torchaudio.functional¶

用于执行常见音频操作的函数。

效用¶

amplitude_to_DB¶

torchaudio.functional.amplitude_to_DB(x：Torch。张量、乘数：float、amin：float、db_multiplier：float、top_db：可选[float] = None） → torch。张量 [来源]¶

将频谱图从功率/振幅刻度转换为分贝刻度。

批处理中每个张量的输出取决于该张量的最大值因此，对于拆分为片段的音频剪辑和完整剪辑，可能会返回不同的值。

参数

x （Tensor） - 在转换为分贝刻度之前输入频谱图。输入应采用形式（...， freq， time）。批处理输入应包括 channel 维度和具有（batch， channel， freq， time）格式。
multiplier （float） – 使用 10。用于功率和 20。用于振幅
amin （float） – 要限制的数字x
db_multiplier （浮点数） – Log10 （max（参考值和 amin））
top_db （float 或 None，可选） – 最小负截止值（以分贝为单位）。合理的数字 80 岁。（默认：None)

返回

分贝刻度的输出张量

返回类型

张肌

DB_to_amplitude¶

torchaudio.functional.DB_to_amplitude(x：Torch。Tensor， ref： float， power： float） → torch 的 Tensor 中。张量 [来源]¶

将张量从分贝刻度转换为功率/振幅刻度。

参数

x （Tensor） - 转换为功率/振幅刻度之前的输入张量。
ref （float） - 输出将按其缩放的引用。
power （float） – 如果 power 等于 1，则计算 DB 的 power。如果为 0.5，则将计算 DB 到振幅。

返回

功率/振幅比例的输出张量。

返回类型

张肌

melscale_fbanks¶

torchaudio.functional.melscale_fbanks(n_freqs：int、f_min：float、f_max：float、n_mels：int、sample_rate： int， norm：可选[str] = None， mel_scale： str = 'htk'） → torch。张量 [来源]¶

创建频次 bin 转换矩阵。

注意

为了与 librosa 的数值兼容性，并非所有系数在结果滤波器组中，其幅值为 1。

参数

n_freqs （int） – 要突出显示/应用的频率数
f_min （float） – 最小频率（Hz）
f_max （float） – 最大频率（Hz）
n_mels （int） – mel filterbank 的数量
sample_rate （int） – 音频波形的采样率
norm （str 或 None，可选） – 如果为 'slaney'，则将三角形 mel 权重除以 mel 带的宽度（区域标准化）。（默认：None)
mel_scale （str， optional） – 要使用的缩放：或 .（默认：htkslaneyhtk)

返回

大小为（，）的三角滤波器组（fb 矩阵）表示要高亮/应用于 x 的 Frequencys 数量 FilterBank 的数量。每列都是一个 filterbank，因此假设有一个矩阵 A size （...，）时，应用的结果将为。n_freqsn_melsn_freqsA * melscale_fbanks(A.size(-1), ...)

返回类型

张肌

教程使用：melscale_fbanks: 音频特征提取¶

linear_fbanks¶

torchaudio.functional.linear_fbanks(n_freqs：int、f_min：float、f_max：float、n_filter：int、sample_rate： int） → torch 的 intent 中。张量 [来源]¶

创建线性三角形过滤器组。

注意

为了与 librosa 的数值兼容性，并非所有系数在结果滤波器组中，其幅值为 1。

参数

n_freqs （int） – 要突出显示/应用的频率数
f_min （float） – 最小频率（Hz）
f_max （float） – 最大频率（Hz）
n_filter （int） – （线性）三角滤波器的数量
sample_rate （int） – 音频波形的采样率

返回

大小为（，）的三角滤波器组（fb 矩阵）表示要高亮/应用于 x 的 Frequencys 数量 FilterBank 的数量。每列都是一个 filterbank，因此假设有一个矩阵 A size （...，）时，应用的结果将为。n_freqsn_filtern_freqsA * linear_fbanks(A.size(-1), ...)

返回类型

张肌

create_dct¶

torchaudio.functional.create_dct(n_mfcc： int， n_mels： int， norm： Optional[str]） → torch。张量 [来源]¶

创建形状为（、）、根据 NORM 进行标准化。n_melsn_mfcc

参数

n_mfcc （int） – 要保留的 mfc 系数数
n_mels （int） – mel filterbank 的数量
norm （str 或 None） – 要使用的范数（'ortho' 或 None）

返回

变换矩阵，右乘大小为（，）的行数据。n_melsn_mfcc

返回类型

张肌

mask_along_axis¶

torchaudio.functional.mask_along_axis(specgram：Torch。张量，mask_param：int，mask_value：浮点，轴：int，p：浮点 = 1,0） → 割torch。张量 [来源]¶

沿应用蒙版。axis

掩码将从 indices 中应用， where 采样自和 from ，使用 when 和其他方式。所有示例将具有相同的掩码间隔。[v_0, v_0 + v)vuniform(0, max_v)v_0uniform(0, specgrams.size(axis) - v)max_v = mask_paramp = 1.0max_v = min(mask_param, floor(specgrams.size(axis) * p))

参数

specgram （Tensor） – 实频谱图（channel， freq， time）
mask_param （int） – 要屏蔽的列数将从 [0， mask_param] 中统一采样
mask_value （float） – 要分配给掩码列的值
axis （int） - 应用遮罩的轴（1 ->频率，2 -> 时间）
p （float， optional） – 可以屏蔽的列的最大比例。（默认值：1.0）

返回

维度的掩码频谱图（channel， freq， time）

返回类型

张肌

mask_along_axis_iid¶

torchaudio.functional.mask_along_axis_iid(specgrams：Torch。张量，mask_param：int，mask_value：浮点，轴：int，p：浮点 = 1,0） → 割torch。张量 [来源]¶

沿应用蒙版。axis

掩码将从 indices 中应用，其中采样自和采样自，与 when 和 otherwise 一起。[v_0, v_0 + v)vuniform(0, max_v)v_0uniform(0, specgrams.size(axis) - v)max_v = mask_paramp = 1.0max_v = min(mask_param, floor(specgrams.size(axis) * p))

参数

specgrams （Tensor） – 实数频谱图（batch， channel， freq， time）
mask_param （int） – 要屏蔽的列数将从 [0， mask_param] 中统一采样
mask_value （float） – 要分配给掩码列的值
axis （int） – 要应用遮罩的轴（频率为 2 ->，时间为 3 ->）
p （float， optional） – 可以屏蔽的列的最大比例。（默认值：1.0）

返回

维度的掩码频谱图（batch、channel、freq、time）

返回类型

张肌

mu_law_encoding¶

torchaudio.functional.mu_law_encoding(x：Torch。Tensor，quantization_channels： int） → torch 的 Tensor 中。张量 [来源]¶

基于 mu-law 压缩扩展对信号进行编码。

有关更多信息，请参阅维基百科条目

该算法期望信号已缩放到 -1 和 1 之间，并且返回使用 0 到 quantization_channels - 1 之间的值编码的信号。

参数

x （Tensor） - 输入张量
quantization_channels （int） – 通道数

返回

mu-law 编码后的输入

返回类型

张肌

mu_law_decoding¶

torchaudio.functional.mu_law_decoding(x_mu：Torch。Tensor，quantization_channels： int） → torch 的 Tensor 中。张量 [来源]¶

