Librosa基音跟踪-STFT

问题描述

我正在使用this算法来检测 this音频文件。正如你所听到的，这是在吉他上演奏的E2音符，背景中有一点噪音。

我使用STFT生成了此频谱图：

我使用上面链接的算法，如下所示：

y, sr = librosa.load(filename, sr=40000)
pitches, magnitudes = librosa.core.piptrack(y=y, sr=sr, fmin=75, fmax=1600)

np.set_printoptions(threshold=np.nan)
print pitches[np.nonzero(pitches)]

结果是，我的fmin和fmax之间几乎获得了所有可能的频率。要发现时间范围的基本频率，我必须如何处理piptrack方法的输出？

更新

不过，我仍然不确定这些二维数组代表什么。假设我想知道第5帧中82 Hz的强度有多大。我可以使用STFT函数来实现，该函数只返回2D矩阵(用于绘制频谱图)。

然而，piptrack做了一些额外的事情，这可能是有用的，我真的不明白是什么。pitches[f, t] contains instantaneous frequency at bin f, time t。这是否意味着，如果我想要找到时间帧t处的最大频率，我必须：

1. 转到magnitudes[][t]数组，找到最大值的bin 震级。
2. 将bin分配给变量f。
3. 查找pitches[b][t]以查找属于该频段的频率？

---

解决方案

结果是选择特定帧的音高的方法很简单t：

def detect_pitch(y, sr, t):
  index = magnitudes[:, t].argmax()
  pitch = pitches[index, t]

  return pitch

首先通过查看magnitudes数组获取频率最高的bin，然后查找pitches[index, t]处的音高。