torchaudio.compliance.kaldi.spectrogram¶
- torchaudio.compliance.kaldi.spectrogram(waveform: Tensor, blackman_coeff: float = 0.42, channel: int = -1, dither: float = 0.0, energy_floor: float = 1.0, frame_length: float = 25.0, frame_shift: float = 10.0, min_duration: float = 0.0, 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, window_type: str = 'povey') Tensor[源代码]¶
从原始音频信号创建频谱图。这与 Kaldi 的 compute-spectrogram-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 窗的常数系数。(默认：
0.42)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 表示无抖动）。如果关闭此项，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：此上限应用于表示总信号能量的零分量。单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）min_duration (float, 可选) – 要处理的片段的最小持续时间（以秒为单位）。（默认：
0.0）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) – 从每帧的波形中减去均值（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 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，如果在此处指定）（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，并且我们将在末尾反射数据。（默认：
True）subtract_mean (bool, 可选) – 减去每个特征文件的均值 [CMS]；不建议这样做。（默认：
False）window_type (str, 可选) – 窗口类型（'hamming'|'hanning'|'povey'|'rectangular'|'blackman'）（默认：
'povey'）
- 返回
一个与 Kaldi 输出相同的频谱图。形状为 (m,
padded_window_size // 2 + 1)，其中 m 在 _get_strided 中计算。- 返回类型
张量
