参数

• freq (float 或 np.ndarray) — 频率，单位为赫兹（Hz），可以是单个频率或多个频率。
• mel_scale (str，可选，默认为 "htk") — 要使用的 mel 频率刻度，"htk"、"kaldi" 或 "slaney"。

参数

• mels (float 或 np.ndarray) — 以梅尔（mel）为单位的频率，或多个频率。
• mel_scale (str，可选，"htk") — 要使用的梅尔频率刻度，"htk"、"kaldi" 或 "slaney"。

参数

• num_frequency_bins (int) — 频率分箱的数量（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 mel 滤波器数量。
• min_frequency (float) — 感兴趣的最低频率，单位为 Hz。
• max_frequency (float) — 感兴趣的最高频率，单位为 Hz。该值不应超过 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 mel 权重除以 mel 频带的宽度（面积归一化）。
• mel_scale (str，可选，默认为 "htk") — 要使用的 mel 频率刻度，"htk"、"kaldi" 或 "slaney"。
• triangularize_in_mel_space (bool，可选，默认为 False) — 如果启用此选项，三角滤波器将在 mel 空间而非频率空间中应用。为了在计算 mel 滤波器时获得与 torchaudio 相同的结果，应将其设置为 true。
• dtype (str 或 np.dtype，可选，默认为 np.float64) — 返回滤波器的数据类型。三角滤波器以 float64 计算，并在进行 "slaney" 归一化之前转换为 dtype。当 norm="slaney"、mel_scale="slaney" 且 dtype=np.float32 时，结果与 librosa.filters.mel(..., norm="slaney")（转置后）完全一致。

参数

• window_length (int) — 以采样点为单位的窗口长度。
• name (str，可选，默认为 "hann") — 窗函数的名称。
• periodic (bool，可选，默认为 True) — 窗口是否为周期性或对称性。
• frame_length (int, 可选) — 分析帧的长度（以采样点为单位）。如果窗口小于帧长度，请提供 frame_length 的值，以便进行零填充。
• center (bool，可选，默认为 True) — 是否将窗口居中于 FFT 缓冲区中。仅在提供 frame_length 时使用。

参数

• waveform (np.ndarray，形状为 (length,)) — 输入波形。这必须是一个单通道的实值波形。
• window (np.ndarray，形状为 (frame_length,)) — 要应用的加窗函数，如有必要则包含零填充。实际的窗口长度可能短于 frame_length，但我们假设该数组已经过零填充。
• frame_length (int) — 分析帧的长度（以采样点为单位）。在使用 librosa 时，该值始终等于 fft_length，但我们也允许更小的尺寸。
• hop_length (int) — 相邻分析帧之间的步长，以采样点为单位。
• fft_length (int, 可选) — FFT 缓冲区的样本大小。这决定了频谱图将包含多少个频率分箱。 为了获得最佳速度，此值应为 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) — 是否对波形进行填充，使得帧 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，默认为 "reflect") — 当 center 为 True 时使用的填充模式。可能的取值包括："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 个频率 bin 的频谱图。如果为 False，则同时计算负频率，并返回 fft_length 个频率 bin。
• dither (float, 可选，默认为 0.0) — 添加抖动。换句话说，为每一帧添加少量高斯噪声。 例如，使用 4.0 可添加以 0.0 为中心、标准差为 4.0 的正态分布抖动，0.0 表示不添加抖动。 抖动的效果与 mel_floor 类似。当信号中存在 VAD 截断时，它会降低具有硬零段的信号的高 log_mel_fbank 值。
• preemphasis (float, 可选) — 在 DFT 之前应用预加重时，低通滤波器的系数。
• mel_filters（形状为 (num_freq_bins, num_mel_filters) 的 np.ndarray，可选）— 梅尔滤波器组。如果提供，则应用此滤波器组以生成梅尔频谱图。
• mel_floor (float，可选，默认值为 1e-10) — 梅尔频率银行的最低值。
• log_mel (str, 可选) — 如何将频谱图转换为对数尺度。可选值包括：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 时可用。
• 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) 可将最响的部分设置为 0 dB。该值必须大于零。
• min_value (float，可选，默认为 1e-10) — 在转换为分贝之前，频谱图将被裁剪到该最小值，以避免计算 log(0)。对于功率频谱图，默认值 1e-10 对应 -100 dB 的最小值。对于 幅度频谱图，值 1e-5 对应 -100 dB。必须大于零。
• db_range (float, 可选) — 设置以分贝为单位的最大动态范围。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) — 在每帧波形上减去均值，该操作在预加重之前执行。为了在计算 mel 滤波器时获得与 torchaudio.compliance.kaldi.fbank 相同的结果，应将其设置为 true。
• dtype (np.dtype，可选，默认为 np.float32) — 频谱张量的数据类型。如果 power 为 None，则忽略此参数，dtype 将为 np.complex64。

参数

• spectrogram (np.ndarray) — 输入的功率（mel）频谱图。请注意，功率频谱图的幅度是平方后的值！
• 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) 可将最响的部分设置为 0 dB。该值必须大于零。
• min_value (float，可选，默认为 1e-10) — 在转换为分贝之前，频谱图将被裁剪到该最小值，以避免计算 log(0)。默认值 1e-10 对应 -100 dB 的最小值。必须大于零。
• db_range (float, 可选) — 设置以分贝为单位的最大动态范围。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。

参数

• spectrogram (np.ndarray) — 输入的幅度（mel）频谱图。
• 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) 可将最响的部分设置为 0 dB。该值必须大于零。
• min_value (float，可选，默认为 1e-5) — 在转换为分贝之前，频谱图将被裁剪到该最小值，以避免计算 log(0)。默认值 1e-5 对应 -100 dB 的最小值。该值必须大于零。
• db_range (float, 可选) — 设置以分贝为单位的最大动态范围。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。