torchaudio.transforms¶

torchaudio.transforms 模块包含常用的音频处理和特征提取。以下图表显示了一些可用变换之间的关系。

变换使用 torch.nn.Module 实现。构建处理流水线的常用方法是定义自定义 Module 类或使用 torch.nn.Sequential 将 Module 串联起来，然后将其移至目标设备和数据类型。

# Define custom feature extraction pipeline.
#
# 1. Resample audio
# 2. Convert to power spectrogram
# 3. Apply augmentations
# 4. Convert to mel-scale
#
class MyPipeline(torch.nn.Module):
    def __init__(
        self,
        input_freq=16000,
        resample_freq=8000,
        n_fft=1024,
        n_mel=256,
        stretch_factor=0.8,
    ):
        super().__init__()
        self.resample = Resample(orig_freq=input_freq, new_freq=resample_freq)

        self.spec = Spectrogram(n_fft=n_fft, power=2)

        self.spec_aug = torch.nn.Sequential(
            TimeStretch(stretch_factor, fixed_rate=True),
            FrequencyMasking(freq_mask_param=80),
            TimeMasking(time_mask_param=80),
        )

        self.mel_scale = MelScale(
            n_mels=n_mel, sample_rate=resample_freq, n_stft=n_fft // 2 + 1)

    def forward(self, waveform: torch.Tensor) -> torch.Tensor:
        # Resample the input
        resampled = self.resample(waveform)

        # Convert to power spectrogram
        spec = self.spec(resampled)

        # Apply SpecAugment
        spec = self.spec_aug(spec)

        # Convert to mel-scale
        mel = self.mel_scale(spec)

        return mel

# Instantiate a pipeline
pipeline = MyPipeline()

# Move the computation graph to CUDA
pipeline.to(device=torch.device("cuda"), dtype=torch.float32)

# Perform the transform
features = pipeline(waveform)

请查阅深入介绍变换用法的教程。

音频特征提取

音频特征提取

实用工具¶

AmplitudeToDB	将张量从功率/振幅标度转换为分贝标度。
MuLawEncoding	基于 mu-law 压缩编码信号。
MuLawDecoding	解码 mu-law 编码信号。
Resample	将信号从一个频率重采样到另一个频率。
Fade	为波形添加淡入和/或淡出效果。
Vol	调整波形音量。
Loudness	根据 ITU-R BS.1770-4 建议测量音频响度。
AddNoise	根据信噪比缩放并向波形添加噪声。
Convolve	使用直接方法沿输入的最后一维进行卷积。
FFTConvolve	使用 FFT 沿输入的最后一维进行卷积。
Speed	调整波形速度。
SpeedPerturbation	应用 *Audio augmentation for speech recognition* [Ko 等人, 2015] 中引入的速度扰动增强。
Deemphasis	沿波形的最后一维进行去加重。
Preemphasis	沿波形的最后一维进行预加重。

特征提取¶

Spectrogram	从音频信号创建频谱图。
InverseSpectrogram	创建逆频谱图以从频谱图恢复音频信号。
MelScale	使用三角滤波器组将普通 STFT 转换为梅尔频率 STFT。
InverseMelScale	从梅尔频率域估计普通频率域的 STFT。
MelSpectrogram	为原始音频信号创建 MelSpectrogram。
GriffinLim	使用 Griffin-Lim 变换从线性幅度频谱图计算波形。
MFCC	从音频信号创建梅尔频率倒谱系数。
LFCC	从音频信号创建线性频率倒谱系数。
ComputeDeltas	计算张量的 delta 系数，通常是频谱图。
PitchShift	将波形的音高偏移 n_steps 步。
SlidingWindowCmn	按话语应用滑动窗口倒谱均值（和可选的方差）归一化。
SpectralCentroid	沿时间轴计算每个通道的谱质心。
Vad	语音活动检测器。

增强¶

以下变换实现了称为 *SpecAugment* [Park 等人, 2019] 的流行增强技术。

FrequencyMasking	在频域对频谱图应用掩蔽。
TimeMasking	在时域对频谱图应用掩蔽。
TimeStretch	以给定速率在时间上拉伸 STFT，而不改变音高。

损失函数¶

RNNTLoss

计算 *Sequence Transduction with Recurrent Neural Networks* [Graves, 2012] 中的 RNN Transducer 损失。

多通道¶

PSD	计算跨通道功率谱密度 (PSD) 矩阵。
MVDR	执行带时频掩蔽的 MVDR 波束赋形的最小方差无失真响应 (MVDR) 模块。
RTFMVDR	基于相对传递函数 (RTF) 和噪声功率谱密度 (PSD) 矩阵的最小方差无失真响应 (*MVDR* [Capon, 1969] ) 模块。
SoudenMVDR	基于 *Souden 等人* [Souden 等人, 2009] 提出的方法的最小方差无失真响应 (*MVDR* [Capon, 1969] ) 模块。