梅尔谱图¶
- class torchaudio.transforms.MelSpectrogram(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_mels: 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', onesided: ~typing.Optional[bool] = None, norm: ~typing.Optional[str] = None, mel_scale: str = 'htk')[source]¶
为原始音频信号创建梅尔谱图。
这是
torchaudio.transforms.Spectrogram()
和torchaudio.transforms.MelScale()
的组合。- 来源
- 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
个频段。 (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 窗口之间跳跃的长度。 (默认值:
win_length // 2
)f_min (float, 可选) – 最低频率。 (默认值:
0.
)f_max (float 或 None, 可选) – 最高频率。 (默认值:
None
)pad (int, 可选) – 信号的两侧填充。 (默认值:
0
)n_mels (int, 可选) – 梅尔滤波器组的数量。 (默认值:
128
)window_fn (Callable[..., Tensor], 可选) – 用于创建窗口张量的函数,应用/乘以每个帧/窗口。 (默认值:
torch.hann_window
)power (float, 可选) – 幅度谱图的指数,(必须 > 0),例如,1 表示幅度,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 \(t\) 帧以时间 \(t \times \text{hop\_length}\) 为中心。 (默认值:True
)pad_mode (字符串, 可选) – 当
center
为True
时控制使用的填充方法。 (默认值:"reflect"
)onesided – 已弃用且未使用。
norm (str 或 None, 可选) – 如果为“slaney”,则将三角梅尔权重除以梅尔频带的宽度(面积归一化)。 (默认值:
None
)mel_scale (str, 可选) – 要使用的比例:
htk
或slaney
。 (默认值:htk
)
- 示例
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True) >>> transform = transforms.MelSpectrogram(sample_rate) >>> mel_specgram = transform(waveform) # (channel, n_mels, time)
另请参阅
torchaudio.functional.melscale_fbanks()
- 用于生成滤波器组的函数。- 使用
MelSpectrogram
的教程 - 音频特征提取