torchaudio.functional.vad¶
- torchaudio.functional.vad(waveform: Tensor, sample_rate: int, trigger_level: float = 7.0, trigger_time: float = 0.25, search_time: float = 1.0, allowed_gap: float = 0.25, pre_trigger_time: float = 0.0, boot_time: float = 0.35, noise_up_time: float = 0.1, noise_down_time: float = 0.01, noise_reduction_amount: float = 1.35, measure_freq: float = 20.0, measure_duration: Optional[float] = None, measure_smooth_time: float = 0.4, hp_filter_freq: float = 50.0, lp_filter_freq: float = 6000.0, hp_lifter_freq: float = 150.0, lp_lifter_freq: float = 2000.0) Tensor[source]¶
语音活动检测器。类似于 SoX 实现。
尝试从语音录音的末尾修剪静音和安静的背景声音。该算法目前使用简单的倒谱功率测量来检测语音，因此可能会被其他事物（尤其是音乐）所迷惑。
此效果只能从音频的前端修剪，因此为了从后端修剪，也必须使用反向效果。
- 参数:
waveform (Tensor) – 音频张量，维度为 (通道, 时间) 或 (时间)。形状为 (通道, 时间) 的张量被视为同一事件的多通道录音，并且结果输出将被修剪到任何通道中最早的语音活动。
sample_rate (int) – 音频信号的采样率。
trigger_level (float, 可选) – 用于触发活动检测的测量级别。可能需要根据输入音频的噪声水平、信号水平和其他特性进行更改。（默认值：7.0）
trigger_time (float, 可选) – 用于帮助忽略短暂声音突发的时间常数（以秒为单位）。（默认值：0.25）
search_time (float, 可选) – 在检测到的触发点之前搜索更安静/更短的声音突发的音频量（以秒为单位），以便包含在内。（默认值：1.0）
allowed_gap (float, 可选) – 在检测到的触发点之前，包含更安静/更短的声音突发之间允许的间隔（以秒为单位）。（默认值：0.25）
pre_trigger_time (float, 可选) – 在触发点和任何找到的更安静/更短的声音突发之前要保留的音频量（以秒为单位）。（默认值：0.0）
boot_time (float, 可选) 算法 (python:internally) – 估计/减少噪声，以便检测到所需音频的开始。此选项设置初始噪声估计的时间。（默认值：0.35）
noise_up_time (float, 可选) – 用于噪声水平升高时。（默认值：0.1）
noise_down_time (float, 可选) – 用于噪声水平降低时。（默认值：0.01）
noise_reduction_amount (float, 可选) – 检测算法（例如 0、0.5、…）。（默认值：1.35）
measure_freq (float, 可选) – 处理/测量。（默认值：20.0）
measure_duration – (float, optional) 测量持续时间。（默认值：测量周期的两倍；即有重叠。）
measure_smooth_time (float, 可选) – 频谱测量。（默认值：0.4）
hp_filter_freq (float, 可选) – 在检测器算法的输入端。（默认值：50.0）
lp_filter_freq (float, 可选) – 在检测器算法的输入端。（默认值：6000.0）
hp_lifter_freq (float, 可选) – 在检测器算法中。（默认值：150.0）
lp_lifter_freq (float, 可选) – 在检测器算法中。（默认值：2000.0）
- 返回:
维度为 (…, 时间) 的音频张量。
- 返回类型:
Tensor
