torchaudio.functional.vad¶
- torchaudio.functional.vad(waveform: Tensor, sample_rate: int, trigger_level: float = 7.0, trigger_time: float = 0.25, search_time: float = 1.0, allowed_gap: float = 0.25, pre_trigger_time: float = 0.0, boot_time: float = 0.35, noise_up_time: float = 0.1, noise_down_time: float = 0.01, noise_reduction_amount: float = 1.35, measure_freq: float = 20.0, measure_duration: Optional[float] = None, measure_smooth_time: float = 0.4, hp_filter_freq: float = 50.0, lp_filter_freq: float = 6000.0, hp_lifter_freq: float = 150.0, lp_lifter_freq: float = 2000.0) Tensor[源代码]¶
语音活动检测器。类似于 SoX 实现。
尝试从语音录音的两端去除静音和安静的背景声音。该算法目前使用简单的倒谱功率测量来检测语音，因此可能会被其他声音（尤其是音乐）所迷惑。
该效果只能从音频的开头进行修剪，因此要从末尾进行修剪，还必须使用反向效果。
- 参数
waveform (Tensor) – 音频的 Tensor，维度为 (channels, time) 或 (time)。形状为 (channels, time) 的 Tensor 被视为同一事件的多通道录音，并且结果输出将被修剪到任何通道中最早的语音活动。
sample_rate (int) – 音频信号的采样率。
trigger_level (float, 可选) – 用于触发活动检测的测量级别。这可能需要根据输入音频的噪声水平、信号水平和其他特性进行更改。(默认值: 7.0)
trigger_time (float, 可选) – 用于帮助忽略短暂声音爆发的时间常数（以秒为单位）。(默认值: 0.25)
search_time (float, 可选) – 要搜索以包含在检测到的触发点之前的较短/安静声音爆发的音频量（以秒为单位）。(默认值: 1.0)
allowed_gap (float, 可选) – 要包含在检测到的触发点之前的较短/安静声音爆发之间允许的间隙（以秒为单位）。(默认值: 0.25)
pre_trigger_time (float, 可选) – 在触发点和找到的任何较短/安静声音爆发之前要保留的音频量（以秒为单位）。(默认值: 0.0)
boot_time (float, 可选) 该算法 (python:internally) – 估计/减少以检测所需音频的开始。此选项设置初始噪声估计的时间。(默认值: 0.35)
noise_up_time (float, 可选) – 当噪声水平上升时。(默认值: 0.1)
noise_down_time (float, 可选) – 当噪声水平下降时。(默认值: 0.01)
noise_reduction_amount (float, 可选) – 检测算法（例如 0、0.5 等）。(默认值: 1.35)
measure_freq (float, 可选) – 处理/测量。(默认值: 20.0)
measure_duration – (float, 可选) 测量持续时间。(默认值: 测量周期的两倍；即，有重叠。)
measure_smooth_time (float, 可选) – 频谱测量。(默认值: 0.4)
hp_filter_freq (float, 可选) – 在输入到检测器算法处。(默认值: 50.0)
lp_filter_freq (float, 可选) – 在输入到检测器算法处。(默认值: 6000.0)
hp_lifter_freq (float, 可选) – 在检测器算法中。(默认值: 150.0)
lp_lifter_freq (float, 可选) – 在检测器算法中。(默认值: 2000.0)
- 返回
音频的 Tensor，维度为 (…, time)。
- 返回类型
张量
