torchaudio.compliance.kaldi

可以使用 torchaudio 执行 kaldi 的有用处理操作。 给出了具有相同参数的各种函数，以便 torchaudio 可以 产生类似的输出。

功能

光谱图

torchaudio.compliance.kaldi.spectrogram(波形：手电筒。张量，blackman_coeff：float = 0.42，通道：int = - 1，抖动：float = 0.0，energy_floor：浮点数 = 1.0，frame_length：浮点数 = 25.0，frame_shift：浮点数 = 10.0，min_duration：浮点数 = 0.0，preemphasis_coefficient：浮点数 = 0.97，raw_energy：布尔值 = True， remove_dc_offset： bool = True， round_to_power_of_two： bool = True， sample_frequency： 浮点数 = 16000.0，snip_edges：bool = True，subtract_mean：bool = False，window_type： str = 'povey'） → torch.张量

从原始音频信号创建频谱图。这与 Kaldi 的 compute-spectrogram-feats.

参数

• waveform （Tensor） - 大小为 （c， n） 的音频张量，其中 c 在 [0,2] 范围内

• blackman_coeff （float， optional） - 广义 Blackman 窗口的常数系数。（默认：0.42)

• channel （int， optional） - 要提取的通道 （-1 -> expect mono， 0 -> left， 1 -> right） （默认值：-1)

• dither （float， optional） – 抖动常数 （0.0 表示没有抖动）。如果关闭此选项，则应将 energy_floor选项，例如 1.0 或 0.1（默认值：0.0)

• energy_floor （float， optional） – 频谱图计算中的能量下限 （绝对，非相对）。谨慎： 此 floor 应用于第 0 个分量，表示总信号能量。地板 各个频谱图元素固定在 std：：numeric_limits<float>：：epsilon（） 中。（默认：1.0)

• frame_length （float， optional） – 帧长度（以毫秒为单位）（默认值：25.0)

• frame_shift （float， optional） – 以毫秒为单位的移码 （Default：10.0)

• min_duration （float， optional） – 要处理的分段的最短持续时间 （以秒为单位）。（默认：0.0)

• preemphasis_coefficient （float， optional） – 用于信号预加重的系数 （Default：0.97)

• raw_energy （bool， optional） – 如果为 True，则在预加重和加窗之前计算能量（默认值：True)

• remove_dc_offset （bool， optional） – 从每帧的波形中减去平均值（默认值：True)

• round_to_power_of_two （bool，可选） – 如果为 True，则将窗口大小四舍五入到零填充输入的 2 的幂 到 FFT。（默认：True)

• sample_frequency （float， optional） – 波形数据采样频率 （必须与波形文件匹配，如果 在那里指定）（默认值：16000.0)

• snip_edges （bool， optional） – 如果为 True，则通过仅输出完全适合的帧来处理结束效果 ，帧数取决于 frame_length。如果为 False，则为帧数 仅取决于frame_shift，我们在末尾反映数据。（默认：True)

• subtract_mean （bool， optional） – 减去每个特征文件的平均值 [CMS];不建议这样做 它就是这样。（默认：False)

• window_type （str， optional） – 窗口类型 （'hamming'|'汉宁'|'povey'|'矩形'|'布莱克曼'） （默认：'povey')

返回

与 Kaldi 输出的频谱图相同。形状为 （m， ） 其中 m 以 _get_strided 为单位计算padded_window_size // 2 + 1

返回类型

张肌

fbank

torchaudio.compliance.kaldi.fbank(波形：手电筒。张量，blackman_coeff：float = 0.42，通道：int = - 1，抖动：float = 0.0，energy_floor：浮点数 = 1.0，frame_length：浮点数 = 25.0，frame_shift：浮点数 = 10.0，high_freq：float = 0.0，htk_compat：bool = False，low_freq：float = 20.0，min_duration：浮点数 = 0.0，num_mel_bins：int = 23，preemphasis_coefficient：浮点数 = 0.97， raw_energy： bool = True， remove_dc_offset： bool = True， round_to_power_of_two： bool = True， sample_frequency： float = 16000.0， snip_edges： bool = True， subtract_mean：bool = False，use_energy：bool = False，use_log_fbank：bool = True。、use_power：bool = True， vtln_high： float = - 500.0， vtln_low： float = 100.0， vtln_warp： 浮 = 1.0， window_type： str = 'povey'） → torch 的张量

