tensorflow - 在使用 crepe 模型的 ml5 音高检测中，如何检测 ±2kHz 以上的音高

Question

我成功使用了 ml5 的音高检测功能：

问题：

没有检测到高于 ±2000Hz 的音高。我尝试了多种设备并检查了声音在声波图中是否可见，因此这似乎不是麦克风问题。

我认为这可能是库进行采样率限制/重新采样的结果，因为奈奎斯特频率（最大“可记录”频率）是采样率的一半。

我在本地托管 ml5 源并尝试修改PitchDetection 类

在那里，我看到出于性能原因，采样率似乎被重新采样到 1024Hz。这听起来不对，好像我没记错一样，这只允许检测高达 512hz 的频率。我肯定错过了一些东西（或很多）。

我尝试摆弄费率，但将其增加到 2048 会导致错误： Error when checking : expected crepe_input to have shape [null,1024] but got array with shape [1,2048].

ml5 PitchDetection 类中是否有一些东西我可以修改、配置（可能是不同的模型）以使用 crepe 模型检测高于 2000Hz 的频率？

score 0 · Accepted Answer

经过更多调查，CREPE 模型本身支持高达 ~1997Hz（见代码）或 1975.5 Hz（见论文）

状态：

360 个音高值表示为 c1、c2...，选择 360 以便它们覆盖六个八度音阶，C1 和 B7 之间的间隔为 20 音分，对应于 32.70 Hz 和 1975.5 Hz

JS 实现有这个映射，它将 360 个间隔映射到 0 - 1997Hz 范围：

const cent_mapping = tf.add(tf.linspace(0, 7180, 360), tf.tensor(1997.3794084376191))

这意味着，如果没有重新训练模型，我现在可能不走运。

编辑：

经过一夜好眠后，我找到了一个适用于我的简单应用程序的简单解决方案。

从本质上讲，它是对我的音频缓冲区进行重新采样，使其音高降低 2 倍。CREPE 将 440Hz 的音高检测为 220Hz，我只需将其乘以 2。

对于我的实时、嘈杂的应用程序，结果仍然比 YIN 算法更一致。