torchaudio.compliance.kaldi.fbank¶
- torchaudio.compliance.kaldi.fbank(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, high_freq: float = 0.0, htk_compat: bool = False, low_freq: float = 20.0, 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, use_log_fbank: bool = True, use_power: bool = True, vtln_high: float = -500.0, vtln_low: float = 100.0, vtln_warp: float = 1.0, window_type: str = 'povey') Tensor[source]¶
从原始音频信号创建 fbank。这与 Kaldi 的 compute-fbank-feats 的输入/输出匹配。
- 参数:
waveform (Tensor) – 大小为 (c, n) 的音频 Tensor，其中 c 在 [0, 2) 范围内
blackman_coeff (float, optional) – 广义 Blackman 窗口的常数系数。(默认值:
0.42)channel (int, optional) – 要提取的通道（-1 -> 期望单声道，0 -> 左声道，1 -> 右声道）。(默认值:
-1)dither (float, optional) – 抖动常数（0.0 表示无抖动）。如果关闭此选项，应设置 energy_floor 选项，例如设为 1.0 或 0.1。(默认值:
0.0)energy_floor (float, optional) – 计算声谱图时能量的下限（绝对值，非相对值）。注意：此下限应用于代表总信号能量的第零个分量。单个声谱图元素的下限固定为 std::numeric_limits<float>::epsilon()。(默认值:
1.0)frame_length (float, optional) – 帧长（毫秒）。(默认值:
25.0)frame_shift (float, optional) – 帧移（毫秒）。(默认值:
10.0)high_freq (float, optional) – Mel bins 的高截止频率（如果 <= 0，则为奈奎斯特频率的偏移量）。(默认值:
0.0)htk_compat (bool, optional) – 如果为 True，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）。(默认值:
False)low_freq (float, optional) – Mel bins 的低截止频率。(默认值:
20.0)min_duration (float, optional) – 要处理的段的最小持续时间（秒）。(默认值:
0.0)num_mel_bins (int, optional) – 三角形 mel 频率 bins 的数量。(默认值:
23)preemphasis_coefficient (float, optional) – 用于信号预加重的系数。(默认值:
0.97)raw_energy (bool, optional) – 如果为 True，在预加重和加窗之前计算能量。(默认值:
True)remove_dc_offset (bool, optional) – 在每一帧中从波形中减去均值。(默认值:
True)round_to_power_of_two (bool, optional) – 如果为 True，通过对 FFT 输入进行零填充，将窗口大小四舍五入到二的幂。(默认值:
True)sample_frequency (float, optional) – 波形数据采样频率（必须与波形文件中的指定频率匹配）。(默认值:
16000.0)snip_edges (bool, optional) – 如果为 True，通过仅输出完全适合文件中的帧来处理边缘效应，且帧数取决于 frame_length。如果为 False，帧数仅取决于 frame_shift，并且我们在末端反射数据。(默认值:
True)subtract_mean (bool, optional) – 减去每个特征文件的均值 [CMS]；不推荐使用这种方法。(默认值:
False)use_energy (bool, optional) – 在 FBANK 输出中添加一个包含能量的额外维度。(默认值:
False)use_log_fbank (bool, optional) – 如果为 True，生成对数滤波器组；否则生成线性滤波器组。(默认值:
True)use_power (bool, optional) – 如果为 True，使用功率；否则使用幅度。(默认值:
True)vtln_high (float, optional) – 分段线性 VTLN 扭曲函数中的高拐点（如果为负，则为高 mel 频率的偏移量）。(默认值:
-500.0)vtln_low (float, optional) – 分段线性 VTLN 扭曲函数中的低拐点。(默认值:
100.0)vtln_warp (float, optional) – VTLN 扭曲因子（仅在未指定 vtln_map 时适用）。(默认值:
1.0)window_type (str, optional) – 窗口类型（‘hamming’|’hanning’|’povey’|’rectangular’|’blackman’）。(默认值:
'povey')
- 返回:
一个与 Kaldi 输出完全相同的 fbank。形状为 (m,
num_mel_bins + use_energy)，其中 m 在 _get_strided 中计算得到。- 返回类型:
Tensor
- 使用
fbank的教程
