mindspore.dataset.audio.MelSpectrogram

class mindspore.dataset.audio.MelSpectrogram(sample_rate=16000, n_fft=400, win_length=None, hop_length=None, f_min=0.0, f_max=None, pad=0, n_mels=128, window=WindowType.HANN, power=2.0, normalized=False, center=True, pad_mode=BorderType.REFLECT, onesided=True, norm=NormType.NONE, mel_scale=MelType.HTK)[源代码]

计算原始音频信号的梅尔频谱。

参数:
  • sample_rate (int, 可选) - 采样频率(单位:Hz),不能小于0。默认值: 16000

  • n_fft (int, 可选) - FFT的大小,创建 n_fft // 2 + 1 个频段,应该大于0并且小于输入张量最后一维大小的两倍。默认值: 400

  • win_length (int, 可选) - 窗口大小, 应该大于0并且不能大于 n_fft 。默认值: None , 会被设置为 n_ftt

  • hop_length (int, 可选) - STFT窗口之间的跳跃长度,应该大于0。默认值: None , 会被设置为 win_length // 2

  • f_min (float, 可选) - 最小频率,不能大于 f_max 。默认值: 0.0

  • f_max (float, 可选) - 最大频率,不能小于0。默认值: None , 会被设置为 sample_rate // 2

  • pad (int, 可选) - 信号两端的填充长度,不能小于0。默认值: 0

  • n_mels (int, 可选) - 梅尔滤波器组的数量,不能小于0。默认值: 128

  • window (WindowType, 可选) - 作用于每一帧的窗口函数。默认值: WindowType.HANN

  • power (float, 可选) - 幅值谱图的指数,应该大于0,例如, 1 表示能量, 2 表示功率,等等。默认值: 2.0

  • normalized (bool, 可选) - 是否在stft之后按幅度执行标准化。默认值: False

  • center (bool, 可选) - 是否同时在波形两端进行填充。默认值: True

  • pad_mode (BorderType, 可选) - 控制在 centerTrue 时使用的填充方法,可为 BorderType.REFLECTBorderType.CONSTANTBorderType.EDGEBorderType.SYMMETRIC 。默认值: BorderType.REFLECT

  • onesided (bool, 可选) - 控制是否只返回一半波形,以避免冗余。默认值: True

  • norm (NormType, 可选) - 如果为 'slaney' ,则将三角形梅尔权重除以梅尔带的宽度(区域归一化)。默认值: NormType.NONE ,不使用标准化。

  • mel_scale (MelType, 可选) - 要使用的Mel比例,可以是 MelType.SLANMelType.HTK 。默认值: MelType.HTK

异常:
  • TypeError - 如果 sample_rate 的类型不为int。

  • TypeError - 如果 n_fft 的类型不为int。

  • TypeError - 如果 n_mels 的类型不为int。

  • TypeError - 如果 f_min 的类型不为float。

  • TypeError - 如果 f_max 的类型不为float。

  • TypeError - 如果 window 的类型不为 mindspore.dataset.audio.WindowType

  • TypeError - 如果 norm 的类型不为 mindspore.dataset.audio.NormType

  • TypeError - 如果 mel_scale 的类型不为 mindspore.dataset.audio.MelType

  • TypeError - 如果 power 的类型不为float。

  • TypeError - 如果 normalized 的类型不为bool。

  • TypeError - 如果 center 的类型不为bool。

  • TypeError - 如果 pad_mode 的类型不为 mindspore.dataset.audio.BorderType

  • TypeError - 如果 onesided 的类型不为bool。

  • TypeError - 如果 pad 的类型不为int。

  • TypeError - 如果 win_length 的类型不为int。

  • TypeError - 如果 hop_length 的类型不为int。

  • ValueError - 如果 sample_rate 为负数。

  • ValueError - 如果 n_ftt 不为正数。

  • ValueError - 如果 n_mels 为负数。

  • ValueError - 如果 f_min 大于 f_max

  • ValueError - 如果 f_max 为负数。

  • ValueError - 当 f_max 为None时, 如果 f_min 大于 sample_rate // 2

  • ValueError - 如果 power 不为正数。

  • ValueError - 如果 pad 为负数。

  • ValueError - 如果 win_length 不为正数。

  • ValueError - 如果 hop_length 不为正数。

支持平台:

CPU

样例:

>>> import numpy as np
>>> import mindspore.dataset as ds
>>> import mindspore.dataset.audio as audio
>>>
>>>
>>> # Use the transform in dataset pipeline mode
>>> waveform = np.random.random([5, 32])  # 5 samples
>>> numpy_slices_dataset = ds.NumpySlicesDataset(data=waveform, column_names=["audio"])
>>> transforms = [audio.MelSpectrogram(sample_rate=16000, n_fft=16, win_length=16, hop_length=8, f_min=0.0,
...                                    f_max=5000.0, pad=0, n_mels=2, window=audio.WindowType.HANN, power=2.0,
...                                    normalized=False, center=True, pad_mode=audio.BorderType.REFLECT,
...                                    onesided=True, norm=audio.NormType.SLANEY, mel_scale=audio.MelType.HTK)]
>>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms, input_columns=["audio"])
>>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True):
...     print(item["audio"].shape, item["audio"].dtype)
...     break
(2, 5) float64
>>>
>>> # Use the transform in eager mode
>>> waveform = np.random.random([32])  # 1 sample
>>> output = audio.MelSpectrogram(sample_rate=16000, n_fft=16, win_length=16, hop_length=8, f_min=0.0,
...                               f_max=5000.0, pad=0, n_mels=2, window=audio.WindowType.HANN, power=2.0,
...                               normalized=False, center=True, pad_mode=audio.BorderType.REFLECT,
...                               onesided=True, norm=audio.NormType.SLANEY,
...                               mel_scale=audio.MelType.HTK)(waveform)
>>> print(output.shape, output.dtype)
(2, 5) float64
教程样例: