具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了获得异常音频分类模型，可以采用将异常音频分类模型的训练过程划分为特征提取和二分类器设计等多个操作的方式来实现，各个操作之间是相互独立的。即，可以先利用特征提取模型对音频进行特征提取，得到特征数据，再利用特征数据训练二分类模型，得到能够预测音频是否是异常音频的异常音频分类模型。特征提取模型和二分类模型的训练过程是相互独立的，也即，在训练异常音频分类模型(即二分类模型)的过程中，特征提取模型可以理解为是已经预先训练好的模型。

在实现本公开构思的过程中，发现采用上述方式至少存在着预测准确性不高的问题。随着研究的深入，进一步发现这主要是由如下两方面原因导致的。

其一，特征提取模型提取的特征数据较难以反映异常音频所具有的特征。由于在训练二分类模型的过程中，特征提取模型可以理解为是已经预先训练好的模型，因此，特征提取模型的模型参数可以理解为是固定的，由此，使得特征提取模型提取的特征数据较难以反映异常音频所具有的特征，即，较难以提取到与异常音频相关的特征，进而使得利用特征数据训练二分类模型得到的异常音频分类模型的预测准确性不高。上述可以理解为较难以确定全局最优解，即，可以将上述训练异常音频分类模型的方式理解为是一种将解决一个问题转化为解决多个独立的子问题的方式。针对每个子问题，虽然能够尽量找到解决该子问题的最优解，可以将子问题的最优解理解为是局部最优解，但是由于解决各个子问题是相互独立的过程，因此，较为缺乏对信息的统一利用，由此，基于各个局部最优解得到的结果很可能并不是全局最优解，换句话说，较难以确定基于各个局部最优解得到的结果即是全局最优解。

其二，二分类模型可能将正常音频分类为异常音频。由于音频数据具有多样性，在实际音频中有很多与异常音频相似的声音，因此，如果进行的是异常音频或正常音频的二分类，则可能会将正常音频分类为异常音频，进而降低了异常音频分类模型的预测准确性，也较难以满足针对异常音频的分类需求。例如，异常音频为娇喘音频，实际音频中可能存在喘气、擦边球或叹气等与娇喘相似的音频。

为此，为了实现特征数据能够较为准确地反映异常音频所具有的特征即，为了实现确定全局最优解，可以采用端到端的训练方式来实现。即，采用深度网络模型直接学习从输入端输入的训练样本集与从输出端得到的预测结果之间的映射关系，并且在深度网络模型训练过程中根据损失函数的输出值来调整深度网络模型的各层的模型参数的方式。为了能够降低误分类的可能性，满足针对异常音频的分类需求，可以利用多分类模型实现多类别分类的方式。

基于上述内容，本公开实施例提出了一种特征提取和多分类的端到端的解决方案。即，本公开实施例提供了一种异常音频分类模型的训练方法、异常音频分类方法、装置、电子设备、存储有计算机指令的非瞬时计算机可读存储介质及计算机程序产品。异常音频分类模型包括特征提取模块、时序特征学习模块和多分类模块，该异常音频分类模型的训练方法包括：利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，并根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。

图1示意性示出了根据本公开实施例的可以应用异常音频分类模型的训练方法、异常音频分类方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用异常音频分类模型的训练方法、异常音频分类方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的异常音频分类模型的训练方法、异常音频分类方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

服务器105可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(Virtual Private Server，VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。

需要说明的是，本公开实施例所提供的异常音频分类模型的训练方法和异常音频分类方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的异常音频分类模型的训练装置和异常音频分类装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的异常音频分类模型的训练方法和异常音频分类方法一般也可以由服务器105执行。相应地，本公开实施例所提供的异常音频分类模型的训练方法和异常音频分类装置一般可以设置于服务器105中。本公开实施例所提供的异常音频分类模型的训练方法和异常音频分类方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的异常音频分类模型的训练方法和异常音频分类装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，服务器105利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，并根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。

服务器105获取目标音频，并将目标音频输入异常音频分类模型，得到与目标音频对应的分类结果。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群获取目标音频，并将目标音频输入异常音频分类模型，得到与目标音频对应的分类结果。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

