# \#spectrogram
**URL:** https://discuss.pytorch.kr/tag/spectrogram/1927.md
[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)
---
## [melspectrogram 생성 시 fft 대신 dct를 사용하여 음성처리](https://discuss.pytorch.kr/t/melspectrogram-fft-dct/3831)
**Author:** [@ojun.kwon](https://discuss.pytorch.kr/u/ojun.kwon)\
**댓글:** 5\
**마지막 업데이트:** [3월 27, 2024, 2:15오전 UTC](https://discuss.pytorch.kr/t/melspectrogram-fft-dct/3831 "2024-03-27T02:15:20Z")
torchaudio.transforms.MelSpectrogram 으로 멜 스펙트로그램 생성시 STFT과정에서 FFT를 사용함 이러한 STFT를 Short-Time Discrete Cosine Transform, 즉 DCT를 사용한 변환으로 바꾸어 스펙트로그램을 생성하고 멜스케일을 적용하여 멜 스펙트로 그램을 생성하도록 수정하고자함 (DCT는 실수 연산으로 복소연산보다 1/2배의 연산량 이점이 있음) 아래 코드는 STFT에 FFT 대신 DCT를 사용한 Spectrogram 생성 코드임 import librosa import scipy import numpy as np def sdct(signal, frame\_length, frame\_step, window="hamming"): """Compute Short-Time Discrete Cosine Transform of \`signal\`. No padding is applied to the signals. Parameters ---------- signal : Time-domain input signal of shape \`(n\_samples,)\`. frame\_length : Window length and DCT frame length in samples. frame\_step : Number of samples between adjacent DCT columns. window : Window specification passed to \`\`librosa.filters.get\_window\`\`. Default: "hamming". Window to use for DCT. Returns ------- dct : Real-valued F-T domain DCT matrix of shape \`(frame\_length, n\_frames)\` """ framed = librosa.util.frame(x=sig…
---
## [\[2023/10/23 ~ 10/29\] 이번 주의 주요 ML 논문 (Top ML Papers of the Week)](https://discuss.pytorch.kr/t/2023-10-23-10-29-ml-top-ml-papers-of-the-week/2753)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [10월 30, 2023, 12:24오전 UTC](https://discuss.pytorch.kr/t/2023-10-23-10-29-ml-top-ml-papers-of-the-week/2753 "2023-10-30T00:24:33Z")
이 글은 GPT 모델로 자동 요약한 설명으로, 잘못된 내용이 있을 수 있으니 원문을 참고해주세요! :smile: 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다! :bowing\_man: 소개 이번 주에 제공된 논문들을 보면 크게 두 가지 주제, '대규모 언어 모델(Large Language Model, 이하 LLM)'과 '딥러닝 모델에 대한 비교 및 응용(예: ConvNets과 Vision Transformers의 비교)'가 주를 이루는 것을 알 수 있습니다. 이 부분에서 보여지는 트렌드는 언어 모델에 대한 깊은 연구 및 고차원 딥러닝 모델의 성능 비교와 활용입니다. 'Zephyr LLM', 'Fact-checking with LLMs', 'LLMs Meet New Knowledge', 'Detecting Pretraining Data from LLLMs', 'Branch-Solve-Merge Reasoning in LLMs' 등의 논문들은 LLMs에 주목하고 이를 다양한 방식으로 활용하여 모델의 성능을 향상시키거나 새로운 지식을 도출하는 연구가 활발하게 진행되고 있다는 것을 시사하고 있습니다. 또한, 'Matryoshka Diffusion Models', 'Spectron', 'ConvNets Match Vision Transformers', 'CommonCanvas', 'Managing AI Risks - a' 등의 논문들은 각기 다른 딥러닝 모델들에 대한 성능 비교 및 응용 방안을 제시하고 있습니다. 특히, 'ConvNets Match Vision Transformers'에서는 Vision Transformers와 ConvNets라는 두 가지 다른 종류의 딥러닝 모델의 성능을 비교 분석하고 있음을 볼 수 있습니다. 이러한 연구는 딥러닝 모델 간의 성능 차이를 이해하는 데 도움이 되며, 필요에 따라 적절한 모델을 선택할 수 있는 기준을 제공한다고 볼 수 있습니다. 따라서 주요 트렌드는 언어 모델의 깊은 연구와 딥…