Python 串联频率变化的正弦信号

这是我第一次使用音频，我试图连接任意（数据驱动）频率的正弦波，但无法消除因sins之间的不连续性而产生的咔哒噪音

我在读关于使频率成为相位的函数以线性增加波的频率的书，但我不知道如何使其适应任意频率的变化

我在计算前一个正弦信号的相移，然后尝试相应地移动下一个正弦信号，但这似乎只是使声音更高音，并没有消除咔嗒声

def audio_map(data):
p=[]
phase = 0 
for point in data: 
    if point[0]<0: 
        f=100*np.abs(point[0])
    else:
        f=100*point[0]
#Do something with the phase to shift the sinusoid below??? 
p=np.concatenate((p,np.sin((4*np.pi*f/sampling_rate)*np.arange(sampling_rate*np.pi/(16)))))
    phase=f*np.pi/16

return p

def音频映射（数据）：
p=[]
相位=0
对于点输入数据：
如果点[0]编辑

我对你选择的正弦函数也有点困惑，它看起来不像系数或持续时间与真实世界的值有关，我希望看到这样的情况：

p = np.concatenate((p, np.sin((2 * np.pi * f / sampling_rate) * np.arange(total_tone_time * sampling_rate) + phase)))
phase += 2 * np.pi * f * total_tone_time
phase %= 2 * np.pi  # strip off full cycles to avoid overflow

在哪里


total_tone_time是当前播放音调的持续时间
采样率以hz为单位（每秒采样数）

在每个项之间添加相位的目的是保持合成曲线的连续性，这可能有助于避免波形中出现任何POP。如果听不到任何声音，请确保输出的频率在可听见的范围内：

我会先尝试上面的建议，然后再尝试下面所说的内容，这些内容会深入到兔子洞的深处

/EDIT

不是专家，但我认为你所说的导致点击的不连续性可能是正确的。如果是，您可以在接合处快速淡出/淡入振幅，以避免咔嗒声

以下是我能想到的一些其他可能性

型号和尺寸

你是如何采样频率的？它们是在特定的时间采样的，所以你可以得到频率作为时间的函数吗？如果是这样，您可以尝试将曲线拟合到点（这是一个非常重要的问题），然后取计算曲线积分的正弦：

Sin[2*PI*积分[freq（time），time，0，current_time]]

数值积分

作为拟合曲线的替代方法，如果频率采样率足够快，可以近似平滑曲线，则可以直接在数值积分中使用这些值。对于下面的示例，我假设您的数据格式为[[freq0，time0]，[freq1，time1]，…]，并且频率采样随时间均匀分布，与您希望采样输出波形的速率相同

PI = 3.14159
waveform = [0] * len(data)
phase = 0
time_delta = data[1][1] - data[0][1]
for i, (f, t) in enumerate(data):
    if i != 0:
        phase += 0.5 * (f + last_f) * time_delta
        waveform[i] = sin(2 * PI * phase)
    last_f = f
    phase %= 2 * PI

请注意，对于以上内容，我使用梯形方法，如下所述：

关于这种方法，我关心的一件事是，你要取的是频率的绝对值，这向我表明，你的频率可能不是从产生良好行为的连续函数的数据源中采样的

添加渐变

最后，如果您是从一个没有直接时间依赖性的随机样本连接频率，那么您可以添加一个频率渐变来弥补这一差距

您可以尝试线性：

sin(PI * [(f2 - f1) / time_frame * t ** 2 + 2 * f1 * t])

或指数：

sin(2 * PI * time_frame * f1 * exp(log(f2 / f1) * t / time_frame) / log(f2 / f1))

在哪里


time_frame是希望渐变持续的持续时间
选择t从零开始，在时间帧结束
f1是剩余的频率
f2是输入的频率
非常感谢您的详尽回答！！我从你的帖子中学到了很多。对于阅读本文的任何其他人来说，在玩了一天之后，我终于意识到我可以确保我的连接发生在零交叉点（即，每个西诺索伊德都连接一个整数倍的周期），但梅里迪厄斯的上述一切将在我工作的后续迭代中证明是有用的。[例如，我使用了类似于p=np.concatenate（（p，np.sin（（4*np.pi*f/采样率））*np.arange（50*采样率/（4*f'）））]