PitchSchätzung

PitchSchätzung, auch F0-Schätzung genannt, ist der Prozess der Bestimmung der Grundfrequenz eines Audiosignals über die Zeit. Die Grundfrequenz F0 entspricht dem niedrigsten Harmonischen des Schalls und wird in vielen Anwendungen als Pitch wahrgenommen. Ziel der PitchSchätzung ist es, eine zeitlich aufgelöste F0-Spur zu erzeugen, die Sprache, Gesang oder Musik charakterisiert.

Methoden lassen sich grob in zeitbereichsbasierte Ansätze (z. B. Autokorrelation, AMDF, YIN und dessen Varianten) und frequenzbereichsbasierte Ansätze (Spektrumanalyse mit FFT, Cepstrum, Harmonic Product Spectrum) unterteilen. Zeitbereichsmodelle suchen periodische Strukturen direkt im Signal, während frequenzbereichsbasierte Verfahren die Spektren analysieren, um die Grundfrequenz aus Peak-Strukturen abzuleiten. In der Praxis werden oft Voicing- bzw. Unvoiced-Entscheidungen getroffen, um Pausen und ungesungene Segmente zu kennzeichnen. Post-processing-Techniken wie Hidden Markov Models, Kalman-Filter oder Trajektorien-Glättung stabilisieren die F0-Spur über die Zeit.

Herausforderungen ergeben sich bei polyphonem Material, Vibrato, Stimmführung, Formantenstrukturen, Rauschen, Störgeräuschen oder ungesungenen Abschnitten. Oktavenverwechslungen und Instabilitäten in kurzen Abschnitten erfordern robuste Verfahren und ggf. zusätzliche Kontextinformationen.

Anwendungen finden sich in der Sprachanalyse (Prosodie, Sprechererkennung, Sprachtherapie), in der Musik-Information-Retrieval, der Musikanalyse, dem Stimmtraining sowie automatischer Transkription und Tuning-Systemen. Die Qualität der PitchSchätzung wird typischerweise mit Metriken wie GPE (Gross Pitch Error), FPE (Fine Pitch Error), Voicing-Decision-Error und dem Anteil korrekt detektierten F0 gemessen.