torchaudio.functional.vad¶
- torchaudio.functional.vad(waveform: Tensor, 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: Optional[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) Tensor[原始碼]¶
語音活動偵測器。與 SoX 實作類似。
嘗試從語音錄音的末端修剪靜音和安靜的背景聲音。該演算法目前使用簡單的倒頻譜功率測量來偵測語音，因此可能會被其他事物（尤其是音樂）所欺騙。
此效果只能從音訊的前端修剪，因此為了從後端修剪，也必須使用反向效果。
- 參數:
waveform (Tensor) – 音訊張量，維度為 (channels, time) 或 (time)。形狀為 (channels, time) 的張量被視為同一事件的多聲道錄音，結果輸出將被修剪為任何聲道中最早的語音活動。
sample_rate (int) – 音訊訊號的取樣率。
trigger_level (float, optional) – 用於觸發活動偵測的測量等級。可能需要根據輸入音訊的雜訊等級、訊號等級和其他特性進行調整。（預設值：7.0）
trigger_time (float, optional) – 用於幫助忽略短暫聲音爆發的時間常數（以秒為單位）。（預設值：0.25）
search_time (float, optional) – 在偵測到的觸發點之前，搜尋較安靜/較短的聲音爆發以包含在內的音訊量（以秒為單位）。（預設值：1.0）
allowed_gap (float, optional) – 在偵測到的觸發點之前，要包含在內的較安靜/較短聲音爆發之間允許的間隙（以秒為單位）。（預設值：0.25）
pre_trigger_time (float, optional) – 在觸發點和任何找到的較安靜/較短聲音爆發之前要保留的音訊量（以秒為單位）。（預設值：0.0）
boot_time (float, optional) 演算法 (python:internally) – 估計/減少，以便偵測到所需音訊的開始。此選項設定初始雜訊估計的時間。（預設值：0.35）
noise_up_time (float, optional) – 用於雜訊等級升高時。（預設值：0.1）
noise_down_time (float, optional) – 用於雜訊等級降低時。（預設值：0.01）
noise_reduction_amount (float, optional) – 偵測演算法（例如 0、0.5、…）。（預設值：1.35）
measure_freq (float, optional) – 處理/測量。（預設值：20.0）
measure_duration – (float, optional) 測量持續時間。（預設值：測量週期的兩倍；即帶有重疊。）
measure_smooth_time (float, optional) – 頻譜測量。（預設值：0.4）
hp_filter_freq (float, optional) – 在偵測器演算法的輸入端。（預設值：50.0）
lp_filter_freq (float, optional) – 在偵測器演算法的輸入端。（預設值：6000.0）
hp_lifter_freq (float, optional) – 在偵測器演算法中。（預設值：150.0）
lp_lifter_freq (float, optional) – 在偵測器演算法中。（預設值：2000.0）
- 返回:
維度為 (…, time) 的音訊張量。
- 返回類型:
Tensor
