Python 为什么最高的FFT峰值不是音乐音调的基频？

目前，我正在努力获得这个闪烁小星星文件的音高。大体上 这些音符的频率是正确的，这是我们通过变量索引_max得到的。然而，对于C5的音符，它返回C6。C5的频率约为523，而C6的频率约为1046。FFT告诉我们频率比预期结果高一个倍频程。这种情况实际上发生在许多其他文件中，而且似乎注释越低，出现问题的可能性就越大。如果您能提供更好的提问方式或答案，我们将不胜感激

import scipy.io.wavfile as wave
import numpy as np
from frequencyUtil import *
from scipy.fft import fft, ifft

def read_data(scale):
        infile = "twinkle.wav"
        rate, data = wave.read(infile)
        sample_rate = int(rate/scale)
        time_frames = [data[i:i + sample_rate] for i in range(0, len(data), sample_rate)]
        notes = []
        for x in range(len(time_frames)):                               # for each section, get the FFT
                if(type(data[0]) is np.int16):                               # If not dual channel process like normal
                        dataZero = np.array(time_frames[x])
                else:                                                   # if is dual channel get first ele of every list
                        data = np.array(time_frames[x])  # convert to np array
                        dataZero = [row[0] for row in data]
                frequencies = fft(dataZero)                          # get the FFT of the wav file

                inverse = ifft(np.real(frequencies))

                index_max = np.argmax(np.abs(frequencies[0:8800//scale]))      # get the index of the max number within music range
                #print(abs(frequencies[index_max]))
                # filters out the amplitudes that are lower than this value found through testing
                # should eventually understand the scale of the fft frequencies
                if(abs(frequencies[index_max]) < 4000000/scale):
                       continue
                index_max = index_max*scale
                print(index_max)
                notes.append(index_max)
        return notes```

将scipy.io.wav文件导入为wave
将numpy作为np导入
从frequencyUtil导入*
从scipy.fft导入fft，ifft
def读取数据（刻度）：
infle=“闪烁.wav”
速率，数据=波形读取（填充）
样本率=整数（率/标度）
时间帧=[范围内i的数据[i:i+采样率]（0，len（数据），采样率）]
注释=[]
对于范围内的x（len（时间帧））：#对于每个部分，获取FFT
if（type（data[0]）是np.int16:#if不是正常的双通道过程
dataZero=np.array（时间帧[x]）
否则：#如果是双通道，则获取每个列表的第一个元素
数据=np.数组（时间帧[x]）#转换为np数组
dataZero=[数据中的行的行[0]
频率=fft（数据零点）#获取wav文件的fft
逆=ifft（np.实（频率））
index_max=np.argmax（np.abs（频率[0:8800//scale]）#获取音乐范围内最大数字的索引
#打印（abs（频率[索引最大值]）
#过滤掉低于通过测试发现的该值的振幅
#最终应了解fft频率的比例
如果（abs（频率[指数最大值]）小于4000000/刻度）：
持续
索引最大值=索引最大值*刻度
打印（索引最大值）
注释.追加（索引_max）
回执```

许多音调的声音（尤其是低音）在频谱中具有比基音强的泛音或谐波。这些泛音使乐器或声音听起来比正弦波发生器更有趣。但是由于音高是一种心理声学现象，人类的大脑会做出必要的修正来感知音高

因此，FFT幅度向量中最强的频谱峰值通常不在基音频率，因为音调具有非平凡频谱

---

关于基音检测与估计问题，已有大量的学术论文和文章。许多仪器使用倒谱/倒谱、自相关、机器学习等方法。

据我所知，许多仪器在某些谐波中的功率比基音中的功率大。找到音调并不像在FFT中找到最高峰值那么简单。这里有很多问题，这将帮助您。例如，这里的第一个答案是非常有根据的：不像Chris已经指出的那样，您需要做更多的工作，而不是使用原始FFT。一个简单的方法是使用YIN或pYIN算法的现有实现，例如。