torch.istft

torch.istft(input, n_fft, hop_length=None, win_length=None, window=None, center=True, normalized=False, onesided=None, length=None, return_complex=False) → Tensor:

逆短时傅里叶变换。这应该是 stft() 的逆变换。

警告

从版本 2.1 开始，如果未指定 window ，将提供警告。在未来版本中，此属性将是必需的。请提供与 stft 调用中使用的相同窗口。

它具有相同的参数（+可选参数 length ）并且应该返回原始信号的平方最小估计。算法将使用 NOLA 条件（非零重叠）进行检查。

在参数 window 和 center 中需要考虑的重要因素，以确保所有窗口求和创建的包络在任何时间点都不会为零。具体来说， $\sum_{t=-\infty}^{\infty} |w|^2[n-t\times hop\_length] \cancel{=} 0$ 。

由于 stft() 会丢弃信号末尾不适应帧的元素，因此 istft 可能返回比原始信号更短的信号（如果 center 为 False，则可能发生，因为信号没有填充）。如果长度在参数中给出且比预期更长， istft 将在返回信号的末尾填充零。

如果 center 是 True ，则会有填充，例如 'constant' 、 'reflect' 等。左填充可以被精确地移除，因为它们可以被计算出来，但右填充没有额外的信息是无法计算的。

例如：假设最后一个窗口是： [17, 18, 0, 0, 0] vs [18, 0, 0, 0, 0]

n_fft 、 hop_length 、 win_length 都相同，这阻止了右填充的计算。这些额外的值可以是零或者信号的反射，因此提供 length 可能是有用的。如果 length 是 None ，则填充将被积极移除（信号会有一些损失）。

[1] D. W. Griffin 和 J. S. Lim，"从修改后的短时傅里叶变换估计信号"，IEEE Trans. ASSP，第 32 卷，第 2 期，第 236-243 页，1984 年 4 月。

参数:

• 输入（张量） –

  输入张量。预期格式为 stft() ，输出。即形状为 (B?, N, T) 的复杂张量，

  • B? 是可选的批次维度

  • N 是频率样本数，对于单边输入为 n_fft // 2 + 1，否则为 n_fft。

  • T 是帧数，对于中心化 STFT，为 1 + length // hop_length，否则为 1 + (length - n_fft) // hop_length。

  版本 2.0 变更：不再支持实数数据类型输入。输入必须现在为复数数据类型，如 stft(..., return_complex=True) 返回的。

• n_fft（整数）- 傅里叶变换的大小

• hop_length（可选整数）- 相邻滑动窗口帧之间的距离。（默认： n_fft // 4 ）

• win_length（可选[int]）- 窗口帧大小和 STFT 滤波器的大小。（默认： n_fft ）

• window（可选[torch.Tensor]）- 可选的窗口函数。形状必须是一维且小于等于 n_fft。（默认： torch.ones(win_length) ）

• center（bool）- 是否在两侧填充 input ，使得第 $t$ 帧在时间 $t \times \text{hop\_length}$ 处居中。（默认： True ）

• normalized（bool）- STFT 是否进行了归一化。（默认： False ）

• 单边（可选[bool]）- STFT 是否为单边。默认值： True 如果 n_fft 不等于输入大小中的 fft_size

• 长度（可选[int]）- 剪切信号的数量（即原始信号长度）。对于中心 STFT，默认为(T - 1) * hop_length，否则为 n_fft + (T - 1) * hop_length，其中 T 为输入帧数

• return_complex（可选[bool]）- 输出是否应为复数，或者假设输入来自实信号和窗函数。注意，这与 onesided=True 不兼容。默认值： False

返回值:

对形状为(B?, length)的原始信号进行最小二乘估计

输入张量中可选的批量维度。

返回类型:

张量