Ответ 1
Библиотеки aubio были обернуты SWIG и поэтому могут использоваться Python. Среди их многочисленных функций есть несколько методов определения/оценки тона, включая алгоритм YIN и некоторые гармонические гребенчатые алгоритмы.
Однако, если вы хотите что-то более простое, я написал код для оценки основного тона некоторое время назад, и вы можете взять его или оставить. Это будет не так точно, как использование алгоритмов в aubio, но оно может быть достаточно хорошим для ваших нужд. Я в основном просто взял БПФ данных раз окно (окно Blackman в этом случае), в квадрате значений FFT, нашел бит, который имел самое высокое значение, и использовал квадратичную интерполяцию вокруг пика, используя журнал максимального значения и его двух соседних значений, чтобы найти основную частоту. Квадратическую интерполяцию я взял из какой-то бумаги, которую я нашел.
Он работает достаточно хорошо на тестовых тонах, но он не будет таким же надежным и точным, как другие методы, упомянутые выше. Точность может быть увеличена за счет увеличения размера куска (или уменьшения его уменьшения). Размер блока должен быть кратным 2, чтобы полностью использовать БПФ. Кроме того, я определяю только основной шаг для каждого фрагмента без перекрытия. Я использовал PyAudio для воспроизведения звука во время написания оцененного значения.
Исходный код:
# Read in a WAV and find the freq's
import pyaudio
import wave
import numpy as np
chunk = 2048
# open up a wave
wf = wave.open('test-tones/440hz.wav', 'rb')
swidth = wf.getsampwidth()
RATE = wf.getframerate()
# use a Blackman window
window = np.blackman(chunk)
# open stream
p = pyaudio.PyAudio()
stream = p.open(format =
p.get_format_from_width(wf.getsampwidth()),
channels = wf.getnchannels(),
rate = RATE,
output = True)
# read some data
data = wf.readframes(chunk)
# play stream and find the frequency of each chunk
while len(data) == chunk*swidth:
# write data out to the audio stream
stream.write(data)
# unpack the data and times by the hamming window
indata = np.array(wave.struct.unpack("%dh"%(len(data)/swidth),\
data))*window
# Take the fft and square each value
fftData=abs(np.fft.rfft(indata))**2
# find the maximum
which = fftData[1:].argmax() + 1
# use quadratic interpolation around the max
if which != len(fftData)-1:
y0,y1,y2 = np.log(fftData[which-1:which+2:])
x1 = (y2 - y0) * .5 / (2 * y1 - y2 - y0)
# find the frequency and output it
thefreq = (which+x1)*RATE/chunk
print "The freq is %f Hz." % (thefreq)
else:
thefreq = which*RATE/chunk
print "The freq is %f Hz." % (thefreq)
# read some more data
data = wf.readframes(chunk)
if data:
stream.write(data)
stream.close()
p.terminate()