如何以编程方式确定歌曲的速度/ BPM？常用什么算法，必须考虑什么？

在单个StackOverflow帖子中进行解释很难。通常，最简单的节拍检测算法通过定位易于检测的声能峰值来工作。更复杂的方法使用梳状滤波器和其他统计/波形方法。有关包括代码示例的详细说明，请查看此GameDev文章。

要搜索的关键字是“节拍检测”，“节拍跟踪”和“音乐信息检索”。这里有很多信息：http : //www.music-ir.org/

有一个（也许）年度竞赛，称为MIREX，其中对不同算法的拍子检测性能进行了测试。

http://nema.lis.illinois.edu/nema_out/mirex2010/results/abt/mck/

那应该给您列出要测试的算法。

经典算法是 Beatroot（google it），它很好而且易于理解。它是这样的：

1. 对音乐进行短时FFT以获得超声图。
2. 求和 每个时间步长在所有频率上幅度增加（忽略减少）。这为您提供了称为“光谱通量”的一维时变函数。
3. 使用任何旧的峰检测算法查找峰。这些被称为“乐谱”，对应于音乐中声音的开始（音符的开始，打击乐等）。
4. 构造发作间隔（IOI）的直方图。这可以用来查找可能的节奏。
5. 为拍子跟踪结果初始化一组“代理”或“假设”。一次给这些病菌一次发作。每个代理跟踪同样是节拍的发作列表以及当前速度估计。特工可以接受发作，如果它们与上次跟踪的节拍和节奏紧密匹配，则如果它们与众不同，则可以忽略它们，或者在它们之间产生新的特工。并非每个节拍都需要发作-特工可以插值。
6. 根据其假设的整洁程度为每位特工提供分数-如果其所有节拍发作都很大，则得分会更高。如果他们都是固定的，那么得分会更高。
7. 得分最高的代理商就是答案。

根据我的经验，此算法的缺点：

• 峰值检测是临时性的，并且对阈值参数敏感。
• 某些音乐在节拍上没有明显的起音。显然，它不适用于那些。
• 很难知道如何解决60bpm-vs-120bpm问题，尤其是实时跟踪！
• 仅使用一维光谱通量就可以丢弃很多信息。我认为您可以通过使用一些频带受限的频谱通量（也许还​​有一个宽带用于鼓）来做得更好。

这是该算法的实时版本的演示，显示了频谱通量（底部的黑线）和起始点（绿色的圆圈）。值得考虑的事实是，节拍仅从绿色圆圈中提取。我已经像单击一样播放了发作，说实话，我认为我听不到它们的节拍，因此在某些方面，该算法比起节拍检测的人要好。我认为将这种低维信号减小是其薄弱的一步。

令人讨厌的是，几年前我确实找到了一个很好的站点，其中包含用于节拍检测的许多算法和代码。我完全没能拒绝它。

编辑：找到了！

这里有一些很棒的链接，可以帮助您入门：

http://marsyasweb.appspot.com/

http://www.vamp-plugins.org/download.html

节拍提取涉及音乐中认知度量结构的识别。通常，这些不对应于物理声能-例如，在大多数音乐中，都有一定程度的晕厥，这意味着我们感知到的“踩踏”拍不对应于物理声的存在。这意味着这与开始检测（物理声音的检测）完全不同，并且以不同的方式执行。

您可以尝试Aubio库，这是一个普通的C库，提供了开始和节拍提取工具。

还有在线Echonest API，尽管这涉及将MP3上传到网站并检索XML，所以可能不太合适。

编辑：昨晚我遇到了-一个非常有前途的C / C ++库，尽管我自己没有使用过。鞋面插件

您感兴趣的一般研究领域称为音乐信息检索

有许多不同的算法可以执行此操作，但是它们基本上都以“启动检测”为中心。

发作检测可测量事件的开始，在这种情况下，事件是正在播放的音符。您可以查找加权傅立叶变换（高频内容）中的更改，也可以查找频谱内容中的较大更改。（特殊差异）。（有几篇论文，我建议您进一步研究。）一旦应用了发作检测算法，您就可以通过阈值选择节拍的位置。

一旦获得节拍的时间本地化，便可以使用多种算法。您可以将其变成一个脉冲序列（创建一个始终为零的信号，仅在发生拍子时创建一个信号），然后对该信号应用FFT，然后BAM出现最大峰值的开始频率。

以下是一些指导您走向正确方向的论文：

http://www.elec.qmul.ac.uk/people/juan/Documents/Bello-TSAP-2005.pdf

http://bingweb.binghamton.edu/~ahess2/Onset_Detection_Nov302011.pdf

这是对某些人正在讨论的内容的扩展：

有人提到要研究应用机器学习算法：基本上是从上述的发作检测功能中收集一堆特征，然后将它们与原始信号在神经网络/逻辑回归中进行组合，并了解是什么使心跳加速。

看看吴安德（Andrew Ng）博士，他在线上有斯坦福大学提供的免费机器学习讲座（不是冗长的视频讲座，实际上是在线远程课程）

如果您可以在项目中管理与python代码的接口，则Echo Nest Remix API是适用于python的漂亮API：

有一种方法analysis.tempo可以为您提供BPM。您可以从API文档或本教程中看到，它比简单的BPM还要完成更多的工作

执行傅立叶变换，并找到功率谱中的峰值。您正在寻找低于20 Hz的人耳听力峰值。我猜通常在0.1-5ish Hz的范围内比较大。

这样的问题可能会有所帮助：Bpm音频检测库

另外，这是关于SO的几个“峰值发现”问题之一：测量信号的峰值检测

编辑：不是我做音频处理。这只是基于您正在寻找文件的频域属性的猜测...

另一个编辑：值得注意的是，像mp3这样的有损压缩格式首先存储傅立叶域数据，而不是时域数据。稍微聪明一点，您就可以省去一些繁琐的工作……但请参阅cobbal的周到评论。

准确的BPM检测非常困难。看到这个stackoverflow问题，以及我的答复。

重新发布我的答案：最简单的方法是让用户按节奏按节奏敲击一个按钮，然后计算轻击次数除以时间。

其他人已经描述了一些节拍检测方法。我想补充一点，有一些可用的库为此类任务提供技术和算法。

Aubio是其中之一，它具有良好的声誉，并且使用C ++包装器用C语言编写，因此您可以轻松地将它与可可应用程序集成（Apple框架中的所有音频内容也都使用C / C ++编写）。

有几种获取BPM的方法，但我发现最有效的一种是“拍谱”（在此介绍）。该算法通过将音乐的每个简短样本相互比较来计算相似度矩阵。一旦计算了相似度矩阵，就有可能获得每个时间间隔T的每个样本对{S（T）; S（T + 1）}之间的平均相似度：这是拍谱。节拍频谱中的第一个高峰值在大多数情况下是节拍持续时间。最好的部分是您还可以执行音乐结构或节奏分析等操作。

这是一个免费的程序，它将分析BPM并将其写入ID3V2标签。不知道有多好

我猜想这将是4-4舞蹈音乐中最容易的，因为应该有一个低频震荡器，每秒约响两次。