類別和音頻內(nèi)容的標(biāo)注，算法同時(shí)具有良好的魯棒性。

音頻分割；短時(shí)能量；度量距離；音頻標(biāo)注；BP神經(jīng)網(wǎng)絡(luò)；音頻指紋

0 引言

隨著信息技術(shù)的高速發(fā)展，多媒體信息呈爆炸式增長，人們開始步入大數(shù)據(jù)時(shí)代，對音頻檢索的要求也在不斷增長[1]。如何從海量信息中快速、準(zhǔn)確地檢索到最渴望的音頻信號(hào)成為了當(dāng)前研究的一大熱點(diǎn)[2]?，F(xiàn)有檢索方法大都采用遍歷的方式，通過計(jì)算、比較查詢音頻和待檢音頻之間的距離來達(dá)到檢索目的，此類方法需要龐大的計(jì)算量，檢索的效率較低。對于大規(guī)模音頻庫的快速檢索問題，建立索引是解決該問題的有效手段。張雪源等提出利用倒排索引對音頻進(jìn)行檢索[3]，在很大程度上減少了檢索中的計(jì)算量。

在文本檢索中，分詞是基礎(chǔ)的歩驟，與之類似，音頻的分割和標(biāo)注也是音頻檢索中的基礎(chǔ)步驟。音頻分割是指把連續(xù)的音頻流分割成一系列相對獨(dú)立并具有穩(wěn)定特征的音頻片段。目前音頻分割算法主要有基于距離度量的算法、基于貝葉斯信息準(zhǔn)則分割算法、基于模型的算法等[4]。本文采用一種分層次兩步分割算法，將音頻流分割為段間差異大、段內(nèi)差異小的音頻單元。音頻標(biāo)注可以理解為基于音頻內(nèi)容為音頻段寫摘要，是為快速建立音頻索引表做準(zhǔn)備的，以提高音頻檢索效率為根本目的。標(biāo)注的核心是音頻識(shí)別，目前音頻識(shí)別的算法有動(dòng)態(tài)時(shí)間規(guī)劃算法、隱馬爾可夫模算法、反向傳播算法[5-6]等。在音頻分割完成的基礎(chǔ)上，本文分別采用了反向傳播(BP神經(jīng)網(wǎng)絡(luò))算法[7-8]和經(jīng)典的Philips音頻指紋算法[9-10]對音頻流進(jìn)行標(biāo)注。

1 音頻分割

音頻分割是指將連續(xù)的音頻流信號(hào)切分為一系列相對獨(dú)立和穩(wěn)定的基本單元。分割的目的是使分割后的音頻片段具有段間距離大且段內(nèi)方差小(或段間獨(dú)立而段內(nèi)穩(wěn)定)的特點(diǎn)。本文采用了一種分層分割算法以期達(dá)到兼顧運(yùn)算速度和分割精度的要求。第一層，利用能量對音頻進(jìn)行有聲、無聲音頻段分割；第二層，利用改進(jìn)的度量距離對有聲段進(jìn)行分割，從而將任意長度的連續(xù)音頻流準(zhǔn)確而有效地分割為音頻特征數(shù)值波動(dòng)較小的短時(shí)段落，即音頻段基元。

1.1 基于能量的音頻分割

Eth=β·Eoff+Emin=

(1)

β的取值由實(shí)驗(yàn)確定，實(shí)驗(yàn)結(jié)果顯示β取 0.1 時(shí)分割效果最好。當(dāng)超過連續(xù)10幀的音頻短時(shí)幀能量小于能量門限則認(rèn)為該音頻片段為靜音段，否則為有聲段。

1.2 基于改進(jìn)度量距離的音頻分割

對有聲段進(jìn)行進(jìn)一步的分割，目標(biāo)是將其分割成為段間差異大、段內(nèi)差異小的短時(shí)段落，以利于后續(xù)基于音頻內(nèi)容的索引建立。本文采用基于度量距離的分割算法。霍特林統(tǒng)計(jì)量[3](簡記為T2),常用于度量兩個(gè)具有未知但相同方差的正態(tài)分布均值是否相等的問題，其計(jì)算公式如下:

(2)

