torchaudio.compliance.kaldi.spectrogram¶
- torchaudio.compliance.kaldi.spectrogram(waveform: Tensor, blackman_coeff: float = 0.42, channel: int = -1, dither: float = 0.0, energy_floor: float = 1.0, frame_length: float = 25.0, frame_shift: float = 10.0, min_duration: float = 0.0, preemphasis_coefficient: float = 0.97, raw_energy: bool = True, remove_dc_offset: bool = True, round_to_power_of_two: bool = True, sample_frequency: float = 16000.0, snip_edges: bool = True, subtract_mean: bool = False, window_type: str = 'povey') Tensor[source]¶
從原始音訊訊號建立語譜圖。這與 Kaldi 的 compute-spectrogram-feats 的輸入/輸出相匹配。
- 引數:
waveform (Tensor) – 音訊張量，大小為 (c, n)，其中 c 在 [0,2) 範圍內
blackman_coeff (float, optional) – 廣義 Blackman 視窗的常係數。（預設值：
0.42）channel (int, optional) – 要提取的通道（-1 -> 期望單聲道，0 -> 左聲道，1 -> 右聲道）（預設值：
-1）dither (float, optional) – 抖動常數（0.0 表示無抖動）。如果您關閉此選項，則應設定 energy_floor 選項，例如設定為 1.0 或 0.1（預設值：
0.0）energy_floor (float, optional) – 語譜圖計算中的能量下限（絕對值，非相對值）。注意：此下限應用於零分量，代表總訊號能量。單個語譜圖元素的下限固定為 std::numeric_limits<float>::epsilon()。（預設值：
1.0）frame_length (float, optional) – 幀長（毫秒）（預設值：
25.0）frame_shift (float, optional) – 幀移（毫秒）（預設值：
10.0）min_duration (float, optional) – 要處理的最小段持續時間（秒）。（預設值：
0.0）preemphasis_coefficient (float, optional) – 用於訊號預加重的係數（預設值：
0.97）raw_energy (bool, optional) – 如果為 True，則在預加重和加窗之前計算能量（預設值：
True）remove_dc_offset (bool, optional) – 從每幀波形中減去均值（預設值：
True）round_to_power_of_two (bool, optional) – 如果為 True，則透過對 FFT 輸入進行零填充，將視窗大小向上取整到最接近的二次冪。（預設值：
True）sample_frequency (float, optional) – 波形資料取樣頻率（必須與波形檔案中的指定值匹配）（預設值：
16000.0）snip_edges (bool, optional) – 如果為 True，則僅輸出完全適合檔案中的幀，以處理端部效應，且幀數取決於 frame_length。如果為 False，則幀數僅取決於 frame_shift，並在末端反射資料。（預設值：
True）subtract_mean (bool, optional) – 減去每個特徵檔案的均值 [CMS]；不建議採用這種方式。（預設值：
False）window_type (str, optional) – 視窗型別（‘hamming’|’hanning’|’povey’|’rectangular’|’blackman’）（預設值：
'povey'）
- 返回:
與 Kaldi 輸出的語譜圖完全相同。形狀為 (m,
padded_window_size // 2 + 1)，其中 m 在 _get_strided 中計算得出- 返回型別:
Tensor
