我正在使用Librosa来录制单声道吉他音频信号。
我认为,根据开始时间“切片”信号是一个良好的开端,以便在正确的时间检测音符变化。
Librosa提供function,可在发病时间之前检测局部最小值。我检查了那些时间,他们是正确的。
这是原始信号的波形和最小值的时间。
[ 266240 552960 840704 1161728 1427968 1735680 1994752]
播放的旋律是E4,F4,F#4 ......,B4。
因此理想结果应为:330Hz,350Hz,......,493Hz(约)。
如您所见,minima
数组中的时间代表音符播放前的时间。
然而,在切片信号上(10-12秒,每片只有一个音符),我的频率检测方法效果非常差。我很困惑因为我的代码中看不到任何错误:
y, sr = librosa.load(filename, sr=40000)
onset_frames = librosa.onset.onset_detect(y=y, sr=sr)
oenv = librosa.onset.onset_strength(y=y, sr=sr)
onset_bt = librosa.onset.onset_backtrack(onset_frames, oenv)
# Converting those times from frames to samples.
new_onset_bt = librosa.frames_to_samples(onset_bt)
slices = np.split(y, new_onset_bt[1:])
for i in range(0, len(slices)):
print freq_from_hps(slices[i], 40000)
print freq_from_autocorr(slices[i], 40000)
print freq_from_fft(slices[i], 40000)
freq_from
函数直接来自here。
我认为这只是方法的精确度差,但我得到了一些疯狂的结果。具体来说,freq_from_hps
返回:
1.33818658287
1.2078047577
0.802142642257
0.531096911977
0.987532329094
0.559638134414
0.953497587952
0.628980979055
这些值应该是8个相应切片的8个节距(以Hz为单位!)。
freq_from_fft
返回类似的值,而freq_from_autocorr
返回一些更“正常”的值,但也会返回10000Hz附近的一些随机值:
242.748000585
10650.0394232
275.25299319
145.552578747
154.725859019
7828.70876515
174.180627765
183.731497068
这是整个信号的频谱图:
如您所见,切片已正确完成。但是有几个问题。首先,频谱图中存在一个八度音程问题。我期待着一些问题。但是,我从上面提到的3种方法得到的结果非常奇怪。
这是我的信号处理理解或我的代码的问题吗?
答案 0 :(得分:3)
这是我的信号处理理解或我的代码的问题吗?
您的代码对我来说很好。
您想要检测的频率是您的音高的基本频率(问题也称为" f0估计")。
所以在使用像freq_from_fft
这样的东西之前我会对信号进行带通滤波,以消除垃圾瞬态和低频噪声 - 信号中的东西,但与你的问题无关。
考虑一下你的基本频率将在哪个范围内。对于一个具有E2(82 Hz)到F6(1,397 Hz)的原声吉他。这意味着您可以摆脱低于~80 Hz且高于~1,400 Hz的任何物体(对于带通示例,请参阅here)。过滤后,进行峰值检测以找到音高(假设基波实际上具有最大能量)。
另一种策略可能是忽略每个切片的第一个X
样本,因为它们往往是打击乐而不是谐波,并且无论如何都不会给你提供太多信息。因此,在您的切片中,只需查看最后~90%的样本。
众所周知,f0或基频估计有很多工作要做。一个很好的起点是ISMIR篇论文。
最后,但并非最不重要的是,Librosa的piptrack功能可以满足您的需求。