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. “Analytical Expressions for the Tonotopic Sensory Scale.” Journal of the Acoustical

• Society of America. Vol. 88, Issue 1, 1990, pp. 97–100.

• 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.)

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

• pad (int, 可选) – 信号的两侧填充。(默认值: 0)

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

• window_fn (Callable[..., torch.Tensor], 可选) – 用于创建窗口张量并应用于每个帧/窗口的函数。(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 waveform 两侧进行填充，以便第 \(t\) 帧以时间 \(t \times \text{hop\_length}\) 为中心。(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 Bark 刻度：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) – 维度为 (…, time) 的音频 torch.Tensor。

返回值：

Bark 频率谱，大小为 (…, n_barks, time)。

返回类型：

torch.Tensor