Transformers 文档

特征提取器实用程序

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

特征提取器实用程序

此页面列出了音频`FeatureExtractor` 可以用来从原始音频中使用常见算法(如短时傅里叶变换或对数梅尔谱图)计算特殊特征的所有实用程序函数。

如果您正在研究库中音频处理器的代码,那么其中大多数仅有用。

音频转换

transformers.audio_utils.hertz_to_mel

< >

( freq: Union mel_scale: str = 'htk' ) floatnp.ndarray

参数

  • freq (floatnp.ndarray) — 以赫兹 (Hz) 为单位的频率或多个频率。
  • mel_scale (str可选,默认为 "htk") — 要使用的梅尔频率尺度,"htk""kaldi""slaney"

返回值

floatnp.ndarray

梅尔尺度上的频率。

将频率从赫兹转换为梅尔。

transformers.audio_utils.mel_to_hertz

< >

( mels: Union mel_scale: str = 'htk' ) floatnp.ndarray

参数

  • mels (floatnp.ndarray) — 以梅尔为单位的频率或多个频率。
  • mel_scale (str可选"htk") — 要使用的梅尔频率尺度,"htk""kaldi""slaney"

返回值

floatnp.ndarray

以赫兹为单位的频率。

将频率从梅尔转换为赫兹。

transformers.audio_utils.mel_filter_bank

< >

( num_frequency_bins: int num_mel_filters: int min_frequency: float max_frequency: float sampling_rate: int norm: Optional = None mel_scale: str = 'htk' triangularize_in_mel

参数

  • num_frequency_bins (int) — 用于计算频谱图的频率数量(应与stft中的一致)。
  • num_mel_filters (int) — 生成的梅尔滤波器的数量。
  • min_frequency (float) — 以Hz为单位的最低感兴趣频率。
  • max_frequency (float) — 以Hz为单位的最高感兴趣频率。 这不应超过sampling_rate / 2
  • sampling_rate (int) — 音频波形的采样率。
  • norm (str, 可选) — 如果是"slaney",则将三角形梅尔权重除以梅尔频带的宽度(面积归一化)。
  • mel_scale (str, 可选,默认为"htk") — 要使用的梅尔频率刻度,"htk""kaldi""slaney"
  • triangularize_in_mel_space (bool, 可选,默认为False) — 如果启用此选项,则三角形滤波器将应用于梅尔空间而不是频率空间。 为了获得与torchaudio计算梅尔滤波器时相同的結果,这应该设置为true

返回值

np.ndarray 形状为 (num_frequency_bins, num_mel_filters)

三角形滤波器组矩阵。 这是一个从频谱图到梅尔频谱图的投影矩阵。

创建一个用于获得梅尔频谱图的频率箱转换矩阵。 这被称为梅尔滤波器组,存在各种实现,它们在滤波器的数量、滤波器的形状、滤波器间距方式、滤波器的带宽以及频谱扭曲方式上有所不同。 这些特征的目的是近似人类对音高变化相对于频率的非线性感知。

文献中引入了不同的梅尔滤波器组。 支持以下变体

  • MFCC FB-20:由 Davis 和 Mermelstein 在 1980 年提出,它假定采样频率为 10 kHz,语音带宽为 [0, 4600] Hz。
  • MFCC FB-24 HTK:来自剑桥 HMM 工具包 (HTK) (1995) 使用 24 个滤波器的滤波器组,语音带宽为 [0, 8000] Hz。 这假定采样率 ≥ 16 kHz。
  • MFCC FB-40:来自 Slaney 在 1998 年编写的 MATLAB 听觉工具箱,假定采样率为 16 kHz,语音带宽为 [133, 6854] Hz。 此版本还包括面积归一化。
  • Skowronski 和 Harris (2004) 的 HFCC-E FB-29(人类因素倒谱系数),假定采样率为 12.5 kHz,语音带宽为 [0, 6250] Hz。

此代码改编自torchaudiolibrosa。 请注意,torchaudio 的 melscale_fbanks 的默认参数实现了"htk" 滤波器,而 librosa 使用"slaney" 实现。

transformers.audio_utils.optimal_fft_length

< >

( window_length: int )

找到给定window_length的最佳 FFT 输入大小。 此函数采用给定的窗口长度,如果它不是 2 的幂,则将其向上舍入到下一个 2 的幂。

当输入长度为 2 的幂时,FFT 算法运行速度最快,这可能大于窗口或分析帧的大小。 例如,如果窗口为 400 个样本,则使用 512 个样本的 FFT 输入大小比 400 个样本的 FFT 大小更优化。 使用更大的 FFT 大小不会影响检测到的频率,它只是提供更高的频率分辨率(即频率箱更小)。

transformers.audio_utils.window_function

< >

( window_length: int name: str = 'hann' periodic: bool = True frame_length: Optional = None center: bool = True )

