高性能代码中的峰值检测

Question

我希望使用 HPS 方法在 iphone 中实现语音音高检测。但是检测到的音调不是很准确。 Performous 在音高检测方面做得不错。

我查看了代码，但没有完全理解计算背后的理论。 他们使用 FFT 并找到峰值。但是他们使用 FFT 输出相位的部分让我感到困惑。我认为他们对语音频率使用了一些启发式方法。

那么，谁能解释一下 Performous 中用于检测音高的算法吗？

Answer 1

[Performous][1] 从麦克风中提取音高。代码也是开源的。以下是该算法的功能描述，来自编码它的人（Tronic on irc.freenode.net#performous）。

• PCM 输入（带缓冲）
• FFT（一次 1024 个样本，之后从缓冲区前面移除 200 个样本）
• 重新分配方法（针对之前的 200 个样本的 FFT）
• 峰过滤（这部分可以做得更好，甚至可以省略）
• 将峰值组合成谐波组（我们将组合称为音调）
• 音调的时间过滤（更新之前检测到的音调集，而不是简单地使用新检测到的音调）
• 选择最好的人声（频率限制、加权，也可以使用谐波阵列，但我不认为我们这样做）

我仍然无法从这些信息中找出并实施它。如果有人对此进行了管理，请在此处发布您的结果，并评论此回复，以便 SO 通知我。

任务是围绕此代码创建一个最小的 C++ 包装器。