Explorer la magie du Hz : créer un analyseur de fréquence musicale

Dans le domaine de la musique et du son, il existe un débat fascinant sur la fréquence qui a retenu l'attention des musiciens, des historiens et des scientifiques. Au cœur de cette discussion se trouve le nombre 432 Hz, souvent appelé « fréquence naturelle de l’univers ». Aujourd'hui, je vais vous présenter mon parcours de création d'une application Web qui analyse les fichiers audio pour déterminer s'ils sont accordés sur cette fréquence mystique.

Le contexte historique

Avant de plonger dans les détails techniques, comprenons pourquoi 432 Hz est important. Cette fréquence n’a pas été choisie arbitrairement : elle a de profondes racines historiques. Des légendes musicales comme Bach et Beethoven accordaient leurs instruments sur A = 432 Hz, le considérant comme l'accord naturel qui résonne avec l'univers lui-même.

Cependant, cela a changé pendant la Seconde Guerre mondiale lorsque la norme a été déplacée vers 440 Hz. Certains affirment que 440 Hz crée un sentiment subtil de tension et d’anxiété, en le comparant aux parasites radio. En revanche, 432 Hz favoriserait l’harmonie et la fluidité naturelle de la musique. Que l'on croie ou non à ces effets, le défi technique de l'analyse des fréquences audio reste fascinant.

Aperçu technique

Notre application est construite à l'aide de technologies Web modernes et de bibliothèques de calcul scientifique :

• Backend : FastAPI (Python)
• Traitement audio : pydub, numpy, scipy
• Frontend : interface Web pour les téléchargements de fichiers
• Analyse : Transformation de Fourier rapide (FFT) pour la détection de fréquence

La science derrière l'analyse de fréquence

Au cœur de notre application se trouve l'algorithme de transformée de Fourier rapide (FFT). FFT transforme notre signal audio du domaine temporel au domaine fréquentiel, nous permettant d'identifier les fréquences dominantes dans un morceau de musique.

Voici comment fonctionne l'analyse :

1. Traitement des entrées audio

   audio = AudioSegment.from_file(io.BytesIO(file_content)).set_channels(1)  # Convert to mono
   samples = np.array(audio.get_array_of_samples())
   sample_rate = audio.frame_rate

1. Analyse de fréquence

   fft_vals = rfft(samples)
   fft_freqs = rfftfreq(len(samples), d=1/sample_rate)
   dominant_freq = fft_freqs[np.argmax(np.abs(fft_vals))]

1. Interprétation des résultats

   tolerance = 5  # Hz
   result = (
       f"The dominant frequency is {dominant_freq:.2f} Hz, "
       f"{'close to' if abs(dominant_freq - 432) <= tolerance else 'not close to'} 432Hz."
   )

Détails de mise en œuvre technique

Architecture back-end

Notre backend FastAPI gère le gros du travail du traitement audio. Voici les principales caractéristiques :

1. Validation des fichiers

   • S'assure que les fichiers téléchargés sont au format audio
   • Limite la taille du fichier à 20 Mo
   • Valide l'intégrité du flux audio

2. Pipeline de traitement audio

   • Convertit l'audio en mono pour une analyse cohérente
   • Extrait des échantillons bruts pour le traitement FFT
   • Applique la FFT pour identifier les composantes de fréquence

3. Gestion des erreurs

   • Gestion gracieuse des fichiers invalides
   • Effacer les messages d'erreur pour les formats non pris en charge
   • Gestion robuste des exceptions pour les erreurs de traitement

Conception d'API

L'API est simple mais efficace :

   audio = AudioSegment.from_file(io.BytesIO(file_content)).set_channels(1)  # Convert to mono
   samples = np.array(audio.get_array_of_samples())
   sample_rate = audio.frame_rate

Expérience utilisateur

L'application fournit une interface simple :

1. Téléchargez n'importe quel fichier audio pris en charge
2. Recevez une analyse instantanée de la fréquence dominante
3. Obtenez un retour clair sur la proximité de la fréquence avec 432 Hz
4. Voir l'interprétation détaillée de la signification et de la signification de la fréquence

