torchaudio.compliance.kaldi.spectrogram¶
- torchaudio.compliance.kaldi.spectrogram(waveform: Tensor, blackman_coeff: float = 0.42, channel: int = -1, dither: float = 0.0, energy_floor: float = 1.0, frame_length: float = 25.0, frame_shift: float = 10.0, min_duration: float = 0.0, preemphasis_coefficient: float = 0.97, raw_energy: bool = True, remove_dc_offset: bool = True, round_to_power_of_two: bool = True, sample_frequency: float = 16000.0, snip_edges: bool = True, subtract_mean: bool = False, window_type: str = 'povey') Tensor[source]¶
從原始音訊訊號建立頻譜圖。這會匹配 Kaldi 的 compute-spectrogram-feats 的輸入/輸出。
- 參數:
waveform (Tensor) – 大小為 (c, n) 的音訊 Tensor，其中 c 的範圍為 [0,2)
blackman_coeff (float, optional) – 廣義 Blackman 視窗的常數係數。(預設值:
0.42)channel (int, optional) – 要提取的聲道 (-1 -> 預期為單聲道, 0 -> 左聲道, 1 -> 右聲道) (預設值:
-1)dither (float, optional) – 抖動常數 (0.0 表示不抖動)。如果關閉此選項，則應設定 energy_floor 選項，例如 1.0 或 0.1 (預設值:
0.0)energy_floor (float, optional) – 頻譜圖計算中能量的下限（絕對值，非相對值）。注意：此下限適用於第零個分量，表示總訊號能量。個別頻譜圖元素的下限固定為 std::numeric_limits<float>::epsilon()。(預設值:
1.0)frame_length (float, optional) – 幀長度（以毫秒為單位）(預設值:
25.0)frame_shift (float, optional) – 幀偏移量（以毫秒為單位）(預設值:
10.0)min_duration (float, optional) – 要處理的片段的最小持續時間（以秒為單位）。(預設值:
0.0)preemphasis_coefficient (float, optional) – 用於訊號預加重的係數 (預設值:
0.97)raw_energy (bool, optional) – 如果為 True，則在預加重和視窗化之前計算能量 (預設值:
True)remove_dc_offset (bool, optional) – 從每個影格的波形中減去平均值 (預設值:
True)round_to_power_of_two (bool, optional) – 如果為 True，則透過對 FFT 的輸入進行零填充，將視窗大小四捨五入為 2 的冪次方。(預設值:
True)sample_frequency (float, optional) – 波形資料取樣頻率 (必須與波形檔案相符，如果該檔案中有指定) (預設值:
16000.0)snip_edges (bool, optional) – 如果為 True，則邊緣效應將透過僅輸出完全適合該檔案的影格來處理，並且影格的數量取決於 frame_length。 如果為 False，則影格的數量僅取決於 frame_shift，並且我們會在末端反映資料。(預設值:
True)subtract_mean (bool, optional) – 減去每個特徵檔案的平均值 [CMS]; 不建議這樣做。(預設值:
False)window_type (str, optional) – 視窗類型 ('hamming'|'hanning'|'povey'|'rectangular'|'blackman') (預設值:
'povey')
- 傳回:
與 Kaldi 輸出的 spectrogram 相同。 形狀為 (m,
padded_window_size // 2 + 1)，其中 m 在 _get_strided 中計算- 傳回類型:
Tensor
