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，幂：可选[浮点] = 2.0，归一化：bool = False，wkwargs：可选[dict] = 无，中心：bool = True，pad_mode：str = 'reflect'，单面：bool = True，return_complex：bool = False）[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。 （默认：
waveformTrue)pad_mode （string， optional） – 控制 is 时使用的填充方法。（默认：
centerTrue"reflect")onesided （bool， optional） – 控制是否将一半的结果返回给 避免冗余（默认值：
True)return_complex （bool， optional） – 指示是否应使用生成的复值 Tensor 表示 原生复杂 DTYPE，例如 torch.cfloat 和 torch.cdouble，或真实 DTYPE 模拟复数值，并为实部和虚部提供额外的维度。 此参数仅在 时有效。 另请参阅 。
power=Nonetorch.view_as_real
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：浮点 = 2.0，wkwargs：可选[dict] = 无，动量：浮点 = 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)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)
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¶
-
类 （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， mel_scale： str = 'htk'）[源代码]
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)mel_scale （str， optional） – 要使用的缩放：或 .（默认：
htkslaneyhtk)
InverseMelScale¶
-
class （n_stft： int， n_mels： int = 128， sample_rate： int = 16000， f_min： float = 0.0， f_max： 可选[float] = 无， max_iter： int = 100000， tolerance_loss： float = 1e-05， tolerance_change： float = 1e-08， sgdargs： 可选[dict] = 无， 规范： 可选[str] = 无， mel_scale： str = 'htk'）[源代码]
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 （区域标准化）。（默认：
None)mel_scale （str， optional） – 要使用的缩放：或 .（默认：
htkslaneyhtk)
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，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， 规范： 可选[str] = 无， mel_scale： str = 'htk'）[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)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)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)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)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。 （默认：
waveformTrue)pad_mode （string， optional） – 控制 is 时使用的填充方法。（默认：
centerTrue"reflect")onesided （bool， optional） – 控制是否将一半的结果返回给 避免冗余。（默认：
True)norm （Optional[str]） - 如果为 'slaney'，则将三角形梅尔权重除以梅尔带的宽度 （区域标准化）。（默认：
None)mel_scale （str， optional） – 要使用的缩放：或 .（默认：
htkslaneyhtk)
- 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¶
-
class （orig_freq： float = 16000， new_freq： float = 16000， resampling_method： str = 'sinc_interpolation'， lowpass_filter_width： int = 6， rolloff： float = 0.99， beta： 可选[float] = None， *， dtype： 可选[torch.dtype] = None）[源]
torchaudio.transforms.Resample¶ 将信号从一个频率重新采样到另一个频率。可以给出重采样方法。
注意
如果对精度高于 float32 的波形进行重采样，则可能会有少量的精度损失 因为内核缓存一次为 float32。如果高精度重采样对您的应用很重要， 函数形式将保留更高的精度，但运行速度较慢，因为它不缓存内核。 或者，您可以重写缓存更高精度内核的转换。
- 参数
orig_freq （float， optional） （浮点数，可选） – 信号的原始频率。（默认：
16000)new_freq （float， optional） （浮点数，可选） – 所需的频率。（默认：
16000)resampling_method （str， optional） – 要使用的重采样方法。 选项：[、]（默认值：
sinc_interpolationkaiser_window'sinc_interpolation')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)dtype （torch.device，可选） – Determ表示预计算和缓存重采样内核的精度。如果未提供，则 kernel 的计算方式，然后缓存为 。 如果需要更高的精度，请提供 ，然后计算预计算的内核，并且 缓存为 .如果您使用精度较低的 resample，则不要提供此 提供此参数，请使用 ，以便内核生成仍然是 执行于 .
torch.float64torch.float32torch.float64torch.float64Resample.to(dtype)torch.float64
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¶
- 1
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.
- 2
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.
- 3
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.