解码 mu-law 编码信号。

有关更多信息，请参阅维基百科条目

这需要值介于 0 和 quantization_channels - 1 之间的输入并返回缩放范围介于 -1 和 1 之间的信号。

参数

x_mu （Tensor） – 输入张量
quantization_channels （int） – 通道数

返回

mu-law 解码后的输入

返回类型

张肌

apply_codec¶

torchaudio.functional.apply_codec(波形：手电筒。张量，sample_rate：int，格式：str，channels_first：bool = True，压缩：可选[float] = 无，编码：可选[str] = 无，bits_per_sample：可选[int] = None） → torch。张量 [来源]¶

将编解码器作为增强的一种形式。

参数

waveform （Tensor） - 音频数据。必须是 2 维的。另请参阅。`channels_first`
sample_rate （int） – 音频波形的采样率。
format （str） – 文件格式。
channels_first （bool， optional） – 当 True 时，输入和输出 Tensor 都具有维度（channel， time）。否则，它们具有维度（time， channel）。
compression （float 或 None，可选） – 用于 WAV 以外的格式。有关更多详细信息，请参阅。
encoding （str 或 None，可选） – 更改受支持格式的编码。有关更多详细信息，请参阅。
bits_per_sample （int 或 None，可选） – 更改受支持格式的位深度。有关更多详细信息，请参阅。

返回

结果 Tensor。如果，则它有（channel， time） else （time， channel）。channels_first=True

返回类型

张肌

教程使用：apply_codec: 音频数据增强¶

重新采样¶

torchaudio.functional.resample(波形：手电筒。张量，orig_freq：int，new_freq：int，lowpass_filter_width：int = 6，滚降：浮点数 = 0.99，resampling_method：str = 'sinc_interpolation'，测试版：可选[浮点数] = 没有） → 割torch。张量 [来源]¶

使用带限插值在新频率处对波形进行重采样。[1]。

注意

transforms.Resampleprecalculates 并重用 resampling 内核，因此使用它将导致如果使用相同的 resampling 参数对多个波形进行重采样，则计算效率更高。

参数

waveform （Tensor） - 维度（...， time）的输入信号
orig_freq （int） – 信号的原始频率
new_freq （int） – 所需的频率
lowpass_filter_width （int， optional） – 控制滤镜的锐度，更多 == 更锐利但效率较低。（默认：6)
roll off （float， optional）（滚动频率，浮点数，可选） – 滤波器的滚降频率，以奈奎斯特频率的分数表示。较低的值会减少抗锯齿，但也会降低一些最高频率。（默认：0.99)
resampling_method （str， optional） – 要使用的重采样方法。选项：[、]（默认值：sinc_interpolationkaiser_window'sinc_interpolation')
beta （float 或 None，可选） – 用于 Kaiser 窗口的形状参数。

返回

新维度频率（...， time）的波形。

返回类型

张肌

教程使用：resample: 使用 Wav2Vec2 进行语音识别¶

使用 CTC 解码器进行 ASR 推理¶

音频重采样¶

滤波¶

allpass_biquad¶

torchaudio.functional.allpass_biquad(波形：手电筒。Tensor， sample_rate： int， central_freq： float， Q： float = 0.707） → torch。张量 [来源]¶

设计双极点全通滤波器。类似于 SoX 实现。

参数

波形（割torch。Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
central_freq（float 或 torch.Tensor） – 中心频率（以 Hz 为单位）
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)

返回

（...，时间）的维度波形

返回类型

张肌

参考：

band_biquad¶

torchaudio.functional.band_biquad(波形：手电筒。张量，sample_rate：int，central_freq：浮点，Q：浮点 = 0.707，噪声：布尔 = False） → 割torch。张量 [来源]¶

设计双极带滤波器。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
central_freq（float 或 torch.Tensor） – 中心频率（以 Hz 为单位）
Q（浮子或Torch。Tensor，可选） – https://en.wikipedia.org/wiki/Q_factor （默认值：）。0.707
noise （bool， optional） – 如果，则对未音调的音频（例如打击乐）使用备用模式。如果，则使用面向音高音频的模式，即语音、歌唱、或器乐（默认值：）。TrueFalseFalse

返回

（...，时间）的维度波形

返回类型

张肌

参考：

bandpass_biquad¶

torchaudio.functional.bandpass_biquad(波形：手电筒。张量，sample_rate：int，central_freq：浮点数，Q：浮点数 = 0.707，const_skirt_gain： bool = False） → torch 的 Shell。张量 [来源]¶

设计 2 极点带通滤波器。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
central_freq（float 或 torch.Tensor） – 中心频率（以 Hz 为单位）
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)
const_skirt_gain （bool， optional） – 如果，则使用恒定的裙边增益（峰值增益 = Q）。如果，则使用恒定的 0dB 峰值增益。（默认：TrueFalseFalse)

返回

（...，时间）的维度波形

返回类型

张肌

参考：

bandreject_biquad¶

torchaudio.functional.bandreject_biquad(波形：手电筒。Tensor， sample_rate： int， central_freq： float， Q： float = 0.707） → torch。张量 [来源]¶

设计 2 极点带阻滤波器。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
central_freq（float 或 torch.Tensor） – 中心频率（以 Hz 为单位）
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)

返回

（...，时间）的维度波形

返回类型

张肌

参考：

bass_biquad¶

torchaudio.functional.bass_biquad(波形：手电筒。张量，sample_rate：int，增益：浮点数，central_freq：浮点数 = 100，Q：浮 = 0.707） → 个火把。张量 [来源]¶

设计低音音调控制效果。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
增益（float 或 torch.Tensor） – 提升（或衰减）时所需的增益，以 dB 为单位。
central_freq（float 或 torch.Tensor， optional） – 中心频率（以 Hz 为单位）。（默认：100)
Q（浮子或Torch。Tensor，可选） – https://en.wikipedia.org/wiki/Q_factor （默认值：）。0.707

返回

（...，时间）的维度波形

返回类型

张肌

参考：

双二阶¶

torchaudio.functional.biquad(波形：手电筒。张量，b0：浮点数，b1：浮点数，b2：浮点数，a0：浮点数，a1：浮点型，A2：浮点型）→手电筒。张量 [来源]¶

执行输入张量的双二阶滤波器。初始条件设置为 0。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
b0（浮点或Torch。Tensor） – 电流输入的分子系数，x[n]
B1（浮点或Torch。Tensor） – 一步前输入的分子系数 x[n-1]
B2（浮点或Torch。Tensor） – 两个时间步前输入的分子系数 x[n-2]
A0（浮点或Torch。Tensor） – 电流输出 y[n] 的分母系数，通常为 1
A1（浮点或Torch。Tensor） – 电流输出的分母系数 y[n-1]
A2（浮子或Torch。Tensor） – 电流输出的分母系数 y[n-2]

返回

维度为（...， time）的波形

返回类型

张肌

参考：

https://en.wikipedia.org/wiki/Digital_biquad_filter

反差¶

torchaudio.functional.contrast(波形：手电筒。Tensor，enhancement_amount：float = 75.0）→ torch。张量 [来源]¶

