torchaudio的笔记
导入相关库
import torch
import torchaudio
import matplotlib.pyplot as plt
torchaudio 支持以 wav 和 mp3 格式加载声音文件。 我们称波形为原始音频信号。
filename = "/home/AI_SHELL/wavs/BAC009S0002W0122.wav"
waveform,sample_rate = torchaudio.load(filename)
print("Shape of waveform:{}".format(waveform.size())) #音频大小
print("sample rate of waveform:{}".format(sample_rate))#采样率
plt.figure()
plt.plot(waveform.t().numpy())
plt.show()
输出:
Shape of waveform:torch.Size([1, 95984]) #表示单通道
sample rate of waveform:16000
转换
下面列出的是 torchaudio 支持的转换,这个列表还在不断增长中。
-
重采样:将波形重新采样到不同的采样率。
-
频谱图:从波形创建频谱图。
-
MelScale:它使用转换矩阵将普通 STFT 转换为梅尔频率 STFT。
-
AmplitudeToDB:它将一个频谱图从功率/振幅刻度转换为分贝刻度。
-
MFCC:从波形创建梅尔频率的cepstrum系数。
-
MelSpectrogram:使用 PyTorch 中的 STFT 函数从波形创建 MEL 频谱图。
-
MuLawEncoding:基于mu-law比较编码波形。
-
MuLawDecode:解码mu-law编码波形。
由于所有变换都是 nn.Modules 或 jit.ScriptModules,它们可以随时用作神经网络的一部分。
首先,我们可以以对数刻度查看频谱图的对数。
specgram = torchaudio.transforms.Spectrogram()(waveform)
print("Shape of spectrogram:{}".format(specgram.size()))
plt.figure()
plt.imshow(specgram.log2()[0,:,:].numpy(),cmap='gray')
plt.show()
结果:
Shape of spectrogram:torch.Size([1, 201, 480])
或
者我们可以以对数刻度查看梅尔频谱图。
specgram = torchaudio.transforms.MelSpectrogram()(waveform)
print("Shape of spectrogram:{}".format(specgram.size()))
plt.figure()
p = plt.imshow(specgram.log2()[0,:,:].detach().numpy(),cmap='gray')
plt.show()
结果:
Shape of spectrogram:torch.Size([1, 128, 480])
我们可以重新采样波形,一次一个通道。
new_sample_rate = sample_rate/10
channel = 0
transformed = torchaudio.transforms.Resample(sample_rate,new_sample_rate)(waveform[channel,:].view(1,-1))
print("Shape of transformed waveform:{}".format(transformed.size()))
plt.figure()
plt.plot(transformed[0,:].numpy())
plt.show()
结果:
Shape of transformed waveform:torch.Size([1, 9599])
作为转换的另一个示例,我们可以基于 Mu-Law enen 对信号进行编码。 但为此,我们需要的信号介于 -1 和 1 之间。 由于这个张量只是一个常规的 PyTorch 张量,因此我们可以对其应用标准操作符。
print("Min of waveform:{}\nMax of waveform:{}\nMean of waveform:{}".format(waveform.min(),waveform.max(),waveform.mean()))
结果:
Min of waveform:-0.041259765625
Max of waveform:0.047088623046875
Mean of waveform:-1.7875789126264863e-05
由于波形已经在 -1 和 1 之间,因此我们不需要将其规范化。
def normalize(tensor): # Subtract the mean, and scale to the interval [-1,1] tensor_minusmean = tensor - tensor.mean() return tensor_minusmean/tensor_minusmean.abs().max() # Let's normalize to the full interval [-1,1] # waveform = normalize(waveform)
让我们应用编码波形。
transformed = torchaudio.transforms.MuLawEncoding()(waveform)
print("Shape of transformed waveform: {}".format(transformed.size()))
plt.figure()
plt.plot(transformed[0,:].numpy())
plt.show()
现在解码。
reconstructed = torchaudio.transforms.MuLawDecoding()(transformed)
print("Shape of recovered waveform: {}".format(reconstructed.size()))
plt.figure()
plt.plot(reconstructed[0,:].numpy())
plt.show()
我们终于可以将原始波形与其重建版本进行比较。
err = ((waveform-reconstructed).abs() / waveform.abs()).median()
print("Median relative difference between original and MuLaw reconstucted signals: {:.2%}".format(err))
从 Kaldi 迁移到 torchaudio
Shape of spectrogram: torch.Size([478, 201])用户可能熟悉 Kaldi,一个用于语音识别的工具包。 torchaudio 在torchaudio.kaldi_io
中提供与它的兼容性。 它可以用以下函数读取 kaldi scp、ark 文件或流:
-
read_vec_int_ark
-
read_vec_flt_scp
-
read_vec_flt_arkfile/stream
-
read_mat_scp
-
read_mat_ark
torchaudio 提供与 Kaldi 兼容的spectrogram
和fbank
转换并支持GPU,请参阅此处了解更多信息
n_fft = 400.0
frame_length = n_fft / sample_rate * 1000.0
frame_shift = frame_length / 2.0
params = {
"channel": 0,
"dither": 0.0,
"window_type": "hanning",
"frame_length": frame_length,
"frame_shift": frame_shift,
"remove_dc_offset": False,
"round_to_power_of_two": False,
"sample_frequency": sample_rate,
}
specgram = torchaudio.compliance.kaldi.spectrogram(waveform, **params)
print("Shape of spectrogram: {}".format(specgram.size()))
plt.figure()
plt.imshow(specgram.t().numpy(), cmap='gray')
plt.show()
fbank = torchaudio.compliance.kaldi.fbank(waveform, **params)
print("Shape of fbank: {}".format(fbank.size()))
plt.figure()
plt.imshow(fbank.t().numpy(), cmap='gray')
plt.show()