确定说话声音的基频

Question

我正在尝试确定音频样本的感知音高（仅语音，无背景或音乐），然后将语音识别为低音、男高音、中音、女中音、女高音。

为此，我使用了 aubio，它返回时间码列表和任何给定音频文件的相应频率。

我很难找到如何使用数据来确定音高的最佳方法。 我最初的想法要么根本不好，要么执行得不好：

1. 我获取 aubio 返回的频率列表并计算如下中位数：

// iterate through the time/frequencies returned by aubio
// $output is a list of number pairs (one pair per line):
// The timecode followed by a whitespace followed by the frequency
// at that timecode in hertz.

foreach($output as $sample) {

    // extract frequency information
    $freq_sample=substr($sample,strpos($sample,' '));

    // add frequency to array
    $freqs[]=floor($freq_sample);

}       

// to calculate median frequency: sort array with frequencies
// and fetch the element in the middle

sort($freqs);
$median=$freqs[floor(count($freqs)/2)];

2. 然后我将找到的中值频率和 map 设为“低音”、“男中音”、“男中音”、“中音”等。

不幸的是，结果不一致。 很多时候，例如，一个非常深沉的声音的中频太高了。

我相信我尝试确定基频的方式存在缺陷，但我很难想出更好的方法。

例如，会出现以下问题：

1. 我是否应该丢弃任何高于 400hz 的频率，因为它们可能来自诸如“s”之类的声音等？

2. 当人类感知到声音的音高时，我们实际上在听什么？ 基频？ 某些频率的能量？

总结它的总体问题是：

“使用 aubio 的数据，计算语音记录（说话，而不是唱歌）的感知音高的正确编程方法是什么？”

编辑——我如何使用 AUBIO

exec('aubiopitch /pathtomp3file/audio.mp3',$output);