根据本公开的实施例，提供了一种异常音频分类模型的训练方法。异常音频分类模型可以包括特征提取模块、时序特征学习模块和多分类模块。

图2示意性示出了根据本公开实施例的异常音频分类模型的训练方法的流程图。

如图2所示，该方法200包括操作S210～S240。

在操作S210，利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据。

在操作S220，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列。

在操作S230，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果。

在操作S240，根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。

根据本公开的实施例，训练样本集可以包括多个样本音频。可以获取原始训练样本集，对原始训练样本集进行处理，得到训练样本集。原始训练样本集可以包括多个原始样本音频。对原始训练样本集进行处理，得到训练样本集可以包括：提取每个原始样本音频的声学特征，得到与原始样本音频对应的样本音频。声学特征可以包括梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients，MFCC)、Fbank、音色向量、过零率、子带能量、子带能量熵、频谱中心、频谱延展度、谱熵、频谱通量、频谱滚降和音色偏差中的至少一项。

例如，声学特征为梅尔频率倒谱系数。梅尔频率倒谱系数是基于声音频率的非线性梅尔刻度对数能量频谱的线性变换。梅尔频率倒谱系数的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。基于上述内容，针对一些会出现在人耳能够识别的频率范围中特定的音频内容，例如，娇喘音频，可以获取娇喘音频的梅尔频率倒谱系数作为娇喘音频的特征来进行识别分析，从而可以将音频分析的重点集中在人耳可以识别的频率范围，有利于提高识别的准确性。

根据本公开的实施例，特征提取模块可以用于进行深度特征提取，特征提取模块可以包括卷积神经网络模型。卷积神经网络模型可以根据实际业务需求进行配置，在此不作限定。例如，卷积神经网络模型包括VGGish模型。VGGish模型可以是利用AudioSet数据集进行预训练得到的类VGG(即Visual Geometry Group)模型。VGGish模型可以从音频中提取具有语义意义的128维特征向量。

根据本公开的实施例，可以利用特征提取模块处理每个样本音频，得到与样本音频对应的深度特征数据可以包括：利用特征提取模型对每个样本音频进行切割，得到多个切割后的样本音频，然后提取与多个切割后的样本音频中的每个切割后的样本音频的深度特征，得到与每个切割后的样本音频对应的深度特征数据，将多个切割后的样本音频对应的深度特征数据进行合并，得到与样本音频对应的深度特征数据。

根据本公开的实施例，序列数据是指以时间发展线为获取数据所遵从的依据，在不同时间点上获取反应了某一事物或现象等随时间的变化状态或变化程度的数据，其最大特点是位于前后时间点上的数据存在一定的关系。音频是序列数据中的一种，这是由于其前后段之间总是存在着一定的关系。时序特征学习模块可以用于处理涉及序列数据的问题。时序特征学习模块可以包括循环神经网络(Recurrent Neural Network，RNN)模型。循环神经网络模型可以包括单向循环神经网络模型或双向循环神经网络模型。单向循环神经网络模型可以包括单向长短期记忆神经网络(Long Short-Term Memory，LSTM)模型。双向长短期记忆神经网络(Bi-direction Long Short-Term Memory，Bi-LSTM)模型。单向神经网络模型用于记忆过去的信息，而无法处理将来的信息。为了更好地理解前后段，需要获取将来的信息，双向循环神经网络模型便可以解决该问题，实现获取前后段信息。双向长短期记忆神经网络模型可以理解为是双向循环神经网络模型和单向长短期记忆神经网络模型的结合。

根据本公开的实施例，多分类模块可以用于实现对异常音频的多分类。多分类可以包括至少三种类别。与每个样本音频对应的多分类标签可以指样本音频的真实多分类结果。与每个样本音频对应的多分类结果可以指样本音频的预测多分类结果。

例如，针对异常音频分类模型用于对娇喘音频进行分类。多分类可以包括四种类别，即，第一类别，样本音频是正常音频或异常音频。第二类别，样本音频是异常音频中的气息类音频或其他类音频。第三类别，样本音频是气息类音频中的纯气息类音频或其他类音频。第四类别，样本音频是纯气息类音频中的正常音频(即非娇喘音频)或异常音频(即娇喘音频)。

多分类标签可以包括用于表征样本音频是正常音频或异常音频的标签、用于表征样本音频是异常音频中的气息类音频或其他类音频的标签、用于表征样本音频是气息类音频中的纯气息类音频或其他类音频的标签和用于表征样本音频是纯气息类音频中的正常音频或异常音频的标签。

多分类结果可以包括用于表征样本音频是正常音频或异常音频的分类结果、用于表征样本音频是异常音频中的气息类音频或其他类音频的分类结果、用于表征样本音频是气息类音频中的纯气息类音频或其他类音频的分类结果和用于表征样本音频是纯气息了音频中的正常音频或异常音频的分类结果。