应用对比效果。类似于 SoX 实现。

与压缩类似，此效果会修改音频信号以使其听起来更响亮

参数

waveform （Tensor） – 维度为（...， time）的音频波形
enhancement_amount （float， optional） – 控制增强的数量 enhancement_amount 允许的值范围：0-100 请注意，enhancement_amount = 0 仍会显著增强对比度

返回

（...，时间）的维度波形

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html

直流移位¶

torchaudio.functional.dcshift(波形：手电筒。Tensor， shift： float， limiter_gain：可选[float] = None） → torch。张量 [来源]¶

对音频应用 DC Shift 键。类似于 SoX 实现。

这对于消除 DC 偏移很有用（可能是由录音链中的硬件问题引起的）从 Audio

参数

waveform （Tensor） – 维度为（...， time）的音频波形
Shift （float） – 指示音频的偏移量允许的 shift 值范围： -2.0 到 +2.0
limiter_gain （float 为 None，可选） – 仅用于峰值以防止削波它的值应远小于 1（例如 0.05 或 0.02）

返回

（...，时间）的维度波形

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html

deemph_biquad¶

torchaudio.functional.deemph_biquad(波形：手电筒。Tensor，sample_rate：int）→ torch。张量 [来源]¶

应用 ISO 908 CD 去加重（搁架）IIR 滤镜。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率、允许的采样率或4410048000

返回

（...，时间）的维度波形

返回类型

张肌

参考：

抖动¶

torchaudio.functional.dither(波形：手电筒。张量，density_function：str = 'TPDF'，noise_shaping：bool = False）→ torch。张量 [来源]¶

Apply dither （应用抖动）

抖动会增加存储在通过消除非线性截断失真实现特定的位深度（即添加最小感知的噪声来掩盖量化引起的失真）。

参数

waveform （Tensor） - 维度（...， time）的音频张量
density_function （str， optional） - 连续随机变量的密度函数。（三角概率密度函数）、（矩形概率密度函数）或（高斯概率密度函数）（默认值：）之一。"TPDF""RPDF""GPDF""TPDF"
noise_shaping （bool， optional） – 塑造频谱的过滤过程量化误差的能量（默认值：False)

返回

波形抖动

返回类型

张肌

equalizer_biquad¶

torchaudio.functional.equalizer_biquad(波形：手电筒。张量，sample_rate：int，center_freq：浮点，增益：浮点，Q：浮点 = 0.707） → torch。张量 [来源]¶

设计双二阶峰值均衡器滤波器并执行滤波。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
center_freq （float） – 滤波器的中心频率
增益（float 或 torch.Tensor） – 提升（或衰减）处的所需增益，以 dB 为单位
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)

返回

（...，时间）的维度波形

返回类型

张肌

filtfilt¶

torchaudio.functional.filtfilt(波形：手电筒。Tensor，a_coeffs：torch。Tensor，b_coeffs：torch。Tensor，clamp： bool = True） → torch 的 Tensor 中。张量 [来源]¶

将 IIR 滤波器向前和向后应用于波形。

灵感来自 https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.filtfilt.html

参数

waveform （Tensor） – 维度为（...， time）的音频波形。必须规范化为 -1 到 1。
a_coeffs （Tensor） – 任一维度的差分方程的分母系数具有形状（num_order + 1）的 1D 或具有形状（num_filters， num_order + 1）的 2D。较低的延迟系数在前，例如 . 必须与 b_coeffs 相同（必要时填充 0）。[a0, a1, a2, ...]
b_coeffs （Tensor） – 任一维数的分子差分方程具有形状（num_order + 1）的 1D 或具有形状（num_filters， num_order + 1）的 2D。较低的延迟系数在前，例如 . 必须与 a_coeffs 相同（必要时用 0 填充）。[b0, b1, b2, ...]
clamp （bool， optional） – 如果，则将输出信号限制在 [-1， 1] 范围内（默认：TrueTrue)

返回

维度为（...， num_filters， time）的波形，如果和是 2D 张量，否则为（...， time）。a_coeffsb_coeffs

返回类型

张肌

镶边¶

torchaudio.functional.flanger(波形：手电筒。张量，sample_rate：int，延迟：float = 0.0，深度：float = 2.0， 再生：浮点 = 0.0，宽度：浮点 = 71.0，速度：浮点 = 0.5，相位： float = 25.0， 调制： str = 'sinusoidal'， 插值： str = 'linear'） → 手电筒。张量 [来源]¶

将镶边效果应用于音频。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， channel， time）的音频波形。最多允许 4 个通道
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
delay （float， optional） – 期望的延迟，以毫秒（ms）为单位允许的值范围为 0 到 30
depth （float， optional） – 所需的延迟深度，以毫秒（ms）为单位允许的值范围为 0 到 10
再生（float， optional） – 所需的再生（反馈增益）（以 dB 为单位）允许的值范围为 -95 到 95
width （float， optional） – 所需的宽度（延迟增益）（dB 允许的值范围为 0 到 100
speed （float， optional） – 调制速度，单位为 Hz 允许的值范围为 0.1 到 10
phase （float， optional） – 多通道的相移百分比允许的值范围为 0 到 100
modulation （str， optional） – 使用 “sinusoidal” 或 “triangular” 调制。（默认：sinusoidal)
interpolation （str， optional） – 使用 “linear” 或 “quadratic” 进行延迟线插值。（默认：linear)

返回

维度波形（...， channel， time）

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html
Scott Lehman，Effects Explained，

获得¶

torchaudio.functional.gain(波形：手电筒。 Tensor，gain_db：float = 1.0）→ torch。张量 [来源]¶

对整个波形进行放大或衰减。

参数

waveform （Tensor） - 维度（...， time）的音频张量。
gain_db （float， optional） 以分贝 （dB）为单位的增益调整 – ）。1.0

返回

整个波形被 gain_db 放大。

返回类型

张肌

highpass_biquad¶

torchaudio.functional.highpass_biquad(波形：手电筒。张量，sample_rate：int，cutoff_freq：浮点数，Q：浮点数 = 0.707）→ torch。张量 [来源]¶

设计双二阶高通滤波器并执行滤波。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
cutoff_freq（float 或 torch。Tensor） – 滤波器截止频率
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)

返回

波形维度（...， time）

返回类型

张肌

过滤器¶

torchaudio.functional.lfilter(波形：手电筒。Tensor，a_coeffs：torch。Tensor，b_coeffs：torch。Tensor，clamp： bool = True，批处理： bool = True） → torch。张量 [来源]¶

通过评估差分方程来执行 IIR 滤波器。

注意

为避免数值问题，最好使用较小的滤波器阶数。使用双精度还可以最大限度地减少数值精度误差。

参数

waveform （Tensor） – 维度为（...， time）的音频波形。必须规范化为 -1 到 1。
a_coeffs （Tensor） – 任一维度的差分方程的分母系数具有形状（num_order + 1）的 1D 或具有形状（num_filters， num_order + 1）的 2D。较低的延迟系数在前，例如 . 必须与 b_coeffs 相同（必要时填充 0）。[a0, a1, a2, ...]
b_coeffs （Tensor） – 任一维数的分子差分方程具有形状（num_order + 1）的 1D 或具有形状（num_filters， num_order + 1）的 2D。较低的延迟系数在前，例如 . 必须与 a_coeffs 相同（必要时用 0 填充）。[b0, b1, b2, ...]
clamp （bool， optional） – 如果，则将输出信号限制在 [-1， 1] 范围内（默认：TrueTrue)
batching （bool， optional） – 仅当系数为 2D 时有效。如果，则 waveform 应为最小为 2D，并且从最后一个轴开始的第二个轴的大小应等于。输出可以表示为。（默认：Truenum_filtersoutput[..., i, :] = lfilter(waveform[..., i, :], a_coeffs[i], b_coeffs[i], clamp=clamp, batching=False)True)