参数

  • window_length (int) — 窗口长度(样本数)。
  • name (str, 可选, 默认值为 "hann") — 窗口函数的名称。
  • periodic (bool, 可选, 默认值为 True) — 窗口是周期性的还是对称的。
  • frame_length (int, 可选) — 帧长度(样本数)。如果窗口长度小于帧长度,则提供 frame_length 的值,这样它将被零填充。
  • center (bool, 可选, 默认值为 True) — 是否将窗口居中于 FFT 缓冲区内。仅在提供 frame_length 时使用。

返回一个包含指定窗口的数组。此窗口旨在与 stft 一起使用。

支持以下窗口类型

  • "boxcar": 方形窗
  • "hamming": 海明窗
  • "hann": 汉宁窗
  • "povey": Povey 窗

transformers.audio_utils.spectrogram

< >

( waveform: ndarray window: ndarray frame_length: int hop_length: int fft_length: Optional = None power: Optional = 1.0 center: bool = True pad_mode: str = 'reflect' onesided: bool = True preemphasis: Optional = None mel_filters: Optional = None mel_floor: float = 1e-10 log_mel: Optional = None reference: float = 1.0 min_value: float = 1e-10 db_range: Optional = None remove_dc_offset: Optional = None dtype: dtype = <class 'numpy.float32'> )

参数

  • waveform (np.ndarray 形状为 (length,)) — 输入波形。这必须是一个单一的实值单声道波形。
  • window (np.ndarray 形状为 (frame_length,)) — 应用的加窗函数,包括必要的零填充。实际窗口长度可能小于 frame_length,但我们假设数组已经过零填充。
  • frame_length (int) — 分析帧的长度(以样本为单位)。在 librosa 中,它始终等于 fft_length,但我们也允许使用更小的尺寸。
  • hop_length (int) — 相邻分析帧之间的步长(以样本为单位)。
  • fft_length (int,可选) — FFT 缓冲区的大小(以样本为单位)。这决定了语谱图将有多少个频率 bin。为了获得最佳速度,它应该为 2 的幂。如果为 None,则使用 frame_length
  • power (float,可选,默认值为 1.0) — 如果为 1.0,则返回幅度语谱图。如果为 2.0,则返回功率语谱图。如果为 None,则返回复数。
  • center (bool,可选,默认值为 True) — 是否对波形进行填充,以便帧 t 以时间 t * hop_length 为中心。如果为 False,则帧 t 将从时间 t * hop_length 开始。
  • pad_mode (str,可选,默认值为 "reflect") — 当 centerTrue 时使用的填充模式。可能的值有:"constant"(用零填充)、"edge"(用边缘值填充)、"reflect"(用镜像值填充)。
  • onesided (bool,可选,默认值为 True) — 如果为 True,则仅计算正频率,并返回包含 fft_length // 2 + 1 个频率 bin 的语谱图。如果为 False,则还计算负频率,并返回 fft_length 个频率 bin。
  • preemphasis (float,可选) — 应用于 DFT 之前的预加重低通滤波器的系数。
  • mel_filters (np.ndarray 形状为 (num_freq_bins, num_mel_filters),可选) — 梅尔滤波器组。如果提供,则应用此滤波器组以创建梅尔语谱图。
  • log_mel (str, 可选) — 如何将频谱转换为对数刻度。可能的选择有:None(不转换)、"log"(取自然对数)、"log10"(取以 10 为底的对数)、"dB"(转换为分贝)。 只有当 power 不为 None 时才能使用。
  • reference (float, 可选,默认值为 1.0) — 设置对应于 0 dB 的输入频谱值。例如,使用 np.max(spectrogram) 将最响亮的部位设置为 0 dB。 必须大于零。
  • min_value (float, 可选,默认值为 1e-10) — 在转换为分贝之前,频谱将被裁剪到此最小值,以避免取 log(0)。对于功率频谱,默认值 1e-10 对应于 -100 dB 的最小值。对于幅度频谱,值 1e-5 对应于 -100 dB。 必须大于零。
  • db_range (float, 可选) — 设置分贝中的最大动态范围。例如,如果 db_range = 80,则峰值与最小值之间的差值永远不会超过 80 dB。 必须大于零。
  • remove_dc_offset (bool, 可选) — 在预加重之前,从每个帧的波形中减去均值。为了获得与 torchaudio.compliance.kaldi.fbank 计算梅尔滤波器时相同的结果,应该将其设置为 true
  • dtype (np.dtype, 可选,默认值为 np.float32) — 频谱张量的 数据类型。如果 power 为 None,则忽略此参数,数据类型将为 np.complex64

