Python PyTorch MelSpectrogram用法及代码示例

本文简要介绍python语言中 torchaudio.transforms.MelSpectrogram 的用法。

用法:

class torchaudio.transforms.MelSpectrogram(sample_rate: int = 16000, n_fft: int = 400, win_length: Optional[int] = None, hop_length: Optional[int] = None, f_min: float = 0.0, f_max: Optional[float] = None, pad: int = 0, n_mels: int = 128, window_fn: Callable[[...], torch.Tensor] = <built-in method hann_window of type object>, power: float = 2.0, normalized: bool = False, wkwargs: Optional[dict] = None, center: bool = True, pad_mode: str = 'reflect', onesided: bool = True, norm: Optional[str] = None, mel_scale: str = 'htk')

参数：

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

• n_fft(int,可选的) -FFT 的大小，创建n_fft // 2 + 1 bins。 (默认：400)

• win_length(int或者None,可选的) -窗口大小。 (默认：n_fft)

• hop_length(int或者None,可选的) -STFT 窗口之间的跳跃长度。 (默认：win_length // 2)

• f_min(float,可选的) -最小频率。 (默认：0.)

• f_max(float或者None,可选的) -最大频率。 (默认：None)

• pad(int,可选的) -信号的两侧填充。 (默认：0)

• n_mels(int,可选的) -梅尔滤波器组的数量。 (默认：128)

• window_fn(可调用[..,Tensor],可选的) - 创建一个窗口张量的函数，该窗口张量应用于/乘以每个帧/窗口。 (默认：torch.hann_window)

• power(float,可选的) -幅度谱图的 index ，(必须 > 0)例如，1 表示能量，2 表示功率等(默认值：2)

• normalized(bool,可选的) -stft 之后是否按幅度归一化。 (默认：False)

• wkwargs(字典[..,..] 或者None,可选的) - 窗口函数的参数。 (默认：None)

• center(bool,可选的) -是否在两侧填充waveform，以便第\(t\)帧在时间\(t \times \text{hop\_length}\)居中。 (默认：True)

• pad_mode(string,可选的) -控制 center 为 True 时使用的填充方法。 (默认："reflect")

• onesided(bool,可选的) -控制是否返回一半结果以避免冗余。 (默认：True)

• norm(str或者None,可选的) -如果‘slaney’，将三角形梅尔权重除以梅尔带的宽度(面积归一化)。 (默认：None)

• mel_scale(str,可选的) -使用比例：htk 或 slaney。 (默认：htk)

为原始音频信号创建MelSpectrogram。

这是 torchaudio.transforms.Spectrogram() 和 torchaudio.transforms.MelScale() 的组合。

来源

• https://gist.github.com/kastnerkyle/179d6e9a88202ab0a2fe

• https://timsainb.github.io/spectrograms-mfccs-and-inversion-in-python.html

• http://haythamfayek.com/2016/04/21/speech-processing-for-machine-learning.html

示例

>>> waveform, sample_rate = torchaudio.load('test.wav', normalize=True)
>>> transform = transforms.MelSpectrogram(sample_rate)
>>> mel_specgram = transform(waveform)  # (channel, n_mels, time)