MFCC

class torchaudio.transforms.MFCC(sample_rate: int = 16000, n_mfcc: int = 40, dct_type: int = 2, norm: str = 'ortho', log_mels: bool = False, melkwargs: Optional[dict] = None)

从音频信号创建梅尔频率倒谱系数。

默认情况下，这会在 DB 缩放的梅尔谱图上计算 MFCC。这并非教科书上的实现，但在此实现是为了与 librosa 保持一致性。

该输出取决于输入谱图中的最大值，因此对于分割成片段的音频剪辑与完整的音频剪辑，可能会返回不同的值。

参数:

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

• n_mfcc (int, 可选) – 要保留的 mfc 系数数量。(默认值: 40)

• dct_type (int, 可选) – 要使用的 DCT（离散余弦变换）类型。(默认值: 2)

• norm (str, 可选) – 要使用的范数。(默认值: "ortho")

• log_mels (bool, 可选) – 是否使用对数梅尔谱图而不是 db 缩放的谱图。(默认值: False)

• melkwargs (dict 或 None, 可选) – MelSpectrogram 的参数。(默认值: None)

示例

>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.MFCC(
>>>     sample_rate=sample_rate,
>>>     n_mfcc=13,
>>>     melkwargs={"n_fft": 400, "hop_length": 160, "n_mels": 23, "center": False},
>>> )
>>> mfcc = transform(waveform)

另请参阅

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

使用 MFCC 的教程

音频特征提取

音频特征提取

forward(waveform: Tensor) → Tensor

参数:

waveform (Tensor) – 维度为 (…, time) 的音频张量。

返回值:

大小为 (…, n_mfcc, time) 的 specgram_mel_db。

返回类型:

Tensor