我如何知道哪些頻譜圖幀屬於哪些音頻樣本？

Question

我一直在使用這個腳本：

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

獲取一些立體聲音樂音頻的頻譜圖。 我預計生成的頻譜圖的形狀為 [2, 257, audio.shape[1]/32] 然而，事實並非如此。 例如，大小為 [2, 199488] 的音頻剪輯（sr=24576）會產生大小為 [2, 257, 6241] 的頻譜圖（請注意 199488/32=6234）。 這是為什么？ 以及如何從幀位置轉換為樣本位置？

Answer 1

見center參數。

是否在兩側填充waveform ，以便第t幀以時間 tx hop_length 為中心。 （默認值： True ）

因此，默認情況下，信號用零填充。 填充長度可能是 ( win_length - hop_length )。 這最終會使結果更長(win_length - hop_length) / hop_length ，在您的情況下為 7 。

Answer 2

感謝您的回答。 如果我有一個大小為 [1,128000] 的信號 x，它是 800 幀。 torch.stft(x).size() = [1,201,801,2]。 我想將 torch.stft(x) 的幀對齊到 800 幀。 我可以丟掉最后一幀，只保留前 800 幀嗎？