其中N為分析窗口的總長度，b為左側(cè)數(shù)據(jù)窗的長度，均以幀數(shù)為單位。μ1和μ2是左右兩個(gè)數(shù)據(jù)窗口的特征向量均值，∑為整個(gè)分析窗的協(xié)方差矩陣。T2值越小,表示左右兩段音頻越相似，反之，兩段音頻差異越大。式(2)主要反映了音頻段間均值的差異，沒有很好地反映段內(nèi)方差的情況，所以本文提出一種綜合考慮音頻段間均值和段內(nèi)方差的距離測度，簡記為DIS:

(3)

假設(shè)特征各維獨(dú)立，特征維數(shù)為D,協(xié)方差矩陣∑簡化為對角陣，則：

式(3)分子表示左右兩段音頻特征均值的差異，分母反映左右兩段音頻各自方差的平均值，當(dāng)兩段音頻段間距離大、段內(nèi)方差小時(shí)DIS可獲較大值。。

特征參數(shù)選用了24維Mel頻率倒譜系數(shù)，使用固定窗長的分窗方法計(jì)算相鄰音頻的度量距離，考慮到計(jì)算量，將左右兩邊的數(shù)據(jù)窗長取為等長，這樣處理之后的距離測度公式簡化為：

(4)

依次逐幀滑動(dòng)，取出所得距離值曲線上的局部極大值點(diǎn)，并利用閾值判斷其是否為分割點(diǎn)。具體做法是：當(dāng)DIS極大值點(diǎn)的值超過預(yù)設(shè)門限T-DIS時(shí)，判斷為分割點(diǎn)，否則暫時(shí)舍去；接著計(jì)算當(dāng)前分割點(diǎn)和前一分割點(diǎn)之間音頻特征的方差，若小于預(yù)設(shè)門限T-VAR則確認(rèn)該分割點(diǎn)，并繼續(xù)下一分割點(diǎn)判斷，否則取當(dāng)前分割點(diǎn)和前一分割點(diǎn)之間的中間點(diǎn)為新的分割點(diǎn)，確保段落內(nèi)方差滿足條件為止。用該方式繼續(xù)搜尋下一分割點(diǎn)，直至數(shù)據(jù)段的結(jié)束。

經(jīng)過上述兩層分割，可以將任意長度的音頻流準(zhǔn)確而有效地分割為音頻特征數(shù)值波動(dòng)幅度較小的短時(shí)段落。由于第1層采用能量極小值點(diǎn)進(jìn)行分割，第2 階段才依賴均值和方差的統(tǒng)計(jì)，因此，當(dāng)音頻數(shù)據(jù)起點(diǎn)略有偏移時(shí)，最終分割偏差累積主要存在于音頻的起始和結(jié)尾部分，而對音頻中間主體部分的分割影響較小，因此該分割方法具有起點(diǎn)魯棒性。

2 音頻標(biāo)注

音頻標(biāo)注這里指給出一段音頻的特征編碼。本文音頻標(biāo)注工作是為音頻檢索做準(zhǔn)備，主要進(jìn)行了基于BP神經(jīng)網(wǎng)絡(luò)的音頻類別標(biāo)注和基于音頻指紋的音頻內(nèi)容標(biāo)注。對音頻文件進(jìn)行分段，以段而不是以音頻文件為單位建立索引，能有效地提高它們之間的區(qū)分度。本文音頻類別標(biāo)注實(shí)驗(yàn)中段長取為1 min，即將所有音頻文件都按1 min分成等時(shí)長的段，然后針對每段進(jìn)行音頻標(biāo)注。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)的音頻類別標(biāo)注

音頻類別識(shí)別指通過對音頻信號(hào)進(jìn)行分析，確定音頻的具體類別屬性(如人聲、樂器聲、自然聲還是噪聲等)。本文針對電臺(tái)廣播節(jié)目搜索問題，音頻類別暫時(shí)分為：男聲、女聲、樂聲、歌聲、球賽聲等。

音頻類別識(shí)別的算法有很多，如矢量量化(VQ)、隱馬爾科夫模型(HMM)、高斯混合模型(GMM)等[5]。本文采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[7-8]實(shí)現(xiàn)音頻類別的識(shí)別。