从原始音频信号创建 fbank。这与 Kaldi 的 compute-fbank-feats 的

参数

• waveform （Tensor） - 大小为 （c， n） 的音频张量，其中 c 在 [0,2] 范围内

• blackman_coeff （float， optional） - 广义 Blackman 窗口的常数系数。（默认：0.42)

• channel （int， optional） - 要提取的通道 （-1 -> expect mono， 0 -> left， 1 -> right） （默认值：-1)

• dither （float， optional） – 抖动常数 （0.0 表示没有抖动）。如果关闭此选项，则应将 energy_floor选项，例如 1.0 或 0.1（默认值：0.0)

• energy_floor （float， optional） – 频谱图计算中的能量下限 （绝对，非相对）。谨慎： 此 floor 应用于第 0 个分量，表示总信号能量。地板 各个频谱图元素固定在 std：：numeric_limits<float>：：epsilon（） 中。（默认：1.0)

• frame_length （float， optional） – 帧长度（以毫秒为单位）（默认值：25.0)

• frame_shift （float， optional） – 以毫秒为单位的移码 （Default：10.0)

• high_freq （float （float， optional） – 梅尔箱的高截止频率（如果 <= 0，与 Nyquist 的偏移量） （默认：0.0)

• htk_compat （bool， optional） – 如果为 true，则最后输入 energy。警告：不足以获得 HTK 兼容功能 （需要更改其他参数）。（默认：False)

• low_freq （float， optional） – mel bins 的低截止频率 （Default：20.0)

• min_duration （float， optional） – 要处理的分段的最短持续时间 （以秒为单位）。（默认：0.0)

• num_mel_bins （int， optional） – 三角形 mel-frequency bin 的数量 （默认值：23)

• preemphasis_coefficient （float， optional） – 用于信号预加重的系数 （Default：0.97)

• raw_energy （bool， optional） – 如果为 True，则在预加重和加窗之前计算能量（默认值：True)

• remove_dc_offset （bool， optional） – 从每帧的波形中减去平均值（默认值：True)

• round_to_power_of_two （bool，可选） – 如果为 True，则将窗口大小四舍五入到零填充输入的 2 的幂 到 FFT。（默认：True)

• sample_frequency （float， optional） – 波形数据采样频率 （必须与波形文件匹配，如果 在那里指定）（默认值：16000.0)

• snip_edges （bool， optional） – 如果为 True，则通过仅输出完全适合的帧来处理结束效果 ，帧数取决于 frame_length。如果为 False，则为帧数 仅取决于frame_shift，我们在末尾反映数据。（默认：True)

• subtract_mean （bool， optional） – 减去每个特征文件的平均值 [CMS];不建议这样做 它就是这样。（默认：False)

• use_energy （bool， optional） – 向 FBANK 输出添加一个带有能量的额外维度。（默认：False)

• use_log_fbank （bool， optional） – 如果为 true，则生成 log-filterbank，否则生成 linear。（默认：True)

• use_power （bool， optional） – 如果为 true，则使用 power，否则使用 magnitude。（默认：True)

• vtln_high （float （float ， optional） – 分段线性 VTLN 翘曲函数中的高拐点 （如果 负数，与 high-mel-freq 的偏移量（默认值：-500.0)

• vtln_low （float， optional） – 分段线性 VTLN warping 函数中的低拐点 （Default：100.0)

• vtln_warp （float， optional） – Vtln 翘曲因子 （仅在未指定 vtln_map 时适用） （默认值：1.0)

• window_type （str， optional） – 窗口类型 （'hamming'|'汉宁'|'povey'|'矩形'|'布莱克曼'） （默认：'povey')

返回

与 Kaldi 输出的 fbank 相同。形状为 （m， ） 其中 m 以 _get_strided 为单位计算num_mel_bins + use_energy

