torchaudio.transforms¶
光谱图¶
-
class （n_fft： int = 400， win_length： Optional[int] = None， hop_length： Optional[int] = None， pad： int = 0， window_fn： Callable[[...]， torch.张量] = < object> 类型的内置方法hann_window，power： 可选[float] = 2.0，归一化： bool = False， wkwargs： 可选[dict] = 无，中心： bool = True， pad_mode： str = 'reflect'， 单面： bool = True）[来源]
torchaudio.transforms.Spectrogram¶ 从音频信号创建频谱图。
- 参数
n_fft （int， optional） - FFT 的大小，创建 bin。（默认：
n_fft // 2 + 1400)hop_length （int 或 None，可选） – STFT 窗口之间的跃点长度。（默认：
win_length // 2)pad （int， optional） - 信号的两侧填充。（默认：
0)window_fn （Callable[..， Tensor]， optional） – 用于创建窗口张量的函数 应用/乘以每个框架/窗口。（默认：
torch.hann_window)power （float 或 None，可选） – 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。（默认：
2)normalized （bool， optional） - 是否在 stft 之后按量级进行标准化。（默认：
False)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 Default：
True
格里芬林¶
-
类 （n_fft： int = 400， n_iter： int = 32， win_length： 可选[int] = 无， hop_length： 可选[int] = 无， window_fn： 可调用[[...]， Torch.张量] = < object> 类型的内置方法hann_window，功率：float = 2.0，标准化：bool = False，wkwargs：可选[dict] = 无，动量：float = 0.99，长度：可选[int] = 无，rand_init：bool = True）[来源]
torchaudio.transforms.GriffinLim¶ 使用 Griffin-Lim 变换从线性尺度幅度频谱图计算波形。
- 参数
n_fft （int， optional） - FFT 的大小，创建 bin。（默认：
n_fft // 2 + 1400)n_iter （int， optional） – 阶段恢复过程的迭代次数。（默认：
32)hop_length （int 或 None，可选） – STFT 窗口之间的跃点长度。（默认：
win_length // 2)window_fn （Callable[..， Tensor]， optional） – 用于创建窗口张量的函数 应用/乘以每个框架/窗口。（默认：
torch.hann_window)power （float， optional） – 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。（默认值：
2)normalized （bool， optional） - 是否在 stft 之后按量级进行标准化。（默认：
False)momentum （float， optional） - 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。（默认：
0.99)length （int， optional） – 预期输出的数组长度。（默认：
None)rand_init （bool， optional） – 如果为 True，则随机初始化阶段，否则为零。（默认：
True)
引用
- 1
- 麦克菲、布莱恩、科林·拉菲尔、梁大文、丹尼尔 PW 埃利斯、马特·麦克维卡、埃里克·巴滕贝格、 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。
AmplitudeToDB¶
-
class （stype： str = 'power'， top_db： Optional[float] = None）[来源]
torchaudio.transforms.AmplitudeToDB¶ 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
-
forward(x：Torch。Tensor） → torch 的 Tensor 中。张量[来源]¶ 来自 Librosa 的数值稳定实现。
https://librosa.org/doc/latest/generated/librosa.amplitude_to_db.html
- 参数
x （Tensor） - 转换为分贝刻度之前的输入张量。
- 返回
分贝刻度的输出张量。
- 返回类型
张肌
梅尔斯卡尔¶
-
class （n_mels： int = 128， sample_rate： int = 16000， f_min： float = 0.0， f_max： 可选[float] = 无， n_stft： 可选[int] = 无， 规范： 可选[str] = 无）[源]
torchaudio.transforms.MelScale¶ 使用转换将普通 STFT 转换为 mel 频率 STFT 矩阵。这使用三角滤波器组。
用户可以控制滤波器组 （fb） 是哪个设备（例如 fb.to（spec_f.device））。
- 参数
n_mels （int， optional） – mel filterbanks 的数量。（默认：
128)sample_rate （int， optional） – 音频信号的采样率。（默认：
16000)f_min （float， optional） （最小频率）。（默认：
0.)n_stft （int， optional） – STFT 中的 bin 数量。从第一次输入开始计算 如果给出 None。请参阅 。
（默认：n_fftNone)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)
InverseMelScale¶
-
class （n_stft： int， n_mels： int = 128， sample_rate： int = 16000， f_min： float = 0.0， f_max： Optional[float] = None， max_iter： int = 100000， tolerance_loss： float = 1e-05， tolerance_change： float = 1e-08， sgdargs： Optional[dict] = None， norm： Optional[str] = None）[来源]
torchaudio.transforms.InverseMelScale¶ 使用转换从 mel 频率 STFT 求解法向 STFT 的法向 STFT 矩阵。这使用三角滤波器组。
它最小化了输入梅尔频谱图与两者之间的乘积之间的欧几里得范数 使用 SGD 的估计频谱图和滤波器组。
- 参数
n_stft （int） – STFT 中的箱数。请参阅 。
n_fftn_mels （int， optional） – mel filterbanks 的数量。（默认：
