torchaudio.transforms.MelSpectrogram 默认输出功率谱（power=2.0），需配合AmplitudeToDB转为分贝；输入须为float型二维张量，采样率不匹配时需重采样；变长音频需自定义collate_fn以-80 dB填充；ONNX导出推荐torch.jit.script并确保参数为常量。
用 torchaudio.transforms.MelSpectrogram 提取梅尔谱，但默认输出是功率谱
PyTorch 自带的 torchaudio 提供了开箱即用的梅尔频谱提取能力，但新手常误以为输出就是“标准梅尔频谱图”——其实 MelSpectrogram 默认返回的是**功率谱（power spectrogram）**，单位是线性幅度平方，不是对数尺度。直接送入模型可能收敛慢或效果差。
实操建议：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 显式设置
power=1.0（保持线性）或power=2.0（功率谱），再手动用torchaudio.transforms.AmplitudeToDB转为分贝：mel_spec = torchaudio.transforms.MelSpectrogram( sample_rate=16000, n_fft=400, hop_length=160, n_mels=64, power=2.0 # ← 这是默认值，但建议写明 ) to_db = torchaudio.transforms.AmplitudeToDB() spec_db = to_db(mel_spec(waveform)) # shape: (1, 64, T) - 注意输入
waveform必须是 float 类型且 shape 为(channel, time)；单声道需保证是(1, T)，不是(T,)，否则报错Expected 2D/3D input, but got 1D - 若音频采样率不匹配（如原始是 44.1kHz），务必先重采样：
torchaudio.transforms.Resample(orig_freq=44100, new_freq=16000)
处理变长音频时，pad_sequence 和 collate_fn 配合使用才不会出错
训练时一批音频长度不同，MelSpectrogram 输出的帧数（即时间维度）也不同，直接堆叠会触发 RuntimeError: stack expects each tensor to be equal size。
不能只靠 torch.nn.utils.rnn.pad_sequence 简单填充——它只支持 2D+ 张量，而梅尔谱是 3D（batch, mel, time），且 padding 值应为 -80 dB（对应能量接近 0 的静音区），而非默认 0。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 在自定义
Dataset.__getitem__中统一返回(mel_spec, label)，其中mel_spec是(n_mels, T)形状 - 写专用
collate_fn，用pad_sequence(..., batch_first=True)处理T维，并指定padding_value=-80.0（因AmplitudeToDB默认范围约 -80~0 dB） - 避免在
Dataset内做全局归一化（如减均值除标准差），应在collate_fn后对整个 batch 批量处理，否则单样本统计不准
导出 ONNX 或部署到 LibTorch 时，MelSpectrogram 的动态 shape 支持有限
torchaudio.transforms.MelSpectrogram 在 tracing 模式下（如 torch.jit.trace）会把输入长度当作固定 shape，导致 ONNX 导出后无法接受任意长度音频；若用 scripting，则部分参数（如 n_fft）必须是常量，不能是变量。
实操建议：
- 导出前，用
torch.jit.script替代trace，并确保所有 transform 参数都是 Python 常量（不能来自 config dict 或 args） - 若需真正动态长度，可将 STFT + Mel filterbank 拆成两步：先用
torch.stft得到复数谱，再用torchaudio.functional.melscale_fbanks构建 filterbank 并手动 matmul —— 这两步都支持 tracing - LibTorch C++ 加载时，注意
torchaudio的 ops 不在 libtorch 默认链接范围内，需额外编译或改用纯 torch 实现的梅尔转换
用 torchaudio.datasets 加载数据时，别忽略 sample_rate 和 normalize 的隐式行为
比如加载 SpeechCommands 数据集，默认返回 waveform 是 int16 格式、未归一化，且采样率固定为 16000Hz；但 LibriSpeech 返回的是 float32、已归一化到 [-1, 1] 区间，采样率却是 16000Hz 或 24000Hz（取决于子集）。
实操建议：
- 永远检查
dataset[0][0].dtype和dataset[0][0].max()，不要假设 waveform 是 float 或已归一化 - 对 int16 数据，用
waveform.to(torch.float32) / 32768归一化（不是除 32767） - 用
torchaudio.load(path, normalize=False)手动控制加载行为，比依赖 dataset 内部逻辑更可控
实际项目里最常被跳过的一步是：在送入模型前对梅尔谱做 per-batch 的均值方差归一化（不是 per-sample）。这个操作看似微小，但会影响模型收敛速度和最终准确率，尤其当训练集和测试集声学环境差异大时。
