ピッチ検出アルゴリズム

ピッチ検出アルゴリズム( PDA )は、準周期信号または振動信号 (通常は音声または音楽の音符や音色のデジタル録音)のピッチまたは基本周波数を推定するように設計されたアルゴリズムです。これは、時間領域、周波数領域、またはその両方で実行できます。

PDAはさまざまな状況（音声学、音楽情報検索、音声コーディング、音楽演奏システムなど）で使用されているため、アルゴリズムに求められる要件はさまざまです。今のところ^{[いつ? ]}理想的なPDAは1つも存在しないため、さまざまなアルゴリズムが存在し、そのほとんどは以下に示すクラスに大まかに分類されます。^[1]

PDA は通常、準周期信号の周期を推定し、その値を反転して周波数を算出します。

一般的なアプローチ

1 つの簡単な方法は、信号のゼロ交差ポイント間の距離(つまり、ゼロ交差率) を測定することです。ただし、これは、異なる周期を持つ複数の正弦波やノイズの多いデータで構成される複雑な波形ではうまく機能しません。ただし、ゼロ交差が有用な測定基準となる場合もあります。たとえば、単一のソースが想定される一部の音声アプリケーションなどです。^{[引用が必要]}このアルゴリズムは単純なため、実装が「安価」です。

より洗練されたアプローチでは、信号のセグメントを試行期間だけオフセットされた他のセグメントと比較して一致を見つけます。AMDF (平均振幅差関数)、ASMDF (平均二乗平均差関数)、およびその他の同様の自己相関アルゴリズムは、この方法で動作します。これらのアルゴリズムは、非常に周期的な信号に対して非常に正確な結果を提供します。ただし、誤検出の問題 (多くの場合「オクターブエラー」) があり、ノイズの多い信号にうまく対応できないことがあります (実装によって異なります)。また、基本的な実装では、ポリフォニックサウンド (異なるピッチの複数の音符を含む)をうまく処理できません。 ^{[引用が必要]}

現在の^{[いつ? ]}時間領域ピッチ検出器アルゴリズムは、上記の基本的な方法に基づいて構築され、パフォーマンスが人間によるピッチの評価とより一致するようにさらに改良されています。たとえば、YINアルゴリズム^[2]とMPMアルゴリズム^{[3]はどちらも}自己相関に基づいています。

周波数領域アプローチ

周波数領域では、ポリフォニック検出が可能であり、通常はピリオドグラムを使用して信号を周波数スペクトルの推定値に変換します^[4] 。これには、必要な精度が高くなるにつれてより多くの処理能力が必要ですが、ピリオドグラムアルゴリズムの重要な部分であるFFTの効率はよく知られており、多くの目的に適切に効率的です。

一般的な周波数領域アルゴリズムには、高調波積スペクトル^{[5] 、}^[6] ケプストラム解析^[7]、周波数領域特性を事前定義された周波数マップに一致させようとする最大尤度（固定チューニングの楽器のピッチを検出するのに便利）、および高調波系列によるピークの検出などがあります。^[8]

離散フーリエスペクトルから得られるピッチ推定を改善するために、スペクトル再割り当て（位相ベース）やグランケ補間（振幅ベース）などの技術を使用して、FFTビンが提供する精度を超えることができます。別の位相ベースのアプローチは、ブラウンとパケットによって提案されています^[9]

スペクトル/時間的アプローチ

スペクトル/時間ピッチ検出アルゴリズム、例えばYAAPTピッチトラッキングアルゴリズム^[10]^{[11]は、正規化相互相関などの}自己相関関数を使用する時間領域処理と、スペクトル情報を使用してピッチを識別する周波数領域処理の組み合わせに基づいています。次に、2つの領域から推定された候補の中から、動的計画法を使用して最終的なピッチトラックを計算できます。これらのアプローチの利点は、1つの領域でのトラッキングエラーを他の領域の処理によって削減できることです。

音声ピッチ検出

音声の基本周波数は、低音の音声では40Hz、高音の音声では600Hzまで変化する。^[12]

自己相関法では、ピッチを検出するために少なくとも2つのピッチ周期が必要です。つまり、40Hzの基本周波数を検出するには、少なくとも50ミリ秒（ms）の音声信号を分析する必要があります。ただし、50msの間に、より高い基本周波数を持つ音声は、必ずしもウィンドウ全体で同じ基本周波数を持つとは限りません。^[12]