返回

维度为（...， num_filters， time）的波形，如果和是 2D 张量，否则为（...， time）。a_coeffsb_coeffs

返回类型

张肌

lowpass_biquad¶

torchaudio.functional.lowpass_biquad(波形：手电筒。张量，sample_rate：int，cutoff_freq：浮点数，Q：浮点数 = 0.707）→ torch。张量 [来源]¶

设计双二阶低通滤波器并执行滤波。类似于 SoX 实现。

参数

波形（割torch。Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
cutoff_freq（float 或 torch。Tensor） – 滤波器截止频率
Q（浮子或Torch。Tensor，可选）– https://en.wikipedia.org/wiki/Q_factor （默认：0.707)

返回

（...，时间）的维度波形

返回类型

张肌

超速¶

torchaudio.functional.overdrive(波形：手电筒。张量，增益：浮点数 = 20，颜色：浮点数 = 20）→torch。张量 [来源]¶

对音频应用过载效果。类似于 SoX 实现。

此效果将非线性失真应用于音频信号。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
增益（float， optional） – 提升（或衰减）时的所需增益，以 dB 为单位允许的值范围为 0 到 100
颜色（float， optional） – 控制过驱动输出中偶数谐波含量的量允许的值范围为 0 到 100

返回

（...，时间）的维度波形

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html

相位¶

torchaudio.functional.phaser(波形：手电筒。张量，sample_rate：int，gain_in：float = 0.4，gain_out：float = 0.74， delay_ms：浮点数 = 3.0， 衰减：浮点数 = 0.4， mod_speed：浮点数 = 0.5， 正弦曲线： bool = True） → torch。张量 [来源]¶

对音频应用阶段划分效果。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
gain_in （float， optional） – 提升（或衰减）时所需的输入增益，单位为 dB 允许的值范围为 0 到 1
gain_out （float， optional） – 提升（或衰减）时所需的输出增益，单位为 dB 允许的值范围为 0 到 1e9
delay_ms （float， optional） – 期望的延迟（以毫秒为单位）允许的值范围为 0 到 5.0
decay （float， optional） - 相对于增益的期望衰减允许的值范围为 0 到 0.99
mod_speed （float， optional） – 调制速度，单位为 Hz 允许的值范围为 0.1 到 2
sinusoidal （bool， optional） – 如果，则使用正弦调制（首选于多个乐器）如果，则使用三角调制（为单个乐器提供更清晰的移相效果）（默认：TrueFalseTrue)

返回

（...，时间）的维度波形

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html
Scott Lehman，Effects Explained。

riaa_biquad¶

torchaudio.functional.riaa_biquad(波形：手电筒。Tensor，sample_rate：int）→ torch。张量 [来源]¶

应用 RIAA 黑胶唱片播放均衡。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）。允许的采样率（以 Hz 为单位）：，''48000''，''88200''，''96000''44100

返回

（...，时间）的维度波形

返回类型

张肌

参考：

treble_biquad¶

torchaudio.functional.treble_biquad(波形：手电筒。张量，sample_rate：int，增益：浮点，central_freq：浮点 = 3000，Q：浮 = 0.707） → 个火把。张量 [来源]¶

设计高音调控制效果。类似于 SoX 实现。

参数

waveform （Tensor） – 维度为（...， time）的音频波形
sample_rate （int） – 波形的采样率，例如 44100 （Hz）
增益（float 或 torch.Tensor） – 提升（或衰减）时所需的增益，以 dB 为单位。
central_freq（float 或 torch.Tensor， optional） – 中心频率（以 Hz 为单位）。（默认：3000)
Q（浮子或Torch。Tensor，可选） – https://en.wikipedia.org/wiki/Q_factor （默认值：）。0.707

返回

（...，时间）的维度波形

返回类型

张肌

参考：

特征提取¶

瓦德¶

torchaudio.functional.vad(波形：手电筒。张量，sample_rate：int，trigger_level：浮点数 = 7.0，trigger_time：浮点数 = 0.25，search_time：浮点数 = 1.0，allowed_gap：浮点数 = 0.25，pre_trigger_time：浮点数 = 0.0、boot_time：浮点数 = 0.35、noise_up_time：浮点数 = 0.1、noise_down_time：浮点数 = 0.01， noise_reduction_amount： float = 1.35， measure_freq： float = 20.0， measure_duration：可选[float] = 无，measure_smooth_time：float = 0.4，hp_filter_freq：float = 50.0、lp_filter_freq：浮点数 = 6000.0、hp_lifter_freq：浮点数 = 150.0、lp_lifter_freq：浮点数 = 2000.0） → torch。张量 [来源]¶

语音活动检测器。类似于 SoX 实现。

尝试从语音录音的结尾修剪静音和安静的背景声音。该算法目前使用简单的倒谱功率测量来检测语音，所以可能会被其他事物所愚弄，尤其是音乐。

该效果只能从音频的前面进行修剪，所以为了从后面修剪，还必须使用反向效果。

参数

waveform （Tensor） – 维度（channels， time）或（time）的音频张量形状（channels， time）的张量被视为多通道录音的 Alpha S 的 Alpha S Package，并且生成的输出将被修剪到最早的任何频道中的语音活动。
sample_rate （int） – 音频信号的采样率。
trigger_level （float， optional）（浮点数，可选） – 用于触发活动检测的测量级别。这可能需要根据噪音水平、信号水平、以及输入音频的其他特性。（默认值：7.0）
trigger_time （float， optional） – 时间常数（以秒为单位）用于帮助忽略短促的声音。（默认值：0.25）
search_time （float， optional） – 音频量（以秒为单位）搜索更安静/更短的音频突发以包含之前的音频拖动到检测到的触发点。（默认值：1.0）
allowed_gap （float， optional） – 两者之间允许的间隔（以秒为单位）更安静/更短的音频爆发，包括 Prior 拖动到检测到的触发点。（默认值：0.25）
pre_trigger_time （float， optional） – 要保留的音频量（以秒为单位）在触发点之前以及找到的任何更安静/更短的突发。（默认值：0.0）
boot_time （float， optional）算法（内部） – 估计/减少以检测所需音频的开始。此选项设置初始噪声估计的时间。（默认值：0.35）
noise_up_time （float， optional） – 当噪音水平增加时。（默认值：0.1）
noise_down_time （float， optional） – 当噪音水平降低时。（默认值：0.01）
noise_reduction_amount （float， optional） – 检测算法（例如 0， 0.5， ...）。（默认：1.35）
measure_freq （float， optional） – 处理/测量。（默认值：20.0）
measure_duration – （浮点，可选）测量持续时间。（默认值：测量周期的两倍;即重叠。
measure_smooth_time （float， optional） – 光谱测量。（默认值：0.4）
hp_filter_freq （float， optional） – 在检测器算法的输入处。（默认值：50.0）
lp_filter_freq （float， optional） – 在检测器算法的输入处。（默认值：6000.0）
hp_lifter_freq （float， optional） – 在检测器算法中。（默认值：150.0）
lp_lifter_freq （float， optional） – 在检测器算法中。（默认值：2000.0）

