1.本技术涉及数据处理技术领域，更具体地说，涉及一种歌曲演唱难度的确定方法及电子设备和计算机可读存储介质。
背景技术：2.随着网络技术的发展，出现了很多可以供用户k歌的应用程序，用户可以通过该应用程序，选择相应的歌曲进行演唱并录制。然而，由于存在各种各样风格的歌曲，因此，每首歌曲的演唱难度也不相同，为了便于用户在k歌时了解歌曲的演唱难度，以选择适合自己演唱的歌曲，同时，也为了对用户演唱的演唱歌曲进行合理的评判，需要确定歌曲的演唱难度。
3.在相关技术中，歌曲的演唱难度都是采用人工标注的方式，但是，由于人工标注依赖人的主观判断，而主观判断标准不同导致不同人给出的演唱难度不同，最终导致确定出的歌曲的演唱难度不准确的问题。
4.因此，如何提高确定歌曲演唱难度的准确度是本领域技术人员需要解决的技术问题。
技术实现要素：5.本技术的目的在于提供一种歌曲演唱难度的确定方法及一种电子设备和一种计算机可读存储介质，提高了确定歌曲演唱难度的准确度。
6.为实现上述目的，本技术第一方面提供了一种歌曲演唱难度的确定方法，
7.获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；
8.获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；
9.对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；
10.利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；
11.确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；
12.将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分。
13.为实现上述目的，本技术第二方面提供了一种电子设备，包括：
14.存储器，用于存储计算机程序；
15.处理器，用于执行所述计算机程序时实现如上述歌曲演唱难度的确定方法的步骤。
16.为实现上述目的，本技术第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述歌曲演唱难度的确定方法的步骤。
17.通过以上方案可知，本技术提供的一种歌曲演唱难度的确定方法，包括：获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分。
18.本技术提供的歌曲演唱难度的确定方法，计算与演唱难度相关的标签，通过机器学习的方式学习不同的音频特征与演唱难度标签之间的关系，使得预测歌曲的演唱难度的过程客观稳定。进一步的，本技术基于歌曲的发布率信息和人工评分信息计算与演唱难度相关的标签，发布率信息为歌曲的客观指标，人工评分信息为歌曲难度的主观打标，综合歌曲的客观指标与主观打标，使得计算得到的演唱难度标签更加准确，进而优化了机器学习模型的训练结果，使得利用训练完成的机器学习模型确定的歌曲的演唱难度更加准确。由此可见，本技术提高了确定歌曲演唱难度的准确度。本技术还公开了一种歌曲显示方法、一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。
附图说明
20.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
21.图1为本技术实施例提供的一种歌曲演唱难度的确定系统的架构图；
22.图2为本技术实施例提供的一种歌曲演唱难度的确定方法的流程图；
23.图3a-3n为本技术实施例提供的一种歌曲的各个音频特征与发布率信息和人工评分信息之间的关系示意图；
24.图4为本技术实施例提供的一种歌曲显示方法的流程图；
25.图5为本技术实施例提供的一种电子设备的结构图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.为了便于理解本技术提供的歌曲演唱难度的确定方法，下面对其使用的系统进行介绍。参见图1，其示出了本技术实施例提供的一种歌曲演唱难度的确定系统的架构图，如
图1所示，包括服务器10和客户端20。
