torchaudio.functional

用于执行常见音频作的函数。

光谱图

torchaudio.functional.spectrogram(波形：手电筒。张量、pad：int、window：torch 的 intent 和。Tensor， n_fft： int， hop_length： int， win_length： int， power： Optional[float]， normalized： bool） → torch.张量

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

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

amplitude_to_DB

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

将张量从幂/振幅刻度转换为分贝刻度。

此输出取决于输入张量中的最大值，因此 可能会为拆分为片段的音频剪辑返回不同的值，而不是 一个完整的剪辑。

参数

• x （Tensor） - 转换为分贝刻度之前的输入张量

• 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

create_fb_matrix

torchaudio.functional.create_fb_matrix(n_freqs：int、f_min：float、f_max：float、n_mels：int、sample_rate：int、norm：Optional[str] = None）→ torch。张量

创建频次 bin 转换矩阵。

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 （Optional[str]） - 如果为 'slaney'，则将三角形梅尔权重除以梅尔带的宽度

• normalization 的 Normalization）。（默认（（区域） –None)

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 * create_fb_matrix(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

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

mu_law_encoding

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

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

此算法假设信号已缩放到 -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

解码 mu-law 编码信号。有关更多信息，请参阅维基百科条目

这需要一个值介于 0 和 quantization_channels - 1 之间的输入 并返回一个缩放范围在 -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

complex_norm

torchaudio.functional.complex_norm(complex_tensor：Torch。Tensor，功率：float = 1.0）→ torch。张量

计算复张量输入的范数。

参数

• complex_tensor （Tensor） - 张量形状 （...， complex=2）

• power （float） - 标准功率（默认值：1.0）。

返回

标准化输入张量的幂。形状 （...， ）

返回类型

张肌

角度

torchaudio.functional.angle(complex_tensor：Torch。Tensor） → torch 的 Tensor 中。张量

计算复张量输入的角度。

参数

complex_tensor （Tensor） - 张量形状 （...， complex=2）

返回

复张量的角度。形状 （...， ）

返回类型

张肌

磁相

torchaudio.functional.magphase(complex_tensor：Torch。张量，幂：float = 1.0） → Tuple[torch.Tensor、torch 的 Tensor 和 Torch 的 T张量]

将形状为 （...， 2） 的复值频谱图分离为其大小和相位。

参数

• complex_tensor （Tensor） - 张量形状 （...， complex=2）

• power （float） - 标准功率。（默认值：1.0)

返回

复张量的大小和相位

返回类型

（张量、张量）

phase_vocoder

torchaudio.functional.phase_vocoder(complex_specgrams：Torch。Tensor、rate：float、phase_advance：torch。Tensor） → torch 的 Tensor 中。张量

给定一个 STFT 张量，在不修改音高的情况下通过 的因子 。rate

参数

• complex_specgrams （Tensor） – 维度 （...， freq， time， complex=2）

• 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

维数为 （...， freq， ceil（time/rate）， complex=2） 的复数规格符 Stretch

返回类型

张肌

例

>>> freq, hop_length = 1025, 512
>>> # (channel, freq, time, complex=2)
>>> complex_specgrams = torch.randn(2, freq, 300, 2)
>>> 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, 2])

过滤器

torchaudio.functional.lfilter(波形：手电筒。Tensor，a_coeffs：torch。Tensor，b_coeffs：torch。Tensor，clamp： bool = True） → torch。张量

通过评估差分方程来执行 IIR 滤波器。

参数

• waveform （Tensor） - 维数为 的音频波形。必须规范化为 -1 到 1。(..., time)

• a_coeffs （Tensor） – 维数 的差集方程的分母系数。 较低的延迟系数在前，例如 . 必须与 b_coeffs 相同（必要时填充 0）。(n_order + 1)[a0, a1, a2, ...]

• b_coeffs （Tensor） – 维数的分子差分方程 。 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）。(n_order + 1)[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

维数为 的波形。(..., time)

返回类型

张肌

双二阶

torchaudio.functional.biquad(波形：手电筒。张量、b0：浮点、b1：浮点、b2：浮点、a0：浮点、a1：浮点、a2：浮点）→ torch。张量

执行输入张量的双二阶滤波器。初始条件设置为 0。https://en.wikipedia.org/wiki/Digital_biquad_filter

参数

• waveform （Tensor） – 维度为 （...， time） 的音频波形

• b0 （float） – 电流输入的分子系数，x[n]

• b1 （float） – 一步前输入的分子系数 x[n-1]

• b2 （float） – 两个时间步前输入的分子系数 x[n-2]

• A0 （float） – 电流输出 Y[n] 的分母系数，通常为 1

• A1 （float） – 电流输出的分母系数 Y[n-1]

• A2 （float） – 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

lowpass_biquad

torchaudio.functional.lowpass_biquad(波形：手电筒。Tensor， sample_rate： int， cutoff_freq： float， Q： float = 0.707） → torch。张量

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） – 滤波器截止频率

• Q （浮点，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

highpass_biquad

torchaudio.functional.highpass_biquad(波形：手电筒。Tensor， sample_rate： int， cutoff_freq： float， Q： float = 0.707） → torch。张量

