这是我运行的代码:
import tensorflow as tf
sess = tf.InteractiveSession()
filename = 'song.mp3' # 30 second mp3 file
SAMPLES_PER_SEC = 44100
audio_binary = tf.read_file(filename)
pcm = tf.contrib.ffmpeg.decode_audio(audio_binary, file_format='mp3', samples_per_second=SAMPLES_PER_SEC, channel_count = 1)
stft = tf.contrib.signal.stft(pcm, frame_length=1024, frame_step=512, fft_length=1024)
sess.close()
正确解码了mp3文件，因为
print(pcm.eval().shape)返回:(1323119, 1)
当我使用
print(pcm.eval()[1000:1010])打印它们时，甚至还有一些实际的非零值:[[ 0.18793298]
[ 0.16214484]
[ 0.16022217]
[ 0.15918455]
[ 0.16428113]
[ 0.19858395]
[ 0.22861415]
[ 0.2347789 ]
[ 0.22684409]
[ 0.20728172]]
但是由于某种原因，
print(stft.eval().shape)评估为:(1323119, 0, 513) # why the zero dimension?
因此
print(stft.eval())是:[]
根据this，
tf.contrib.signal.stft输出的第二维等于帧数。为什么为什么没有框架？ 最佳答案
看来tf.contrib.ffmpeg.decode_audio返回的形状张量(?, 1)是?样本的一个信号。
但是tf.contrib.signal.stft希望将(signal_count, samples)张量作为输入，因此必须预先转置它。
像这样修改 call 就可以了:
stft = tf.contrib.signal.stft(tf.transpose(pcm), frame_length=1024, frame_step=512, fft_length=1024)