28.服务器10用于确定歌曲的演唱难度，具体的，获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分。可以理解的是，服务器10可以按照上述方式歌曲库中每个歌曲的难度等级。
29.客户端20可以包括pc(中文全称：个人计算机，英文全称：personal computer)等固定终端和手机等移动终端，用于显示待显示难度等级的歌曲。具体的，当接收到待显示难度等级的歌曲显示命令时，显示难度等级为所述待显示难度等级的歌曲的歌曲名。
30.本技术实施例公开了一种歌曲演唱难度的确定方法，提高了确定歌曲演唱难度的准确度。
31.参见图2，图2为本技术实施例提供的一种歌曲演唱难度的确定方法的流程图，如图2所示，包括：
32.s101：获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；
33.本实施例的执行主体为上述歌曲演唱难度的确定系统中的服务器。在本步骤中，首先获取用于训练机器学习模型的训练歌曲和对应的人工评分信息，需要说明的是，为了避免流行因素对训练结果的干扰，可以选取较早发布的歌曲作为训练歌曲，例如选取十年以前的歌曲作为训练歌曲。
34.其次，提取训练歌曲的音频特征，可以包括音域、音高、高音率、低音率、长音率、换气难度、吐字速度等。具体的，音域为歌曲最高音高与最低音高的差值；整体音高为max{音高中值-较高音阈值，0}，其中，男生的较高音阈值与女生的较高音阈值不同，例如男生的较高音阈值可以为g3，女生的较高音阈值可以为f4；高音率为较高音阈值以上的音符数量与总音符数量的比值；低音率为低音阈值以下的音符数量与总音符数量的比值，其中，男生的低音阈值与女生的低音阈值不同，例如男生的低音阈值可以为f2，女生的低音阈值可以为a3；长音率为时长超过长音符阈值的音符数量与总音符数量的比值，长音符阈值可以为3s；换气难度为间隔在可换气阈值以内的连续音符总时长大于或等于长连续阈值的次数与可换气次数的比值，可换气阈值可以为0.2s，长连续阈值可以为10s；吐字速度为歌词总字数与歌曲总时长的比值，单位为字/秒。
35.进一步的，还可以对提取到的各音频特征进行标准化处理，将其标准化处理为对应的阈值范围，例如，将音域标准化处理为[12,42]的范围内，也即大于42时取值42，小于12时取值12，将音高标准化处理为[0,12]的范围内，将高音率和低音率标准化处理为[0,0.3]的范围内，将长音率标准化处理为[0,0.03]的范围内，将换气难度标准化处理为[0,0.3]的范围内，将换气难度标准化处理为[2,5]的范围内。
[0036]
s102：获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；
[0037]
在本步骤中，计算训练歌曲的发布率信息，发布率信息具体为训练歌曲的发布数
量与录制数量之间的比值。
[0038]
s103：对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；
[0039]
需要说明的是，歌曲的各个音频特征与其发布率信息和人工评分信息存在相关性，如图3a-3n所示，进一步的，歌曲的演唱难度与歌曲的音频特征存在相关性，因此，发布率信息和人工评分信息可以一定程度上的反映歌曲的演唱难度，也即可以基于训练歌曲的发布率信息和人工评分信息计算与演唱难度相关的标签，发布率信息为歌曲的客观指标，人工评分信息为歌曲难度的主观打标，综合歌曲的客观指标与主观打标，使得计算得到的与歌曲的演唱难度相关的标签更加准确。
[0040]
作为一种可行的实施方式，本步骤可以包括：为所述发布率信息和所述人工评分信息分别分配第一加权参数和第二加权参数；计算所述发布率信息与所述第一加权参数的乘积作为第一乘积，计算所述人工评分信息与所述第二加权参数的乘积作为第二乘积；计算所述第一乘积与所述第二乘积的和作为所述训练歌曲对应的演唱难度标签。在具体实施中，训练歌曲对应的标签的计算公式为：发布率信息
×
i+人工评分信息
×
j，其中，i为第一加权参数，j为第二加权参数。
[0041]
s104：利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；
[0042]