根据本公开的实施例，在获得与每个样本音频对应的多分类结果之后，可以利用与每个样本音频对应的多分类结果和多分类标签，对异常音频分类模型包括的特征提取模块、时序特征学习模块和多分类模块进行联合训练而不是单独训练，即，可以根据损失函数的输出值对特征提取模块、时序特征学习模块和多分类模块的模型参数进行调整。

根据本公开的实施例，为了提高模型的预测准确性，可以利用注意力机制的方式实现，这是由于注意力机制能够以高权重去聚焦重要信息，低权重去忽略不重要信息，并能通过共享重要信息与其他信息进行信息交换，从而实现重要信息的传递。由此，可以为重要信息设置较高权重，以实现重要信息的传递，从而模型的预测准确性。即，可以在异常音频分类模型中设置注意力模块，使得可以利用注意力模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的权重时序特征序列。利用多分类模块处理与每个样本音频对应的权重时序特征序列，得到与每个样本音频对应的多分类结果。利用与每个样本音频对应的多分类结果和多分类标签，对异常音频分类模型包括的特征提取模块、时序特征学习模块、注意力模块和多分类模块进行联合训练，得到异常音频分类模型。

根据本公开的实施例，通过利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，并根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。由于特征提取是在异常音频分类模型的训练过程中完成的，形成了特征提取和分类的端到端的训练，使得提取到的深度特征数据能够较好地反映异常音频所具有的特征，因此，提高了模型的预测准确性。通过进行多分类，降低了将正常音频分类为异常音频的可能，提高了模型的预测准确性，也满足了针对异常音频的分类需求。

根据本公开的实施例，多分类模块包括并联的多个分类单元。

利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，可以包括如下操作。

将与每个样本音频对应的时序特征序列分别输入多个分类单元，得到与每个样本音频对应的分类结果。

根据本公开的实施例，多分类模块可以包括至少两个分类单元，至少两个分类单元之间是并列的关系。每个分类单元可以理解为是一个二分类器。至少两个分类单元可以是级联的方式或并联的方式设置。

根据本公开的实施例，将与每个样本音频对应的时序特征序列分别输入多个分类单元，得到与每个分类单元对应的分类结果。根据多个分类结果，得到与每个样本音频对应的分类结果。

根据本公开的实施例，上述异常音频分类模型的训练方法还可以包括如下操作。

利用样本均衡策略得到训练样本集。

根据本公开的实施例，在对异常音频分类模型进行训练的过程中，发现存在着不同类别的样本音频的数量不均衡的问题，即，某种或某几种类别的样本音频的数量远小于其他种类别的样本音频的数量，例如，类别为娇喘音频的数量远小于正常音频的数量，这就可能导致模型较难以学习到针对数量较少的类别的训练样本的特征，进而影响了模型的预测准确性。

为此，可以利用样本均衡策略实现。样本均衡策略可以包括数据均衡策略和/或算法均衡策略。数据均衡策略可以指为了实现训练样本集中不同类别的样本音频的数量较为均衡所利用的策略。算法均衡策略可以指在不改变不同类别的样本音频的数量的情况下，实现样本均衡所利用的策略。

针对数据均衡策略，例如，可以利用过采样策略得到训练样本集。可以利用欠采样策略得到训练样本集。可以利用过采样结合欠采样策略得到训练样本集。还可以利用根据预设采样比例的策略得到训练样本集。

针对算法均衡策略，可以确定与每种多分类标签对应的初始样本音频的数量。根据与每种多分类标签对应的初始样本音频的数量，确定与每种多分类标签对应的加权系数。根据初始损失函数和与每种多分类标签对应的加权系数，得到目标损失函数。利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，将与每个样本音频对应的多分类结果和多分类标签输入目标损失函数，得到输出值，根据输出值调节特征提取模块、时序特征学习模块和多分类模块的模型参数，直至输出值收敛，将在输出值收敛的情况下得到的特征提取模块、时序特征学习模块和多分类模块，确定为异常音频分类模型。

