使用python量化歌声的声音深度

Question

我想使用 python 在浮点表示中量化声音的深度。例如，低沉的声音可以用低于 0 的分数来表示，而高亢的声音（与深沉相反）用高于 0 的分数来表示。深沉的声音可以与阿诺德施瓦辛格的声音进行比较，而高声则与小孩子的声音。

我没有从谷歌搜索中找到任何明确的方法来解决这个问题。我尝试使用timbral model 来获得音色分数，但似乎计算没有用。也就是说，深沉的声音和高声音的分数并没有太大的差别。

基于这个source，我可以使用FFT分析。但是，我不明白如何将 FFT 图简化为声音深度的单一表示。

那么在使用 FFT 获得分析后，我该如何进行呢？在一个更广泛的问题中，我如何专门使用 Python 将声音的深度表示为浮点表示？

编辑：有关额外信息，我要量化的数据集由歌声组成。我已经获得了 FFT 输出并通过平均操作减少了时间帧维度，所以我得到了针对频率仓的平均结果。

由于数据集具有显着的音高特征，当两个声音在唱同一个音符时，低沉和高声的矢量峰值相似。我的推断是，这是由于两种声音产生了相同的谐波。 （请随时纠正我的解释。）

有什么有效的方法来区分唱同一个音符的低声和高声？

Answer 1

您可以在时间空间和频率空间中获取样本的统计信息。通常你会从这两种表示中计算均值、中值、方差和熵。您可以获得其他值，但这些只是基础。通过这种方式，您可以从信号样本中获取值向量。

为了获得更好的结果，您可以在两种表示中的信号重叠窗口上进行这些计算，这样您可以获得更大、信息更密集的特征向量。

在这个特定的问题中，我会计算不同频带信号的傅里叶变换的能量和积分，因为您会期望在低沉的声音中较低频率的值更大。

算法应该类似于

1. 对信号应用 FFT
2. 在波段中分割结果
3. 计算每个波段的能量，将结果附加到数组中
4. 对每个波段求和，将结果附加到数组中
5. 进行您认为合适的任何其他计算

结果将是一个汇总信号的值向量。