返回

维度（...， time）的音频张量。

返回类型

张肌

参考：

http://sox.sourceforge.net/sox.html

光谱图¶

torchaudio.functional.spectrogram(波形：手电筒。张量、pad：int、window：torch 的 intent 和。张量、n_fft：int、hop_length：int、win_length：int、power：可选[float]，归一化：bool，居中：bool = True，pad_mode：str = 'reflect'， onesided： bool = True， return_complex：可选[bool] = None） → torch.张量 [来源]¶

从原始音频信号创建频谱图或一批频谱图。频谱图可以是仅幅度的，也可以是复数的。

参数

waveform （Tensor） - 维度（...， time）的音频张量
pad （int） - 信号的两侧填充
window （Tensor） – 应用于/乘以每个帧/窗口的窗口张量
n_fft （int） – FFT 的大小
hop_length （int） – STFT 窗口之间的跃点长度
win_length （int） – 窗口大小
power （float 或 None） – 幅度频谱图的指数，（必须> 0）例如，1 表示能量，2 表示功率，等等。如果为 None，则返回复数谱。
normalized （bool） - 是否在 stft 之后按幅度进行归一化
center （bool， optional） – 是否在两侧填充，以便第 \（t\）帧以时间 \（t \times \text{hop\_length}\）为中心。违约：waveformTrue
pad_mode （string， optional） – 控制 is 时使用的填充方法。违约：centerTrue"reflect"
onesided （bool， optional） – 控制是否将一半的结果返回给避免冗余。违约：True
return_complex （bool， optional） – 已弃用且未使用。

返回

维度（...， freq， time），freq 是和的编号傅里叶分箱，时间是窗口跃点数（n_frame）。n_fft // 2 + 1n_fft

返回类型

张肌

inverse_spectrogram¶

torchaudio.functional.inverse_spectrogram(频谱图：TORCH。张量，长度：Optional[int]，pad：int，窗口：torch。张量，n_fft：int，hop_length：int，win_length：int，归一化：bool， 中心： bool = True， pad_mode： str = 'reflect'， 单面： bool = True） → torch。张量 [来源]¶

从提供的复值频谱图。

参数

spectrogram （Tensor） - 维度为（...， freq， time）的音频的复张量。
length （int 或 None） – 波形的输出长度。
pad （int） - 信号的两侧填充。只有在提供时才有效。length
window （Tensor） – 应用于/乘以每个帧/窗口的窗口张量
n_fft （int） – FFT 的大小
hop_length （int） – STFT 窗口之间的跃点长度
win_length （int） – 窗口大小
normalized （bool） - stft 输出是否按幅度进行标准化
center （bool， optional） – 波形是否在两侧填充，因此第 \（t\）帧以时间 \（t \times \text{hop\_length}\）为中心。违约：True
pad_mode （string， optional） – 控制 is 时使用的填充方法。提供此参数是为了与 spectrogram 函数，并且未使用。违约：centerTrue"reflect"
onesided （bool， optional） – 控制是否在 onesided 模式下完成频谱图。违约：True

返回

维度（...，时间）。原始信号的最小二乘估计。

返回类型

张肌

格里芬林¶

torchaudio.functional.griffinlim(specgram：Torch。Tensor，窗口：torch。张量、n_fft：int、hop_length：int、win_length：int、幂：float、 n_iter： int， momentum： float， length： Optional[int]， rand_init： bool） → 割torch。张量 [来源]¶

使用 Griffin-Lim 变换从线性尺度幅度频谱图计算波形。

从 librosa 移植的实现 [2]，一种快速的 Griffin-Lim 算法 [3] 以及来自改进的短时傅里叶变换的信号估计 [4]。

参数

specgram （Tensor） - 维度为（...， freq， frames）的仅幅度的 STFT 频谱图，其中 freq 为。n_fft // 2 + 1
window （Tensor） – 应用于/乘以每个帧/窗口的窗口张量
n_fft （int） – FFT 的大小，创建 binn_fft // 2 + 1
hop_length （int） – STFT 窗口之间的跃点长度。( 违约：win_length // 2)
win_length （int） – 窗口大小。（默认：n_fft)
power （float） - 幅度频谱图的指数，（必须> 0）例如，1 表示能量，2 表示功率，等等。
n_iter （int） – 阶段恢复过程的迭代次数。
momentum （float） - 快速 Griffin-Lim 的动量参数。将此设置为 0 将恢复原始的 Griffin-Lim 方法。接近 1 的值可以加快收敛速度，但高于 1 的值可能不会收敛。
length （int or None） - 预期输出的数组长度。
rand_init （bool） – 如果为 True，则随机初始化阶段，否则为零。

返回

waveform of （...， time），其中 time 等于参数（如果给定）。length

返回类型

张肌

phase_vocoder¶

torchaudio.functional.phase_vocoder(complex_specgrams：Torch。张量、速率：浮点数、phase_advance：torch。Tensor） → torch 的 Tensor 中。张量 [来源]¶

给定一个 STFT 张量，在不修改音高系数的情况下及时加速。rate

参数

complex_specgrams （Tensor） - 具有复杂 dtype 的维度（...， freq， num_frame）的张量。
rate （float） - 加速因子
phase_advance （Tensor） – 每个 bin 中的预期相位提前。的维度（freq， 1）

返回

拉伸频谱图。生成的张量与输入具有相同的 dtype 频谱图，但帧数更改为。ceil(num_frame / rate)

返回类型

张肌

例

>>> freq, hop_length = 1025, 512
>>> # (channel, freq, time)
>>> complex_specgrams = torch.randn(2, freq, 300, dtype=torch.cfloat)
>>> rate = 1.3 # Speed up by 30%
>>> phase_advance = torch.linspace(
>>>    0, math.pi * hop_length, freq)[..., None]
>>> x = phase_vocoder(complex_specgrams, rate, phase_advance)
>>> x.shape # with 231 == ceil(300 / 1.3)
torch.Size([2, 1025, 231])

pitch_shift¶

torchaudio.functional.pitch_shift(波形：手电筒。张量，sample_rate：int，n_steps：int，bins_per_octave：int = 12，n_fft： int = 512， win_length：可选[int] = 无， hop_length：可选[int] = 无，窗口：可选[torch.Tensor] = None） → torch 的 Torch 中。张量 [来源]¶

逐步移动波形的音高。n_steps

参数

waveform （Tensor） - 形状为（...， time）的输入波形。
sample_rate （int） - 波形的采样率。
n_steps （int） - 移动波形的（小数）步长。
bins_per_octave （int， optional） – 每个八度音程的步数（默认值：）。12
n_fft （int， optional） – FFT 的大小，创建 bin （默认值：）。n_fft // 2 + 1512
win_length （int 或 None，可选） – 窗口大小。如果为 None，则使用 then 。（默认值：）。n_fftNone
hop_length （int 或 None，可选） – STFT 窗口之间的跃点长度。如果为 None，则使用（Default：）。win_length // 4None
window （Tensor 或 None，可选） – 应用于/乘以每个帧/窗口的窗口张量。如果为 None，则使用（Default：）。torch.hann_window(win_length)None

