SwiftF0：快速而准确的单音调音高检测

准确且实时的单音调音高估计在噪声环境下，尤其在资源受限的设备上，仍是音频处理中的开放挑战。我们提出了 \emph{SwiftF0}，一种新型轻量级神经模型，为单音调音高估计树立了新的最佳水平。通过在多样化的语音、音乐和合成数据集上进行训练，并进行大量数据增强，SwiftF0 能够在声学领域实现稳健的泛化，同时保持计算效率。SwiftF0 在 10 dB 信噪比下的调和平均值（HM）达到 91.80%，超越 CREPE 等基线模型超过 12 个百分点，仅比干净音频差 2.3 个百分点。SwiftF0 只需 95,842 个参数，在 CPU 上运行速度约为 CREPE 的 42 倍，使其适用于高效、实时的部署。为解决语音语料库中缺乏完美准确基准音高的关键问题（这些语料库通常依赖于算法估计器或喉镜图信号），我们引入了 \emph{SpeechSynth}。该合成语音数据集由基于音素的语音合成模型生成，提供精确的、按需的基准音高曲线，实现更稳健的模型训练和评估。此外，我们提出了一种统一的度量标准，将六种互补的性能度量组合在一起，实现全面可靠的音高评估，并发布了开源音高基准套件。SwiftF0 的在线演示可在 https://swift-f0.github.io/，源代码可在 https://github.com/lars76/swift-f0}，基准框架可在 https://github.com/lars76/pitch-benchmark。