BarkSpectrogram

class torchaudio.prototype.transforms.BarkSpectrogram(sample_rate: int = 16000, n_fft: int = 400, win_length: ~typing.Optional[int] = None, hop_length: ~typing.Optional[int] = None, f_min: float = 0.0, f_max: ~typing.Optional[float] = None, pad: int = 0, n_barks: int = 128, window_fn: ~typing.Callable[[...], ~torch.Tensor] = <built-in method hann_window of type object>, power: float = 2.0, normalized: bool = False, wkwargs: ~typing.Optional[dict] = None, center: bool = True, pad_mode: str = 'reflect', bark_scale: str = 'traunmuller')

为原始音频信号创建 BarkSpectrogram。

这是 torchaudio.transforms.Spectrogram() 和 torchaudio.transforms.BarkScale() 的组合。

来源

• https://www.fon.hum.uva.nl/praat/manual/BarkSpectrogram.html

• Traunmüller, Hartmut. “音调感觉尺度的解析表达式。” 美国声学学会杂志。

• 第 88 卷，第 1 期，1990 年，第 97–100 页。

• https://ccrma.stanford.edu/courses/120-fall-2003/lecture-5.html

参数:

• sample_rate (int, 可选) – 音频信号的采样率。（默认值：16000）

• n_fft (int, 可选) – FFT 大小，创建 n_fft // 2 + 1 个 bin。（默认值：400）

• win_length (int 或 None, 可选) – 窗口大小。（默认值：n_fft）

• hop_length (int 或 None, 可选) – STFT 窗口之间的跳跃长度。（默认值：win_length // 2）

• f_min (float, 可选) – 最小频率。（默认值：0.0）

• f_max (float 或 None, 可选) – 最大频率。（默认值：None）

• pad (int, 可选) – 信号的双边填充。（默认值：0）

• n_mels (int, 可选) – Mel 滤波器组的数量。（默认值：128）

• window_fn (Callable[..., torch.Tensor], 可选) – 用于创建窗口张量的函数，该张量应用于/乘以每个帧/窗口。（默认值：torch.hann_window）

• power (float, 可选) – 幅度谱的指数，（必须 > 0），例如，1 表示能量，2 表示功率等。（默认值：2）

• normalized (bool, 可选) – 是否在 stft 后按幅度归一化。（默认值：False）

• wkwargs (Dict[..., ...] 或 None, 可选) – 窗口函数的参数。（默认值：None）

• center (bool, 可选) – 是否在两侧填充 waveform，以便第 \(t\) 帧在时间 \(t \times \text{hop\_length}\) 处居中。（默认值：True）

• pad_mode (string, 可选) – 控制当 center 为 True 时使用的填充方法。（默认值："reflect"）

• bark_scale (str, 可选) – 要使用的音阶：traunmuller、schroeder 或 wang。（默认值：traunmuller）

示例

>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.BarkSpectrogram(sample_rate)
>>> bark_specgram = transform(waveform)  # (channel, n_barks, time)

另请参阅

torchaudio.functional.melscale_fbanks() - 用于生成滤波器组的函数。

forward(waveform: Tensor) → Tensor

参数:

waveform (torch.Tensor) – 音频的 torch.Tensor，维度为 (…, 时间)。

返回值:

Bark 频率声谱图，大小为 (…, n_barks, 时间)。

返回类型:

torch.Tensor