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[源代码]¶
从原始音频信号创建 fbank。这与 Kaldi 的 compute-fbank-feats 的输入/输出相匹配。
- 参数:
waveform (Tensor) – 音频张量，大小为 (c, n)，其中 c 的范围为 [0,2)
blackman_coeff (float, 可选) – 广义 Blackman 窗口的常数系数。（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）。如果关闭此选项，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) – 频谱图计算中能量的下限（绝对值，而非相对值）。注意：此下限应用于表示总信号能量的第零个分量。各个频谱图元素的下限固定为 std::numeric_limits<float>::epsilon()。（默认：
1.0）frame_length (float, 可选) – 帧长，单位为毫秒（默认：
25.0）frame_shift (float, 可选) – 帧移，单位为毫秒（默认：
10.0）high_freq (float, 可选) – 梅尔频段的高截止频率（如果 <= 0，则从奈奎斯特频率偏移）（默认：
0.0）htk_compat (bool, 可选) – 如果为 true，则将能量放在最后。警告：不足以获得 HTK 兼容的特征（需要更改其他参数）。（默认：
False）low_freq (float, 可选) – 梅尔频段的低截止频率（默认：
20.0）min_duration (float, 可选) – 要处理的段的最小持续时间（秒）。（默认：
0.0）num_mel_bins (int, 可选) – 三角梅尔频率 bins 的数量（默认：
23）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，则通过对 FFT 的输入进行零填充，将窗口大小四舍五入为 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，如果已指定）（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]；不建议以这种方式进行。（默认：
False）use_energy (bool, 可选) – 向 FBANK 输出添加一个包含能量的额外维度。（默认：
False）use_log_fbank (bool, 可选) – 如果为 true，则生成对数滤波器组，否则生成线性滤波器组。（默认：
True）use_power (bool, 可选) – 如果为 true，则使用功率，否则使用幅度。（默认：
True）vtln_high (float, 可选) – 分段线性 VTLN 扭曲函数中的高拐点（如果为负数，则从 high-mel-freq 偏移（默认：
-500.0）vtln_low (float, 可选) – 分段线性 VTLN 扭曲函数中的低拐点（默认：
100.0）vtln_warp (float, 可选) – Vtln 扭曲因子（仅在未指定 vtln_map 时适用）（默认：
1.0）window_type (str, 可选) – 窗口类型（‘hamming’|‘hanning’|‘povey’|‘rectangular’|‘blackman’）（默认：
'povey'）
- 返回:
与 Kaldi 输出相同的 fbank。形状为 (m,
num_mel_bins + use_energy)，其中 m 在 _get_strided 中计算- 返回类型:
Tensor
- 使用
fbank的教程