在本步骤中，利用训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型，训练完成的机器学习模型用于确定目标歌曲的演唱难度。本实施例中的机器学习模型可以具体为神经网络模型、线性回归模型等，在此不进行具体限定。
[0043]
若机器学习模型具体为线性回归模型，则本步骤可以包括：将所述训练歌曲的各个音频特征和对应的演唱难度标签输入线性回归模型中，以对所述训练歌曲的各个音频特征和对应的演唱难度标签进行线性拟合，得到所述训练歌曲的各个音频特征对应的权重系数。在具体实施中，利用线性回归模型对训练歌曲的各个音频特征和对应的演唱难度标签进行线性拟合，也即确定公式“演唱难度标签＝a
×
音域+b
×
整体音高+c
×
高音率+d
×
低音率+e
×
长音率+f
×
换气难度+g
×
吐字速度”中的权重系数a、b、c、d、e、f、g。线性回归模型可以通过线性拟合使得各个音频特征具有解释性，可以通过各个音频特征对应的权重系数显式解释各个音频特征的重要性，权重系数越大的音频特征越重要。
[0044]
若机器学习模型具体为神经网络模型，则本步骤可以包括：将所述训练歌曲的音频特征输入神经网络模型中，输出所述训练歌曲的预测演唱难度评分；基于所述训练歌曲的预测演唱难度评分和对应的演唱难度标签计算损失值，并根据所述损失值调整所述神经网络模型的模型参数，直至所述损失值小于第一预设值或调整次数达到第二预设值，得到训练完成的神经网络模型。在具体实施中，将训练歌曲的音频特征输入神经网络模型中，输出预测演唱难度评分，确定损失函数，以基于预测演唱难度评分和演唱难度标签计算损失值，判断损失值是否小于第一预设值或调整次数是否达到第二预设值，若是，则训练完成，若否，则调整神经网络模型的模型参数，将训练歌曲的音频特征再次输入调整后的神经网络模型中，再次计算损失值、调整模型参数，直至损失值小于第一预设值或调整次数达到第二预设值，得到训练完成的神经网络模型。
[0045]
s105：确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；
[0046]
s106：将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标
歌曲的演唱难度评分。
[0047]
在具体实施中，对于需要评价演唱难度的目标歌曲，首先，提取目标歌曲的目标音频特征，可以包括音域、音高、高音率、低音率、长音率、换气难度、吐字速度等。其次，对提取到的各音频特征进行标准化处理，将其标准化处理为对应的阈值范围。然后，将标准化处理后的目标音频特征输入上一实施例训练完成的机器学习模型中，输出目标歌曲的演唱难度评分。
[0048]
若机器学习模型具体为线性回归模型，在训练过程中确定了每个音频特征对应的权重系数，因此，在本实施例中，可以基于各个音频特征对应的权重系数对所述目标歌曲的音频特征进行加权计算得到所述目标歌曲的演唱难度评分。例如，在训练过程中确定了音域、音高、高音率、低音率、长音率、换气难度、吐字速度分别对应的权重系数为0.88、0.48、0.53、0.50、0.31、0.03、0.59，演唱难度评分＝0.88
×
音域+0.48
×
整体音高+0.53
×
高音率+0.50
×
低音率+0.31
×
长音率+0.03
×
换气难度+0.59
×
吐字速度。
[0049]
若机器学习模型具体为神经网络模型，则将目标歌曲的音频特征输入训练完成的神经网络模型中得到目标歌曲的演唱难度评分。
[0050]
作为一种优选实施方式，将所述目标音频输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分之后，还包括：确定所述目标歌曲的演唱难度评分所属的目标评分范围；根据评分范围与难度等级的对应关系确定所述目标评分范围对应的目标难度等级；将所述目标歌曲的演唱难度等级确定为所述目标难度等级。在具体实施中，可以确定评分范围与难度等级之间的对应关系，例如，评分范围[0,0.2]对应难度等级简单，评分范围(0.2,0.4]对应难度等级较易，评分范围(0.4,0.6]对应难度等级中等，评分范围(0.6,0.8]对应难度等级较难，评分范围(0.8～1.0]对应难度等级困难。确定目标歌曲的演唱难度评分所属的目标评分范围，即可根据上述评分范围与难度等级之间的对应关系确定目标歌曲的演唱难度等级，也即将目标评分范围对应的目标难度等级确定为目标歌曲的演唱难度等级。