返回类型

张肌

MFCC

torchaudio.compliance.kaldi.mfcc(波形：手电筒。张量，blackman_coeff：float = 0.42，cepstral_lifter：float = 22.0，通道：int = - 1，抖动：浮点数 = 0.0，energy_floor：浮点数 = 1.0，frame_length：浮点数 = 25.0，frame_shift：浮点数 = 10.0，high_freq：浮点数 = 0.0，htk_compat：布尔值 = False， low_freq： float = 20.0， num_ceps： int = 13， min_duration： 浮 = 0.0，num_mel_bins：int = 23，preemphasis_coefficient：浮点数 = 0.97，raw_energy： 布尔 = True， remove_dc_offset： bool = True， round_to_power_of_two： bool = True， sample_frequency： 浮点数 = 16000.0，snip_edges：bool = True，subtract_mean：bool = False，use_energy： 布尔 = False， vtln_high： float = - 500.0， vtln_low： float = 100.0， vtln_warp： 浮 = 1.0， window_type： str = 'povey'） → torch 的张量

从原始音频信号创建 mfcc。这与 Kaldi 的 compute-mfcc-feats 的 Calculate MfcC-feats 中。

参数

• waveform （Tensor） - 大小为 （c， n） 的音频张量，其中 c 在 [0,2] 范围内

• blackman_coeff （float， optional） - 广义 Blackman 窗口的常数系数。（默认：0.42)

• cepstral_lifter （float， optional） – 控制 MFCC 缩放的常量 （默认值：22.0)

• channel （int， optional） - 要提取的通道 （-1 -> expect mono， 0 -> left， 1 -> right） （默认值：-1)

• dither （float， optional） – 抖动常数 （0.0 表示没有抖动）。如果关闭此选项，则应将 energy_floor选项，例如 1.0 或 0.1（默认值：0.0)

• energy_floor （float， optional） – 频谱图计算中的能量下限 （绝对，非相对）。谨慎： 此 floor 应用于第 0 个分量，表示总信号能量。地板 各个频谱图元素固定在 std：：numeric_limits<float>：：epsilon（） 中。（默认：1.0)

• frame_length （float， optional） – 帧长度（以毫秒为单位）（默认值：25.0)

• frame_shift （float， optional） – 以毫秒为单位的移码 （Default：10.0)

• high_freq （float （float， optional） – 梅尔箱的高截止频率（如果 <= 0，与 Nyquist 的偏移量） （默认：0.0)

• htk_compat （bool， optional） – 如果为 true，则最后输入 energy。警告：不足以兼容 HTK features（需要更改其他参数）。（默认：False)

• low_freq （float， optional） – mel bins 的低截止频率 （Default：20.0)

• num_ceps （int， optional） – MFCC 计算中的 cepstra 数量 （包括 C0） （默认值：13)

• min_duration （float， optional） – 要处理的分段的最短持续时间 （以秒为单位）。（默认：0.0)

• num_mel_bins （int， optional） – 三角形 mel-frequency bin 的数量 （默认值：23)

• preemphasis_coefficient （float， optional） – 用于信号预加重的系数 （Default：0.97)

• raw_energy （bool， optional） – 如果为 True，则在预加重和加窗之前计算能量（默认值：True)

• remove_dc_offset （bool， optional） – 从每帧的波形中减去平均值（默认值：True)

• round_to_power_of_two （bool，可选） – 如果为 True，则将窗口大小四舍五入到零填充输入的 2 的幂 到 FFT。（默认：True)

• sample_frequency （float， optional） – 波形数据采样频率 （必须与波形文件匹配，如果 在那里指定）（默认值：16000.0)

• snip_edges （bool， optional） – 如果为 True，则通过仅输出完全适合的帧来处理结束效果 ，帧数取决于 frame_length。如果为 False，则为帧数 仅取决于frame_shift，我们在末尾反映数据。（默认：True)

• subtract_mean （bool， optional） – 减去每个特征文件的平均值 [CMS];不建议这样做 它就是这样。（默认：False)

• use_energy （bool， optional） – 向 FBANK 输出添加一个带有能量的额外维度。（默认：False)

• vtln_high （float （float ， optional） – 分段线性 VTLN 翘曲函数中的高拐点 （如果 负数，与 high-mel-freq 的偏移量（默认值：-500.0)

• vtln_low （float， optional） – 分段线性 VTLN warping 函数中的低拐点 （Default：100.0)

• vtln_warp （float， optional） – Vtln 翘曲因子 （仅在未指定 vtln_map 时适用） （默认值：1.0)

• window_type （str， optional） – 窗口类型 （'hamming'|'汉宁'|'povey'|'矩形'|'布莱克曼'） （默认："povey")

返回

与 Kaldi 输出的 mfcc 相同。形状为 （m， ） 其中 m 以 _get_strided 为单位计算num_ceps

返回类型

张肌