返回

形状为（...， time）的音高偏移音频波形。

返回类型

张肌

compute_deltas¶

torchaudio.functional.compute_deltas(specgram：Torch。Tensor，win_length：int = 5，模式：str = 'replicate'） → torch。张量 [来源]¶

计算张量的 delta 系数，通常是频谱图：

\[d_t = \frac{\sum_{n=1}^{\text{N}} n （c_{t+n} - c_{t-n}）}{2 \sum_{n=1}^{\text{N}} n^2} \]

其中 \（d_t\）是时间 \（t\）的增量，\（c_t\）是时间 \（t\）的频谱图系数，\（N\）是。(win_length-1)//2

参数

specgram （Tensor） - 维度（...， freq， time）的音频张量
win_length （int， optional） – 用于计算增量的窗口长度（默认值：5)
mode （str， optional） – 传递给 padding 的 Mode 参数（默认值："replicate")

返回

维度增量的张量（...， freq， time）

返回类型

张肌

例

>>> specgram = torch.randn(1, 40, 1000)
>>> delta = compute_deltas(specgram)
>>> delta2 = compute_deltas(delta)

detect_pitch_frequency¶

torchaudio.functional.detect_pitch_frequency(波形：手电筒。张量，sample_rate：int，frame_time：float = 0.01，win_length：int = 30， freq_low： int = 85， freq_high： int = 3400） → torch.张量 [来源]¶

检测俯仰频率。

它是使用归一化互相关函数和中位数平滑实现的。

参数

waveform （Tensor） - 维度为（...， freq， time）的音频张量
sample_rate （int） – 波形的采样率（Hz）
frame_time （float， optional） – 帧的持续时间（Default：）。10 ** (-2)
win_length （int， optional） – 中值平滑的窗口长度（以帧数为单位）（默认值：）。30
freq_low （int， optional） – 可检测到的最低频率（Hz）（默认值：）。85
freq_high （int， optional） – 可检测到的最高频率（Hz）（默认值：）。3400

返回

维度（...， frame）的 freq 张量

返回类型

张肌

教程使用：detect_pitch_frequency: 音频特征提取¶

sliding_window_cmn¶

torchaudio.functional.sliding_window_cmn(specgram：Torch。张量，cmn_window：int = 600，min_cmn_window：int = 100，中心：bool = False，norm_vars：bool = False）→ torch。张量 [来源]¶

对每个话语应用滑动窗口倒谱均值（和可选的方差）归一化。

参数

specgram （Tensor） - 维度的频谱图的张量（...， time， freq）
cmn_window （ int ，可选） – 用于运行平均 CMN 计算的帧中的窗口（ int ，默认值 = 600）
min_cmn_window （int，可选） – 解码开始时使用的最小 CMN 窗口（仅在开始时添加延迟）。仅在 center == false 时适用，如果 center==true （int， default = 100）则忽略
center （bool，可选） – 如果为 true，则使用以当前帧为中心的窗口（在可能的情况下，模数末端效应）。如果为 false，则 window 位于左侧。（布尔值，默认值 = false）
norm_vars （bool， optional） – 如果为 true，则将方差标准化为 1。（布尔值，默认值 = false）

返回

张量匹配输入形状（...， freq， time）

返回类型

张肌

compute_kaldi_pitch¶

torchaudio.functional.compute_kaldi_pitch(波形：手电筒。张量，sample_rate：浮点数，frame_length：浮点数 = 25.0，frame_shift：浮点数 = 10.0，min_f0：浮点数 = 50，max_f0：浮点数 = 400，soft_min_f0：浮点数 = 10.0、penalty_factor：浮点数 = 0.1、lowpass_cutoff：浮点数 = 1000、resample_frequency：浮点数 = 4000，delta_pitch：浮点数 = 0.005，nccf_ballast：浮点数 = 7000，lowpass_filter_width：整数 = 1， upsample_filter_width： int = 5， max_frames_latency： int = 0， frames_per_chunk： int = 0，simulate_first_pass_online：bool = False，recompute_frame：int = 500，snip_edges： bool = True） → torch 的 edges.张量 [来源]¶

根据 调整的音高提取算法中描述的方法提取音高用于自动语音识别 [5]。

此函数计算来自 Kaldi 的 compute-kaldi-pitch-feats 的等效值。

参数

waveform （Tensor） - 形状为（...， time）的输入波形。
sample_rate （float）（浮点）） – 波形的采样率。
frame_length （float， optional）（（float， optional）（以毫秒为单位）） – 帧长度（以毫秒为单位）。（默认值：25.0）
frame_shift （float， optional） – 以毫秒为单位的移帧。（默认值：10.0）
min_f0 （float， optional） – 要搜索的最小 F0 （Hz）（默认值：50.0）
max_f0 （float， optional） – 要搜索的最大 F0 （Hz）（默认值：400.0）
soft_min_f0 （float （float， optional） – 以软方式应用的最小 f0 不得超过 min-f0 （默认值：10.0）
penalty_factor （float， optional）（（float， optional）（浮点数，可选） – FO 更改的成本因子。（默认值：0.1）
lowpass_cutoff （float， optional） – LowPass filter 的截止频率（Hz）（默认值：1000）
resample_frequency （float， optional） – 我们将信号下采样到的频率。必须大于 low-pass-cutoff 的两倍。（默认值：4000）
delta_pitch （float， optional） – 我们的算法测量的音高的最小相对变化。（默认值：0.005）
nccf_ballast （float， optional） – 增加此系数可降低静默帧的 NCCF （默认值：7000）
lowpass_filter_width （int， optional） - 确定低通滤波器宽度的整数，more提供更清晰的滤波器。（默认值：1）
upsample_filter_width （int， optional） – 确定上采样 NCCF 时过滤器宽度的整数。（默认值：5）
max_frames_latency （int， optional） – 我们允许音高跟踪引入的最大延迟帧数特征处理（仅在和时影响输出）（默认值： 0）frames_per_chunk > 0simulate_first_pass_online=True
frames_per_chunk （int， optional） – 用于能量标准化的帧数。（默认值：0）
simulate_first_pass_online （bool，可选） – 如果为 true，则该函数将输出与在线解码器相对应的特征将在解码的第一轮中看到 - 而不是功能的最终版本，这是默认设置。（默认值：False）如果 .frames_per_chunk > 0
recompute_frame （int， optional） – 仅与在线音高提取的兼容性相关。非关键参数;我们重新计算一些正向指针的帧，在修正了我们对信号能量的估计之后。如果 .（默认值：500）frames_per_chunk > 0
snip_edges （bool，可选） – 如果此项设置为 false，则不会截取结束边缘附近的不完整帧。因此，帧数是文件大小除以 Frame-Shift。这使得不同类型的特征提供相同的帧数。（默认值：True）

返回

Pitch 功能。形状：（batch，帧 2），其中最后一个维度对应于 pitch 和 NCCF。

返回类型

张肌

教程使用：compute_kaldi_pitch: 音频特征提取¶

spectral_centroid¶

torchaudio.functional.spectral_centroid(波形：手电筒。张量，sample_rate：int，pad：int，窗口：torch。Tensor、n_fft：int、hop_length：int、win_length：int） → torch。张量 [来源]¶

