Python中的音高检测

Question

我正在研究的程序的概念是一个Python模块，它检测某些频率（人类语音频率80-300hz），并通过检查数据库显示句子的语调。我使用SciPy绘制声音文件的频率，但我无法设置任何特定频率以分析音高。我怎样才能做到这一点？

更多信息：我希望能够在语音中设置定义的模式（例如Rising，Falling），程序会检测声音文件是否遵循特定模式。

Answer 1

您可以尝试以下方法。我相信你知道人声也有超过300赫兹的谐波。不过，您可以在音频文件中移动一个窗口，并尝试查看最大值（如下所示）或窗口中的一组频率的功率变化。下面的代码是为了给出直觉：

import scipy.fftpack as sf
import numpy as np
def maxFrequency(X, F_sample, Low_cutoff=80, High_cutoff= 300):
        """ Searching presence of frequencies on a real signal using FFT
        Inputs
        =======
        X: 1-D numpy array, the real time domain audio signal (single channel time series)
        Low_cutoff: float, frequency components below this frequency will not pass the filter (physical frequency in unit of Hz)
        High_cutoff: float, frequency components above this frequency will not pass the filter (physical frequency in unit of Hz)
        F_sample: float, the sampling frequency of the signal (physical frequency in unit of Hz)
        """        

        M = X.size # let M be the length of the time series
        Spectrum = sf.rfft(X, n=M) 
        [Low_cutoff, High_cutoff, F_sample] = map(float, [Low_cutoff, High_cutoff, F_sample])

        #Convert cutoff frequencies into points on spectrum
        [Low_point, High_point] = map(lambda F: F/F_sample * M, [Low_cutoff, High_cutoff])

        maximumFrequency = np.where(Spectrum == np.max(Spectrum[Low_point : High_point])) # Calculating which frequency has max power.

        return maximumFrequency

voiceVector = []
for window in fullAudio: # Run a window of appropriate length across the audio file
    voiceVector.append (maxFrequency( window, samplingRate))

现在基于语音的语调，最大功率频率可能会移位，您可以注册并映射到给定的语调。这可能不一定是真的，你可能必须一起监视很多频率的变化，但这应该让你开始。

Answer 2

估计音高有许多不同的算法，但研究发现Praat的算法是最准确的[1]。最近，Parselmouth库使得从Python调用Praat函数变得容易得多[2]。

[1]：Strömbergsson，Sofia。 “今天最常用的F0估计方法，以及它们在清晰言语中评估男女间距的准确性。” INTERSPEECH。 2016.https://pdfs.semanticscholar.org/ff04/0316f44eab5c0497cec280bfb1fd0e7c0e85.pdf

[2] https://github.com/YannickJadoul/Parselmouth

Answer 3

基本上有两类f0（音调）估计：时域（例如，具有自相关/互相关）和频域（例如，通过测量谐波之间的距离来识别基频，或者以最大值识别频谱中的频率）功率，如上面Sahil M的例子所示。多年来，我成功地使用了RAPT（鲁棒算法用于音高跟踪），这是REAPER的前身，也是David Talkin。您提到的广泛使用的Praat软件还包括类似RAPT的互相关算法选项。网上提供了描述和代码。这里有一个DEB安装档案：http://www.phon.ox.ac.uk/releases使用音调功能进行模式检测（上升，下降等）是一个单独的问题。 Sahil M上面提出的在俯仰功能中使用移动窗口的建议是一个很好的开始。

Answer 4

2019年更新，现在有基于神经网络的非常精确的音高跟踪器。而且他们在开箱即用的Python中工作。校验

https://pypi.org/project/crepe/

从2015年回答。间距检测是一个复杂的问题，最新的Google软件包为这项非常重要的任务提供了高度智能的解决方案：

https://github.com/google/REAPER

如果要从Python访问它，可以将其包装在Python中。