在此挑战中，您的任务是以mp3格式进行简单录音，并在文件中找到节拍的时间偏移。这里有两个示例录音：

https://dl.dropboxusercontent.com/u/24197429/beats.mp3 https://dl.dropboxusercontent.com/u/24197429/beats2.mp3

这是第三张录音，噪音比前两张大得多：

https://dl.dropboxusercontent.com/u/24197429/noisy-beats.mp3

例如，第一张录音的时长为65秒，其中包含准确的（除非我记错了！）76拍。您的工作是设计一个程序，该程序将一个mp3文件作为输入，并输出以毫秒为单位的文件中拍子的时间偏移序列。当然，当吉他演奏者弹奏一根或多根琴弦时，就会发生拍子。

您的解决方案必须：

• 处理具有类似“复杂性”的任何mp3文件。它可能无法发出嘈杂的录音或无法快速播放旋律-我不在乎。
• 相当精确。公差为+/- 50毫秒。因此，如果心跳发生在1500毫秒并且您的解决方案报告为1400，那么这是不可接受的。
• 仅使用免费软件。允许调用ffmpeg，就像使用任何免费的第三方软件来选择您的语言一样。

获胜标准是能够成功检测出节拍，尽管随附文件中有噪音。如果出现平局，则以最短的解决方案为准（不计算第3方代码的长度）。

Python 2.7 492字节（仅beats.mp3）

这个答案可以识别出节拍 beats.mp3，但不能识别beats2.mp3或的所有音符noisy-beats.mp3。描述代码后，我将详细说明原因。

这使用PyDub（ https://github.com/jiaaro/pydub）读取MP3。所有其他处理都是NumPy。

高尔夫守则

采用带有文件名的单个命令行参数。它将以毫秒为单位输出每个拍子。

import sys
from math import *
from numpy import *
from pydub import AudioSegment
p=square(AudioSegment.from_mp3(sys.argv[1]).set_channels(1).get_array_of_samples())
n=len(p)
t=arange(n)/44.1
h=array([.54-.46*cos(i/477) for i in range(3001)])
p=convolve(p,h, 'same')
d=[p[i]-p[max(0,i-500)] for i in xrange(n)]
e=sort(d)
e=d>e[int(.94*n)]
i=0
while i<n:
 if e[i]:
  u=o=0
  j=i
  while u<2e3:
   u=0 if e[j] else u+1
   #u=(0,u+1)[e[j]]
   o+=e[j]
   j+=1
  if o>500:
   print "%g"%t[argmax(d[i:j])+i]
  i=j
 i+=1

非高尔夫代码

# Import stuff
import sys
from math import *
from numpy import *
from pydub import AudioSegment

# Read in the audio file, convert from stereo to mono
song = AudioSegment.from_mp3(sys.argv[1]).set_channels(1).get_array_of_samples()

# Convert to power by squaring it
signal = square(song)
numSamples = len(signal)

# Create an array with the times stored in ms, instead of samples
times = arange(numSamples)/44.1

# Create a Hamming Window and filter the data with it. This gets rid of a lot of
# high frequency stuff.
h = array([.54-.46*cos(i/477) for i in range(3001)])
signal = convolve(signal,h, 'same') #The same flag gets rid of the time shift from this

# Differentiate the filtered signal to find where the power jumps up.
# To reduce noise from the operation, instead of using the previous sample,
# use the sample 500 samples ago.
diff = [signal[i] - signal[max(0,i-500)] for i in xrange(numSamples)]

# Identify the top 6% of the derivative values as possible beats
ecdf = sort(diff)
exceedsThresh = diff > ecdf[int(.94*numSamples)]

# Actually identify possible peaks
i = 0
while i < numSamples:
 if exceedsThresh[i]:
  underThresh = overThresh = 0
  j=i
  # Keep saving values until 2000 consecutive ones are under the threshold (~50ms)
  while underThresh < 2000:
   underThresh =0 if exceedsThresh[j] else underThresh+1
   overThresh += exceedsThresh[j]
   j += 1
  # If at least 500 of those samples were over the threshold, take the maximum one
  # to be the beat definition
  if overThresh > 500:
   print "%g"%times[argmax(diff[i:j])+i]
  i=j
 i+=1

为什么我错过其他文件上的笔记（以及为什么它们难以置信的挑战）

我的代码着眼于信号功率的变化，以便找到注释。对于beats.mp3，这确实很好。该频谱图显示了功率如何随时间（x轴）和频率（y轴）分配。我的代码基本上将y轴折叠为单行。 视觉上，很容易看出节拍在哪里。有一条黄线不断缩小。我强烈建议您在听beats.mp3频谱图的同时聆听它的工作原理。

接下来，我将转到noisy-beats.mp3（因为实际上比beats2.mp3.. 容易。 请再次查看是否可以继续录音。大多数行都比较暗淡，但是仍然存在。但是，在某些地方，当安静的音符开始，这使找到它们变得特别困难，因为现在，您必须通过频率（y轴）的变化而不是幅度的变化来找到它们。

beats2.mp3极具挑战性。这是声谱图 在第一行中，有几行，但有些音符确实在这些行上流血。为了可靠地识别音符，您必须开始跟踪音符的音高（基本音和和声），并查看音符的变化位置。一旦第一位开始工作，第二位的速度将是节奏的两倍！

基本上，为了可靠地识别所有这些，我认为需要花哨的检测代码。看来对于DSP班的某个人来说，这将是一个不错的最终项目。