注意

點擊這裡下載完整的範例程式碼

StreamReader 進階用法¶

本教學展示如何使用StreamReader來處理：

裝置輸入，例如麥克風、網路攝影機和螢幕錄製
產生合成音訊/視訊
使用自訂的篩選器表達式套用預處理

import torch
import torchaudio

print(torch.__version__)
print(torchaudio.__version__)

import IPython
import matplotlib.pyplot as plt
from torchaudio.io import StreamReader

base_url = "https://download.pytorch.org/torchaudio/tutorial-assets"
AUDIO_URL = f"{base_url}/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav"
VIDEO_URL = f"{base_url}/stream-api/NASAs_Most_Scientifically_Complex_Space_Observatory_Requires_Precision-MP4.mp4"

2.6.0
2.6.0

音訊/視訊裝置輸入¶

另請參閱

假設系統具有適當的媒體裝置，並且 libavdevice 已設定為使用這些裝置，則串流 API 可以從這些裝置提取媒體串流。

為此，我們將額外的參數 format 和 option 傳遞給建構函式。format 指定裝置元件，而 option 字典特定於指定的元件。

要傳遞的確切參數取決於系統配置。請參閱 https://ffmpeg.dev.org.tw/ffmpeg-devices.html 了解詳情。

以下範例說明了如何在 MacBook Pro 上執行此操作。

首先，我們需要檢查可用的裝置。

$ ffmpeg -f avfoundation -list_devices true -i ""
[AVFoundation indev @ 0x143f04e50] AVFoundation video devices:
[AVFoundation indev @ 0x143f04e50] [0] FaceTime HD Camera
[AVFoundation indev @ 0x143f04e50] [1] Capture screen 0
[AVFoundation indev @ 0x143f04e50] AVFoundation audio devices:
[AVFoundation indev @ 0x143f04e50] [0] MacBook Pro Microphone

我們使用 FaceTime HD Camera 作為視訊裝置 (索引 0)，並使用 MacBook Pro Microphone 作為音訊裝置 (索引 0)。

如果我們不傳遞任何 option，裝置將使用其預設配置。解碼器可能不支援該配置。

>>> StreamReader(
...     src="0:0",  # The first 0 means `FaceTime HD Camera`, and
...                 # the second 0 indicates `MacBook Pro Microphone`.
...     format="avfoundation",
... )
[avfoundation @ 0x125d4fe00] Selected framerate (29.970030) is not supported by the device.
[avfoundation @ 0x125d4fe00] Supported modes:
[avfoundation @ 0x125d4fe00]   1280x720@[1.000000 30.000000]fps
[avfoundation @ 0x125d4fe00]   640x480@[1.000000 30.000000]fps
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  ...
RuntimeError: Failed to open the input: 0:0

藉由提供 option，我們可以變更裝置串流的格式，使其成為解碼器支援的格式。

>>> streamer = StreamReader(
...     src="0:0",
...     format="avfoundation",
...     option={"framerate": "30", "pixel_format": "bgr0"},
... )
>>> for i in range(streamer.num_src_streams):
...     print(streamer.get_src_stream_info(i))
SourceVideoStream(media_type='video', codec='rawvideo', codec_long_name='raw video', format='bgr0', bit_rate=0, width=640, height=480, frame_rate=30.0)
SourceAudioStream(media_type='audio', codec='pcm_f32le', codec_long_name='PCM 32-bit floating point little-endian', format='flt', bit_rate=3072000, sample_rate=48000.0, num_channels=2)

合成來源串流¶

作為裝置整合的一部分，ffmpeg 提供了一個「虛擬裝置」介面。這個介面使用 libavfilter 來產生合成音訊 / 視訊資料。

若要使用此功能，我們將 format=lavfi 設為 true，並將篩選器描述提供給 src。

篩選器描述的詳細資訊可以在 https://ffmpeg.dev.org.tw/ffmpeg-filters.html 找到。

音訊範例¶

正弦波¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#sine

StreamReader(src="sine=sample_rate=8000:frequency=360", format="lavfi")

具有任意表達式的訊號¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#aevalsrc

# 5 Hz binaural beats on a 360 Hz carrier
StreamReader(
    src=(
        'aevalsrc='
        'sample_rate=8000:'
        'exprs=0.1*sin(2*PI*(360-5/2)*t)|0.1*sin(2*PI*(360+5/2)*t)'
    ),
    format='lavfi',
 )

噪音¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#anoisesrc

StreamReader(src="anoisesrc=color=pink:sample_rate=8000:amplitude=0.5", format="lavfi")

視訊範例¶

細胞自動機¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#cellauto

StreamReader(src=f"cellauto", format="lavfi")

曼德勃羅集¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#cellauto

StreamReader(src=f"mandelbrot", format="lavfi")

MPlayer 測試圖案¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#mptestsrc

StreamReader(src=f"mptestsrc", format="lavfi")

約翰·康威的生命遊戲¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#life

StreamReader(src=f"life", format="lavfi")

謝爾賓斯基地毯/三角形碎形¶

https://ffmpeg.dev.org.tw/ffmpeg-filters.html#sierpinski

StreamReader(src=f"sierpinski", format="lavfi")

自訂篩選器¶

在定義輸出串流時，您可以使用 add_audio_stream() 和 add_video_stream() 方法。

這些方法採用 filter_desc 引數，這是一個根據 ffmpeg 的篩選器表達式格式化的字串。

注意

當應用自訂篩選器時，用戶端程式碼必須將音訊/視訊串流轉換為 torchaudio 可以轉換為張量格式的格式之一。例如，可以透過將 format=pix_fmts=rgb24 應用於視訊串流，並將 aformat=sample_fmts=fltp 應用於音訊串流來實現此目的。
每個輸出串流都有單獨的篩選器圖。因此，不可能為篩選器表達式使用不同的輸入/輸出串流。但是，可以將一個輸入串流分成多個，然後稍後將它們合併。

