- Authors

- Name
- Youngju Kim
- @fjvbn20031

引言
torchaudio 是 PyTorch 官方的音频处理库。支持音频 I/O、频谱图变换、预训练模型(Wav2Vec2、HuBERT、Whisper),乃至实时流式处理。
pip install torch torchaudio
Part 1: 音频基础
音频加载与保存
import torch
import torchaudio
# 音频加载
waveform, sample_rate = torchaudio.load("speech.wav")
print(f"Shape: {waveform.shape}") # [channels, samples]
print(f"Sample Rate: {sample_rate}") # 16000
print(f"Duration: {waveform.shape[1] / sample_rate:.2f}s")
# 声道: 单声道(1) vs 立体声(2)
if waveform.shape[0] == 2:
mono = waveform.mean(dim=0, keepdim=True) # 立体声 → 单声道
# 重采样 (44100Hz → 16000Hz)
resampler = torchaudio.transforms.Resample(
orig_freq=44100, new_freq=16000
)
waveform_16k = resampler(waveform)
# 保存
torchaudio.save("output.wav", waveform_16k, 16000)
# 支持格式: wav, flac, mp3, ogg, opus, sphere
# 后端: sox, soundfile, ffmpeg
print(torchaudio.list_audio_backends())
音频可视化
import matplotlib.pyplot as plt
# 波形 (Waveform)
fig, axes = plt.subplots(3, 1, figsize=(12, 8))
# 1. 时间域 (波形)
time_axis = torch.arange(0, waveform.shape[1]) / sample_rate
axes[0].plot(time_axis, waveform[0])
axes[0].set_title("Waveform")
axes[0].set_xlabel("Time (s)")
axes[0].set_ylabel("Amplitude")
# 2. 频谱图
spectrogram = torchaudio.transforms.Spectrogram(n_fft=1024)(waveform)
axes[1].imshow(
spectrogram[0].log2().numpy(),
aspect='auto', origin='lower', cmap='magma'
)
axes[1].set_title("Spectrogram")
# 3. Mel 频谱图
mel_spec = torchaudio.transforms.MelSpectrogram(
sample_rate=sample_rate, n_fft=1024, n_mels=80
)(waveform)
axes[2].imshow(
mel_spec[0].log2().numpy(),
aspect='auto', origin='lower', cmap='magma'
)
axes[2].set_title("Mel Spectrogram")
plt.tight_layout()
plt.savefig("audio_analysis.png", dpi=150)
Part 2: 核心变换 (Transforms)
频谱图系列
# STFT (Short-Time Fourier Transform)
# 从时间域转换到时间+频率域
spectrogram_transform = torchaudio.transforms.Spectrogram(
n_fft=1024, # FFT 窗口大小 (频率分辨率)
hop_length=256, # 窗口移动间隔 (时间分辨率)
win_length=1024, # 窗口长度
power=2.0, # 2.0=功率, 1.0=振幅
)
spec = spectrogram_transform(waveform)
# shape: [channels, n_freq_bins, time_frames]
# n_freq_bins = n_fft // 2 + 1 = 513
n_fft 与 hop_length 的权衡:
n_fft ↑ → 频率分辨率 ↑,时间分辨率 ↓
n_fft ↓ → 频率分辨率 ↓,时间分辨率 ↑
常见设置:
├── 语音: n_fft=400~512, hop=160 (以 16kHz 为准)
├── 音乐: n_fft=2048, hop=512 (以 44.1kHz 为准)
└── 通用: n_fft=1024, hop=256
Mel 频谱图 — 为什么是 Mel?
# 人耳对低频敏感,对高频迟钝
# Mel 尺度 = 反映人类听觉特性的频率尺度
mel_transform = torchaudio.transforms.MelSpectrogram(
sample_rate=16000,
n_fft=1024,
hop_length=256,
n_mels=80, # Mel 滤波器数量 (通常 40~128)
f_min=0, # 最低频率
f_max=8000, # 最高频率 (Nyquist)
)
mel_spec = mel_transform(waveform)
# shape: [1, 80, time_frames]
# dB 尺度转换 (对数压缩)
amplitude_to_db = torchaudio.transforms.AmplitudeToDB(stype='power', top_db=80)
mel_spec_db = amplitude_to_db(mel_spec)
Mel 频率转换公式:
mel = 2595 × log10(1 + freq / 700)
频率 → Mel:
100 Hz → 150 mel (低频: 密集)
1000 Hz → 1000 mel
4000 Hz → 2146 mel
8000 Hz → 2840 mel (高频: 稀疏)
→ 低频分析得精细,高频归并得粗略
→ 一种接近人耳听感的表示方式!