[0051]
本技术实施例提供的歌曲演唱难度的确定方法，计算与演唱难度相关的标签，通过机器学习的方式学习不同的音频特征与演唱难度标签之间的关系，使得预测歌曲的演唱难度的过程客观稳定。进一步的，本技术实施例基于歌曲的发布率信息和人工评分信息计算与演唱难度相关的标签，发布率信息为歌曲的客观指标，人工评分信息为歌曲难度的主观打标，综合歌曲的客观指标与主观打标，使得计算得到的演唱难度标签更加准确，进而优化了机器学习模型的训练结果，使得利用训练完成的机器学习模型确定的歌曲的演唱难度更加准确。由此可见，本技术实施例提高了确定歌曲演唱难度的准确度。
[0052]
本技术实施例公开了一种歌曲显示方法，参见图4，图4为本技术实施例提供的一种歌曲显示方法的流程图，如图4所示，包括：
[0053]
s301：服务器提取歌曲库中每个歌曲的音频特征；
[0054]
s302：服务器将每个所述歌曲的音频特征分别输入训练完成的机器学习模型中得到每个所述歌曲的演唱难度评分；
[0055]
s303：服务器确定每个所述歌曲的演唱难度评分所属的评分范围，并根据评分范围与难度等级的对应关系确定每个所述歌曲的难度等级；
[0056]
在本实施例中，服务器可以按照上一实施例介绍的方式确定歌曲库中每个歌曲的
难度等级。
[0057]
s304：客户端接收待显示难度等级的歌曲显示命令；
[0058]
s305：客户端将所述歌曲显示命令发送至服务器；
[0059]
s306：服务器确定难度等级为所述待显示难度等级的歌曲的歌曲名；
[0060]
s307：服务器将难度等级为所述待显示难度等级的歌曲的歌曲名返回客户端；
[0061]
s308：客户端显示难度等级为所述待显示难度等级的歌曲的歌曲名。
[0062]
在具体实施中，用户可以在客户端选择待显示难度等级，客户端接收到待显示难度等级的歌曲显示命令，将该歌曲显示命令发送至服务器，服务器确定难度等级为待显示难度等级的歌曲的歌曲名，并返回至客户端，以便客户端显示难度等级为待显示难度等级的歌曲的歌曲名。
[0063]
下面对本技术实施例提供的一种歌曲演唱难度的确定装置进行介绍，下文描述的一种歌曲演唱难度的确定装置应用于服务器，与上文描述的一种歌曲演唱难度的确定方法可以相互参照。
[0064]
具体的，本技术实施例提供的歌曲演唱难度的确定装置包括：
[0065]
获取模块，用于获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；
[0066]
第一计算模块，用于获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；
[0067]
第二计算模块，用于对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；
[0068]
训练模块，用于利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；
[0069]
提取模块，用于确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；
[0070]
输入模块，用于将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分。
[0071]
本技术实施例提供的歌曲演唱难度的确定装置，计算与演唱难度相关的标签，通过机器学习的方式学习不同的音频特征与演唱难度标签之间的关系，使得预测歌曲的演唱难度的过程客观稳定。进一步的，本技术实施例基于歌曲的发布率信息和人工评分信息计算与演唱难度相关的标签，发布率信息为歌曲的客观指标，人工评分信息为歌曲难度的主观打标，综合歌曲的客观指标与主观打标，使得计算得到的演唱难度标签更加准确，进而优化了机器学习模型的训练结果，使得利用训练完成的机器学习模型确定的歌曲的演唱难度更加准确。由此可见，本技术实施例提高了确定歌曲演唱难度的准确度。
[0072]
在上述实施例的基础上，作为一种优选实施方式，所述训练模块具体用于：利用所述训练歌曲的音域、音高、高音率、低音率、长音率、换气难度、吐字速度中任一项或任几项的组合、所述训练歌曲对应的演唱难度标签训练机器学习模型。
[0073]