计算沿时间轴的每个通道的频谱质心。

谱质心定义为 frequency 值，按其量级加权。

参数

waveform （Tensor） - 维度（...， time）的音频张量
sample_rate （int） – 音频波形的采样率
pad （int） - 信号的两侧填充
window （Tensor） – 应用于/乘以每个帧/窗口的窗口张量
n_fft （int） – FFT 的大小
hop_length （int） – STFT 窗口之间的跃点长度
win_length （int） – 窗口大小

返回

维度（...，时间）

返回类型

张肌

多通道¶

PSD¶

torchaudio.functional.psd(specgram：Torch。Tensor，掩码：可选[torch.Tensor] = None，归一化：bool = True，eps：float = 1e-10）→torch。张量 [来源]¶

计算跨通道功率谱密度（PSD）矩阵。

参数

Specgram （torch.Tensor） - 多通道复值谱。维度为（...， channel， freq， time）的 Tensor。
遮罩（Torch。Tensor 或 None，可选）– 用于归一化的时频掩码。具有维度（...， freq， time）的 Tensor。（默认：None)
normalize （bool， optional） – 如果，则沿时间维度对掩码进行标准化。（默认：TrueTrue)
eps （float， optional）（eps （float， optional）（英语） - 在掩码标准化中添加到分母的值。（默认：1e-15)

返回

输入频谱的复值 PSD 矩阵。具有维度的张量（...， freq， channel， channel）

返回类型

torch.Tensor

mvdr_weights_souden¶

torchaudio.functional.mvdr_weights_souden(psd_s：Torch。Tensor，psd_n：torch。张量，reference_channel：Union[int， torch.张量]，diagonal_loading：bool = True，diag_eps：float = 1e-07，eps：浮点 = 1e-08） → torch。张量 [来源]¶

计算最小方差无失真响应（MVDR [6]）波束成形权重通过 Souden 等人 [7] 提出的方法。

给定目标语音 \（\bf{\Phi}_{\textbf{SS}}\）的功率谱密度（PSD）矩阵，噪声 \（\bf{\Phi}_{\textbf{NN}}\）的 PSD 矩阵，以及一个表示参考通道 \（\bf{u}\），该方法计算 MVDR 波束成形权重 martrix \（\textbf{w}_{\text{MVDR}}\）。公式定义为：

\[\textbf{w}_{\text{MVDR}}（f） = \frac{{{\bf{\Phi}_{\textbf{NN}}^{-1}}（f）{\bf{\Phi}_{\textbf{SS}}}}（f）} {\text{Trace}（{{{\bf{\Phi}_{\textbf{NN}}^{-1}}（f） \bf{\Phi}_{\textbf{SS}}}（f））}}\bm{u} \]

参数

psd_s（Torch。Tensor） – 目标语音的复值功率谱密度（PSD）矩阵。维度为（...， freq， channel， channel）的 Tensor。
psd_n（Torch。Tensor） - 噪声的复值功率谱密度（PSD）矩阵。维度为（...， freq， channel， channel）的 Tensor。
reference_channel （int 或 torch.Tensor） – 指定参考通道。如果 dtype 为，则表示引用通道索引。如果 dtype 为，则其形状为（...， channel），其中维度是 one-hot。inttorch.Tensorchannel
diagonal_loading （bool， optional） – 如果，则允许对应用对角线载荷。（默认：Truepsd_nTrue)
diag_eps （float， optional） - 对角线载荷的系数乘以单位矩阵。仅当设置为时，它才有效。（默认：diagonal_loadingTrue1e-7)
eps （float， optional）（（eps （float， optional）（浮点数，可选）） – 要添加到波束成形权重公式中的分母的值。（默认：1e-8)

返回

具有维度（...， freq， channel）的复值 MVDR 波束成形权重矩阵。

返回类型

torch.Tensor

mvdr_weights_rtf¶

torchaudio.functional.mvdr_weights_rtf(RTF：手电筒。Tensor，psd_n：torch。Tensor，reference_channel：可选[Union[int， torch.张量]] = 无，diagonal_loading：bool = True，diag_eps：浮点 = 1e-07， 每股收益： float = 1e-08） → 割torch。张量 [来源]¶

计算最小方差无失真响应（MVDR [6]）波束成形权重基于噪声的相对传递函数（RTF）和功率谱密度（PSD）矩阵。

给定相对传递函数（RTF）矩阵或目标语音的转向向量 \（\bm{v}\），则噪声 \（\bf{\Phi}_{\textbf{NN}}\）的 PSD 矩阵，以及一个表示参考通道 \（\bf{u}\），该方法计算 MVDR 波束成形权重 martrix \（\textbf{w}_{\text{MVDR}}\）。公式定义为：

\[\textbf{w}_{\text{MVDR}}（f） = \frac{{{\bf{\Phi}_{\textbf{NN}}^{-1}}（f）{\bm{v}}（f）}} {{\bm{v}^{\mathsf{H}}}（f）{\bf{\Phi}_{\textbf{NN}}^{-1}}（f）{\bm{v}}（f）} \]

其中 \（（.）^{\mathsf{H}}\）表示厄米特共轭操作。

参数

RTF（Torch。Tensor） - 目标语音的复值 RTF 向量。维度为（...， freq， channel）的 Tensor。
psd_n（Torch。Tensor） - 噪声的复值功率谱密度（PSD）矩阵。维度为（...， freq， channel， channel）的 Tensor。
reference_channel （int 或 torch.Tensor） – 指定参考通道。如果 dtype 为，则表示引用通道索引。如果 dtype 为，则其形状为（...， channel），其中维度是 one-hot。inttorch.Tensorchannel
diagonal_loading （bool， optional） – 如果，则允许对应用对角线载荷。（默认：Truepsd_nTrue)
diag_eps （float， optional） - 对角线载荷的系数乘以单位矩阵。仅当设置为时，它才有效。（默认：diagonal_loadingTrue1e-7)
eps （float， optional）（（eps （float， optional）（浮点数，可选）） – 要添加到波束成形权重公式中的分母的值。（默认：1e-8)

返回

具有维度（...， freq， channel）的复值 MVDR 波束成形权重矩阵。

返回类型

torch.Tensor

rtf_evd¶

torchaudio.functional.rtf_evd(psd_s：Torch。Tensor） → torch 的 Tensor 中。张量 [来源]¶

通过特征值分解估计相对传递函数（RTF）或转向向量。

参数: psd_s （Tensor） – 目标语音的复值功率谱密度（PSD）矩阵。维度的张量（...， freq， channel， channel）
返回: 目标语音的估计复值 RTF。维度的张量（...， freq， channel）
返回类型: 张肌

教程使用：rtf_evd: 使用 MVDR 波束成形进行语音增强¶

rtf_power¶

torchaudio.functional.rtf_power(psd_s：Torch。Tensor，psd_n：torch。张量，reference_channel：Union[int， torch.Tensor]，n_iter：int = 3，diagonal_loading：bool = True，diag_eps：浮点数 = 1e-07） → torch。张量 [来源]¶

