speechbrain.processing.NMF 模块

非负矩阵分解

Authors

  • Cem Subakan

摘要

函数：

NMF_separate_spectra

此函数在给定NMF模板矩阵的情况下分离混合信号。

reconstruct_results

此函数将分离的光谱重建为波形。

spectral_phase

返回复数频谱图的相位。

参考

speechbrain.processing.NMF.spectral_phase(stft)[source]

返回复数频谱图的相位。

Parameters:

stft (torch.Tensor) – 一个张量，来自stft函数的输出。

Returns:

阶段

Return type:

torch.Tensor

Example

>>> BS, nfft, T = 10, 20, 300
>>> X_stft = torch.randn(BS, nfft//2 + 1, T, 2)
>>> phase_mix = spectral_phase(X_stft)
speechbrain.processing.NMF.NMF_separate_spectra(Whats, Xmix)[source]

此函数根据NMF模板矩阵分离混合信号。

Parameters:

  • Whats (list) – 此列表包含列表 [W1, W2]，其中 W1 和 W2 分别是 对应于 source1 和 source2 的 NMF 模板矩阵。 W1 和 W2 的大小为 [nfft/2 + 1, K]，其中 nfft 是 STFT 的 fft 大小， K 是 W 中的向量（模板）数量。

  • Xmix (torch.Tensor) – 这是混合物的幅度谱。 大小为 [BS x T x nfft//2 + 1]，其中， BS = 批量大小，nfft = fft 大小，T = 频谱中的时间步数。

Returns:

  • X1hat (源1的分离频谱) – 大小 = [BS x (nfft/2 +1) x T]，其中， BS = 批量大小，nfft = fft 大小，T = 频谱中的时间步数。

  • X2hat (源2的分离频谱) – 大小定义与上述相同。

Example

>>> BS, nfft, T = 4, 20, 400
>>> K1, K2 = 10, 10
>>> W1hat = torch.randn(nfft//2 + 1, K1)
>>> W2hat = torch.randn(nfft//2 + 1, K2)
>>> Whats = [W1hat, W2hat]
>>> Xmix = torch.randn(BS, T, nfft//2 + 1)
>>> X1hat, X2hat = NMF_separate_spectra(Whats, Xmix)
speechbrain.processing.NMF.reconstruct_results(X1hat, X2hat, X_stft, sample_rate, win_length, hop_length)[source]

此函数将分离的光谱重建为波形。

Parameters:

  • X1hat (torch.Tensor) – 源1的分离频谱，大小为[BS, nfft/2 + 1, T]， 其中，BS = 批量大小，nfft = fft大小，T = 频谱的长度。

  • X2hat (torch.Tensor) – 源2的分离频谱，大小为 [BS, nfft/2 + 1, T]。 大小定义与 Xhat1 相同。

  • X_stft (torch.Tensor) – 这是混合物的幅度谱。 大小为 [BS x nfft//2 + 1 x T x 2]，其中， BS = 批量大小，nfft = fft 大小，T = 频谱中的时间步数。 最后一个维度用于表示复数。

  • sample_rate (int) – 我们希望保存结果的采样率（以Hz为单位）。

  • win_length (int) – STFT窗口的长度（以毫秒为单位）。

  • hop_length (int) – 我们移动STFT窗口的长度（以毫秒为单位）。

Returns:

  • x1hats (列表) – 源1的波形列表。

  • x2hats (列表) – 源2的波形列表。

Example

>>> BS, nfft, T = 10, 512, 16000
>>> sample_rate, win_length, hop_length = 16000, 25, 10
>>> X1hat = torch.randn(BS, nfft//2 + 1, T)
>>> X2hat = torch.randn(BS, nfft//2 + 1, T)
>>> X_stft = torch.randn(BS, nfft//2 + 1, T, 2)
>>> x1hats, x2hats = reconstruct_results(X1hat, X2hat, X_stft, sample_rate, win_length, hop_length)