15

我正在使用这个算法来检测 这个音频文件的音高。正如你所听到的，这是用吉他演奏的 E2 音符，背景中有一点噪音。

我使用 STFT 生成了这个频谱图：频谱图

我正在使用上面链接的算法，如下所示：

y, sr = librosa.load(filename, sr=40000)
pitches, magnitudes = librosa.core.piptrack(y=y, sr=sr, fmin=75, fmax=1600)

np.set_printoptions(threshold=np.nan)
print pitches[np.nonzero(pitches)]

结果，我几乎得到了我fmin和之间所有可能的频率fmax。我与该piptrack方法的输出有什么关系来发现时间框架的基频？

更新

不过，我仍然不确定那些二维数组代表什么。假设我想知道第 5 帧中 82Hz 的强度有多大。我可以使用 STFT 函数来做到这一点，该函数只返回一个 2D 矩阵（用于绘制频谱图）。

但是，piptrack做了一些其他可能有用的事情，我真的不明白是什么。pitches[f, t] contains instantaneous frequency at bin f, time t. 这是否意味着，如果我想在时间帧 t 找到最大频率，我必须：

  1. 转到magnitudes[][t]数组，找到最大量级的 bin。
  2. 将 bin 分配给一个变量f。
  3. Findpitches[b][t]找到属于该 bin 的频率？
4

2 回答 2

11

音高检测是一个棘手的话题，通常是违反直觉的。对于这个特定功能的源代码记录方式，我并不疯狂——开发人员似乎将“谐波”与“音高”混淆了。

当一个音符（“音高”）是在吉他或钢琴上制作的，我们听到的不仅仅是声音振动的一个频率，而是发生在不同数学相关频率上的多个声音振动的组合，称为谐波。典型的音调跟踪技术包括在 FFT 的结果中搜索与预期的谐波频率相对应的某些 bin 中的幅度。例如，如果我们按下钢琴上的中间 C 键，复合谐波的各个频率将从 261.6 Hz 作为基频开始，523 Hz 将是 2 次谐波，785 Hz 将是 3 次谐波，1046 Hz 将是 4 次谐波，等等。后面的谐波是基频 261.6 Hz 的整数倍（例如：2 x 261.6 = 523、3 x 261.6 = 785、4 x 261.6 = 1046）。然而，谐波所在的频率是对数间隔的，但 FFT 使用线性间隔。通常，FFT 的垂直间距在较低频率下没有得到足够的解析。

出于这个原因，当我编写一个音高检测应用程序（PitchScope Player）时，我选择创建一个对数间隔的 DFT，而不是 FFT，这样我就可以专注于音乐感兴趣的精确频率（参见我的自定义 DFT 的附图从 3 秒的吉他独奏开始）。如果您对音高检测很认真，您应该考虑对主题进行更多阅读，查看其他示例代码（我的代码如下链接），并考虑编写自己的函数来测量频率。

https://en.wikipedia.org/wiki/Transcription_(music)#Pitch_detection

https://github.com/CreativeDetectors/PitchScope_Player

在此处输入图像描述

于 2017-05-11T19:55:48.847 回答
7

事实证明，在某个帧选择音高的方法t很简单：

def detect_pitch(y, sr, t):
  index = magnitudes[:, t].argmax()
  pitch = pitches[index, t]

  return pitch

首先通过查看magnitudes阵列获得最强频率的 bin，然后在 处找到音高pitches[index, t]。

于 2017-05-16T19:14:45.593 回答