高性能代码中的峰值检测

Question

我正在寻找使用 HPS 方法在 iphone 中实现语音音高检测。但检测到的音调不是很准确。 Performous 在音调检测方面做得不错。

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，有人可以解释一下 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。而且代码是开源的。以下是该算法的编码人员对该算法功能的描述（irc.freenode.net#performous 上的 Tronic）。

• PCM 输入（带缓冲）
• FFT（一次 1024 个样本，之后从缓冲区前面删除 200 个样本）
• 重新分配方法（相对于之前的 FFT 为 200 个样本）
• 峰值过滤（这部分可以做得更好，甚至可以做得更好）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）
• 选择最佳的声音音调（频率限制，权重，可以也使用谐波阵列，但我认为我们没有这样做）

我仍然无法从这些信息中找出并实现它。如果有人解决了这个问题，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。