BP網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它是一種多層前饋網(wǎng)絡(luò)，學(xué)習(xí)規(guī)則使用最速下降法，通過反向傳播算法調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值。BP神經(jīng)網(wǎng)絡(luò)模型分為兩個(gè)階段：一是模型訓(xùn)練階段，將大量已做標(biāo)注的音頻信號(hào)作為訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，首先進(jìn)行音頻預(yù)處理提取訓(xùn)練樣本的特征參數(shù)，每幀音頻提取24維MFCC參數(shù)，然后將這些特征參數(shù)作為輸入送入神經(jīng)網(wǎng)絡(luò)，同時(shí)給出期望輸出，通過BP算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終學(xué)習(xí)得到網(wǎng)絡(luò)的一組連接權(quán)值和閾值；二是模型識(shí)別階段，將待識(shí)別音頻信號(hào)進(jìn)行同樣的預(yù)處理和特征參數(shù)提取，輸入到訓(xùn)練好的網(wǎng)絡(luò)中，利用訓(xùn)練好的連接權(quán)值和閾值計(jì)算網(wǎng)絡(luò)輸出，并與預(yù)先設(shè)置的閾值比較以確定音頻類別。對段長為1 min的音頻進(jìn)行標(biāo)注時(shí)，只需統(tǒng)計(jì)各類音頻出現(xiàn)幀數(shù)，記錄幀數(shù)超過預(yù)設(shè)閾值的音頻類別編號(hào)即完成此1 min的音頻標(biāo)注。

2.2 基于Philips音頻指紋的音頻標(biāo)注

為了進(jìn)行基于內(nèi)容的音頻檢索，本文還進(jìn)行了基于音頻指紋[9]的音頻標(biāo)注。

音頻指紋作為內(nèi)容自動(dòng)識(shí)別技術(shù)的核心算法，已廣泛應(yīng)用于音樂識(shí)別、版權(quán)內(nèi)容監(jiān)播、內(nèi)容庫去重等領(lǐng)域。本文采用Philips魯棒音頻指紋模型[10]。對段長為1 min的音頻進(jìn)行標(biāo)注時(shí)，進(jìn)行了如下改進(jìn)以壓縮數(shù)據(jù)和提高抗干擾性。首先每個(gè)音頻指紋不是針對音頻幀，而是針對分割好的音頻段基元進(jìn)行的，因此可以用特征均值代替音頻片段以減少數(shù)據(jù)冗余。將每個(gè)段基元所有幀的子帶能量譜進(jìn)行平均，然后提取音頻指紋。假定第n幀的第m子帶的能量為E(n,m),其對應(yīng)的二進(jìn)制指紋比特為F(n,m)，為提高音頻指紋的抗噪能力，則音頻指紋的每個(gè)比特定義可改進(jìn)為：

F(n，m)=

(5)

式(5)中門限T的取值以各段基元子帶能量均值為基準(zhǔn)，并乘以一定比例系數(shù)動(dòng)態(tài)選取。對段長為1 min的音頻進(jìn)行標(biāo)注時(shí)，記錄出現(xiàn)的段基元音頻指紋即可。

3 實(shí)驗(yàn)分析

本文實(shí)驗(yàn)所用數(shù)據(jù)采集于廣播電臺(tái)，包括新聞、音樂、廣播劇、廣告等，數(shù)據(jù)總時(shí)為20 h，均為單聲道，采樣率為 8 kHz。在數(shù)據(jù)預(yù)處理過程時(shí)將音頻均做幅度歸一化處理；在提取聲學(xué)特征參數(shù)時(shí)，幀長為 0.064 s，幀移為0.032 s。

3.1 音頻分割實(shí)驗(yàn)

采用兩層音頻分割進(jìn)行音頻分割，經(jīng)過實(shí)驗(yàn)，選取β=0.1時(shí)有最好的分割效果；在第二層的分割實(shí)驗(yàn)中，T-DIS取DIS的均值，T-VAR=0.01，N=6時(shí)有最好的分割效果。實(shí)驗(yàn)結(jié)果如圖1、2所示。

