You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Mattéo Delabre d124e8465e
Ajout stft-decode
1 month ago
fig Mise en cohérence des styles de graphes 1 month ago
sounds Mise à jour des graphes 1 month ago
.gitignore Initial commit 1 month ago
README.md Ajout stft-decode 1 month ago
fft-decode.py Ajout stft-decode 1 month ago
fft-graph.py Mise en cohérence des styles de graphes 1 month ago
generate.py Documentation sur soundbox 1 month ago
soundbox.py Ajout script pour décoder les notes 1 month ago
stft-decode.py Ajout stft-decode 1 month ago
stft-graph.py Mise en cohérence des styles de graphes 1 month ago

README.md

À la recherche des notes originelles

À partir de l’enregistrement numérique d’une interprétation musicale, est-il possible de reconnaître la séquence de notes qui a été jouée sur les différents instruments utilisés ? Cette situation s’apparente à celle où l’on dispose d’une image matricielle rendue à partir d’une image vectorielle et où l’on souhaite retrouver les vecteurs d’origine dont on ne dispose plus — à la différence que nous traitons ici d’un signal 1D au lieu de 2D, et d’un signal sonore plutôt que visuel qui plus est.

Excursion sinusoïdale

Simplifions d’abord le problème en considérant un signal composé uniquement de sinusoïdes pures (produit par le synthétiseur de fortune qu’est ce script Python). Cela facilite doublement la tâche, puisque non seulement le signal est totalement exempt de bruit, mais en plus les instruments convoqués n’ont qu’une seule harmonique. Une première approche consiste à étudier le spectre du signal en utilisant une transformation de Fourier (générée par ce script Python).

Spectre du son produit par le synthétiseur

Sur ce spectre peuvent être distinguées les douze notes qui composent le morceau : do₂, sol₂, la₂, do₃, mi₃, fa₃, sol₃, la₃, si₃, do₄, re₄, mi₄. Une information cruciale manque cependant, celle de l’évolution du signal dans le temps. Une façon de l’obtenir consiste à découper le signal en courtes fenêtres de temps et d’appliquer la transformation de Fourier sur les segments obtenus : c’est la transformée de Fourier à court terme. On obtient ainsi un sonagramme qui montre l’évolution des fréquences du signal dans le temps (produit par ce script Python).

Évolution dans le temps du spectre du son produit par le synthétiseur

Ce sonagramme permet de distinguer clairement les deux parties du morceau, celle jouée par une sinusoïde au dessus de 250 Hz et celle jouée par une onde carrée en dessous de cette fréquence. On reconnaît également les quatre accords en do majeur joués par la sinusoïde deux fois de suite. Sur cet exemple simple, la transformée de Fourier à court terme est donc suffisante pour extraire les notes, mais qu’en est-il d’un signal plus complexe ?