我正在尝试从音频文件中提取音高特征，用于分类问题。我正在使用 python(scipy/numpy) 进行分类。
我想我可以使用scipy.fft 获得频率特征，但我不知道如何使用频率来近似音符。我进行了一些研究，发现我需要获取将频率映射到12 箱的色度特征，以获取半音阶音符。
我认为 matlab 有一个色度工具箱，但我认为 python 没有任何类似的东西。
我应该如何进行？ 任何人都可以建议阅读我应该研究的材料吗？
【问题讨论】：
标签： python audio scipy feature-extraction
您可以将频率映射到音符：
是要计算的 midi 音符编号， 是频率， 是室内音高（在现代音乐中，440.0 Hz 很常见）。
您可能知道，单一频率不会产生音高。 “音高”源于对谐波声音基频的感觉，即主要由一个单一频率（=基频）的整数倍组成的声音。
如果您想在 Python 中使用色度功能，可以使用Bregman Audio-Visual Information Toolbox。请注意，色度特征不会为您提供有关音高八度音阶的信息，因此您只会获得有关 pitch class 的信息。
from bregman.suite import Chromagram
audio_file = "mono_file.wav"
F = Chromagram(audio_file, nfft=16384, wfft=8192, nhop=2205)
F.X # all chroma features
F.X[:,0] # one feature
从音频中提取音高信息的一般问题称为pitch detection。
【讨论】：
您可以尝试阅读有关音高检测的文献，该文献非常广泛。一般来说，基于自相关的方法似乎工作得很好。频域或过零方法的鲁棒性较差（因此 FFT 并没有太大帮助）。一个好的起点可能是实现以下两种算法之一：
YAAPT，来自：Stephen A. Zahorian 和 Hongbing Hu，“稳健基频跟踪的频谱时间方法”，J. Acoust。社会是。 123, 4559 (2008)。 http://bingweb.binghamton.edu/~hhu1/paper/Zahorian2008spectral.pdf 和这里的 MATLAB 代码：http://ws2.binghamton.edu/zahorian/yaapt.htm
YIN，来自：De Cheveigné, A., Kawahara, H. “YIN，语音和音乐的基频估计器”，J. Acoust。社会是。 111, 1917-1930 (2002)。 http://audition.ens.fr/adc/pdf/2002_JASA_YIN.pdf
至于现成的解决方案，请查看 Aubio、带有 python 包装器的 C 代码、几种可用的音高提取算法，包括 YIN 和多梳。
【讨论】：
如果您愿意使用 3rd 方库（至少作为其他人如何完成此操作的参考）：
从声音中提取音乐信息，来自 PyCon 2012 的演示文稿，展示了如何使用 AudioNest Python API：
这里是相关的 EchoNest 文档：
相关摘录：
音高内容由“色度”向量给出，对应于 12 个音级 C、C#、D 到 B，值范围从 0 到 1 描述半音阶中每个音高的相对优势。 例如，C 大调和弦可能由大 C、E 和 G 的值（即 0、4 和 7 类）。向量是 通过它们最强的维度归一化为 1，因此是嘈杂的声音 可能由都接近 1 的值表示，而纯 音调由一个值为 1（音高）和其他接近 0 的值描述。
EchoNest 在他们的服务器上进行分析。他们为非商业用途提供免费的 API 密钥。
如果 EchoNest 不是一个选项，我会查看开源 aubio project。它具有 python 绑定，您可以查看源代码以了解 they accomplished pitch detection 的效果。
【讨论】：