使用短时傅里叶变换计算单个波形的频谱。

此函数可以创建以下类型的频谱

  • 幅度频谱 (power = 1.0)
  • 功率频谱 (power = 2.0)
  • 复数频谱 (power = None)
  • 对数频谱 (使用 log_mel 参数)
  • 梅尔频谱 (提供 mel_filters)
  • 对数梅尔频谱 (提供 mel_filterslog_mel)

工作原理

  1. 输入波形被分成大小为 frame_length 的帧,这些帧通过 frame_length
    • hop_length 个样本部分重叠。
  2. 每个帧乘以窗口并放置到大小为 fft_length 的缓冲区中。
  3. 对每个加窗帧进行 DFT。
  4. 结果被堆叠成频谱。

我们区分以下样本数据“块”,每个块可能具有不同的长度

  • 分析帧。这是输入波形被分割成的时隙的大小。
  • 窗口。每个分析帧乘以窗口,以避免频谱泄漏。
  • FFT 输入缓冲区。这的长度决定了频谱中有多少个频率 bin。

在此实现中,假设窗口被零填充以具有与分析帧相同的大小。可以通过 window_function() 获得填充的窗口。 FFT 输入缓冲区可能大于分析帧,通常是下一个 2 的幂。

注意:此函数尚未针对速度进行优化。它应该与 librosa.stfttorchaudio.functional.transforms.Spectrogram 基本兼容,尽管由于构造频谱的不同方式,它更灵活。

transformers.audio_utils.power_to_db

< >

( spectrogram: ndarray reference: float = 1.0 min_value: float = 1e-10 db_range: Optional = None ) np.ndarray

参数

  • spectrogram (np.ndarray) — 输入功率(梅尔)频谱。注意功率频谱的振幅是平方!
  • 参考值 (float, 可选, 默认为 1.0) — 设置对应 0 dB 的输入频谱图值。例如,使用 np.max(spectrogram) 将最响的部分设置为 0 dB。必须大于零。
  • 最小值 (float, 可选, 默认为 1e-10) — 频谱图在转换为分贝之前将被剪切到此最小值,以避免取 log(0)1e-10 的默认值对应于 -100 dB 的最小值。必须大于零。
  • 分贝范围 (float, 可选) — 设置分贝中的最大动态范围。例如,如果 db_range = 80,则峰值与最小值之间的差永远不会超过 80 dB。必须大于零。

返回值

np.ndarray

频谱图以分贝表示

将功率频谱图转换为分贝刻度。这计算 10 * log10(spectrogram / reference),使用基本对数属性以确保数值稳定性。

在(mel)频谱图上应用对数函数的原因是,人类的听觉并不是线性的。通常,要使声音的感知音量加倍,我们需要将能量增加 8 倍。这意味着,如果声音一开始就很响,则能量的大幅变化听起来可能并不那么不同。这种压缩操作使(mel)频谱图特征更符合人类的实际听觉。

基于 librosa.power_to_db 的实现。

transformers.audio_utils.amplitude_to_db

< >

( 频谱图: ndarray 参考值: float = 1.0 最小值: float = 1e-05 分贝范围: Optional = None ) np.ndarray

参数

  • 频谱图 (np.ndarray) — 输入幅度(mel)频谱图。
  • 参考值 (float, 可选, 默认为 1.0) — 设置对应 0 dB 的输入频谱图值。例如,使用 np.max(spectrogram) 将最响的部分设置为 0 dB。必须大于零。
  • 最小值 (float, 可选, 默认为 1e-5) — 频谱图在转换为分贝之前将被剪切到此最小值,以避免取 log(0)1e-5 的默认值对应于 -100 dB 的最小值。必须大于零。
  • 分贝范围 (float, 可选) — 设置分贝中的最大动态范围。例如,如果 db_range = 80,则峰值与最小值之间的差永远不会超过 80 dB。必须大于零。

返回值

np.ndarray

频谱图以分贝表示

将幅度频谱图转换为分贝刻度。这计算 20 * log10(spectrogram / reference),使用基本对数属性以确保数值稳定性。

在(mel)频谱图上应用对数函数的原因是,人类的听觉并不是线性的。通常,要使声音的感知音量加倍,我们需要将能量增加 8 倍。这意味着,如果声音一开始就很响,则能量的大幅变化听起来可能并不那么不同。这种压缩操作使(mel)频谱图特征更符合人类的实际听觉。

< > 在 GitHub 上更新