频谱图

class torchaudio.transforms.Spectrogram(n_fft: int = 400, win_length: ~typing.Optional[int] = None, hop_length: ~typing.Optional[int] = None, pad: int = 0, window_fn: ~typing.Callable[[...], ~torch.Tensor] = <built-in method hann_window of type object>, power: ~typing.Optional[float] = 2.0, normalized: ~typing.Union[bool, str] = False, wkwargs: ~typing.Optional[dict] = None, center: bool = True, pad_mode: str = 'reflect', onesided: bool = True, return_complex: ~typing.Optional[bool] = None)

从音频信号创建频谱图。

参数

• n_fft (int, 可选) – FFT的大小，生成 n_fft // 2 + 1 个频段。 (默认: 400)

• win_length (int 或 None, 可选) – 窗口大小。 (默认: n_fft)

• hop_length (int 或 None, 可选) – STFT窗口之间的跳跃长度。 (默认: win_length // 2)

• pad (int, 可选) – 信号的双边填充。 (默认: 0)

• window_fn (Callable[..., Tensor], 可选) – 一个用于创建窗口张量的函数，该张量将被应用于/乘以每个帧/窗口。 (默认: torch.hann_window)

• power (float 或 None, 可选) – 幅度频谱图的指数，(必须大于 0) 例如，1 表示幅度，2 表示功率，依此类推。如果为 None，则返回复频谱。 (默认: 2)

• normalized (bool 或 str, 可选) – STFT后是否按幅度进行归一化。如果输入是字符串，选项有 "window" 和 "frame_length"，如果需要特定的归一化类型。True 映射到 "window"。 (默认: False)

• wkwargs (dict 或 None, 可选) – 窗口函数的参数。 (默认: None)

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

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

• onesided (bool, 可选) – 控制是否返回结果的一半以避免冗余 (默认: True)

• return_complex (bool, 可选) – 已弃用且不使用。

示例

>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = torchaudio.transforms.Spectrogram(n_fft=800)
>>> spectrogram = transform(waveform)

使用 Spectrogram 的教程

音频特征增强

音频特征增强

音频特征提取

音频特征提取

使用 Hybrid Demucs 进行音乐源分离

使用 Hybrid Demucs 进行音乐源分离

使用 MVDR 波束成形进行语音增强

使用 MVDR 波束成形进行语音增强

forward(waveform: Tensor) → Tensor

参数

waveform (Tensor) – 音频张量，维度为 (…, time)。

返回

维度 (…, freq, time)，其中 freq 为 n_fft // 2 + 1，n_fft 是傅里叶频段的数量，time 是窗口跳跃的数量 (n_frame)。

返回类型

张量