其他答案中引用的大多数频率检测算法不适用于语音。要了解为什么如此直观，可以考虑将所有语言的元音都唱到一个特定的音符上。即使所有这些元音具有不同的频率成分，也必须将它们全部检测为同一音符。任何用于语音的音符检测算法都必须以某种方式考虑到这一点。此外，人类的语音和歌曲包含许多擦音，其中许多没有隐含的音调。

在一般（非语音情况下）中，您要查找的功能称为 色度功能， 并且在该主题上有相当多的工作要做。它等效地称为 谐波音调等级分布
。关于该概念的原始参考文件是Tayuka Fujishima的“
音乐声音的实时和弦识别：使用普通Lisp音乐的系统
”。在维基百科条目有算法的更现代的变体的概述。有大量免费论文和色度特征检测的MATLAB实现。

但是，由于您仅关注人的声音，并且人的声音自然包含大量的泛音，因此在这种特定情况下，您实际需要的是 基本的频率检测算法 或
f0检测算法
。有几种此类算法已针对语音进行了明确调整。另外，这是一种被广泛引用的算法，可同时处理多个声音。然后，您应根据等温标度检查检测到的频率，然后找到最接近的匹配项。

由于我怀疑您正在尝试构建音调检测器和/或自动调谐器，因此您可能要使用M.
Morise出色的WORLD实施，该实施可快速，高质量地检测和修改语音流上的f0。

最后，请注意，只有少数人声音调检测器在人声油炸套中工作良好。几乎所有这些声音，包括WORLD，都因发声和声音很低而失败。许多论文将人声炒作称为“吱吱作响的声音”，并且已经开发出特定的算法来专门帮助这种类型的声音输入。