torchaudio 教程

PyTorch 是一个开源深度学习平台，提供从研究原型到生产环境部署的无缝衔接，并支持 GPU。

解决机器学习问题的大量工作在于数据准备。 torchaudio利用 PyTorch 的 GPU 支持，并提供许多工具，使数据加载变得简单和更具可读性。 在本教程中，我们将了解如何从简单数据集加载和预处理数据。

在本教程中，请确保安装了matplotlib包，以便更轻松地进行可视化。

import torch
import torchaudio
import matplotlib.pyplot as plt

打开一个数据集

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 = "../_static/img/steam-train-whistle-daniel_simon-converted-from-mp3.wav"
waveform, sample_rate = torchaudio.load(filename)

print("Shape of waveform: {}".format(waveform.size()))
print("Sample rate of waveform: {}".format(sample_rate))

plt.figure()
plt.plot(waveform.t().numpy())

输出：

Shape of waveform: torch.Size([2, 276858])
Sample rate of waveform: 44100

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')

输出：

Shape of spectrogram: torch.Size([2, 201, 1385])

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')

输出：

Shape of spectrogram: torch.Size([2, 128, 1385])

我们可以重新采样波形，一次一个通道。

new_sample_rate = sample_rate/10

# Since Resample applies to a single channel, we resample first channel here
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())

输出：

Shape of transformed waveform: torch.Size([1, 27686])

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。

# Let's check if the tensor is in the interval [-1,1]
print("Min of waveform: {}\nMax of waveform: {}\nMean of waveform: {}".format(waveform.min(), waveform.max(), waveform.mean()))

输出：

Min of waveform: -0.572845458984375
Max of waveform: 0.575958251953125
Mean of waveform: 9.293758921558037e-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())

输出：

Shape of transformed waveform: torch.Size([2, 276858])

现在解码。

reconstructed = torchaudio.transforms.MuLawDecoding()(transformed)

print("Shape of recovered waveform: {}".format(reconstructed.size()))

plt.figure()
plt.plot(reconstructed[0,:].numpy())

输出：

Shape of recovered waveform: torch.Size([2, 276858])

我们终于可以将原始波形与其重建版本进行比较。

# Compute median relative difference
err = ((waveform-reconstructed).abs() / waveform.abs()).median()

print("Median relative difference between original and MuLaw reconstucted signals: {:.2%}".format(err))

输出：

Median relative difference between original and MuLaw reconstucted signals: 1.28%

从 Kaldi 迁移到 torchaudio

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')

输出：

Shape of spectrogram: torch.Size([1383, 201])

我们还支持从波形计算 filterbank 特征，与 Kaldi 的实现一致。

fbank = torchaudio.compliance.kaldi.fbank(waveform, **params)

print("Shape of fbank: {}".format(fbank.size()))

plt.figure()
plt.imshow(fbank.t().numpy(), cmap='gray')

输出：

Shape of fbank: torch.Size([1383, 23])

结论

我们使用一个原始音频信号或波形样本来说明如何使用 torchaudio 打开音频文件，以及如何预处理和转换这类波形。 由于 torchaudio 构建在 PyTorch 上，这些技术可用作更高级音频应用（如语音识别）的构建基块，同时利用 GPU。