### Python 实现倒谱分析以提取基频和共振峰 #### 1. 倒谱分析基础理论 倒谱分析是一种用于信号处理的技术，主要用于分离混合信号中的不同成分。它通过傅里叶变换将时域信号转换到频域，再通过对数运算进一步映射到倒频域[^1]。这种方法特别适用于语音信号的基频提取和共振峰检测。 #### 2. 使用 Python 进行倒谱分析 以下是利用 Python 对语音信号进行倒谱分析并提取基频和共振峰的具体方法： ```python import numpy as np import matplotlib.pyplot as plt from scipy.fftpack import fft, ifft import librosa def cepstral_analysis(signal, fs): """ Perform cepstral analysis on the given signal. Parameters: signal (ndarray): Input audio signal. fs (int): Sampling frequency of the input signal. Returns: ceps (ndarray): Cepstrum coefficients. """ N = len(signal) spectrum = fft(signal) # Compute FFT to get the spectrum log_spectrum = np.log(np.abs(spectrum)) # Take logarithm of magnitude spectrum ceps = ifft(log_spectrum).real # Inverse FFT and take real part return ceps[:N//2] # Load an example audio file x, sr = librosa.load("example_audio.wav", sr=None) # Extract a frame from the audio signal wlen = int(sr * 0.025) # Frame length: 25 ms inc = int(sr * 0.01) # Frame shift: 10 ms frames = librosa.util.frame(x, frame_length=wlen, hop_length=inc).T # Select one frame for demonstration frame_data = frames[15] ceps = cepstral_analysis(frame_data, sr) # Plot results plt.figure(figsize=(10, 6)) plt.subplot(2, 1, 1) plt.plot(frame_data) plt.title('Original Signal') plt.xlabel('Sample Index') plt.subplot(2, 1, 2) plt.plot(ceps) plt.title('Cepstrum Coefficients') plt.xlabel('Quefrency Bins') plt.ylabel('Amplitude') plt.tight_layout() plt.show() print(f"Estimated Pitch Frequency: {np.argmax(ceps)} Hz") # Estimate pitch based on peak location ``` 上述代码实现了以下功能： - 加载音频文件 `example_audio.wav` 并对其进行分帧操作。 - 针对某一特定帧执行倒谱分析。 - 绘制原始信号及其对应的倒谱系数曲线图。 - 输出估计得到的基频位置（对应于倒谱峰值的位置）。 #### 3. 结果解释 在倒谱中，低阶倒谱系数通常反映了周期性特征，而高阶部分则表示非周期性的细节信息。对于语音信号而言，基频往往体现在较低的 quefrency 范围内，因此可以通过寻找该区域内的最大值来定位基频[^3]。 至于共振峰的提取，则需关注更高维度上的局部极大值点。这些极值代表了声道滤波器的主要谐振频率，在实际应用中可能还需要结合其他技术手段加以验证和完善。 --- ###