File size: 2,081 Bytes
0b85fb9 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 |
import numpy as np
import pyworld
from numpy.typing import NDArray
def adjust_voice(
fs: int,
wave: NDArray[np.float32],
pitch_scale: float = 1.0,
intonation_scale: float = 1.0,
) -> tuple[int, NDArray[np.float32]]:
"""
音声のピッチと抑揚を調整する。
変更すると若干音質が劣化するので、どちらも初期値のままならそのまま返す。
Args:
fs (int): 音声のサンプリング周波数
wave (NDArray[np.float32]): 音声データ
pitch_scale (float, optional): ピッチの高さ. Defaults to 1.0.
intonation_scale (float, optional): 抑揚の平均からの変更比率. Defaults to 1.0.
Returns:
tuple[int, NDArray[np.float32]]: 調整後の音声データのサンプリング周波数と音声データ
"""
if pitch_scale == 1.0 and intonation_scale == 1.0:
# 初期値の場合は、音質劣化を避けるためにそのまま返す
return fs, wave
# pyworld で f0 を加工して合成
# pyworld よりもよいのがあるかもしれないが……
# pyworld での処理のために double に変換 (念のため)
wave_double = wave.astype(np.double)
# 質が高そうだしとりあえずharvestにしておく
f0, t = pyworld.harvest(wave_double, fs)
sp = pyworld.cheaptrick(wave_double, f0, t, fs)
ap = pyworld.d4c(wave_double, f0, t, fs)
non_zero_f0 = [f for f in f0 if f != 0]
# 非ゼロの f0 が存在しない場合（無音に近い場合など）は元の音声をそのまま返す
if len(non_zero_f0) == 0:
return fs, wave # 元の (float32 の) wave を返す
f0_mean = sum(non_zero_f0) / len(non_zero_f0)
for i, f_val in enumerate(f0):
if f_val == 0:
continue
f0[i] = pitch_scale * f0_mean + intonation_scale * (f_val - f0_mean)
synthesized_wave_double = pyworld.synthesize(f0, sp, ap, fs)
# 最終的に float32 に変換してから返す
return fs, synthesized_wave_double.astype(np.float32)
|