参照

参考文献

^ D. Gerhard. ピッチ抽出と基本周波数: 歴史と現在の技術、技術レポート、コンピュータサイエンス学部、レジーナ大学、2003 年。
^ de Cheveigné, Alain; Kawahara, Hideki (2002). 「YIN、音声と音楽の基本周波数推定器」(PDF) . The Journal of the Acoustical Society of America . 111 (4). Acoustical Society of America (ASA): 1917–1930. Bibcode :2002ASAJ..111.1917D. doi :10.1121/1.1458024. ISSN 0001-4966. PMID 12002874. S2CID 1607434.
^ P. McLeod および G. Wyvill。ピッチを見つけるためのよりスマートな方法。国際コンピュータ音楽会議 (ICMC'05) の議事録、2005 年。
^ Hayes, Monson (1996).統計的デジタル信号処理とモデリング. John Wiley & Sons, Inc. p. 393. ISBN 0-471-59431-8。
^ ピッチ検出アルゴリズム、Connexionsのオンラインリソース
^ A. Michael Noll、「調和積スペクトル、調和和スペクトルおよび最大尤度推定による人間の音声のピッチ決定」、通信におけるコンピュータ処理に関するシンポジウムの議事録、第 XIX 巻、Polytechnic Press: ブルックリン、ニューヨーク、(1970)、pp. 779–797。
^ A. Michael Noll、「ケプストラムピッチ決定法」、アメリカ音響学会誌、第41巻第2号、（1967年2月）、293～309頁。
^ ミトレ、アドリアーノ、ケイロス、マルセロ、ファリア、レジス。正確な部分推定値からの正確で効率的な基本周波数決定。第 4 回 AES ブラジル会議の議事録。113-118、2006 年。
^ Brown JC and Puckette MS (1993). フーリエ変換の位相変化に基づく高解像度の基本周波数決定。J. Acoust. Soc. Am. 第94巻、第2号、pp. 662–667 [1]
^ Zahorian, Stephen A.; Hu, Hongbing (2008). 「堅牢な基本周波数トラッキングのためのスペクトル/時間的手法」(PDF) . The Journal of the Acoustical Society of America . 123 (6). Acoustical Society of America (ASA): 4559–4571. Bibcode :2008ASAJ..123.4559Z. doi :10.1121/1.2916590. ISSN 0001-4966. PMID 18537404.
^ Stephen A. Zahorian と Hongbing Hu。YAAPT ピッチトラッキング MATLAB 関数
^ ab Huang, Xuedong; Alex Acero; Hsiao-Wuen Hon (2001).音声言語処理. Prentice Hall PTR. p. 325. ISBN 0-13-022616-5。

外部リンク

アラン・ド・シェヴェインと河原秀樹：音声と音楽の基本周波数推定器YIN
AudioContentAnalysis.org: さまざまなピッチ検出アルゴリズムの Matlab コード

[1] D. Gerhard. ピッチ抽出と基本周波数: 歴史と現在の技術、技術レポート、コンピュータサイエンス学部、レジーナ大学、2003 年。

[2] Cheveigné, Alain; Kawahara, Hideki (2002). 「YIN、音声と音楽の基本周波数推定器」(PDF) . The Journal of the Acoustical Society of America . 111 (4). Acoustical Society of America (ASA): 1917–1930. Bibcode :2002ASAJ..111.1917D. doi :10.1121/1.1458024. ISSN 0001-4966. PMID 12002874. S2CID 1607434.

[3] P. McLeod および G. Wyvill。ピッチを見つけるためのよりスマートな方法。国際コンピュータ音楽会議 (ICMC'05) の議事録、2005 年。

[4] Hayes, Monson (1996).統計的デジタル信号処理とモデリング. John Wiley & Sons, Inc. p. 393. ISBN 0-471-59431-8。

[cnxpda-5] ピッチ検出アルゴリズム、Connexionsのオンラインリソース

[6] A. Michael Noll、「調和積スペクトル、調和和スペクトルおよび最大尤度推定による人間の音声のピッチ決定」、通信におけるコンピュータ処理に関するシンポジウムの議事録、第 XIX 巻、Polytechnic Press: ブルックリン、ニューヨーク、(1970)、pp. 779–797。

[7] A. Michael Noll、「ケプストラムピッチ決定法」、アメリカ音響学会誌、第41巻第2号、（1967年2月）、293～309頁。

[8] ミトレ、アドリアーノ、ケイロス、マルセロ、ファリア、レジス。正確な部分推定値からの正確で効率的な基本周波数決定。第 4 回 AES ブラジル会議の議事録。113-118、2006 年。

[9] Brown JC and Puckette MS (1993). フーリエ変換の位相変化に基づく高解像度の基本周波数決定。J. Acoust. Soc. Am. 第94巻、第2号、pp. 662–667 [1]

[10] Zahorian, Stephen A.; Hu, Hongbing (2008). 「堅牢な基本周波数トラッキングのためのスペクトル/時間的手法」(PDF) . The Journal of the Acoustical Society of America . 123 (6). Acoustical Society of America (ASA): 4559–4571. Bibcode :2008ASAJ..123.4559Z. doi :10.1121/1.2916590. ISSN 0001-4966. PMID 18537404.

[11] Stephen A. Zahorian と Hongbing Hu。YAAPT ピッチトラッキング MATLAB 関数

[huang-12] Huang, Xuedong; Alex Acero; Hsiao-Wuen Hon (2001).音声言語処理. Prentice Hall PTR. p. 325. ISBN 0-13-022616-5。