torchaudio.functional¶
用于执行常见音频操作的函数。
效用¶
amplitude_to_DB¶
DB_to_amplitude¶
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[来源]¶ 创建频次 bin 转换矩阵。
- 参数
- 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¶
mask_along_axis¶
mask_along_axis_iid¶
mu_law_encoding¶
mu_law_decoding¶
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[浮点] = 无、编码：可选[str] = 无、bits_per_sample：可选[int] = 无）→ 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） – 当 True 时，输入和输出 Tensor 的维度均为 。 否则，它们的维度为 。
[channel, time][time, channel]compression （float） （压缩 （浮点） ） – 用于 WAV 以外的格式。 有关详细信息，请参阅
。encoding （str， optional） – 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， optional） – 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 else 。
channels_first=True[channel, time][time, channel]- 返回类型
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） – 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[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） – 中心频率 （以 Hz 为单位）
Q （浮点，可选） – https://en.wikipedia.org/wiki/Q_factor （默认值： ）。
0.707noise （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
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[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） – 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[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） – 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
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[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）
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
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[来源]¶ 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
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） – 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
直流移位¶
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
引用
http://sox.sourceforge.net/sox.html https://www.w3.org/2011/audio/audio-eq-cookbook.html#APF
抖动¶
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[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） – 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
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[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） – 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
获得¶
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[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） – 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
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[来源]¶ 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
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[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） – 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
超速¶
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[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） – 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，https://web.archive.org/web/20051125072557/http://www.harmony-central.com/Effects/effects-explained.html
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
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[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）
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
瓦德¶
特征提取¶
-
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[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 （...， 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
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]、标准化：bool、center： bool = True、pad_mode：str = 'reflect'、单面：bool = True）→ 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：
waveformTruepad_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
- 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
格里芬林¶
-
torchaudio.functional.griffinlim(specgram：Torch。Tensor，窗口：torch。张量、n_fft：int、hop_length：int、win_length：int、power：float、normalized： bool、n_iter：int、momentum：float、length： Optional[int]， rand_init： bool） → 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。
- [1] McFee、Brian、Colin Raffel、Dawen Liang、Daniel PW Ellis、Matt McVicar、Eric Battenberg 和 Oriol Nieto。
“librosa：python 中的音频和音乐信号分析。” 第 14 届蟒蛇科学会议论文集，第 18-25 页。2015.
- [2] Perraudin， N.， Balazs， P.， & Søndergaard， P. L.
“一种快速的 Griffin-Lim 算法，” IEEE 信号处理在音频和声学中的应用研讨会（第 1-4 页）， 2013 年 10 月。
- [3] D. W. Griffin 和 J. S. Lim，
“来自改进的短时傅里叶变换的信号估计，” IEEE Trans. ASSP，第 32 卷，第 2 期，第 236-243 页，1984 年 4 月。
- 参数
specgram （Tensor） - 维度为 （...， freq， frames） 的仅幅度的 STFT 频谱图 其中 freq 是 。
n_fft // 2 + 1window （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 bin
n_fft // 2 + 1hop_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。
normalized （bool） - 是否在 stft 之后按量级进行归一化。
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。
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
phase_vocoder¶
-
torchaudio.functional.phase_vocoder(complex_specgrams：Torch。Tensor、rate：float、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])
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
- 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： ）。
30freq_low （int， optional） – 可检测到的最低频率 （Hz） （默认值： ）。
85freq_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[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
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
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：int = 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。张量[来源]¶ 根据 [1] 中描述的方法提取音高。
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=Trueframes_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 > 0recompute_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 > 0snip_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：最后一个维度 对应于 pitch 和 NCCF。
(batch, frames 2)- 返回类型
张肌
- 参考：
针对自动语音识别进行调整的音高提取算法
Ghahremani、B. BabaAli、D. Povey、K. Riedhammer、J. Trmal 和 S. Khudanpur
2014 IEEE声学、语音和信号处理国际会议（ICASSP），
佛罗伦萨，2014 年，第 2494-2498 页，doi：10.1109/ICASSP.2014.6854049。