معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A Conv-STFT/iSTFT implement based on Torch

ویژگی	مقدار
سیستم عامل	-
نام فایل	conv-stft-0.2.0
نام	conv-stft
نسخه کتابخانه	0.2.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Shimin Zhang
ایمیل نویسنده	shmzhang@npu-aslp.org
آدرس صفحه اصلی	https://github.com/echocatzh/conv-stft
آدرس اینترنتی	https://pypi.org/project/conv-stft/
مجوز	MIT

# Conv-STFT/iSTFT in PyTorch Author: Shimin Zhang The code refers to the following repo: 1. [remove modulation effects](https://github.com/pseeth/torch-stft) 2. [enframe and conv-overlap-add](https://github.com/huyanxin/phasen/blob/master/model/conv_stft.py) An STFT/iSTFT written up in PyTorch(py3) using 1D Convolutions. There are two window logic, `break` and `continue`. - `break` - a kaldi-like framing method When the parameters `win_len` and `fft_len` are different, padding `fft_len`-`win_len` zero points after each frame( len(frame) = `win_len` ), and the window ( len(window) = `win_len` ) always wise-multiply with frame before padding. - `continue` - a librosa-like framing method. When the parameters `win_len` and `fft_len` are different, framing the signal using `win_len`=`fft_len`, and zero padding on both sides of window ( len(window) = `win_len` ), which is `len(center_pad(window))=fft_len` ## Installation Install easily with pip:`pip install conv_stft` or download this repo, `python setup.py install`. ## Usage ```python3 import torch from conv_stft import STFT import numpy as np import librosa import matplotlib.pyplot as plt audio = librosa.load(librosa.util.example_audio_file(), duration=10.0, offset=30)[0] device = 'cpu' fft_len = 1024 win_hop = 256 win_len = 1024 window = 'hann' audio = torch.FloatTensor(audio) audio = audio.unsqueeze(0) audio = audio.to(device) stft = STFT( fft_len=fft_len, win_hop=win_hop, win_len=win_len, win_type=window, ).to(device) magnitude, phase = stft.transform(audio, return_type='magphase') # 'magphase' or 'realimag' output = stft.inverse(magnitude, phase, input_type='magphase') # 'magphase' or 'realimag' output = output.cpu().data.numpy()[..., :] audio = audio.cpu().data.numpy()[..., :] print(np.mean((output - audio) ** 2)) # on order of 1e-15 ``` Output of [`compare_stft.py`](compare_stft.py): ![images/stft.png](images/stft.png) ## Tests Test it by just cloning this repo and running ``` pip install -r requirements.txt python -m pytest . ```

نحوه نصب

نصب پکیج whl conv-stft-0.2.0:

pip install conv-stft-0.2.0.whl

نصب پکیج tar.gz conv-stft-0.2.0:

pip install conv-stft-0.2.0.tar.gz