基于图像分析的音频信息生成方法、装置、设备及介质

本发明涉及人工智能技术领域，尤其涉及一种基于图像分析的音频信息生成方法、装置、设备及介质。该方法通过滑窗从待转换图像中滑动提取出N张截取图像，将N张截取图像输入时序卷积网络模型中，输出伪时序特征，将伪时序特征和图像特征输入编码器中，得到压缩特征，对压缩特征进行再卷积，得到再卷积特征，在预设的音频特征集合中搜索与再卷积特征最相似的音频特征，得到目标音频特征，根据目标音频特征，生成参考音频特征，对参考音频特征进行特征重构，得到生成音频信息，通过滑动方式截取待转换图像，使得截取图像包含更丰富的图像信息，提高特征表征能力，将再卷积特征映射为符合音频习惯的目标音频特征，提高图像与生成音频的关联程度。