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） – 滤波器截止频率

• Q （浮点，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

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

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） – 中心频率 （以 Hz 为单位）

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

equalizer_biquad

torchaudio.functional.equalizer_biquad(波形：手电筒。Tensor， sample_rate： int， center_freq： float， gain： float， Q： float = 0.707） → torch。张量

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） – 提升（或衰减）处的所需增益，单位为 dB

• Q （浮点，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

bandpass_biquad

torchaudio.functional.bandpass_biquad(波形：手电筒。Tensor， sample_rate： int， central_freq： float， Q： float = 0.707， const_skirt_gain： bool = False） → torch。张量

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） – 中心频率 （以 Hz 为单位）

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

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

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） – 中心频率 （以 Hz 为单位）

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

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：bool = False）→ torch。张量

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） – 中心频率 （以 Hz 为单位）

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

treble_biquad

torchaudio.functional.treble_biquad(波形：手电筒。张量，sample_rate：int，增益：浮点数，central_freq：浮点数 = 3000，Q：浮点数 = 0.707）→ torch。张量

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）

• gain （float） - 提升（或衰减）所需的增益，以 dB 为单位。

• central_freq （float， optional） – 中心频率 （以 Hz 为单位）。（默认：3000)

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

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：浮点数 = 0.707）→torch。张量

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）

• gain （float） - 提升（或衰减）所需的增益，以 dB 为单位。

• central_freq （float， optional） – 中心频率 （以 Hz 为单位）。（默认：100)

• Q （浮点，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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

deemph_biquad

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

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

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

riaa_biquad

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

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（Hz） ： ，''48000''，''88200''，''96000''44100

返回

（...， 时间） 的维度波形

返回类型

张肌

引用

http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF

反差

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

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） – 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

引用

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

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） – 它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

引用

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

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

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） – 提升（或衰减）处的所需增益，单位为 dB 允许的值范围为 0 到 100

• 颜色 （float） – 控制过驱动输出中均匀谐波含量的数量 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

引用

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

相位

torchaudio.functional.phaser(波形：手电筒。张量、sample_rate：int、gain_in：浮点数 = 0.4、gain_out：浮点数 = 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

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） – 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） – 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） – 所需的延迟（以毫秒为单位） 允许的值范围为 0 到 5.0

• Decay （float） – 相对于增益的期望衰减 允许的值范围为 0 到 0.99

• mod_speed （float） – 调制速度，单位为 Hz 允许的值范围为 0.1 到 2

• sinusoidal （bool） – 如果 ，则使用正弦调制（最好用于多个乐器） 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

引用

http://sox.sourceforge.net/sox.htmlScott Lehman，Effects Explained，http://harmony-central.com/Effects/effects-explained.html

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、regen：float = 0.0、宽度：float = 71.0、速度：float = 0.5、phase：float = 25.0、调制：str = 'sinusoidal'、插值：str = 'linear'） →Torch。张量

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） – 期望的延迟，以毫秒 （ms） 为单位 允许的值范围为 0 到 30

• depth （float） – 所需的延迟深度，以毫秒 （ms） 为单位 允许的值范围为 0 到 10

• regen （float） – 所需的 regen （Feeback Gain） （以 dB 为单位） 允许的值范围为 -95 到 95

• width （float） – 所需的宽度 （延迟增益） ，单位为 dB 允许的值范围为 0 到 100

• speed （float） – 调制速度，单位为 Hz 允许的值范围为 0.1 到 10

• phase （float） – 多通道的相移百分比 允许的值范围为 0 到 100

• modulation （str） – 使用 “sinusoidal” 或 “triangular” 调制。（默认：sinusoidal)

• interpolation （str） – 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

引用

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

Scott Lehman，Effects Explained，https://web.archive.org/web/20051125072557/http://www.harmony-central.com/Effects/effects-explained.html

mask_along_axis

torchaudio.functional.mask_along_axis(specgram：Torch。Tensor、mask_param：int、mask_value：float、axis： int）→ torch。张量

沿 应用蒙版。掩码将从 indices 中应用，其中从 和 中采样。 所有示例将具有相同的掩码间隔。axis[v_0, v_0 + v)vuniform(0, mask_param)v_0uniform(0, max_v - v)

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）

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。Tensor、mask_param：int、mask_value：float、axis： int）→ torch。张量

沿 应用蒙版。掩码将从 indices 中应用，其中从 和 中采样。axis[v_0, v_0 + v)vuniform(0, mask_param)v_0uniform(0, max_v - v)

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 ->）

返回

维度的掩码频谱图（batch、channel、freq、time）

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

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

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

sliding_window_cmn

torchaudio.functional.sliding_window_cmn(波形：手电筒。张量，cmn_window：int = 600，min_cmn_window：int = 100，中心：bool = False，norm_vars：bool = False）→ torch。张量

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

• waveform （Tensor） - 维度为 （...， freq， time） 的音频张量

• 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

维度 （...， frame） 的 freq 张量

返回类型

张肌

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：浮点数 = 1.35，measure_freq：浮点数 = 20.0，measure_duration：可选[浮点数] = 无、measure_smooth_time：浮点数 = 0.4、hp_filter_freq：浮点数 = 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）→手电筒。张量

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 （...， time） 的音频张量

• 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） 要包含先前的音频的较长/更短的突发 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

引用

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