在上述实施例的基础上，作为一种优选实施方式，所述训练模块具体用于：将所述训练歌曲的各个音频特征和对应的演唱难度标签输入线性回归模型中，以对所述训练歌曲的各个音频特征和对应的演唱难度标签进行线性拟合，得到所述训练歌曲的各个音频特征
对应的权重系数。
[0074]
在上述实施例的基础上，作为一种优选实施方式，所述输入模块具体用于：基于各个音频特征对应的权重系数对所述目标歌曲的音频特征进行加权计算得到所述目标歌曲的演唱难度评分。
[0075]
在上述实施例的基础上，作为一种优选实施方式，所述训练模块具体用于：将所述训练歌曲的音频特征输入神经网络模型中，输出所述训练歌曲的预测演唱难度评分；基于所述训练歌曲的预测演唱难度评分和对应的演唱难度标签计算损失值，并根据所述损失值调整所述神经网络模型的模型参数，直至所述损失值小于第一预设值或调整次数达到第二预设值，得到训练完成的神经网络模型。
[0076]
在上述实施例的基础上，作为一种优选实施方式，所述第二计算模块具体用于：为所述发布率信息和所述人工评分信息分别分配第一加权参数和第二加权参数；计算所述发布率信息与所述第一加权参数的乘积作为第一乘积，计算所述人工评分信息与所述第二加权参数的乘积作为第二乘积；计算所述第一乘积与所述第二乘积的和作为所述训练歌曲对应的演唱难度标签。
[0077]
在上述实施例的基础上，作为一种优选实施方式，还包括：
[0078]
确定模块，用于确定所述目标歌曲的演唱难度评分所属的目标评分范围；根据评分范围与难度等级的对应关系确定所述目标评分范围对应的目标难度等级；将所述目标歌曲的演唱难度等级确定为所述目标难度等级。
[0079]
在上述实施例的基础上，作为一种优选实施方式，还包括：
[0080]
显示模块，用于当接收到待显示难度等级的歌曲显示命令时，确定难度等级为所述待显示难度等级的歌曲的歌曲名，以便客户端显示难度等级为所述待显示难度等级的歌曲的歌曲名。
[0081]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0082]
本技术还提供了一种电子设备，参见图5，本技术实施例提供的一种电子设备的结构图，如图5所示，可以包括处理器1和存储器2。
[0083]
其中，处理器1可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0084]
存储器2可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器2还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器2至少用于存储以下计算机程序21，其
中，该计算机程序被处理器1加载并执行之后，能够实现前述任一实施例公开的由服务器或客户端侧执行的歌曲演唱难度的确定方法中的相关步骤。另外，存储器2所存储的资源还可以包括操作系统22和数据23等，存储方式可以是短暂存储或者永久存储。其中，操作系统22可以包括windows、unix、linux等。
[0085]
在一些实施例中，电子设备还可包括有显示屏3、输入输出接口4、通信接口5、传感器6、电源7以及通信总线8。
[0086]
当然，图5所示的电子设备的结构并不构成对本技术实施例中电子设备的限定，在实际应用中电子设备可以包括比图5所示的更多或更少的部件，或者组合某些部件。
[0087]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任一实施例服务器或客户端所执行的歌曲演唱难度的确定方法的步骤。
[0088]
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0089]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