MFCC (Mel-Frequency Cepstral Coefficients)
# MFCC = Mel 频谱图 + DCT (离散余弦变换)
# 表示语音「形状」的核心特征
mfcc_transform = torchaudio.transforms.MFCC(
sample_rate=16000,
n_mfcc=13, # MFCC 系数个数 (通常 13~40)
melkwargs={
'n_fft': 1024,
'n_mels': 80,
'hop_length': 256,
}
)
mfcc = mfcc_transform(waveform)
# shape: [1, 13, time_frames]
# Delta (一阶导数) + Delta-Delta (二阶导数)
# → 加入语音的变化率信息
delta = torchaudio.functional.compute_deltas(mfcc)
delta_delta = torchaudio.functional.compute_deltas(delta)
# 最终特征: 拼接 [MFCC, Delta, Delta-Delta]
features = torch.cat([mfcc, delta, delta_delta], dim=1)
# shape: [1, 39, time_frames]
应用场景:
├── MFCC: 传统语音识别 (HMM-GMM)、说话人识别
├── Mel Spectrogram: 深度学习语音识别 (Wav2Vec2, Whisper)
├── Spectrogram: 音乐分析、环境声分类
└── Raw Waveform: 端到端模型 (最新趋势)
Part 3: 音频增强
# 时间掩码 (SpecAugment)
time_masking = torchaudio.transforms.TimeMasking(
time_mask_param=30 # 最多掩盖 30 帧
)
# 频率掩码 (SpecAugment)
freq_masking = torchaudio.transforms.FrequencyMasking(
freq_mask_param=15 # 最多掩盖 15 个通道
)
# SpecAugment (显著提升语音识别准确率!)
augmented_spec = time_masking(freq_masking(mel_spec))
# 时间伸缩
time_stretch = torchaudio.transforms.TimeStretch()
stretched = time_stretch(complex_spec, overriding_rate=1.2) # 加快 20%
# 音高变换
pitch_shift = torchaudio.transforms.PitchShift(
sample_rate=16000, n_steps=4 # 升高 4 个半音
)
shifted = pitch_shift(waveform)
# 添加噪声
def add_noise(waveform, snr_db=10):
"""以指定 SNR dB 添加白噪声"""
noise = torch.randn_like(waveform)
signal_power = waveform.norm(p=2)
noise_power = noise.norm(p=2)
snr = 10 ** (snr_db / 20)
scale = signal_power / (snr * noise_power)
return waveform + scale * noise
Part 4: 预训练模型
Wav2Vec 2.0 (语音识别)
import torchaudio
from torchaudio.pipelines import WAV2VEC2_ASR_BASE_960H
# 加载 pipeline
bundle = WAV2VEC2_ASR_BASE_960H
model = bundle.get_model()
labels = bundle.get_labels() # token 列表
# 推理
waveform, sr = torchaudio.load("speech.wav")
if sr != bundle.sample_rate:
waveform = torchaudio.transforms.Resample(sr, bundle.sample_rate)(waveform)
with torch.no_grad():
emissions, _ = model(waveform)
# CTC 解码 (Greedy)
def greedy_decode(emissions, labels):
indices = torch.argmax(emissions, dim=-1)[0]
tokens = []
prev = -1
for idx in indices:
if idx != prev and idx != 0: # 0 = blank
tokens.append(labels[idx])
prev = idx
return "".join(tokens).replace("|", " ").strip()
text = greedy_decode(emissions, labels)
print(f"识别结果: {text}")
HuBERT (自监督语音表示)
from torchaudio.pipelines import HUBERT_BASE
bundle = HUBERT_BASE
model = bundle.get_model()
with torch.no_grad():
features, _ = model(waveform)
# features: [1, time_frames, 768]
# → 语音的语义表示向量
# → 用于说话人识别、情感分析、语音分类
Forced Alignment (字幕同步)
# 语音与文本的时间对齐!
# → 字幕生成、歌词同步所必需
from torchaudio.pipelines import MMS_FA # Multilingual!
bundle = MMS_FA
model = bundle.get_model()
tokenizer = bundle.get_tokenizer()
aligner = bundle.get_aligner()
transcript = "你好 很高兴认识你"
tokens = tokenizer(transcript)
with torch.no_grad():
emissions, _ = model(waveform)
token_spans = aligner(emissions[0], tokens)
