InverseMelScale

class torchaudio.transforms.InverseMelScale(n_stft: int, n_mels: int = 128, sample_rate: int = 16000, f_min: float = 0.0, f_max: Optional[float] = None, norm: Optional[str] = None, mel_scale: str = 'htk', driver: str = 'gels')

从梅尔频率域估计正常频率域中的 STFT。

它使用 torch.linalg.lstsq 最小化输入梅尔频谱图与估计的频谱图和滤波器组之间欧几里得范数。

参数:

• n_stft (int) – STFT 中的 bin 数量。参见 n_fft in Spectrogram。

• n_mels (int, optional) – 梅尔滤波器组的数量。（默认：128）

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

• f_min (float, optional) – 最小频率。（默认：0.）

• f_max (float or None, optional) – 最大频率。（默认：sample_rate // 2）

• norm (str or None, optional) – 如果为“slaney”，则将三角形梅尔权重除以梅尔频带的宽度（面积归一化）。（默认：None）

• mel_scale (str, optional) – 要使用的比例：htk 或 slaney。（默认：htk）

• driver (str, optional) – 用于 torch.lstsq 的 LAPACK/MAGMA 方法的名称。对于 CPU 输入，有效值为 "gels"、"gelsy"、"gelsd"、"gelss"。对于 CUDA 输入，唯一有效的驱动程序是 "gels"，它假设 A 是满秩的。（默认："gels)

示例

>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> mel_spectrogram_transform = transforms.MelSpectrogram(sample_rate, n_fft=1024)
>>> mel_spectrogram = mel_spectrogram_transform(waveform)
>>> inverse_melscale_transform = transforms.InverseMelScale(n_stft=1024 // 2 + 1)
>>> spectrogram = inverse_melscale_transform(mel_spectrogram)

forward(melspec: Tensor) → Tensor

参数:

melspec (Tensor) – 维度为 (…, n_mels, 时间) 的梅尔频率频谱图

返回:

线性刻度频谱图，大小为 (…, 频率, 时间)

返回类型:

Tensor