技术特征：1.一种歌曲演唱难度的确定方法，其特征在于，包括：获取训练歌曲和对应的人工评分信息，提取所述训练歌曲的音频特征；获取所述训练歌曲的录制数量和发布数量，计算所述发布数量与所述录制数量的比值作为所述训练歌曲的发布率信息；对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签；利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；确定需要评价演唱难度的目标歌曲，并提取所述目标歌曲的音频特征；将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分。2.根据权利要求1所述歌曲演唱难度的确定方法，其特征在于，所述利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型，包括：利用所述训练歌曲的音域、音高、高音率、低音率、长音率、换气难度、吐字速度中任一项或任几项的组合、所述训练歌曲对应的演唱难度标签训练机器学习模型。3.根据权利要求1所述歌曲演唱难度的确定方法，其特征在于，所述利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型，包括：将所述训练歌曲的各个音频特征和对应的演唱难度标签输入线性回归模型中，以对所述训练歌曲的各个音频特征和对应的演唱难度标签进行线性拟合，得到所述训练歌曲的各个音频特征对应的权重系数。4.根据权利要求3所述歌曲演唱难度的确定方法，其特征在于，将所述目标歌曲的音频特征输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分，包括：基于各个音频特征对应的权重系数对所述目标歌曲的音频特征进行加权计算得到所述目标歌曲的演唱难度评分。5.根据权利要求1所述歌曲演唱难度的确定方法，其特征在于，所述利用所述训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型，包括：将所述训练歌曲的音频特征输入神经网络模型中，输出所述训练歌曲的预测演唱难度评分；基于所述训练歌曲的预测演唱难度评分和对应的演唱难度标签计算损失值，并根据所述损失值调整所述神经网络模型的模型参数，直至所述损失值小于第一预设值或调整次数达到第二预设值，得到训练完成的神经网络模型。6.根据权利要求1所述歌曲演唱难度的确定方法，其特征在于，对所述训练歌曲的发布率信息和人工评分信息进行加权，以计算所述训练歌曲对应的演唱难度标签，包括：为所述发布率信息和所述人工评分信息分别分配第一加权参数和第二加权参数；计算所述发布率信息与所述第一加权参数的乘积作为第一乘积，计算所述人工评分信息与所述第二加权参数的乘积作为第二乘积；计算所述第一乘积与所述第二乘积的和作为所述训练歌曲对应的演唱难度标签。7.根据权利要求1所述歌曲演唱难度的确定方法，其特征在于，将所述目标歌曲的音频输入训练完成的机器学习模型中得到所述目标歌曲的演唱难度评分之后，还包括：确定所述目标歌曲的演唱难度评分所属的目标评分范围；
根据评分范围与难度等级的对应关系确定所述目标评分范围对应的目标难度等级；将所述目标歌曲的演唱难度等级确定为所述目标难度等级。8.根据权利要求7所述歌曲演唱难度的确定方法，其特征在于，还包括：当接收到待显示难度等级的歌曲显示命令时，确定难度等级为所述待显示难度等级的歌曲的歌曲名，以便客户端显示难度等级为所述待显示难度等级的歌曲的歌曲名。9.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述歌曲演唱难度的确定方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述歌曲演唱难度的确定方法的步骤。
技术总结本申请公开了一种歌曲演唱难度的确定方法及一种电子设备和计算机可读存储介质，该歌曲演唱难度的确定方法包括：获取训练歌曲和对应的人工评分信息，提取训练歌曲的音频特征；获取训练歌曲的录制数量和发布数量，计算发布数量与录制数量的比值作为训练歌曲的发布率信息；对训练歌曲的发布率信息和人工评分信息进行加权，以计算训练歌曲对应的演唱难度标签；利用训练歌曲的音频特征和对应的演唱难度标签训练机器学习模型；确定需要评价演唱难度的目标歌曲，并提取目标歌曲的音频特征；将目标歌曲的音频特征输入训练完成的机器学习模型中得到目标歌曲的演唱难度评分。由此可见，本申请提高了确定歌曲演唱难度的准确度。本申请提高了确定歌曲演唱难度的准确度。本申请提高了确定歌曲演唱难度的准确度。
技术研发人员：江益靓 谭升民 赵伟峰 姜涛
受保护的技术使用者：腾讯音乐娱乐科技（深圳）有限公司
技术研发日：2022.05.16
技术公布日：2022/11/1
