深度學(xué)習(xí)技術(shù)在音頻自動(dòng)標(biāo)注中的應(yīng)用研究

摘  要：自動(dòng)音頻標(biāo)注的目的是從音頻輸入生成能夠描述此音頻的一段文字。目前，音頻標(biāo)注模型的效果欠佳，并且在改善音頻標(biāo)注效果的過程中很少有應(yīng)用預(yù)加載模型。自動(dòng)音頻標(biāo)注的目標(biāo)為音頻片段產(chǎn)生合適的描述語句，要能夠擁有處理音頻模態(tài)和文本模態(tài)數(shù)據(jù)的能力。為此，對(duì)音頻模態(tài)及文本模態(tài)的預(yù)加載模型進(jìn)行研究，并提出基于音頻模態(tài)的自動(dòng)標(biāo)注和基于文本模態(tài)的自動(dòng)標(biāo)注，解決傳統(tǒng)標(biāo)注方法中訓(xùn)練和測(cè)試階段目標(biāo)不一致的問題。（剩余5182字）