從圖1可以看出，音頻有聲段和無聲段被有效分割開。在圖2中，有聲段被進(jìn)一步分割成聲學(xué)特征變化小的短時(shí)段落。

根據(jù)實(shí)際音頻庫的數(shù)據(jù)來源不同，對可能出現(xiàn)的音頻幅度和信噪比的變化等也進(jìn)行了相關(guān)實(shí)驗(yàn)和分析。因?yàn)樵谝纛l預(yù)處理中對音頻進(jìn)行了幅度歸一化處理，所以在此不考察信號(hào)幅度變化對音頻分割的影響，僅僅考察信噪比的影響。設(shè)x(t)為原始音頻，y(t)為信噪比改變后的音頻。對x(t)和y(t)分別進(jìn)行分割，并以x(t)的分割點(diǎn)為基準(zhǔn)，統(tǒng)計(jì)y(t)分割的準(zhǔn)確率：

(6)

NX表示x(t)分割點(diǎn)的總數(shù)，NXY表示x(t)和y(t)分割點(diǎn)一致的數(shù)目(兩個(gè)分割點(diǎn)相距1幀，也認(rèn)為一致)。從數(shù)據(jù)庫中隨機(jī)選取了10 min長的音頻，分別疊加不同信噪比的高斯白噪聲生成帶噪音頻數(shù)據(jù)，統(tǒng)計(jì)了不同信噪比下帶噪音頻與無噪音頻的分割準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如表1所示。

實(shí)驗(yàn)結(jié)果顯示，信噪比降低對音頻分割準(zhǔn)確率有一定影響，但總體看該分割算法具有一定的抗噪性。

3.2 音頻標(biāo)注實(shí)驗(yàn)

3.2.1 音頻類別標(biāo)注

BP神經(jīng)網(wǎng)絡(luò)設(shè)置為3層，其中輸入層節(jié)點(diǎn)24個(gè)，對應(yīng)24維MFCC參數(shù)；輸出節(jié)點(diǎn)10個(gè)，對應(yīng)10個(gè)不同音頻類型并分別用數(shù)字依次標(biāo)記；隱層節(jié)點(diǎn)設(shè)置為25個(gè)。本實(shí)驗(yàn)訓(xùn)練時(shí)參數(shù)設(shè)置為：反向傳播算法最大循環(huán)次數(shù)為3 000，學(xué)習(xí)系數(shù)為0.000 1，誤差閾值為0.000 01。模型識(shí)別實(shí)驗(yàn)結(jié)果如表2所示。

表2是BP網(wǎng)絡(luò)訓(xùn)練10類音頻的預(yù)測正確率，統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果顯示網(wǎng)絡(luò)的平均識(shí)別正確率達(dá)97%。音頻類別標(biāo)注實(shí)驗(yàn)中，每1 min音頻數(shù)據(jù)送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，在輸出端通過預(yù)測門限給出每幀的音頻類別編號(hào)，然后統(tǒng)計(jì)該段各編號(hào)出現(xiàn)次數(shù)并統(tǒng)計(jì)為直方圖。將大于200幀的編號(hào)都記錄下來，以此作為該段進(jìn)行標(biāo)注有效的音頻類別。圖3是在眾多切分成1 min的音頻片段中某一片段的統(tǒng)計(jì)直方圖。

從圖3可以看出，該時(shí)間段標(biāo)記為1、3、7、9四類，表示這1 min的音頻片段里有此四類有效音頻。

3.2.2 音頻指紋標(biāo)注

音頻指紋標(biāo)注同樣針對1 min音頻段進(jìn)行。將該段音頻中大于3幀的段基元各幀子帶能量譜進(jìn)行平均，然后提取音頻指紋，記錄該段音頻中出現(xiàn)過的所有音頻指紋。圖4為某1 min音頻段共270個(gè)段基元生成的指紋圖。不難發(fā)現(xiàn)，以段基元產(chǎn)生的指紋比按幀產(chǎn)生的指紋數(shù)據(jù)量大大減少，這樣使后續(xù)建立音頻索引表進(jìn)行音頻檢索更簡潔、高效。

