torchaudio.functional.spectrogram

torchaudio.functional.spectrogram(waveform: Tensor, pad: int, window: Tensor, n_fft: int, hop_length: int, win_length: int, power: Optional[float], normalized: Union[bool, str], center: bool = True, pad_mode: str = 'reflect', onesided: bool = True, return_complex: Optional[bool] = None) → Tensor

从原始音频信号创建频谱图或频谱图批次。频谱图可以是仅幅值或复数。

参数

• waveform (Tensor) – 音频张量，维度为 (..., time)

• pad (int) – 信号两侧的填充

• window (Tensor) – 应用/乘以每个帧/窗口的窗口张量

• n_fft (int) – FFT 的大小。

• hop_length (int) – STFT 窗口之间的跳跃长度。

• win_length (int) – 窗口大小。

• power (float 或 None) – 幅度频谱图的指数，(必须 > 0) 例如，1 表示幅度，2 表示功率等。如果为 None，则返回复数频谱。

• normalized (bool 或 str) – STFT 后是否按幅度归一化。如果输入为 str，则可选值为 "window" 和 "frame_length"，如果需要特定的归一化类型。True 映射到 "window"。当在 "window" 上归一化时，音频信号会根据窗口的 L2 能量进行归一化。如果在 "frame_length" 上归一化，音频信号将通过除以 \((\text{frame\_length})^{0.5}\) 来归一化。

• center (bool, 可选) – 是否在 waveform 的两侧进行填充，以便 \(t\)-th 帧的中心位于时间 \(t \times \text{hop\_length}\)。默认值：True

• pad_mode (string, 可选) – 当 center 为 True 时，控制使用的填充方法。默认值："reflect"

• onesided (bool, 可选) – 控制是否返回一半结果以避免冗余。默认值：True

• return_complex (bool, 可选) – 已弃用，未使用。

返回

维度为 (..., freq, time)，其中 freq 为 n_fft // 2 + 1，n_fft 是傅里叶变换的 bin 数，time 是窗口跳跃的次数 (n_frame)。

返回类型

张量