根据本公开的实施例，操作S210可以包括如下操作。

基于预设处理顺序，利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据。

根据本公开的实施例，预设处理顺序可以指处理训练样本集中的各个样本音频的顺序。为了提高模型的预测准确性，可以设置预设处理顺序为交替处理每种类别的样本音频的顺序。

根据本公开的实施例，将不同类别的样本音频交替输入异常音频分类模型，得到与每个样本音频对应的深度特征数据。

下面参考图3～图7，结合具体实施例对根据本公开实施例的异常音频分类模型的训练方法做进一步说明。

图3示意性示出了根据本公开实施例的将与每个样本音频对应的时序特征序列分别输入多个分类单元，得到与每个样本音频对应的分类结果的流程图。

如图3所示，该方法300包括操作S331～S335。

在操作S331，将与每个样本音频对应的时序特征序列输入第一分类单元，得到与每个样本音频对应的第一分类结果，其中，第一分类结果表征样本音频是正常音频或异常音频的分类结果。

在操作S332，将与每个样本音频对应的时序特征序列输入第二分类单元，得到与每个样本音频对应的第二分类结果，其中，第二分类结果表征样本音频是异常音频中的气息类音频或其他类音频的分类结果。

在操作S333，将与每个样本音频对应的时序特征序列输入第三分类单元，得到与每个样本音频对应的第三分类结果，其中，第三分类结果表征样本音频是气息类音频中的纯气息类音频或其他类音频的分类结果。

在操作S334，将与每个样本音频对应的时序特征序列输入第四分类单元，得到与每个样本音频对应的第四分类结果，其中，第四分类结果表征样本音频是纯气息类音频中的正常音频或异常音频的分类结果。

在操作S335，根据与每个样本音频对应的第一分类结果、第二分类结果、第三分类结果和第四分类结果，得到与每个样本音频对应的多分类结果。

根据本公开的实施例，多分类模块可以包括四个分类单元。第一分类单元用于对样本音频是正常音频或异常音频进行分类。第二分类单元用于对样本音频是异常音频中的气息类音频或其他类音频进行分类，异常音频中的其他类音频可以包括不明音频和正常的非气息音频。第三分类单元用于对样本音频是气息类音频中的纯气息类音频或其他类音频进行分类。第四分类单元用于对样本音频是纯气息类音频中的正常音频或异常音频进行分类。

例如，异常音频分类模型用于对娇喘音频进行分类。气息类音频可以包括娇喘音频、喘气音频和半喘气音频等。纯气息类音频中的正常音频可以指非娇喘音频，异常音频可以指娇喘音频。

针对某个样本音频，如果与该样本音频对应的第一分类结果表征该样本音频是异常音频，第二分类结果表征该样本音频是气息类音频，第三分类结果表征该样本音频是纯气息类音频和第四分类结果表征该样本音频是娇喘音频，则可以确定与该样本音频对应的多分类结果为异常音频、气息类音频、纯气息类音频和娇喘音频。由此，可以确定该样本音频是违规的娇喘音频。

图4示意性示出了根据本公开实施例的将与样本音频对应的时序特征序列分别输入多个分类单元，得到与样本音频对应的分类结果的示意图。

如图4所述，该过程400中将与样本音频对应的时序特征序列401分别输入多分类模块402包括的第一分类单元4020、第二分类单元4021、第三分类单元4022和第四分类单元4023，分别得到第一分类结果4030、第二分类结果4031、第三分类结果4032和第四分类结果4033，并根据第一分类结果4030、第二分类结果4031、第三分类结果4032和第四分类结果4033，得到与样本音频对应的多分类结果403。

图5示意性示出了根据本公开实施例的异常音频分类模型的训练过程的示意图。

如图5所示，该过程500中将训练样本集501包括的每个样本音频输入特征提取模块5020，得到与样本音频对应的深度特征数据503。

将与样本音频对应的深度特征数据503输入时序特征学习模块5021，得到与样本音频对应的时序特征序列504。

将与样本音频对应的时序特征序列504输入多分类模块5022，得到与样本音频对应的多分类结果505。

根据与样本音频对应的多分类结果505和多分类标签506，对特征提取模块5020、时序特征学习模块5021和多分类模块5022进行联合训练，得到包括特征提取模块5020、时序特征学习模块5021和多分类模块5022的异常音频分类模型502。

图6示意性示出了根据本公开实施例的利用样本均衡策略得到训练样本集的流程图。

如图6所述，该方法600包括操作S641～S644。

在操作S641，确定与每种多分类标签对应的初始样本音频的数量。

在操作S642，确定目标多分类标签，其中，目标多分类标签是对应的初始样本音频的数量小于第一预设数量阈值的多分类标签。

在操作S643，对与目标多分类标签对应的初始样本音频进行过采样，以使得与目标多分类标签对应的初始样本音频的数量大于或等于第一预设数量阈值且小于或等于第二预设数量阈值。

