torchaudio.compliance.kaldi.mfcc¶
- torchaudio.compliance.kaldi.mfcc(waveform: Tensor, blackman_coeff: float = 0.42, cepstral_lifter: float = 22.0, channel: int = -1, dither: float = 0.0, energy_floor: float = 1.0, frame_length: float = 25.0, frame_shift: float = 10.0, high_freq: float = 0.0, htk_compat: bool = False, low_freq: float = 20.0, num_ceps: int = 13, min_duration: float = 0.0, num_mel_bins: int = 23, 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, use_energy: bool = False, vtln_high: float = -500.0, vtln_low: float = 100.0, vtln_warp: float = 1.0, window_type: str = 'povey') Tensor[源代码]¶
从原始音频信号创建 MFCC。这与 Kaldi 的 compute-mfcc-feats 的输入/输出匹配。
- 参数
waveform (Tensor) – 音频的 Tensor，形状为 (c, n)，其中 c 的范围是 [0,2)
blackman_coeff (float, 可选) – 广义 Blackman 窗口的常数系数。(默认：
0.42)cepstral_lifter (float, 可选) – 控制 MFCC 缩放的常数 (默认：
22.0)channel (int, 可选) – 要提取的通道 (-1 -> 期望单声道, 0 -> 左声道, 1 -> 右声道) (默认：
-1)dither (float, 可选) – 抖动常数 (0.0 表示不抖动)。如果禁用此选项，则应设置 energy_floor 选项，例如设置为 1.0 或 0.1 (默认：
0.0)energy_floor (float, 可选) – 频谱图计算中的能量上限 (绝对值，非相对值)。注意：此上限应用于代表总信号能量的零分量。各个频谱图元素的上限固定为 std::numeric_limits<float>::epsilon()。(默认：
1.0)frame_length (float, 可选) – 帧长（毫秒）(默认：
25.0)frame_shift (float, 可选) – 帧移（毫秒）(默认：
10.0)high_freq (float, 可选) – Mel 频带的高截止频率 (如果 <= 0，则为奈奎斯特频率的偏移量) (默认：
0.0)htk_compat (bool, 可选) – 如果为 True，则将能量放在最后。警告：不足以获得 HTK 兼容的特征 (需要更改其他参数)。 (默认：
False)low_freq (float, 可选) – Mel 频带的低截止频率 (默认：
20.0)num_ceps (int, 可选) – MFCC 计算中的倒谱系数数量 (包括 C0) (默认：
13)min_duration (float, 可选) – 要处理的片段的最小持续时间 (秒)。 (默认：
0.0)num_mel_bins (int, 可选) – 三角 Mel 频率频带的数量 (默认：
23)preemphasis_coefficient (float, 可选) – 用于信号预加重的系数 (默认：
0.97)raw_energy (bool, 可选) – 如果为 True，则在预加重和加窗之前计算能量 (默认：
True)remove_dc_offset (bool, 可选) – 在每个帧上从波形减去均值 (默认：
True)round_to_power_of_two (bool, 可选) – 如果为 True，则通过零填充输入到 FFT 来将窗口大小四舍五入到最接近的 2 的幂。 (默认：
True)sample_frequency (float, 可选) – 波形数据采样频率 (必须与波形文件匹配，如果指定了的话) (默认：
16000.0)snip_edges (bool, 可选) – 如果为 True，则通过仅输出完全适合文件的帧来处理边缘效应，并且帧数取决于 frame_length。如果为 False，则帧数仅取决于 frame_shift，并且我们会在边缘反射数据。 (默认：
True)subtract_mean (bool, 可选) – 减去每个特征文件的均值 [CMS]；不推荐这样做。 (默认：
False)use_energy (bool, 可选) – 向 FBANK 输出添加一个额外的能量维度。 (默认：
False)vtln_high (float, 可选) – 分段线性 VTLN 扭曲函数的高拐点 (如果为负，则为高 Mel 频率的偏移量) (默认：
-500.0)vtln_low (float, 可选) – 分段线性 VTLN 扭曲函数的低拐点 (默认：
100.0)vtln_warp (float, 可选) – Vtln 扭曲因子 (仅当未指定 vtln_map 时适用) (默认：
1.0)window_type (str, 可选) – 窗口类型 ('hamming'|'hanning'|'povey'|'rectangular'|'blackman') (默认：
"povey")
- 返回
与 Kaldi 输出相同的 MFCC。形状为 (m,
num_ceps)，其中 m 在 _get_strided 中计算。- 返回类型
张量