通过幂法估计相对传递函数（RTF）或转向矢量。

参数

psd_s（Torch。Tensor） – 目标语音的复值功率谱密度（PSD）矩阵。维度为（...， freq， channel， channel）的 Tensor。
psd_n（Torch。Tensor） - 噪声的复值功率谱密度（PSD）矩阵。维度为（...， freq， channel， channel）的 Tensor。
reference_channel （int 或 torch.Tensor） – 指定参考通道。如果 dtype 为，则表示引用通道索引。如果 dtype 为，则其形状为（...， channel），其中维度是 one-hot。inttorch.Tensorchannel
diagonal_loading （bool， optional） – 如果，则允许对应用对角线载荷。（默认：Truepsd_nTrue)
diag_eps （float， optional） - 对角线载荷的系数乘以单位矩阵。仅当设置为时，它才有效。（默认：diagonal_loadingTrue1e-7)

返回

目标语音的估计复值 RTF。维度（...， freq， channel）的张量。

返回类型

torch.Tensor

教程使用：rtf_power: 使用 MVDR 波束成形进行语音增强¶

apply_beamforming¶

torchaudio.functional.apply_beamforming(beamform_weights：Torch。张量，specgram：torch。Tensor） → torch 的 Tensor 中。张量 [来源]¶

将波束成形权重应用于多通道噪声频谱，以获得单通道增强频谱。

\[\hat{\textbf{S}}（f） = \textbf{w}_{\text{bf}}（f）^{\mathsf{H}} \textbf{Y}（f） \]

其中\（\textbf{w}_{\text{bf}}（f）\）是第\（f\）个频率区间的波束成形权重，\（\textbf{Y}\）是第\（f\）个频率区间的多通道频谱。

参数

beamform_weights （Tensor） – 复值波束成形权重矩阵。维度的张量（...， freq， channel）
specgram （Tensor） - 多通道复值噪声频谱。维度的张量（...， channel， freq， time）

返回

单通道复值增强频谱。: 维度的张量（...， freq， time）

返回类型

张肌

损失¶

rnnt_loss¶

torchaudio.functional.rnnt_loss(Logits：Torch。Tensor，目标：torch。Tensor，logit_lengths：torch。Tensor，target_lengths：torch。张量，空白：int = - 1，clamp：float = - 1，减少：str = 'mean'）[来源]¶

使用循环神经网络计算序列转导的 RNN 传感器损失 [8]。

RNN 传感器损耗通过定义输出上的分布来扩展 CTC 损耗所有长度的序列，并通过联合建模输入-输出和输出-输出依赖。

参数

logits （Tensor） – 维度（batch， max seq length， max target length + 1， class）的张量，包含连接符的输出
targets （Tensor） – 维度（batch， max target length）的张量，包含填充为零的目标
logit_lengths （Tensor） – 维度（batch）的张量，包含编码器中每个序列的长度
target_lengths （Tensor） – 维度（batch）的张量，包含每个序列的目标长度
blank （int， optional） – 空白标签（默认值：-1)
clamp （float， optional） – 渐变的 clamp （默认：-1)
reduction （string， optional） – 指定要应用于输出的 reduction ： | | .（默认：'none''mean''sum''mean')

返回

应用了 reduction 选项的 loss。如果是，则大小（批次），否则为 scalar。reduction'none'

返回类型

张肌

度量¶

edit_distance¶

torchaudio.functional.edit_distance(seq1： collections.abc.Sequence， seq2： collections.abc.Sequence） → int [来源]¶

计算两个序列之间的字级编辑（Levenshtein）距离。

该函数计算允许删除、插入和替代。结果是一个整数。

对于大多数应用程序，两个 input 序列应为同一类型。如果给出两个字符串，输出是两个字符串之间的编辑距离字符串（字符编辑距离）。如果给出了两个字符串列表，则 output 是句子之间的编辑距离（word edit distance）。用户可能希望通过引用序列的长度对输出进行归一化。

参数

seq1 （Sequence） – 要比较的第一个序列。
seq2 （Sequence） – 要比较的第二个序列。

返回

第一个序列和第二个序列之间的距离。

返回类型

int

教程使用：edit_distance: 使用 CTC 解码器进行 ASR 推理¶

引用¶

1: 朱利叶斯·史密斯。数字音频重采样主页“理想带宽插值理论”部分。2020 年 9 月。网址：https://ccrma.stanford.edu/~jos/resample/Theory_Ideal_Bandlimited_Interpolation.html。
2: 布莱恩·麦克菲、科林·拉菲尔、达文·梁、丹尼尔·埃利斯、马特·麦克维卡、埃里克·巴滕贝格和奥里奥尔·涅托。Librosa：Python 中的音频和音乐信号分析。Kathryn Huff 和 James Bergstra 主编，第 14 届 Python 科学会议论文集，第 18 – 24 页。2015. doi：10.25080/Majora-7b98e3ed-003.
3: Nathanaël Perraudin、Peter Balazs 和 Peter L. Søndergaard。一种快速的 griffin-lim 算法。2013 年 IEEE 信号处理在音频和声学中的应用研讨会，第 1-4 卷。2013. doi：10.1109/WASPAA.2013.6701851.
4: D. Griffin 和 Jae Lim. 来自改进的短时傅里叶变换的信号估计。在 ICASSP '83 中。IEEE 声学、语音和信号处理国际会议，第 8 卷，804-807。1983. doi：10.1109/ICASSP.1983.1172092.
5: Pegah Ghahremani、Bagher BabaAli、Daniel Povey、Korbinian Riedhammer、Jan Trmal 和 Sanjeev Khudanpur。针对自动语音识别进行了优化的音高提取算法。2014 年 IEEE 声学、语音和信号处理国际会议（ICASSP），卷，2494–2498。2014. doi：10.1109/ICASSP.2014.6854049.
6（1,2）: 杰克·卡彭。高分辨率频率波数频谱分析。IEEE 会议记录，57（8）：1408–1418,1969 年。
7: Mehrez Souden、Jacob Benesty 和 Sofiene Affes。在最佳频域多通道线性滤波上，用于降噪。在 IEEE 音频、语音和语言处理汇刊中，第 18 卷，260-276。IEEE，2009 年。
8: 亚历克斯·格雷夫斯。使用递归神经网络进行序列转导。2012. arXiv：1211.3711.

torchaudio.functional¶

效用¶

amplitude_to_DB¶

DB_to_amplitude¶

melscale_fbanks¶

linear_fbanks¶

create_dct¶

mask_along_axis¶

mask_along_axis_iid¶

mu_law_encoding¶

mu_law_decoding¶

apply_codec¶

重新采样¶

滤波¶

allpass_biquad¶

band_biquad¶

bandpass_biquad¶

bandreject_biquad¶

bass_biquad¶

双二阶¶

反差¶

直流移位¶

deemph_biquad¶

抖动¶

equalizer_biquad¶

filtfilt¶

镶边¶

获得¶

highpass_biquad¶

过滤器¶

lowpass_biquad¶

超速¶

相位¶

riaa_biquad¶

treble_biquad¶

特征提取¶

瓦德¶

光谱图¶

inverse_spectrogram¶

格里芬林¶

phase_vocoder¶

pitch_shift¶

compute_deltas¶

detect_pitch_frequency¶

sliding_window_cmn¶

compute_kaldi_pitch¶

spectral_centroid¶

多通道¶

PSD¶

mvdr_weights_souden¶

mvdr_weights_rtf¶

rtf_evd¶

rtf_power¶

apply_beamforming¶

损失¶

rnnt_loss¶

度量¶

edit_distance¶

引用¶

文档

教程

资源