torchaudio.compliance.kaldi.mfcc

torchaudio.compliance.kaldi.mfcc(waveform: Tensor, blackman_coeff: float = 0.42, cepstral_lifter: float = 22.0, 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, num_ceps: int = 13, 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, vtln_high: float = -500.0, vtln_low: float = 100.0, vtln_warp: float = 1.0, window_type: str = 'povey') → Tensor

从原始音频信号创建 mfcc。这与 Kaldi 的 compute-mfcc-feats 的输入/输出相匹配。

参数:

• waveform (Tensor) – 大小为 (c, n) 的音频张量，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: 0.42)

• cepstral_lifter (float, optional) – 控制 MFCCs 缩放的常数 (默认: 22.0)

• channel (int, optional) – 要提取的通道 (-1 -> 预期为单声道，0 -> 左声道，1 -> 右声道) (默认: -1)

• dither (float, optional) – 抖动常数 (0.0 表示不抖动)。如果您将其关闭，则应设置 energy_floor 选项，例如为 1.0 或 0.1 (默认: 0.0)

• energy_floor (float, optional) – 声谱图计算中的能量下限 (绝对值，而非相对值)。注意：此下限应用于第零个分量，表示总信号能量。单个声谱图元素的下限固定为 std::numeric_limits<float>::epsilon()。 (默认: 1.0)

• frame_length (float, optional) – 帧长度，以毫秒为单位 (默认: 25.0)

• frame_shift (float, optional) – 帧移位，以毫秒为单位 (默认: 10.0)

• high_freq (float, optional) – 响度频带的高截止频率 (如果 <= 0，则为从奈奎斯特频率的偏移量) (默认: 0.0)

• htk_compat (bool, optional) – 如果为 true，则将能量放在最后。警告：这不足以获得与 HTK 兼容的特征 (需要更改其他参数)。 (默认: False)

• low_freq (float, 可选) – 梅尔频带的低截止频率 (默认值: 20.0)

• num_ceps (int, 可选) – MFCC 计算中的倒谱数量 (包括 C0) (默认值: 13)

• min_duration (float, 可选) – 要处理的片段的最小持续时间 (以秒为单位)。(默认值: 0.0)

• num_mel_bins (int, 可选) – 三角形梅尔频率带的数量 (默认值: 23)

• preemphasis_coefficient (float, 可选) – 用于信号预加重的系数 (默认值: 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 (默认值: True)

• remove_dc_offset (bool, 可选) – 从每个帧的波形中减去平均值 (默认值: True)

• round_to_power_of_two (bool, 可选) – 如果为 True，则通过对输入到 FFT 的数据进行零填充将窗口大小舍入到 2 的幂。(默认值: True)

• sample_frequency (float, 可选) – 波形数据采样频率 (必须与波形文件匹配，如果在波形文件中指定了该频率) (默认值: 16000.0)

• snip_edges (bool, 可选) – 如果为 True，则将通过仅输出完全适合文件的帧来处理边缘效应，并且帧的数量取决于 frame_length。如果为 False，则帧的数量仅取决于 frame_shift，并且我们在末尾反射数据。(默认值: True)

• subtract_mean (bool, 可选) – 减去每个特征文件的平均值 [CMS]；不建议以这种方式进行。(默认值: False)

• use_energy (bool, 可选) – 在 FBANK 输出中添加一个带有能量的额外维度。(默认值: False)

• vtln_high (float, 可选) – 分段线性 VTLN 扭曲函数中的高拐点 (如果为负数，则从高梅尔频率偏移) (默认值: -500.0)

• vtln_low (float, 可选) – 分段线性 VTLN 扭曲函数中的低拐点 (默认值: 100.0)

• vtln_warp (float, 可选) – Vtln 扭曲因子 (仅在未指定 vtln_map 时适用) (默认值: 1.0)

• window_type (str, 可选) – 窗口类型 (‘hamming’|’hanning’|’povey’|’rectangular’|’blackman’) (默认值: "povey")

返回:

一个与 Kaldi 输出相同的 mfcc。形状为 (m, num_ceps)，其中 m 在 _get_strided 中计算

返回类型:

张量