マイク（AVAudioPCMBufferとFFT）を使って平均音声周波数/範囲を見つける

Question

人の声がマイクに向かって話すときの平均周波数または範囲を把握しようとしています。リアルタイムである必要はありません。これまでの私のアプローチは、AVAudioEngineとAVAudioPCMBufferを使用し、バッファデータを取得してFFTに変換することでした。

inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer: AVAudioPCMBuffer, when: AVAudioTime) in 
      self.recognitionRequest?.append(buffer) 

     let data = buffer.floatChannelData?[0] 
     let arrayOfData = Array(UnsafeBufferPointer(start: data, count: Int(buffer.frameLength))) 
     let fftData = self.performFFT(arrayOfData) 
} 




func performFFT(_ input: [Float]) -> [Float] { 

    var real = [Float](input) 
    var imag = [Float](repeating: 0.0, count: input.count) 
    var splitComplex = DSPSplitComplex(realp: &real, imagp: &imag) 

    let length = vDSP_Length(floor(log2(Float(input.count)))) 
    let radix = FFTRadix(kFFTRadix2) 
    let weights = vDSP_create_fftsetup(length, radix) 
    vDSP_fft_zip(weights!, &splitComplex, 1, length, FFTDirection(FFT_FORWARD)) 


    var magnitudes = [Float](repeating: 0.0, count: input.count) 
    vDSP_zvmags(&splitComplex, 1, &magnitudes, 1, vDSP_Length(input.count)) 

    var normalizedMagnitudes = [Float](repeating: 0.0, count: input.count) 

    vDSP_vsmul(sqrt(magnitudes), 1, [2.0/Float(input.count)], &normalizedMagnitudes, 1, vDSP_Length(input.count)) 

    vDSP_destroy_fftsetup(weights)  
    return normalizedMagnitudes 
} 


public func sqrt(_ x: [Float]) -> [Float] { 
    var results = [Float](repeating: 0.0, count: x.count) 
    vvsqrtf(&results, x, [Int32(x.count)]) 
    return results 
} 

私は適切なFFTデータを返すと思う、印刷は次のようになります。しかし、これは正しいヘルツすることはできません

。それは私が話していたもので、男性の声は平均85〜180Hzです。私はここからどこに行くのか分かりません。

目標は、ユーザーがマイクを通して話すときの頻度平均または範囲を見つけることです。どんな助けでもありがとう！

Answer 1

FFT振幅は、ピッチ検出/推定アルゴリズムではなく、スペクトル周波数推定器（多くの音声ピッチでは機能しません）です。ボーカルハーモニック/オーバートーンシリーズがより多くのスペクトルパワーを持っていても基本ピッチをよりよく検出できるピッチ推定アルゴリズムを試してください。