从潜在谐波中确定基频的算法

Question

我试图从声源中提取基音频率。也许有人在麦克风中唱A3，所以我想检测到大约110Hz的频率。

我的方法是：

• FFT 1024 浮点数
• 使用每个bin的相位来准确确定其精确的频率
• 确定峰值（通常为50个左右）
• 按最响亮的顺序排列

(Peak[0].power=1063.343750, .freq=2032.715088
(Peak[1].power=1047.764893, .freq=3070.605225
(Peak[2].power=1014.986877, .freq=5925.878418
(Peak[3].power=1011.707825, .freq=6963.769043
(Peak[4].power=1009.152954, .freq=4022.363037
(Peak[5].power=995.199585, .freq=4974.120605
(Peak[6].power=987.243713, .freq=8087.792480
(Peak[7].power=533.514832, .freq=908.691833

• (MARKER1) 从最响亮的峰值开始，并将其与所有剩余的峰值进行匹配，因此如果我有N个峰值，则此时我将具有N-1个峰值对
• 检查每个峰值对的谐波性；即它与一些分数a/b有多接近，即是否可以找到一个b<20的a/b，使得|peakA.freq/peakB.freq - a/b| < 0.01（这将匹配到第20个谐波）

• 我们现在有了一个被认为是彼此谐振的峰值列表

  Harmonic PeakPair: (0,1)=2/3, error:0.00468 => f0 @ 1019.946289
  谐波峰对：(0,2)=1/3，误差：0.00969 => f0 @ 2004.003906
  谐波峰对：(0,3)=2/7，误差：0.00618 => f0 @ 1005.590820
  谐波峰对：(0,4)=1/2，误差：0.00535 => f0 @ 2021.948242
  谐波峰对：(0,5)=2/5，误差：0.00866 => f0 @ 1005.590820
  谐波峰对：(0,6)=1/4，误差：0.00133 => f0 @ 2027.331543
  谐波峰对：(0,7)=9/4，误差：0.01303 => f0 @ 226.515106

我的问题是：我如何设计一个算法来正确地将上述基频识别为约1000Hz？

并不能保证在~1000处的值会比在~2000或~3000处的值更集中。甚至可能没有任何一个与~1000相近的值。我们可能有~5000 x 一个条目，~4000 x 三个条目，~3000 x 2个条目，以及一些虚假值在列表中徘徊，例如上面列表中的226。

我想我可以重复这个过程，剔除那些与列表中其他值不“谐波”的建议基频。这至少可以去除虚假值...

也许我都没有问对问题。也许整个方法都不好。但是我认为选择最强的峰并提取与该峰相关的一组谐波是有意义的。

理论上，这应该产生一堆比率，例如如果最初的最强峰是第三次谐波，则此峰集应包含3/1 3/2 3/3 3/4 3/5 3/6 3/7等...尽管可能会缺失某些值。

实际上，我有一种感觉，无论是基频还是第一个谐波，它们都具有最大的强度。但我不知道是否可以依此进行可靠性判断...

有太多的因素，这让我感到头昏眼花。我提前为这个混乱的问题道歉。希望我以后可以把它整理好。

- P i

---

由于某种原因，检测吉他音调比检测歌唱音调要困难得多。虽然也许这是因为我捕捉了音符的前几帧；32 x 256字节=8k，所以大约是前1/5秒。所以我想音符需要一些时间来稳定下来... - P i

我放置了一个标记，因为在某个时候我想要提取完整的音调，并循环通过该过程，直到没有检测到任何内容。这样我就可以捕捉完整的复音。 - P i

你可能想考虑使用自相关或倒谱分析。 - Paul R

这个问题涵盖了相同的内容：https://dev59.com/Em455IYBdhLWcg3wAvbQ 但是由于标题中有“cepstral”，不熟悉该术语的人可能无法识别该问题是否相关。不过，它确实提到了“音高检测”。 - DarenW

你说：“我感觉最强的总是基频或第一谐波。” 我建议你重新考虑这个假设。我知道在语言中通常缺少基频，我听说（请原谅双关语）人类歌唱中经常缺少第二谐波（即基频的两倍）。你有一堆代表性光谱吗？你已经查看过这些光谱来证实你的想法吗？ “hotpaw2”的建议进行倒谱分析似乎是获得基频附近的最佳方法，然后您可以尝试从那里进行精细调整。 - mtrw

Answer 1

Cepstrum（或Cepstral分析）和Harmonic Product Spectrum是两种被广泛研究的算法，用于估计来自谐波序列的激发频率。

如果谐波序列的间隔适当，则Cepstrum（FFT峰值的对数的FFT）可用于估计频率间距的周期，然后可以使用它来估计频率。

Harmonic Product Spectrum基本上通过将频谱通过多个低整数比例抽样并重叠来与第n倍的谱峰进行比较。

- hotpaw2

Answer 2

您可以通过以下链接查看有关语音识别的文章。

文章：用于语音识别的相空间点分布参数（需要订阅以获取完整文本）。

- arun

Answer 3

我已经重新表述了问题，并在这里提供了答案：如何输入一组数字，例如{301,102,99,202,198,103}并且去掉~100？

我已经查看了几种方法，这个方法比我找到的任何其他方法都要简洁得多。我已经测试过它，它非常有效。

- P i