我一直在试验 FFT 算法。我使用 NAudio 以及来自互联网的 FFT 算法的工作代码。根据我对表演的观察，得到的音高是不准确的。
发生的情况是我有一个 MIDI（从 GuitarPro 生成）转换为 WAV 文件（44.1khz，16 位，单声道），其中包含从 E2（最低吉他音符）到大约 E6 的音高进程。较低的音符（E2-B3 附近）的结果通常是非常错误的。但是达到 C4 它在某种程度上是正确的，因为您已经可以看到正确的进程（下一个音符是 C#4，然后是 D4 等）但是，问题在于检测到的音高比实际音高低半音（例如 C4 应该是音符，但显示 D#4）。
你认为可能有什么问题？如有必要，我可以发布代码。非常感谢！我还是开始掌握DSP领域。
编辑：这是我在做什么的一个粗略的划痕
byte[] buffer = new byte[8192];
int bytesRead;
do
{
bytesRead = stream16.Read(buffer, 0, buffer.Length);
} while (bytesRead != 0);
然后：（waveBuffer 只是一个将 byte[] 转换为 float[] 的类，因为该函数只接受 float[]）
public int Read(byte[] buffer, int offset, int bytesRead)
{
int frames = bytesRead / sizeof(float);
float pitch = DetectPitch(waveBuffer.FloatBuffer, frames);
}
最后：（Smbpitchfft 是具有 FFT 算法的类......我相信它没有任何问题，所以我不在这里发布）
private float DetectPitch(float[] buffer, int inFrames)
{
Func<int, int, float> window = HammingWindow;
if (prevBuffer == null)
{
prevBuffer = new float[inFrames]; //only contains zeroes
}
// double frames since we are combining present and previous buffers
int frames = inFrames * 2;
if (fftBuffer == null)
{
fftBuffer = new float[frames * 2]; // times 2 because it is complex input
}
for (int n = 0; n < frames; n++)
{
if (n < inFrames)
{
fftBuffer[n * 2] = prevBuffer[n] * window(n, frames);
fftBuffer[n * 2 + 1] = 0; // need to clear out as fft modifies buffer
}
else
{
fftBuffer[n * 2] = buffer[n - inFrames] * window(n, frames);
fftBuffer[n * 2 + 1] = 0; // need to clear out as fft modifies buffer
}
}
SmbPitchShift.smbFft(fftBuffer, frames, -1);
}
并解释结果：
float binSize = sampleRate / frames;
int minBin = (int)(82.407 / binSize); //lowest E string on the guitar
int maxBin = (int)(1244.508 / binSize); //highest E string on the guitar
float maxIntensity = 0f;
int maxBinIndex = 0;
for (int bin = minBin; bin <= maxBin; bin++)
{
float real = fftBuffer[bin * 2];
float imaginary = fftBuffer[bin * 2 + 1];
float intensity = real * real + imaginary * imaginary;
if (intensity > maxIntensity)
{
maxIntensity = intensity;
maxBinIndex = bin;
}
}
return binSize * maxBinIndex;
更新（如果有人仍然感兴趣）：
因此，以下答案之一表明来自 FFT 的频率峰值并不总是等于音高。我明白那个。但如果是这种情况，我想为自己尝试一些东西（假设有时频率峰值是产生的音高）。所以基本上，我得到了 2 个能够显示音频信号频域的软件（DewResearch 的 SpectraPLUS 和 FFProperties；归功于他们）。
所以这里是时域中频率峰值的结果：
SpectraPLUS
和 FFT 属性：
这是使用 A2 的测试笔记（大约 110Hz）完成的。查看图像时，SpectraPLUS 的频率峰值在 102-112 Hz 范围内，FFT 属性的频率峰值在 108 Hz 范围内。在我的代码中，我得到 104Hz（我使用 8192 个块和 44.1khz 的采样率......然后将 8192 加倍以使其成为复杂输入，所以最后，与 SpectraPLUS 的 10Hz binsize 相比，我得到大约 5Hz 的 binsize ）。
所以现在我有点困惑，因为在软件上它们似乎返回了正确的结果，但在我的代码上，我总是得到 104Hz（请注意，我已经将我使用的 FFT 函数与 Math.Net 等其他函数进行了比较，它似乎是正确的）。
你认为问题可能出在我对数据的解释上吗？或者软件在显示频谱之前会做其他事情吗？谢谢！
