Transformers 文档
FeatureExtractor 的实用工具
并获得增强的文档体验
开始使用
FeatureExtractor 实用工具
本页面列出了音频 FeatureExtractor 可以使用的所有实用函数，以便使用常见算法（如短时傅里叶变换或对数梅尔频谱图）从原始音频计算特殊特征。
其中大多数仅在您研究库中音频处理器的代码时有用。
音频变换
transformers.audio_utils.hertz_to_mel
< 来源 >( freq: typing.Union[float, numpy.ndarray] mel_scale: str = 'htk' ) → float 或 np.ndarray
将频率从赫兹转换为梅尔。
transformers.audio_utils.mel_to_hertz
< 来源 >( mels: typing.Union[float, numpy.ndarray] mel_scale: str = 'htk' ) → float 或 np.ndarray
将频率从梅尔转换为赫兹。
transformers.audio_utils.mel_filter_bank
< 来源 >( num_frequency_bins: int num_mel_filters: int min_frequency: float max_frequency: float sampling_rate: int norm: typing.Optional[str] = None mel_scale: str = 'htk' triangularize_in_mel_space: bool = False ) → np.ndarray 形态为 (num_frequency_bins, num_mel_filters)
参数
- num_frequency_bins (
int) — 频率桶的数量（应与n_fft // 2 + 1相同，其中n_fft是用于计算频谱图的傅里叶变换的大小）。 - num_mel_filters (
int) — 要生成的梅尔滤波器数量。 - min_frequency (
float) — 感兴趣的最低频率，单位为赫兹。 - max_frequency (
float) — 感兴趣的最高频率，单位为赫兹。这不应超过sampling_rate / 2。 - sampling_rate (
int) — 音频波形的采样率。 - norm (
str, 可选) — 如果为"slaney"，则将三角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，可以是"htk"、"kaldi"或"slaney"。 - triangularize_in_mel_space (
bool, 可选, 默认为False) — 如果启用此选项，则三角滤波器将在梅尔空间而不是频率空间应用。为了获得与torchaudio计算梅尔滤波器时相同的结果，应将其设置为true。
返回
np.ndarray 形态为 (num_frequency_bins, num_mel_filters)
三角滤波器组矩阵。这是一个从频谱图到梅尔频谱图的投影矩阵。
创建一个用于获取梅尔频谱图的频率桶转换矩阵。这被称为梅尔滤波器组，存在各种实现，它们在滤波器数量、滤波器形状、滤波器间距方式、滤波器带宽以及频谱扭曲方式上有所不同。这些特征的目标是近似人类对音高相对于频率变化的非线性感知。
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 于 1980 年引入，它假设采样频率为 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。这假设采样率 ≥ 16 kHz。 - MFCC FB-40：来自 Slaney 于 1998 年编写的 MATLAB 听觉工具箱，假设采样率为 16 kHz，语音带宽为
[133, 6854]Hz。此版本还包括面积归一化。 - HFCC-E FB-29 (人因倒谱系数) by Skowronski and Harris (2004)，假设采样率为 12.5 kHz，语音带宽为
[0, 6250]Hz。
此代码改编自 torchaudio 和 librosa。请注意，torchaudio 的 melscale_fbanks 默认参数实现了 "htk" 滤波器，而 librosa 使用 "slaney" 实现。
找到给定 window_length 的最佳 FFT 输入大小。此函数获取给定窗口长度，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，它只会提供更高的频率分辨率（即频率桶更小）。
transformers.audio_utils.window_function
< 来源 >( window_length: int name: str = 'hann' periodic: bool = True frame_length: typing.Optional[int] = None center: bool = True )
返回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"：矩形窗口"hamming"：汉明窗口"hann"：汉宁窗口"povey"：Povey 窗口
transformers.audio_utils.spectrogram
< 来源 >( waveform: ndarray window: ndarray frame_length: int hop_length: int fft_length: typing.Optional[int] = None power: typing.Optional[float] = 1.0 center: bool = True pad_mode: str = 'reflect' onesided: bool = True dither: float = 0.0 preemphasis: typing.Optional[float] = None mel_filters: typing.Optional[numpy.ndarray] = None mel_floor: float = 1e-10 log_mel: typing.Optional[str] = None reference: float = 1.0 min_value: float = 1e-10 db_range: typing.Optional[float] = None remove_dc_offset: typing.Optional[bool] = None dtype: dtype = <class 'numpy.float32'> )
参数
- waveform (
np.ndarray形态为(length,)) — 输入波形。这必须是单通道实值单声道波形。 - window (
np.ndarray形态为(frame_length,)) — 要应用的窗函数，如果需要包括零填充。实际窗口长度可能短于frame_length，但我们假设数组已经零填充。 - frame_length (
int) — 分析帧的样本长度。在 librosa 中，这始终等于fft_length，但我们也允许更小的尺寸。 - hop_length (
int) — 连续分析帧之间的样本步长。 - fft_length (
int, 可选) — FFT 缓冲区的样本大小。这决定了频谱图将有多少个频率桶。为了获得最佳速度，这应该是一个 2 的幂。如果为None，则使用frame_length。 - power (
float, 可选, 默认为 1.0) — 如果为 1.0，则返回幅度谱。如果为 2.0，则返回功率谱。如果为None，则返回复数。 - center (