在操作S644，将过采样后得到的与目标多分类标签对应的初始样本音频和与其他多分类标签对应的初始样本音频确定为训练样本集，其中，其他多分类标签是对应的初始样本音频的数量大于或等于第一预设数量阈值且小于或等于第二预设数量阈值的多分类标签。

根据本公开的实施例，第一预设数量阈值可以用于确定某种类别的样本音频是否是数量较少的样本音频，即，如果确定与多分类标签对应的初始样本音频的数量小于第一预设数量阈值，则可以说明该多分类标签所表征的类别的样本音频是数量较少的样本音频。第一预设数量阈值和第二预设数量阈值的数值可以根据实际业务需求进行配置，在此不作限定。第一预设数量阈值小于第二预设数量阈值。

根据本公开的实施例，对与目标多分类标签对应的初始样本音频进行过采样可以包括：利用随机采样方法对与目标多分类标签对应的初始样本音频进行过采样。备选地，利用合成少数过采样(SyntheticMinority Oversampling，SMO)方法对与目标多分类标签对应的初始样本音频进行过采样。

根据本公开的实施例，操作S643可以包括如下操作。

对与目标多分类标签对应的初始样本音频进行复制。

根据本公开的实施例，利用随机采样方法对与目标多分类标签对应的初始样本音频进行过采样可以包括：随机复制与目标多分类标签对应的初始样本音频，得到复制后的与目标多分类标签对应的初始样本音频。

图7示意性示出了根据本公开另一实施例的利用样本均衡策略得到训练样本集的流程图。

如图7所示，该方法700包括操作S741～S743。

在操作S741，确定与每种多分类标签对应的初始样本音频。

在操作S742，根据预设采样比例，从与每种多分类标签对应的初始样本音频中确定样本音频。

在操作S743，根据与每种多分类标签对应的样本音频，得到训练样本集。

根据本公开的实施例，预设采样比例可以用于确定每种类别的样本音频的数量。可以利用预设采样比例，从与每种多分类标签对应的初始样本音频中确定样本音频，以尽量保证不同类别的样本音频的数量均衡。

根据本公开的实施例，预设采样比例的数值可以根据实际业务需求进行配置，在此不作限定。例如，包括四种类别的多分类标签，预设采样比例是1∶1∶1∶1，即，使得四种多分类标签的样本音频的数量相同。

根据本公开的实施例，通过根据预设采样比例，从与每种多分类标签对应的初始样本音频中确定样本音频，有效保证了不同类别的样本音频的数量均衡。

图8示意性示出了根据本公开实施例的异常音频分类方法的流程图。

如图8所示，该方法800包括操作S810～S820。

在操作S810，获取目标音频。

在操作S820，将目标音频输入异常音频分类模型，得到与目标音频对应的多分类结果，其中，异常音频分类模型是利用本公开实施例所述的异常音频分类模型的训练方法训练得到的。

根据本公开的实施例，通过将目标音频输入异常音频分类模型，得到与目标音频对应的多分类结果，异常音频分类模型是利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据，利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列，利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果，并根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练得到的。由于特征提取是在异常音频分类模型的训练过程中完成的，形成了特征提取和分类的端到端的训练，使得提取到的深度特征数据能够较好地反映异常音频所具有的特征，因此，提高了模型的预测准确性。通过进行多分类，降低了将正常音频分类为异常音频的可能，提高了模型的预测准确性，也满足了针对异常音频的分类需求。

需要说明的是，在本公开实施例的技术方案中，所涉及的样本音频和目标音频的获取、存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

