我了解到自相关的信息...
能否举一个例子来说明我如何使用它呢？
或者提供链接、甚至来自其他脚本语言的示例脚本以便于我理解？
问候
initcode
听起来你已经知道如何获取FFT频谱了，对吗？
但是如果您正在寻找基本频率（绿点），您不能仅使用最高峰。它不一定是基音。在我的例子中，实际的基音频率是100 Hz，但最高峰是300 Hz。
有许多不同的方法可以找到真正的基音频率，每种方法在不同的情况下都更有效。comp.dsp上的一个主题提到了“FFT、倒谱、自/互相关、AMDF/ASDF”。
举个简单的例子，每个红点与其相邻点相差100 Hz，因此如果您使用峰值查找算法，然后平均每个谐波与下一个之间的距离，就会找到基音频率，但如果错过任何峰值或包括额外的峰值，或者信号对称且仅包含奇次谐波（1f、3f、5f），则会失败。您需要找到模式，然后丢弃异常值并进行平均。这可能是一种容易出错的方法。
你还可以对原始波形进行自相关处理。从概念上讲，这意味着将波形的副本滑过它本身，并找到最能与自身对齐的延迟（这将是一个完整的周期）。在正常实现中，我们使用FFT来加速处理。自相关基本上是其中*表示复共轭或时间反转。 例如，在Python中：
correlation = fftconvolve(sig, sig[::-1], mode='full')
而 fftconvolve() 的源代码相对简单：https://github.com/scipy/scipy/blob/master/scipy/signal/signaltools.py#L133
您可以使用谐波产品谱方法来估计频率谱（FFT结果）中泛音峰之间的距离（频率差异），即使一些峰值缺失，只要没有太多杂波频率峰（噪声）。
要进行谐波产品谱分析，请将FFT打印在半透明纸上并将其卷成圆柱形（或在软件中进行等效操作）。将圆柱体越来越紧地包裹，直到最大数量的峰重叠。周长将是音高的良好估计值。这适用于任何具有许多谐波的音乐声音，即使基本音高频率峰缺失或较弱。
Sound.extract() 的结果可以传递给 SampleDataEvent.data
你想做什么？
我以前没有使用过computeSpectrum()，但我的职业生涯的前半段是一名DSP工程师。
如果它能够实现文档中所说的功能，那么你就不需要自相关结果。
在你的字节数组中，索引表示频率二进制数，索引值表示该特定频率的幅度。
如果你的意思是通过音高检测找到最强的频率，那么你需要循环遍历字节数组，并为每个索引计算sqrt(left*left+right*right)。找到这些值中的最大值。最大值的索引代表最强的频率。
假设fs=44.1kHz，i是你的索引，那么最强的频率是
f = (i/255) * (44100 / 2);
请记住，你的频率分辨率受到二进制间隔的限制。如果你需要更高的分辨率，你需要对数据进行插值。