128)sample_rate （int， optional） – 音频信号的采样率。（默认：
16000)f_min （float， optional） （最小频率）。（默认：
0.)max_iter （int， optional） – 最大优化迭代次数。（默认：
100000)tolerance_loss （float， optional） – 停止优化的损失值。（默认：
1e-5)tolerance_change （float， optional） – 停止优化的损失差异。（默认：
1e-8)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)
MelSpectrogram 梅尔频谱图¶
-
类 （sample_rate： int = 16000， n_fft： int = 400， win_length： 可选[int] = 无， hop_length： 可选[int] = 无， f_min： 浮点数 = 0.0， f_max： 可选[浮点数] = 无， pad： int = 0， n_mels： int = 128， window_fn： Callable[[...]， torch.张量] = < object> 类型的内置方法hann_window，功率：可选[浮点] = 2.0，归一化：bool = False，wkwargs：可选[dict] = 无，中心：bool = True，pad_mode：str = 'reflect'，单侧：bool = True，规范：可选[str] = None）[来源]
torchaudio.transforms.MelSpectrogram¶ 为原始音频信号创建 MelSpectrogram。这是 Spectrogram 的组合 和 MelScale。
- 来源
- 参数
sample_rate （int， optional） – 音频信号的采样率。（默认：
16000)hop_length （int 或 None，可选） – STFT 窗口之间的跃点长度。（默认：
win_length // 2)n_fft （int， optional） - FFT 的大小，创建 bin。（默认：
n_fft // 2 + 1400)f_min （float， optional） （最小频率）。（默认：
0.)pad （int， optional） - 信号的两侧填充。（默认：
0)n_mels （int， optional） – mel filterbanks 的数量。（默认：
128)window_fn （Callable[..， Tensor]， optional） – 用于创建窗口张量的函数 应用/乘以每个框架/窗口。（默认：
torch.hann_window)wkwargs （Dict[..， ..] 或 None， optional） – 窗口函数的参数。（默认：
None)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：
Truenorm （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)
- 例
>>> waveform, sample_rate = torchaudio.load('test.wav', normalization=True) >>> mel_specgram = transforms.MelSpectrogram(sample_rate)(waveform) # (channel, n_mels, time)
MFCC¶
-
类（sample_rate：int = 16000，n_mfcc：int = 40，dct_type：int = 2，范数：str = 'ortho'，log_mels：bool = False，melkwargs：可选[dict] = None）[源]
torchaudio.transforms.MFCC¶ 从音频信号创建 Mel 频率倒谱系数。
默认情况下，这将计算 DB 缩放的 Mel 频谱图上的 MFCC。 这不是教科书上的实现，但在这里实现是为了 与 librosa 保持一致。
此输出取决于输入频谱图中的最大值，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。
MuLaw编码¶
MuLaw解码¶
重新采样¶
复常数¶
计算增量¶
时间拉伸¶
褪色¶
频率掩码¶
时间掩码¶
滑动窗口 Cmn¶
-
类（cmn_window：int = 600，min_cmn_window：int = 100，中心：bool = False，norm_vars：bool = False）[来源]
torchaudio.transforms.SlidingWindowCmn¶ 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
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）
SpectralCentroid （光谱中心）¶
-
class （sample_rate： int， n_fft： int = 400， win_length： Optional[int] = None， hop_length： Optional[int] = None， pad： int = 0， window_fn： Callable[[...]， torch.Tensor] = < object> 类型的内置方法hann_window，wkwargs： Optional[dict] = None）[来源]
torchaudio.transforms.SpectralCentroid¶ 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
- 例
>>> waveform, sample_rate = torchaudio.load('test.wav', normalization=True) >>> spectral_centroid = transforms.SpectralCentroid(sample_rate)(waveform) # (channel, time)
瓦德¶
-
类 （sample_rate： int， trigger_level： float = 7.0， trigger_time： float = 0.25， search_time： float = 1.0， allowed_gap： float = 0.25， pre_trigger_time： float = 0.0， boot_time： float = 0.35， noise_up_time： float = 0.1， noise_down_time： float = 0.01， noise_reduction_amount： float = 1.35， measure_freq： float = 20.0， measure_duration：可选[float] = None，measure_smooth_time：float = 0.4，hp_filter_freq：float = 50.0，lp_filter_freq：float = 6000.0，hp_lifter_freq：float = 150.0，lp_lifter_freq：float = 2000.0）[来源]
torchaudio.transforms.Vad¶ 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
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）
引用