基于 Psola 采样点级别的 Pitch 调整算法。

Pitch/F0 目前已经成为了语音中非常常用的特征，特别是针对声调语言（中日韩越粤等语言）。 中文中， pitch 的高低不仅影响汉字的音调，同时也是反应语言情绪表达的主要特征。无论是 TTS 还是 vc 任务，均有一类基于 pitch 的方案活跃在 paper和工程中。

这篇文章会重点介绍一种基于采样点级别的pitch调整算法。代码细节和具体例子均位于 Pitch_and_Duration_tuner

基频提取器

什么是 f0/pitch 以及一些基础的提取方法 参考链接

几个常用的提取基频库。具体原理可以参考对应文档。为了调用方便，针对前三种方法，我写成了对应python的封装。

• SPKT
• PyWorld
• Praat
• Kaldi

实际使用中，发现理想状态下，各个库效果差不多，但带底噪情况下，Praat和Spkt貌似有更好的鲁棒性。 在性能方面，pyworld明显速度快于其他算法。

Pitch Tuner

常见的Pitch修改器一般都是seq级别的，例如sox/ffmpeg/Sptk。 某些特定的场景下，我们需要一个采样点级别的pitch修改器，可以更灵活的对音频中某一段的基频进行修改。

本质上来说，基于Psola或Wsola的算法，实现采样点级别的pitch修改并无额外难度，但对应好用的算法接口却并不多。 Praat是其中一个，它提供了比较灵活的pitch-tuner接口。

一个例子：将音频0.5～1.5s部分基频提升10%。实现前后基频图像如下

具体使用方法和更多例子，可以参考git项目。

其他功能

Duration Tuner

类似的，不仅可以调基频，也可以点对点的调整duration（调速）。调用接口类似。不过这里要注意的是，速度调整是连续渐变的。

一个例子，对于2.5s的音频，希望在1.0s处duration变为原来的二倍。同时，在0~0.5s/1.0~2.5s音频不变。可以使用参数 [(0.5, 1.0), (1.0, 2.0), (1.5, 1.0)]。

变换之后的音频总时长为 3.0s (= 0.5 + (1.0 + 2.0) x 0.5 x 0.5 + (1.0 + 2.0) x 0.5 x 0.5 + 1.0) 变换前后音频图像如下（为方便显示，纵轴为能量，并经过了降采样。）