如果存在相对较强的鼓声，一种可行的方法是获取波形的 STFT 幅度，然后仅在时间维度上自动关联它。自相关函数的峰值将是节拍，或它的约数。

这相当于将信号分解成许多不同的频带，找到每个频带的幅度包络，对每个包络进行自相关，然后将它们相加。通过互相关运算将音乐的噪声和其他部分平均化。

这是因为鼓声在许多频率（垂直线）上产生短暂的声音，而音乐的其他部分仅在少数频率（水平线）上长期存在，并且噪声在所有频率上都是长期存在的但随机的。如果您查看 STFT，您可以看到节拍重复：

我为一个学校项目想出了这个来为整个音乐文件找到一个 BPM 值，但它也可以适应改变 BPM 的音频流。您需要处理至少两倍于您正在寻找的 BPM 周期的块。

自相关当然是一个很好的基本方法。您可以做一些事情来进一步增强这一点：

1. 如果您知道鼓的频谱，请对信号进行带通滤波，以便只保留与鼓相关的频率。根据鼓的不同，这可能非常窄，应该可以消除绝大多数噪音。
2. 然后使用与鼓声长度大致匹配的时间常数计算信号的时域包络（“有损峰值”是最简单的方法）。
3. 然后做自相关