Python PyTorch MelSpectrogram用法及代碼示例

本文簡要介紹python語言中 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')

參數：

• sample_rate(int,可選的) -音頻信號的采樣率。 (默認：16000)

• n_fft(int,可選的) -FFT 的大小，創建n_fft // 2 + 1 bins。 (默認：400)

• win_length(int或者None,可選的) -窗口大小。 (默認：n_fft)

• hop_length(int或者None,可選的) -STFT 窗口之間的跳躍長度。 (默認：win_length // 2)

• f_min(float,可選的) -最小頻率。 (默認：0.)

• f_max(float或者None,可選的) -最大頻率。 (默認：None)

• pad(int,可選的) -信號的兩側填充。 (默認：0)

• n_mels(int,可選的) -梅爾濾波器組的數量。 (默認：128)

• window_fn(可調用[..,Tensor],可選的) - 創建一個窗口張量的函數，該窗口張量應用於/乘以每個幀/窗口。 (默認：torch.hann_window)

• power(float,可選的) -幅度譜圖的 index ，(必須 > 0)例如，1 表示能量，2 表示功率等(默認值：2)

• normalized(bool,可選的) -stft 之後是否按幅度歸一化。 (默認：False)

• wkwargs(字典[..,..] 或者None,可選的) - 窗口函數的參數。 (默認：None)

• center(bool,可選的) -是否在兩側填充waveform，以便第\(t\)幀在時間\(t \times \text{hop\_length}\)居中。 (默認：True)

• pad_mode(string,可選的) -控製 center 為 True 時使用的填充方法。 (默認："reflect")

• onesided(bool,可選的) -控製是否返回一半結果以避免冗餘。 (默認：True)

• norm(str或者None,可選的) -如果‘slaney’，將三角形梅爾權重除以梅爾帶的寬度(麵積歸一化)。 (默認：None)

• mel_scale(str,可選的) -使用比例：htk 或 slaney。 (默認：htk)

為原始音頻信號創建MelSpectrogram。

這是 torchaudio.transforms.Spectrogram() 和 torchaudio.transforms.MelScale() 的組合。

來源

• 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)