Python PyTorch WaveRNN用法及代碼示例

本文簡要介紹python語言中 torchaudio.models.WaveRNN 的用法。

用法:

class torchaudio.models.WaveRNN(upsample_scales: List[int], n_classes: int, hop_length: int, n_res_block: int = 10, n_rnn: int = 512, n_fc: int = 512, kernel_size: int = 5, n_freq: int = 128, n_hidden: int = 128, n_output: int = 128)

參數：

• upsample_scales-上采樣比例列表。

• n_classes-輸出類的數量。

• hop_length-連續幀開始之間的樣本數。

• n_res_block-堆棧中ResBlock 的數量。 (默認：10)

• n_rnn-RNN 層的維度。 (默認：512)

• n_fc-全連接層的維度。 (默認：512)

• kernel_size-第一個 Conv1d 層中的內核大小數。 (默認：5)

• n_freq-頻譜圖中的 bin 數量。 (默認：128)

• n_hidden-resblock 的隱藏維數。 (默認：128)

• n_output-melresnet 的輸出維數。 (默認：128)

WaveRNN 模型基於 fatchord 的實現。

最初的實現是在高效的神經音頻合成[7]。波形和頻譜圖的輸入通道必須為 1。upsample_scales必須相等hop_length.

示例

>>> wavernn = WaveRNN(upsample_scales=[5,5,8], n_classes=512, hop_length=200)
>>> waveform, sample_rate = torchaudio.load(file)
>>> # waveform shape: (n_batch, n_channel, (n_time - kernel_size + 1) * hop_length)
>>> specgram = MelSpectrogram(sample_rate)(waveform)  # shape: (n_batch, n_channel, n_freq, n_time)
>>> output = wavernn(waveform, specgram)
>>> # output shape: (n_batch, n_channel, (n_time - kernel_size + 1) * hop_length, n_classes)