FFT算法：输入/输出是什么？（关于实时音高检测）

Question

我正在尝试从音频流中提取音高数据。从我所看到的，FFT算法似乎是最好的选择。

不要直接深入数学，有人能帮我理解一下这个FFT算法吗？

请不要说像“FFT从原始信号中提取频率数据”这样显而易见的话。我需要更详细的内容。

我需要传入什么，我会得到什么？

一旦我清楚地了解了接口，这将帮助我理解实现。

我需要传入一个音频缓冲区，告诉它每次计算使用多少字节（例如，该缓冲区最近的1024个字节）。也许我需要指定我想要检测的音高范围。现在它会返回什么？一组频率箱？这些是什么？

（编辑：）我找到了一个可以使用的C++算法（如果我只能理解它）

Performous从麦克风中提取音高。此外，代码是开源的。以下是编写代码的人对算法的描述。

• PCM输入（带缓冲）
• FFT（每次1024个样本，之后从缓冲区的前面删除200个样本）
• 重新分配方法（针对之前200个样本的FFT）
• 峰值过滤（这部分可以做得更好，甚至可以省略）
• 将峰值组合成一组谐波（我们称之为组合音）
• 时间滤波器（更新之前检测到的音调集合，而不仅仅使用新检测到的音调）
• 选择最佳声乐音调（频率限制，加权，也可以使用谐波数组，但我认为我们没有这样做）

但是有人能帮我理解这是如何工作的吗？从FFT到重新分配方法发送了什么？

- P i

---

大量重复，例如使用FFT进行实时音高检测。 - Paul R

请注意，音高(pitch)和频率(frequency)并不是同一回事-确保您理解差异，因为如果您想测量其中之一，您的解决方案将会非常不同。 - Paul R

Answer 1

FFT只是整个过程中的一个构建模块，对于音高检测来说，可能不是最佳方法。请先阅读有关音高检测的资料，并决定首选算法（这将取决于您要测量的具体内容-语音、单个乐器、其他类型的声音等）。在深入到FFT等低级细节之前，请确保正确选择算法（某些但不是所有音高检测算法在内部使用FFT）。在SO上已经有很多类似的问题，例如使用FFT进行实时音高检测和使用FFT进行小号音高检测，还有很好的维基百科概述材料等-阅读这些内容，然后决定是否仍要自己编写基于FFT的解决方案，或者使用适用于您特定应用程序的现有库。

- Paul R

Answer 2

这里有一个选择的因素。最简单的实现方法是对(2^n个)复数进行操作，输入2^n个复数，输出2^n个复数，您可以从此开始。

在离散余弦变换(DCT)的特殊情况下，通常输入2^n个样本(通常为浮点数)，输出2^n个值，也通常是浮点数。DCT是一种FFT，但它仅考虑实数值，并通过余弦函数分析函数。

定义一个结构以处理复数值是明智的(但通常被省略)。传统上，FFT是就地完成的，但如果不进行就地处理，也能正常工作。

实例化一个包含FFT工作缓冲区的类可能是有用的(如果您不想进行就地FFT)，并且可以将其重复用于多个FFT。

- user180326

---

但是，DFT/FFT输出的这些值是什么？ - P i

Answer 3

输入 N 个 PCM 样本（完全的实数复数），输出 N 个频域条带（每个频域条带对应于样本率的1/N切片）。每个条带都是一个复数。这些值通常应以极坐标格式（绝对值和参数）处理，而不是实部和虚部。绝对值告诉我们中心频率附近的声音强度，而参数则告诉我们相位（正弦波在哪个位置行进）。

大多数情况下，编写者只使用幅度（绝对值）并丢弃相位角（参数）。

- Tronic