Resample¶
- class torchaudio.transforms.Resample(orig_freq: int = 16000, new_freq: int = 16000, resampling_method: str = 'sinc_interp_hann', lowpass_filter_width: int = 6, rolloff: float = 0.99, beta: Optional[float] = None, *, dtype: Optional[dtype] = None)[源代码]¶
将信号从一个频率重采样到另一个频率。可以指定重采样方法。
注意
如果对精度高于 float32 的波形进行重采样，可能会有轻微的精度损失，因为核函数（kernel）被缓存为 float32。如果您的应用程序需要高精度重采样，请使用函数形式，它将保留更高的精度，但运行速度较慢，因为它不缓存核函数。或者，您可以重写一个缓存了更高精度核函数的变换。
- 参数
orig_freq (int, 可选) – 信号的原始频率。（默认：
16000）new_freq (int, 可选) – 目标频率。（默认：
16000）resampling_method (str, 可选) – 要使用的重采样方法。选项：[
sinc_interp_hann,sinc_interp_kaiser]（默认："sinc_interp_hann"）lowpass_filter_width (int, 可选) – 控制滤波器的锐度，越大表示越锐利但效率越低。（默认：
6）rolloff (float, 可选) – 滤波器滚降频率，作为奈奎斯特频率的分数。较低的值可减少混叠（anti-aliasing），但也会减少一些最高频率。（默认：
0.99）beta (float 或 None, 可选) – 用于凯撒窗（kaiser window）的形状参数。
dtype (torch.device, 可选) – 决定重采样核函数的预计算和缓存精度。如果未提供，核函数将使用
torch.float64计算，然后缓存为torch.float32。如果您需要更高的精度，请提供torch.float64，预计算的核函数将以torch.float64计算和缓存。如果您使用较低精度的 resample，请不要提供此参数，而是使用Resample.to(dtype)，这样核函数生成仍然在torch.float64上执行。
- 示例
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True) >>> transform = transforms.Resample(sample_rate, sample_rate/10) >>> waveform = transform(waveform)
- 使用
Resample的教程
