基于內(nèi)容的數(shù)字音頻快速檢索技術(shù)綜述

糜增元

【摘要】 本文通過基于內(nèi)容的數(shù)字音頻快速檢索專利技術(shù)申請文獻(xiàn)的檢索、統(tǒng)計(jì)和分析，依據(jù)音頻檢索流程分析了該技術(shù)領(lǐng)域的發(fā)展分支，特別針對特征提取、音頻分割等技術(shù)進(jìn)行闡述。

【關(guān)鍵字】 音頻檢索 特征提取 語音 音頻分割

一、引言

基于人工輸入標(biāo)注和屬性進(jìn)行音頻檢索的傳統(tǒng)檢索方式存在以下缺陷：

1）當(dāng)數(shù)據(jù)量越多時(shí)，人力工作量隨之加大；

2）對音頻的感知有時(shí)難以用文字表達(dá)清楚；

3）不支持實(shí)時(shí)音頻檢索，因此基于內(nèi)容的音頻檢索技術(shù)應(yīng)運(yùn)而生。

基于內(nèi)容的音頻檢索利用音頻信息的幅度、頻譜等物理特性，響度、音高、音色等聽覺特性和音頻類別、語義等特征進(jìn)行檢索，能夠有效且快速獲得用戶所需的音頻資源。

二、主要技術(shù)發(fā)展路線以及專利申請情況分析

基于內(nèi)容的數(shù)字音頻快速檢索技術(shù)使用數(shù)字音頻的聲學(xué)特征作為音頻指紋代替音頻內(nèi)容數(shù)據(jù)本身進(jìn)行檢索，音頻指紋相比音頻內(nèi)容數(shù)據(jù)本身，數(shù)據(jù)量得到大幅的壓縮，有助于大量數(shù)字音頻內(nèi)容的管理，使得音頻資源的管理更加規(guī)范高效。

檢索處理流程如下所述：

1）接收音頻流；

2）對音頻進(jìn)行特征提??；

3）對音頻進(jìn)行分割；

4）針對不同音頻組分采用不同處理方式。

以下，針對流程每一環(huán)節(jié)的技術(shù)分支進(jìn)行進(jìn)一步的闡述：

1）依照對采樣點(diǎn)提取特征的不同，音頻特征提取可分為時(shí)域特征的提取、頻域特征的提取、時(shí)域特征的提取，其中可提取的音頻時(shí)域特征有平均能量，過零率和線性預(yù)測系數(shù)等，而頻域特征的提取是利用傅里葉變換可分解出音頻信號的頻率成分，可提取的音頻頻域特征有帶寬、頻譜中心、諧音、音調(diào)等，對于時(shí)變劇烈的音頻信號，小波變換能夠抓住信號局部的時(shí)頻特性，提高信號分析的能力。

2） 音頻分割是比較相鄰兩個(gè)或幾個(gè)短時(shí)音頻特征，尋找發(fā)生突變的地方，在音頻特征發(fā)生突變的地方對連續(xù)的音頻流進(jìn)行切分，把連續(xù)的音頻流變成時(shí)間長短不一的音頻片段，其主要包括：靜音分割：檢測音頻流中的靜音段作為突變點(diǎn)以進(jìn)行分割；非靜音分割：檢測音頻流中音頻持續(xù)段作為音頻片段。

3） 音頻組分，根據(jù)對音頻數(shù)據(jù)內(nèi)容的劃分可以知道，語音、音樂和其他聲響具有顯著不同的特性，因而目前的處理方法可以分為相應(yīng)的三種：處理包含語音的音頻和不包含語音的音頻，后者又把音樂單獨(dú)劃分出來。換而言之，第一種是利用自動語音識別技術(shù)，后兩種是利用更一般性的音頻分析，以適合更廣泛的音頻媒體，如音樂和聲音效果，當(dāng)然也包含數(shù)字化語音信號。

圖1表示基于內(nèi)容的數(shù)字音頻快速檢索技術(shù)中針對不同音頻組分專利申請量情況.從圖1可以看出，針對語音檢索的專利申請量較多，這主要是由于其應(yīng)用領(lǐng)域較廣，例如聲音識別、語音控制等，市場前景廣闊，能帶來可觀經(jīng)濟(jì)效益，因此高校及企業(yè)均投入大量人力精力對其進(jìn)行研究改進(jìn)。

除此之外，對樂曲的快速檢索申請量也較多，主要涉及用戶利用示例音樂或是哼唱片段的檢索。

三、結(jié)語

通過對基于內(nèi)容的音頻檢索技術(shù)的處理流程以及不同音頻組分申請量比重了解分析后，可以看出，目前主流研究方向仍是針對語音語義的創(chuàng)新研究。

參 考 文 獻(xiàn)

[1]鐘寶榮， 吳春輝，音頻檢索方法的研究，《長江大學(xué)學(xué)報(bào)（自然科學(xué)版）》，2008年6月第5卷第2期.

[2]藺國梁，基于壓縮域特征的音頻識別算法，《甘肅聯(lián)合大學(xué)學(xué)報(bào)（自然科學(xué)版）》，2011年第25卷第6期.