我如何知道哪些频谱图帧属于哪些音频样本？

Question

我一直在使用这个脚本：

spgram = torchaudio.transforms.Spectrogram(512, hop_length=32)
audio = spgram(audio)

获取一些立体声音乐音频的频谱图。 我预计生成的频谱图的形状为 [2, 257, audio.shape[1]/32] 然而，事实并非如此。 例如，大小为 [2, 199488] 的音频剪辑（sr=24576）会产生大小为 [2, 257, 6241] 的频谱图（请注意 199488/32=6234）。 这是为什么？ 以及如何从帧位置转换为样本位置？

Answer 1

见center参数。

是否在两侧填充waveform ，以便第t帧以时间 tx hop_length 为中心。 （默认值： True ）

因此，默认情况下，信号用零填充。 填充长度可能是 ( win_length - hop_length )。 这最终会使结果更长(win_length - hop_length) / hop_length ，在您的情况下为 7 。

Answer 2

感谢您的回答。 如果我有一个大小为 [1,128000] 的信号 x，它是 800 帧。 torch.stft(x).size() = [1,201,801,2]。 我想将 torch.stft(x) 的帧对齐到 800 帧。 我可以丢掉最后一帧，只保留前 800 帧吗？