bool, 可选, 默认为True) — 是否填充波形，使帧t居中于时间t * hop_length。如果为False，帧t将从时间t * hop_length开始。 - pad_mode (
str, 可选, 默认为"reflect") — 当center为True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, 默认为True) — 如果为 True，则仅计算正频率并返回包含fft_length // 2 + 1频率桶的频谱图。如果为 False，则还会计算负频率并返回fft_length频率桶。 - dither (
float, 可选, 默认为 0.0) — 添加抖动。换句话说，向每个帧添加小的 Gaussian 噪声。例如，使用 4.0 添加标准差为 4.0，以 0.0 为中心的正常分布的抖动，0.0 表示不抖动。抖动与mel_floor具有类似的效果。它降低了具有硬零部分信号的高 log_mel_fbank 值，当信号中存在 VAD 截止时。 - preemphasis (
float, 可选) — 在 DFT 之前应用预加重低通滤波器的系数。 - mel_filters (
np.ndarray形态为(num_freq_bins, num_mel_filters), 可选) — 梅尔滤波器组。如果提供，将此滤波器组应用于创建梅尔频谱图。 - mel_floor (
float, 可选, 默认为 1e-10) — 梅尔频率带的最小值。 - log_mel (
str, 可选) — 如何将频谱图转换为对数刻度。可能的选项有：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）。仅当power不为None时才能使用。 - reference (
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)将最响亮的部分设置为 0 dB。必须大于零。 - min_value (
float, 可选, 默认为1e-10) — 在转换为分贝之前，频谱图将被剪裁到此最小值，以避免取log(0)。对于功率谱图，默认值1e-10对应于 -100 dB 的最小值。对于幅度谱图，值1e-5对应于 -100 dB。必须大于零。 - db_range (
float, 可选) — 设置分贝的最大动态范围。例如，如果db_range = 80，则峰值与最小值之间的差异永远不会超过 80 dB。必须大于零。 - remove_dc_offset (
bool, 可选) — 从每个帧的波形中减去平均值，在预加重之前应用。为了获得与torchaudio.compliance.kaldi.fbank计算梅尔滤波器时相同的结果，应将其设置为true。 - dtype (
np.dtype, 可选, 默认为np.float32) — 频谱图张量的数据类型。如果power为 None，则此参数将被忽略，数据类型将为np.complex64。
使用短时傅里叶变换计算一个波形的频谱图。
此函数可以创建以下类型的频谱图
- 幅度频谱图 (
power = 1.0) - 功率频谱图 (
power = 2.0) - 复值频谱图 (
power = None) - 对数频谱图 (使用
log_mel参数) - 梅尔频谱图 (提供
mel_filters) - 对数梅尔频谱图 (提供
mel_filters和log_mel)
工作原理
- 输入波形被分成大小为
frame_length的帧，这些帧部分重叠frame_lengthhop_length样本。
- 每个帧乘以窗口并放置到大小为
fft_length的缓冲区中。 - 对每个加窗帧进行 DFT。
- 结果堆叠成频谱图。
我们区分以下“块”样本数据，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间片的尺寸。
- 窗函数。每个分析帧都乘以窗函数，以避免频谱泄漏。
- FFT输入缓冲区。其长度决定了频谱图中频率 bin 的数量。
在此实现中，窗函数被假定为零填充，使其大小与分析帧相同。可以通过 window_function() 获取填充后的窗函数。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。它应与 librosa.stft 和 torchaudio.functional.transforms.Spectrogram 大致兼容，尽管由于频谱图的不同构建方式，它更灵活。
transformers.audio_utils.power_to_db
< source >( spectrogram: ndarray reference: float = 1.0 min_value: float = 1e-10 db_range: typing.Optional[float] = None ) → np.ndarray
参数
- spectrogram (
np.ndarray) — 输入功率（梅尔）频谱图。请注意，功率频谱图的幅度是平方过的！ - reference (
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)将最响亮的部分设置为0 dB。必须大于零。 - min_value (
float, 可选, 默认为1e-10) — 在转换为分贝之前，频谱图将被剪裁到此最小值，以避免取log(0)。默认值1e-10对应于最低 -100 dB。必须大于零。 - db_range (
float, 可选) — 设置最大动态范围（分贝）。例如，如果db_range = 80，则峰值与最小值之间的差异永远不会超过80 dB。必须大于零。
返回
np.ndarray
分贝标度下的频谱图
将功率频谱图转换为分贝标度。此函数使用基本对数性质进行数值稳定性计算，公式为 10 * log10(spectrogram / reference)。
对（梅尔）频谱图应用对数函数的动机是，人类对响度的感知不是线性关系。通常，要使声音的感知音量加倍，我们需要将其能量增加8倍。这意味着，如果声音本来就很响，则能量的巨大变化可能听起来并没有那么不同。这种压缩操作使（梅尔）频谱图特征更接近人类实际听到的声音。
基于 librosa.power_to_db 的实现。
transformers.audio_utils.amplitude_to_db
< source >( spectrogram: ndarray reference: float = 1.0 min_value: float = 1e-05 db_range: typing.Optional[float] = None ) → np.ndarray
参数
- spectrogram (
np.ndarray) — 输入幅度（梅尔）频谱图。 - reference (
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)将最响亮的部分设置为0 dB。必须大于零。 - min_value (
float, 可选, 默认为1e-5) — 在转换为分贝之前，频谱图将被剪裁到此最小值，以避免取log(0)。默认值1e-5对应于最低 -100 dB。必须大于零。 - db_range (
float, 可选) — 设置最大动态范围（分贝）。例如，如果db_range = 80，则峰值与最小值之间的差异永远不会超过80 dB。必须大于零。
返回
np.ndarray
分贝标度下的频谱图
将幅度频谱图转换为分贝标度。此函数使用基本对数性质进行数值稳定性计算，公式为 20 * log10(spectrogram / reference)。
对（梅尔）频谱图应用对数函数的动机是，人类对响度的感知不是线性关系。通常，要使声音的感知音量加倍，我们需要将其能量增加8倍。这意味着，如果声音本来就很响，则能量的巨大变化可能听起来并没有那么不同。这种压缩操作使（梅尔）频谱图特征更接近人类实际听到的声音。