4 結(jié)束語

本文以建立音頻檢索的索引表為目標(biāo)，研究了音頻分割與標(biāo)注問題?；谀芰亢投攘烤嚯x將音頻流分割成有聲段和無聲段，有聲段進(jìn)一步分割成一系列段間差異大，而段內(nèi)差異小的段基元。然后將音頻流以段長1 min為單位標(biāo)注，完成了基于BP神經(jīng)網(wǎng)絡(luò)的音頻類別標(biāo)注和基于音頻指紋的音頻內(nèi)容標(biāo)注。仿真實(shí)驗(yàn)表明，文中音頻分割和標(biāo)注算法是有效的，而且具有一定的魯棒性。這為后續(xù)建立合適的音頻索引打下了良好基礎(chǔ)，下一步將深入研究基于內(nèi)容的音頻檢索。

[1] 劉巍.基于內(nèi)容的同源音頻和視頻檢索[D].北京：北京郵電大學(xué), 2011.

[2] 張衛(wèi)強(qiáng),劉加.網(wǎng)絡(luò)音頻數(shù)據(jù)庫檢索技術(shù)[J].通信學(xué)報(bào), 2007,28(12):152-155.

[3] 張雪源,賀前華,李艷雄,等.一種基于倒排索引的音頻檢索方法[J].電子與信息學(xué)報(bào),2012,34(11):2561-2567.

[4] 吳宇,錢旭,周劍鳴.基于相對熵和貝葉斯信息判據(jù)的在線分割算法[J].電聲技術(shù)，2013,37(3):49-53.

[5] 王歡.語音發(fā)現(xiàn)與跟蹤技術(shù)的研究及應(yīng)用[D].北京：北京郵電大學(xué),2014.

[6] 張衛(wèi)清.語音識(shí)別算法的研究[D].南京：南京理工大學(xué),2004.

[7] 陳仁林,郭中華,朱兆偉.基于BP神經(jīng)網(wǎng)絡(luò)的說話人識(shí)別技術(shù)的實(shí)現(xiàn)[J].智能計(jì)算機(jī)與應(yīng)用,2012,2(2):47-49.

[8] 楊景花,王雙喜,周思方，等.基于神經(jīng)網(wǎng)絡(luò)的智能語音識(shí)別研究[J].微型機(jī)與應(yīng)用,2016,35(17):52-54.

[9] 周亦敏,牟同鑫.采用復(fù)倒譜和子串匹配的音頻指紋算法研究[J].上海理工大學(xué)學(xué)報(bào),2010,32(3):277-280.

[10] 魯明明,張暉,沈慶宏. 基于功率譜特征的音頻指紋實(shí)現(xiàn)[J].電子測量技術(shù),2016,39(9):69-72.

Research on audio segmentation and annotation for audio retrieval

Sun Weiguo1，Xia Xiuyu1，Qiao Lineng1，Ye Yulin2

(1. College of Electronics and Information,Sichuan University,Chengdu 610064 ,China; 2. 78438 Troops of the Chinese People’s Liberation Army, Chengdu 610066, China)

One of the effective means to solve the large-scale audio database fast retrieval is to establish an appropriate audio index, in which the audio segmentation and labeling are the basis for establishing the audio index. In this paper, a two-step audio segmentation algorithm based on short-time energy and improved metric distance is proposed, which makes the segmented audio segment have the characteristics of big difference between segments and small characteristic variance. Based on the audio segmentation, the audio stream in the audio database is annotated. Based on the BP neural network algorithm and the Philips audio fingerprint algorithm, the audio category and audio content are labeled respectively, and the audio index table is established. The experimental results show that the two-step segmentation algorithm can segment arbitrary audio stream efficiently. The audio annotation algorithm can effectively annotate audio category and audio content. The algorithm has good robustness at the same time.

audio segmentation; short-term energy; measurement of the distance; audio annotation; BP neural network; audio fingerprint

TN912.3

A

10.19358/j.issn.1674- 7720.2017.05.013

孫衛(wèi)國，夏秀渝，喬立能，等.面向音頻檢索的音頻分割和標(biāo)注研究[J].微型機(jī)與應(yīng)用，2017,36(5)：38-41.

2016-12-07)

孫衛(wèi)國(1986-)，男，碩士研究生，主要研究方向：語音信號(hào)處理。

夏秀渝(1970-)，女，博士，副教授，主要研究方向：語音分離、語音提取。

喬立能(1991-)，男，碩士研究生，主要研究方向：語音信號(hào)處理。