AudioSpectrogram

সময়ের সাথে সাথে অডিও ডেটার একটি ভিজ্যুয়ালাইজেশন তৈরি করে।

স্পেকট্রোগ্রাম হল অডিও তথ্য উপস্থাপনের একটি প্রমিত উপায় যেটি ফ্রিকোয়েন্সি তথ্যের স্লাইসগুলির একটি সিরিজ হিসাবে, সময়ের প্রতিটি উইন্ডোর জন্য একটি স্লাইস। এগুলিকে একটি ক্রম হিসাবে একত্রিত করে, তারা সময়ের সাথে সাথে শব্দের একটি স্বতন্ত্র আঙ্গুলের ছাপ তৈরি করে।

এই অপটি একটি ইনপুট হিসাবে অডিও ডেটা পাওয়ার আশা করে, যা -1 থেকে 1 রেঞ্জে ফ্লোট হিসাবে সংরক্ষিত, নমুনাগুলিতে একটি উইন্ডোর প্রস্থ সহ, এবং স্লাইসের মধ্যে উইন্ডোটিকে কতদূর সরাতে হবে তা নির্দিষ্ট করে। এটি থেকে এটি একটি ত্রিমাত্রিক আউটপুট তৈরি করে। প্রথম মাত্রাটি ইনপুটের চ্যানেলগুলির জন্য, তাই একটি স্টেরিও অডিও ইনপুট এখানে দুটি উদাহরণ স্বরূপ। দ্বিতীয় মাত্রা হল সময়, ধারাবাহিক ফ্রিকোয়েন্সি স্লাইস সহ। সেই সময় স্লাইস চলাকালীন প্রতিটি ফ্রিকোয়েন্সির জন্য তৃতীয় মাত্রার একটি প্রশস্ততা মান রয়েছে।

এর অর্থ হল লেআউটটি যখন রূপান্তরিত এবং একটি চিত্র হিসাবে সংরক্ষণ করা হয় তখন একটি সাধারণ বর্ণালীগ্রাম থেকে ঘড়ির কাঁটার দিকে 90 ডিগ্রি ঘোরানো হয়। সময় Y অক্ষের নিচে নামছে এবং ফ্রিকোয়েন্সি বাম থেকে ডানে কমছে।

ফলাফলের প্রতিটি মান নমুনার বর্তমান উইন্ডোতে একটি FFT এর বাস্তব এবং কাল্পনিক অংশের যোগফলের বর্গমূলকে উপস্থাপন করে। এইভাবে, সর্বনিম্ন মাত্রা বর্তমান উইন্ডোতে প্রতিটি কম্পাঙ্কের শক্তিকে প্রতিনিধিত্ব করে, এবং পার্শ্ববর্তী উইন্ডোগুলি পরবর্তী মাত্রায় সংযুক্ত করা হয়।

এই অপারেশনটি কী করে তা আরও স্বজ্ঞাত এবং চাক্ষুষ রূপ পেতে, আপনি একটি অডিও ফাইলে পড়ার জন্য tensorflow/examples/wav_to_spectrogram চালাতে পারেন এবং ফলস্বরূপ স্পেকট্রোগ্রামটিকে একটি PNG চিত্র হিসাবে সংরক্ষণ করতে পারেন।