使用python从头开始实时音高转换

Question

我需要一个由两部分组成的项目的帮助：

1. python 中的实时音高移位器（从头开始）。
2. 切换来自 2 个不同扬声器的 2 个声音的音高。

我有两个问题：

1. 我找不到音高转换背后的正确数学方法来从头开始实现它，因此希望能提供简单的解释。
2. 我需要从 2 个声音中提取音高来切换它们还是有更简单的解决方案？如果没有说明如何从声音中正确提取音高并进行切换，我们将不胜感激。

提前致谢。

Answer 1

librosa 这样做。来源在

https://github.com/librosa/librosa/blob/main/librosa/effects.py#L253

评论总结了那里使用的算法，

# Stretch in time, then resample

为了进一步解释这一点，您可以通过在水平方向上“拉伸”（或挤压）波形来改变音高。例如，这将使中音 C（262 Hz）的振动相距更远，因此频率更低——结果，音高也更低。将其拉伸到两倍（然后填充样本以使采样率保持不变）会将音高降低一个八度音阶到 131Hz 的 C3。

看起来困难的部分是有效地重采样，但代码中提到了各种算法。

Answer 2

需要临时代码的第一部分完成here

对于两个声音，您肯定需要两个音高，但是，您可以进行无人监督的训练以识别说话者，这样并不难。

如果它们是混合的并且您想在没有机器学习方法的情况下这样做，您也可以使用包含他们的声音的帧。

还有很多更强大的方法可以通过 ML 找到扬声器，其中最著名的是 MFCC，在 here 中进行了解释。