根据本公开的实施例，提供了一种异常音频分类模型的训练装置。异常音频分类模型可以包括特征提取模块、时序特征学习模块和多分类模块。

图9示意性示出了根据本公开实施例的异常音频分类模型的训练装置的框图。

如图9所示，异常音频分类模型的训练装置900可以包括第一处理模块910、第二处理模块920、第三处理模块930和训练模块940。

第一处理模块910，用于利用特征提取模块处理训练样本集中的每个样本音频，得到与每个样本音频对应的深度特征数据。

第二处理模块920，用于利用时序特征学习模块处理与每个样本音频对应的深度特征数据，得到与每个样本音频对应的时序特征序列。

第三处理模块930，用于利用多分类模块处理与每个样本音频对应的时序特征序列，得到与每个样本音频对应的多分类结果。

训练模块940，用于根据与每个样本音频对应的多分类结果和多分类标签，对特征提取模块、时序特征学习模块和多分类模块进行联合训练，得到异常音频分类模型。

根据本公开的实施例，多分类模块包括并联的多个分类单元。

第三处理模块930可以包括第一获得子模块。

第一获得子模块，用于将与每个样本音频对应的时序特征序列分别输入多个分类单元，得到与每个样本音频对应的多分类结果。

根据本公开的实施例，多分类模块包括第一分类单元、第二分类单元、第三分类单元和第四分类单元。

第一获得子模块可以包括第一获得单元、第二获得单元、第三获得单元、第四获得单元和第五获得单元。

第一获得单元，用于将与每个样本音频对应的时序特征序列输入第一分类单元，得到与每个样本音频对应的第一分类结果，其中，第一分类结果表征样本音频是正常音频或异常音频的分类结果。

第二获得单元，用于将与每个样本音频对应的时序特征序列输入第二分类单元，得到与每个样本音频对应的第二分类结果，其中，第二分类结果表征样本音频是异常音频中的气息类音频或其他类音频的分类结果。

第三获得单元，用于将与每个样本音频对应的时序特征序列输入第三分类单元，得到与每个样本音频对应的第三分类结果，其中，第三分类结果表征样本音频是气息类音频中的纯气息类音频或其他类音频的分类结果。

第四获得单元，用于将与每个样本音频对应的时序特征序列输入第四分类单元，得到与每个样本音频对应的第四分类结果，其中，第四分类结果表征样本音频是纯气息类音频中的正常音频或异常音频的分类结果。

第五获得单元，用于根据与每个样本音频对应的第一分类结果、第二分类结果、第三分类结果和第四分类结果，得到与每个样本音频对应的多分类结果。

根据本公开的实施例，上述异常音频分类模型的训练装置900可以包括第一获得模块。

第一获得模块，用于利用样本均衡策略得到训练样本集。

根据本公开的实施例，第一获得模块可以包括第一确定子模块、第二确定子模块、过采样子模块和第三确定子模块。

第一确定子模块，用于确定与每种多分类标签对应的初始样本音频的数量。

第二确定子模块，用于确定目标多分类标签，其中，目标多分类标签是对应的初始样本音频的数量小于第一预设数量阈值的多分类标签。

过采样子模块，用于对与目标多分类标签对应的初始样本音频进行过采样，以使得与目标多分类标签对应的初始样本音频的数量大于或等于第一预设数量阈值且小于或等于第二预设数量阈值。

第三确定子模块，用于将过采样后得到的与目标多分类标签对应的初始样本音频和与其他多分类标签对应的初始样本音频确定为训练样本集，其中，其他多分类标签是对应的初始样本音频的数量大于或等于第一预设数量阈值且小于或等于第二预设数量阈值的多分类标签。

根据本公开的实施例，过采样子模块可以包括复制单元。

复制单元，用于对与目标多分类标签对应的初始样本音频进行复制。

根据本公开的实施例，第一获得模块可以包括第四确定子模块、第五确定子模块和第二获得子模块。

第四确定子模块，用于确定与每种多分类标签对应的初始样本音频。

第五确定子模块，用于根据预设采样比例，从与每种多分类标签对应的初始样本音频中确定样本音频。

第二获得子模块，用于第二根据与每种多分类标签对应的样本音频，得到训练样本集。

根据本公开的实施例，第一处理模块910可以包括处理子模块。

处理子模块，用于基于预设处理顺序，利用所述特征提取模块处理所述训练样本集中的每个样本音频，得到与所述每个样本音频对应的深度特征数据。

图10示意性示出了根据本公开实施例的异常音频分类装置的框图。

如图10所示，异常音频分类装置1000可以包括获取模块1010和第二获得模块1020。

获取模块1010，用于获取目标音频。

第二获得模块1020，用于将目标音频输入异常音频分类模型，得到与目标音频对应的多分类结果，其中，异常音频分类模型是利用本公开实施例所述的异常音频分类模型的训练装置训练得到的。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图11示出了根据本公开实施例的适用于异常音频分类模型的训练方法或异常音频分类方法的电子设备1100的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如异常音频分类模型的训练方法或异常音频分类方法。例如，在一些实施例中，异常音频分类模型的训练方法或异常音频分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的异常音频分类模型的训练方法或异常音频分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异常音频分类模型的训练方法或异常音频分类方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。