音訊範例¶

# fmt: off
descs = [
    # No filtering
    "anull",
    # Apply a highpass filter then a lowpass filter
    "highpass=f=200,lowpass=f=1000",
    # Manipulate spectrogram
    (
        "afftfilt="
        "real='hypot(re,im)*sin(0)':"
        "imag='hypot(re,im)*cos(0)':"
        "win_size=512:"
        "overlap=0.75"
    ),
    # Manipulate spectrogram
    (
        "afftfilt="
        "real='hypot(re,im)*cos((random(0)*2-1)*2*3.14)':"
        "imag='hypot(re,im)*sin((random(1)*2-1)*2*3.14)':"
        "win_size=128:"
        "overlap=0.8"
    ),
]
# fmt: on

sample_rate = 8000

streamer = StreamReader(AUDIO_URL)
for desc in descs:
    streamer.add_audio_stream(
        frames_per_chunk=40000,
        filter_desc=f"aresample={sample_rate},{desc},aformat=sample_fmts=fltp",
    )

chunks = next(streamer.stream())


def _display(i):
    print("filter_desc:", streamer.get_out_stream_info(i).filter_description)
    fig, axs = plt.subplots(2, 1)
    waveform = chunks[i][:, 0]
    axs[0].plot(waveform)
    axs[0].grid(True)
    axs[0].set_ylim([-1, 1])
    plt.setp(axs[0].get_xticklabels(), visible=False)
    axs[1].specgram(waveform, Fs=sample_rate)
    fig.tight_layout()
    return IPython.display.Audio(chunks[i].T, rate=sample_rate)

原始¶

_display(0)

filter_desc: aresample=8000,anull,aformat=sample_fmts=fltp

高通 / 低通篩選器¶

_display(1)

filter_desc: aresample=8000,highpass=f=200,lowpass=f=1000,aformat=sample_fmts=fltp

FFT 篩選器 - 機器人 🤖¶

_display(2)

filter_desc: aresample=8000,afftfilt=real='hypot(re,im)*sin(0)':imag='hypot(re,im)*cos(0)':win_size=512:overlap=0.75,aformat=sample_fmts=fltp

FFT 篩選器 - 耳語¶

_display(3)

filter_desc: aresample=8000,afftfilt=real='hypot(re,im)*cos((random(0)*2-1)*2*3.14)':imag='hypot(re,im)*sin((random(1)*2-1)*2*3.14)':win_size=128:overlap=0.8,aformat=sample_fmts=fltp

視訊範例¶

# fmt: off
descs = [
    # No effect
    "null",
    # Split the input stream and apply horizontal flip to the right half.
    (
        "split [main][tmp];"
        "[tmp] crop=iw/2:ih:0:0, hflip [flip];"
        "[main][flip] overlay=W/2:0"
    ),
    # Edge detection
    "edgedetect=mode=canny",
    # Rotate image by randomly and fill the background with brown
    "rotate=angle=-random(1)*PI:fillcolor=brown",
    # Manipulate pixel values based on the coordinate
    "geq=r='X/W*r(X,Y)':g='(1-X/W)*g(X,Y)':b='(H-Y)/H*b(X,Y)'"
]
# fmt: on

streamer = StreamReader(VIDEO_URL)
for desc in descs:
    streamer.add_video_stream(
        frames_per_chunk=30,
        filter_desc=f"fps=10,{desc},format=pix_fmts=rgb24",
    )

streamer.seek(12)

chunks = next(streamer.stream())


def _display(i):
    print("filter_desc:", streamer.get_out_stream_info(i).filter_description)
    _, axs = plt.subplots(1, 3, figsize=(8, 1.9))
    chunk = chunks[i]
    for j in range(3):
        axs[j].imshow(chunk[10 * j + 1].permute(1, 2, 0))
        axs[j].set_axis_off()
    plt.tight_layout()

原始¶

_display(0)

filter_desc: fps=10,null,format=pix_fmts=rgb24

鏡像¶

_display(1)

filter_desc: fps=10,split [main][tmp];[tmp] crop=iw/2:ih:0:0, hflip [flip];[main][flip] overlay=W/2:0,format=pix_fmts=rgb24

邊緣檢測¶

_display(2)

filter_desc: fps=10,edgedetect=mode=canny,format=pix_fmts=rgb24

隨機旋轉¶

_display(3)

filter_desc: fps=10,rotate=angle=-random(1)*PI:fillcolor=brown,format=pix_fmts=rgb24

像素操作¶

_display(4)

filter_desc: fps=10,geq=r='X/W*r(X,Y)':g='(1-X/W)*g(X,Y)':b='(H-Y)/H*b(X,Y)',format=pix_fmts=rgb24

標籤：torchaudio.io

腳本總執行時間： ( 0 分鐘 18.695 秒)

由 Sphinx-Gallery 產生的圖庫

StreamReader 進階用法¶

音訊/視訊裝置輸入¶

合成來源串流¶

音訊範例¶

正弦波¶

具有任意表達式的訊號¶

噪音¶

視訊範例¶

細胞自動機¶

曼德勃羅集¶

MPlayer 測試圖案¶

約翰·康威的生命遊戲¶

謝爾賓斯基地毯/三角形碎形¶

自訂篩選器¶

音訊範例¶

原始¶

高通 / 低通篩選器¶

FFT 篩選器 - 機器人 🤖¶

FFT 篩選器 - 耳語¶

視訊範例¶

原始¶

鏡像¶

邊緣檢測¶

隨機旋轉¶

像素操作¶

文件

教學

資源