Questions tagged «audio»

根据阅读的内容，我制定了一种用于FM声音合成的算法。我不确定我是否做对了。创建软件合成器乐器时，将使用函数来生成振荡器，并使用调制器来对该振荡器的频率进行模数化。我不知道FM合成是否仅适用于调制正弦波？ 该算法采用仪器的波函数以及调制器的调制器指标和比率。对于每个音符，它都采用频率并存储载波和调制器振荡器的相位值。调制器始终使用正弦波。 这是伪代码中的算法： function ProduceSample(instrument, notes_playing) for each note in notes_playing if note.isPlaying() # Calculate signal if instrument.FMIndex != 0 # Apply FM FMFrequency = note.frequency*instrument.FMRatio; # FM frequency is factor of note frequency. note.FMPhase = note.FMPhase + FMFrequency / kGraphSampleRate # Phase of modulator. frequencyDeviation = sin(note.FMPhase * PI)*instrument.FMIndex*FMFrequency …

9 audio  algorithms  modulation 

首先，我很抱歉，因为我是一名软件开发人员，而且很长一段时间以来我还没有深入研究纯数学，所以我的问题似乎很愚蠢。我希望不是。 背景是音乐中的音高识别。 如果您记下音符，然后对其进行傅立叶变换，则对于给定的频率，您将获得无限的振幅总和。例如，如果我在任何乐器上演奏基音为的音符，则在进行傅立叶变换后，我将在处产生谐波。每个频率都会有一个给定的幅度，该幅度定义了乐器的音色（钢琴，声音，小号……都遵循此律，但是每个谐波的幅度都不同）F ，2 F ，3 F ，… ，n FFFFF，2 楼，3 ˚F，… ，n FF，2F，3F，…，ñFF, 2F, 3F,\ldots,nF 现在我想要做的是从给定的音频信号，找到。只是。这比看起来要复杂得多，因为您将始终有背景噪声等等。此外，不一定是振幅最高的频率！˚FFFFFFF 因此，我找到想法是应用DFT（实际上实际上是FFT以获得速度）并找到频率，以便在FFT输出中最大。F F + 2 F + 3 F + … + n FFFFFFFF+ 2 楼+ 3 楼+ … + n FF+2F+3F+…+ñFF + 2F +3F + \ldots + nF 您认为这完全有可能吗？您认为在很短的时间内（例如<5毫秒）有可能吗？

9 audio  fft  pitch 

我正在尝试检测和分类非语音声音。当前，我正在使用来自训练声音的一系列移动重叠功率谱作为我要寻找的功能。 当我进行分析时，我只是在计算相同数量的重叠光谱，以使特征数量相同。现在的性能还不是很好，它只能检测静音与不静音。 这种信号检测有哪些技术？我担心的一个问题是，由于时域中不同长度的声音会导致特征向量的长度不同，因此我不能使用相同的分类器，因此我会坚持这一点。

9 audio 

我的问题是我不知道背景噪声的能量，所以我不能仅仅限制能量。处理是实时完成的，我大约需要500毫秒来决定。理想情况下，我希望将安静的辅音视为非静音。

9 audio  speech-recognition 

我正在尝试使用霍夫变换进行边缘检测，并希望使用渐变图像作为基础。 我迄今所做，给出的图像I尺寸的[M,N]和它的部分衍生物gx，gy是计算中的每个像素作为梯度角thetas = atan(gy(x,y) ./ gx。同样，我将梯度幅度计算为magnitudes = sqrt(gx.^2+gy.^2)。 要构建霍夫变换，我使用以下MATLAB代码： max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) + 1; hough(rho_idx, theta_idx) = hough(rho_idx, theta_idx) + …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision 

我获得了一个1000Hz的音频文件（正弦波）作为FFT算法的输入。我在阵列中得到了8192个功率谱样本。 检查我的输出是对还是错的最佳和最简便的方法是什么？ 如果我给出一个无声音频文件，则所有样本的输出均为零。在正弦波中，o / p从20（第0个样本）增加到26059811（743个样本），然后逐渐降低到40。 如果我对输出范围有所了解，则可以从技术上证明FFT是否有效。 任何想法都会有所帮助。 如有任何技术疑问，请参考此链接。

9 fft  audio