# 以帧为单位返回每个 token 的起止时间!
for span, token in zip(token_spans, transcript):
start_time = span.start * model.hop_length / sample_rate
end_time = span.end * model.hop_length / sample_rate
print(f" '{token}': {start_time:.3f}s ~ {end_time:.3f}s")
Part 5: 音频效果
# torchaudio.functional — GPU 加速音频处理
import torchaudio.functional as F
# 音量调节
loud = F.gain(waveform, gain_db=6.0) # +6dB
quiet = F.gain(waveform, gain_db=-6.0) # -6dB
# 高通/低通滤波器
highpass = F.highpass_biquad(waveform, sample_rate, cutoff_freq=300)
lowpass = F.lowpass_biquad(waveform, sample_rate, cutoff_freq=3000)
# 均衡器
eq = F.equalizer_biquad(
waveform, sample_rate,
center_freq=1000, # 1kHz 附近
gain=5.0, # +5dB 提升
Q=0.707
)
# 混响
rir, _ = torchaudio.load("room_impulse_response.wav") # RIR 文件
reverb = F.fftconvolve(waveform, rir)
# 淡入/淡出
fade = torchaudio.transforms.Fade(
fade_in_len=sample_rate, # 1 秒淡入
fade_out_len=sample_rate * 3 # 3 秒淡出
)
faded = fade(waveform)
# VAD (Voice Activity Detection)
vad = torchaudio.transforms.Vad(sample_rate=16000)
speech_only = vad(waveform) # 去除静音区间
Part 6: 实战项目
环境声分类 (Audio Classification)
import torch.nn as nn
class AudioClassifier(nn.Module):
def __init__(self, n_classes=10):
super().__init__()
self.mel = torchaudio.transforms.MelSpectrogram(
sample_rate=16000, n_fft=1024, n_mels=64
)
self.db = torchaudio.transforms.AmplitudeToDB()
# 把 Mel 频谱图当作「图像」输入 CNN!
self.cnn = nn.Sequential(
nn.Conv2d(1, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(),
nn.AdaptiveAvgPool2d((1, 1)),
)
self.fc = nn.Linear(128, n_classes)
def forward(self, waveform):
# [B, 1, samples] → [B, 1, n_mels, time]
x = self.mel(waveform)
x = self.db(x)
x = self.cnn(x)
x = x.view(x.size(0), -1)
return self.fc(x)
# Mel 频谱图 = 音频的「图像」
# → 可以用 CNN(ResNet, EfficientNet)分类!
实时流式处理
from torchaudio.io import StreamReader
# 麦克风输入实时处理
reader = StreamReader(src=":0", format="avfoundation") # macOS
reader.add_basic_audio_stream(
frames_per_chunk=16000, # 以 1 秒为单位
sample_rate=16000,
)
for (chunk,) in reader.stream():
# chunk: [1, 16000]
mel = mel_transform(chunk)
with torch.no_grad():
prediction = model(mel)
print(f"检测结果: {labels[prediction.argmax()]}")
📝 小测验 — torchaudio (点击查看!)
Q1. 为什么需要 Mel 尺度? ||人耳对低频敏感、对高频迟钝。Mel 尺度正是反映这一点 — 低频分析得精细,高频归并得粗略。把人类听觉特性引入了深度学习模型。||
Q2. 增大 n_fft 会提升哪种分辨率、降低哪种分辨率? ||n_fft ↑ → 频率分辨率 ↑ (频率区分更精细),时间分辨率 ↓ (更难捕捉时间上的变化)。这是一种与不确定性原理类似的权衡。||
Q3. SpecAugment 的两种掩码分别是什么? ||Time Masking: 在时间轴上把连续帧掩为 0。Frequency Masking: 在频率轴上把连续通道掩为 0。作为数据增强(augmentation),能大幅提升语音识别准确率。||
Q4. MFCC 与 Mel Spectrogram 的区别,以及各自的用途是什么? ||MFCC: 对 Mel Spectrogram 施加 DCT 提取出的系数 (13~40 维)。用于传统语音识别、说话人识别。Mel Spectrogram: 频率-时间的 2D 表示,直接输入深度学习模型 (最新趋势)。||
Q5. Forced Alignment 的应用场景有哪些? ||语音与文本的时间对齐。字幕生成 (精确的时间点)、歌词同步 (卡拉OK)、发音评估 (语言学习应用)。||
Q6. 在 Wav2Vec 2.0 的 CTC 解码中,blank token 起什么作用? ||区分连续相同的 token,并表示没有任何输出的时间区间。在 Greedy 解码中,去除 blank(index 0)与连续重复项,从而生成最终文本。||
Q7. 为什么可以把 Mel Spectrogram 输入 CNN? ||Mel Spectrogram 具有和 2D 图像相同的结构 (频率轴 × 时间轴)。把它当作单通道灰度图像处理,就能直接复用 ResNet、EfficientNet 等图像分类模型。||
相关系列与推荐文章
- torchvision 完全指南 — 图像 AI (姐妹篇)
- AI 数学完全指南 — 傅里叶变换、概率 (理解音频的必备知识)
- 打造属于你的 GPT — Wav2Vec2 背后的 Transformer 基础
GitHub
- torchaudio 官方
- Whisper — OpenAI 语音识别
- ESPnet — 综合语音处理工具包