torchaudio.compliance.kaldi.spectrogram¶
- torchaudio.compliance.kaldi.spectrogram(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, min_duration: float = 0.0, 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, window_type: str = 'povey') Tensor[source]¶
从原始音频信号创建频谱图。这与 Kaldi 的 compute-spectrogram-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 在 [0,2) 范围内
blackman_coeff (float, optional) – 广义 Blackman 窗的常数系数。 (默认：
0.42)channel (int, optional) – 要提取的声道 (-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 表示没有抖动)。如果您关闭此选项，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, optional) – 频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。单个频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, 可选) – 帧移位，以毫秒为单位（默认：
10.0）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：
0.0）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) – 从每个帧的波形中减去平均值（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到 2 的幂次。（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，如果在那里指定的话）（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，帧数取决于 frame_length。如果为 False，则帧数仅取决于 frame_shift，并且我们在末端反射数据。（默认：
True）subtract_mean (bool, 可选) – 从每个特征文件 [CMS] 的平均值中减去；不建议这样做。（默认：
False）window_type (str, 可选) – 窗口类型（‘hamming’|’hanning’|’povey’|’rectangular’|’blackman’）（默认：
'povey'）
- 返回值:
与 Kaldi 输出的频谱图相同的频谱图。形状为 (m,
padded_window_size // 2 + 1)，其中 m 在 _get_strided 中计算- 返回类型:
张量
