【要約】ピッチ検出アルゴリズムは何を見ているのか？FFT・自己相関・YIN・自作アルゴリズムを比較できるツールを作ってみた [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
音声信号処理のエンジニアは、ピッチ検出アルゴリズムの選定において、結果の数値のみでは判断できない課題に直面している。アルゴリズムの特性を深く理解するための手段が不足しているため、以下の問題が生じている。
- ・各アルゴリズムが「何を見て」周波数を決定しているのかが不透明である。
- ・FFTの倍音への弱さや、自己相関の倍周期問題など、特性の差異が直感的に理解しにくい。
- ・特定のノイズ条件下でなぜ誤検出が起きるのか、その根拠を検証する手段が乏しい。
// Approach
筆者は、アルゴリズムの内部挙動を可視化するため、同一フレームに対して複数の手法を適用する比較ツールを開発した。Streamlitを用いて「Periodicity Analysis Lab」を実装し、以下のステップで解析を行う。
- ・FFT、自己相関、YIN（CMNDF）、独自アルゴリズムbedcmmの4種を比較対象に設定。
- ・同一の音声フレームに対し、各アルゴリズムの評価関数を算出。
- ・波形、周期性評価関数、ピッチ軌跡を同一画面上で並列表示するUIを構築。
// Result
本ツールの開発により、ユーザーはアルゴリズムごとの評価関数の形状の違いを視覚的に確認可能となった。これにより、以下の知見が得られている。
- ・スパイクノイズを含む信号において、YINがオクターブ誤りを起こす挙動を具体的に観測。
- ・アルゴリズムが周波数を選択する根拠を、評価関数の形状から直感的に理解可能にした。
- ・今後はViterbi TrackingやpYINとの比較など、機能拡張を予定している。
Senior Engineer Insight
> 音声解析エンジンの開発において、アルゴリズムの「振る舞いの可視化」はデバッグの要である。本ツールは、単なる精度比較ではなく、評価関数の形状という「根拠」を提示する点で、アルゴリズム選定の意思決定を強力に支援する。実戦投入においては、リアルタイム処理における計算コストと、ノイズ耐性のトレードオフを定量的に評価するためのプロトタイピング環境として極めて有用である。