torchaudio.transforms

torchaudio.transforms 模块包含常见的音频处理和特征提取。下图显示了一些可用转换之间的关系。

转换使用 torch.nn.Module 实现。构建处理管道的常见方法是定义自定义模块类或使用 torch.nn.Sequential 将模块链接在一起，然后将其移动到目标设备和数据类型。

# Define custom feature extraction pipeline.
#
# 1. Resample audio
# 2. Convert to power spectrogram
# 3. Apply augmentations
# 4. Convert to mel-scale
#
class MyPipeline(torch.nn.Module):
    def __init__(
        self,
        input_freq=16000,
        resample_freq=8000,
        n_fft=1024,
        n_mel=256,
        stretch_factor=0.8,
    ):
        super().__init__()
        self.resample = Resample(orig_freq=input_freq, new_freq=resample_freq)

        self.spec = Spectrogram(n_fft=n_fft, power=2)

        self.spec_aug = torch.nn.Sequential(
            TimeStretch(stretch_factor, fixed_rate=True),
            FrequencyMasking(freq_mask_param=80),
            TimeMasking(time_mask_param=80),
        )

        self.mel_scale = MelScale(
            n_mels=n_mel, sample_rate=resample_freq, n_stft=n_fft // 2 + 1)

    def forward(self, waveform: torch.Tensor) -> torch.Tensor:
        # Resample the input
        resampled = self.resample(waveform)

        # Convert to power spectrogram
        spec = self.spec(resampled)

        # Apply SpecAugment
        spec = self.spec_aug(spec)

        # Convert to mel-scale
        mel = self.mel_scale(spec)

        return mel

# Instantiate a pipeline
pipeline = MyPipeline()

# Move the computation graph to CUDA
pipeline.to(device=torch.device("cuda"), dtype=torch.float32)

# Perform the transform
features = pipeline(waveform)

请查看涵盖转换深入使用的教程。

音频特征提取

音频特征提取

实用程序

AmplitudeToDB	将张量从功率/幅度刻度转换为分贝刻度。
MuLawEncoding	基于 μ 法压缩编码信号。
MuLawDecoding	解码 μ 法编码的信号。
Resample	将信号从一个频率重采样到另一个频率。
Fade	在波形中添加淡入和/或淡出。
Vol	调整波形的音量。
Loudness	根据 ITU-R BS.1770-4 建议测量音频响度。
AddNoise	根据信噪比对波形进行缩放和添加噪声。
Convolve	使用直接方法沿其最后一个维度对输入进行卷积。
FFTConvolve	使用 FFT 沿其最后一个维度对输入进行卷积。
Speed	调整波形速度。
SpeedPerturbation	应用了在语音识别音频增强[Ko 等人，2015]中介绍的速度扰动增强。
去加重	沿其最后一个维度对波形进行去加重。
预加重	沿其最后一个维度对波形进行预加重。

特征提取

频谱图	从音频信号创建频谱图。
逆频谱图	创建逆频谱图以从频谱图中恢复音频信号。
梅尔尺度	将普通 STFT 转换为使用三角滤波器组的梅尔频率 STFT。
逆梅尔尺度	从梅尔频率域估计普通频率域中的 STFT。
梅尔频谱图	为原始音频信号创建梅尔频谱图。
GriffinLim	使用 Griffin-Lim 变换从线性尺度幅度频谱图计算波形。
MFCC	从音频信号创建梅尔频率倒谱系数。
LFCC	从音频信号创建线性频率倒谱系数。
计算 Deltas	计算张量的 delta 系数，通常是频谱图。
音调偏移	将波形的音调偏移 n_steps 步。
滑动窗口 CMN	对每个话语应用滑动窗口倒谱均值（以及可选的方差）归一化。
频谱质心	计算沿时间轴的每个通道的频谱质心。
VAD	语音活动检测器。

增强

以下变换实现了称为SpecAugment[Park 等人，2019]的流行增强技术。

频率掩蔽	在频率域对频谱图应用掩蔽。
时间掩蔽	在时间域对频谱图应用掩蔽。
时间拉伸	以给定速率拉伸时间上的 stft，而不改变音调。

损失

RNNT 损失

从使用循环神经网络进行序列转导[Graves，2012]中计算 RNN 转导损失。

多通道

PSD	计算跨通道功率谱密度 (PSD) 矩阵。
MVDR	最小方差无失真响应 (MVDR) 模块，使用时频掩码执行 MVDR 波束形成。
RTFMVDR	基于噪声的相对传递函数 (RTF) 和功率谱密度 (PSD) 矩阵的最小方差无失真响应 (MVDR [Capon, 1969]) 模块。
SoudenMVDR	基于 Souden 等人 [Souden et al., 2009] 提出的方法的最小方差无失真响应 (MVDR [Capon, 1969]) 模块。