Interprétation des fréquences

L'une des fonctionnalités clés est l'interprétation intelligente des fréquences. L'application vous indique non seulement la fréquence dominante mais vous explique également sa signification :

   fft_vals = rfft(samples)
   fft_freqs = rfftfreq(len(samples), d=1/sample_rate)
   dominant_freq = fft_freqs[np.argmax(np.abs(fft_vals))]

Le système d'interprétation fournit un contexte pour différentes gammes de fréquences :

• 432 Hz (±5 Hz) : Explique la signification historique et l'alignement naturel
• 440 Hz (±5 Hz) : Détails sur l'accordage standard moderne
• En dessous de 432 Hz : Informations sur les caractéristiques des fréquences inférieures
• Au-dessus de 432 Hz : aperçu des propriétés des fréquences plus élevées

Cette fonctionnalité aide les utilisateurs à comprendre non seulement la valeur numérique de la fréquence, mais également son contexte musical et historique, rendant l'outil plus éducatif et attrayant.

Défis techniques et solutions

Défi 1 : Compatibilité des formats audio

• Solution : Utiliser pydub pour la prise en charge du grand format
• Validation du format implémentée avant traitement

Défi 2 : Traitement de fichiers volumineux

• Solution : implémentation de limites de taille de fichier
• Ajout de la prise en charge du streaming pour une utilisation efficace de la mémoire

Défi 3 : Précision vs Performance

• Solution : taille de fenêtre FFT équilibrée
• Plage de tolérance mise en œuvre pour des résultats pratiques

Améliorations futures

1. Analyse améliorée

   • Détection de fréquences multiples
   • Analyse harmonique
   • Suivi des fréquences basé sur le temps

2. Fonctionnalités utilisateur

   • Traitement des fichiers batch
   • Visualisation de fréquence
   • Pitch Shifting audio à 432 Hz

Conclusion

La construction de cet analyseur de fréquence a été un voyage passionnant à l'intersection de la musique, de l'histoire et de la technologie. Que vous soyez un musicien intéressé par le phénomène 432 Hz ou un développeur curieux du traitement audio, j'espère que ce projet fournira des informations précieuses sur la façon dont nous pouvons analyser et comprendre les fréquences qui composent notre monde musical.

Le code source complet est disponible sur GitHub, et j'apprécie les contributions et suggestions d'améliorations. N'hésitez pas à expérimenter différents fichiers audio et à explorer le monde fascinant de l'analyse de fréquence !

---

Remarque : ce projet est open source et disponible à des fins éducatives. L'analyse de fréquence est destinée à un usage expérimental et peut ne pas convenir aux applications professionnelles de réglage audio.

Reyes Vicente / Vérificateur de fréquence 432 Hz

Ce projet vérifie si la fréquence d'une chanson est de 432 Hz ou non.

Ce projet vérifie si la fréquence d'une chanson est de 432 Hz ou non.

Pourquoi 432 Hz ?

432 Hz est considérée comme la fréquence naturelle de l'univers, adoptée par de grands compositeurs comme Bach et Beethoven pour créer une musique qui touche l'âme. Cela indique que la balance musicale universelle utilisait 432A pour accorder ses instruments. Cependant, pendant la Seconde Guerre mondiale, cette fréquence a été modifiée à 440 Hz, ce qui ressemble à l'électricité statique d'une radio, désorientante et troublante. En revanche, 432 Hz favorise l’harmonie et une sensation de fluidité. C’est la fréquence idéale, organique et inspirante ! La nature est vraiment merveilleuse !

Exécutez le backend :

   audio = AudioSegment.from_file(io.BytesIO(file_content)).set_channels(1)  # Convert to mono
   samples = np.array(audio.get_array_of_samples())
   sample_rate = audio.frame_rate

Exécutez le frontend

   fft_vals = rfft(samples)
   fft_freqs = rfftfreq(len(samples), d=1/sample_rate)
   dominant_freq = fft_freqs[np.argmax(np.abs(fft_vals))]

Voir sur GitHub

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!