The sawtest.py script generates audio samples for various filter implementations (including matrix exponential and TPT) with various input signals and settings. It should be useful for comparing the quality of the various implementations, even though it's pretty slow.master
Raph Levien
12 years ago
parent
cc93548845
commit
75902125d5
@ -0,0 +1,383 @@ |
|||||||
|
import argparse |
||||||
|
import struct |
||||||
|
import numpy as np |
||||||
|
from math import * |
||||||
|
|
||||||
|
samplerate = 44100 * 1 |
||||||
|
|
||||||
|
# generate a saw matching the parameters of "fun with sigmoids" |
||||||
|
def sawperiod(): |
||||||
|
result = [] |
||||||
|
f0 = 63. * 2 * pi / samplerate |
||||||
|
for i in range(samplerate / 63): |
||||||
|
y = 0 |
||||||
|
x0 = i * f0 |
||||||
|
for partial in range(1, 351): |
||||||
|
gain = 1.0 / partial |
||||||
|
if partial > 300: |
||||||
|
gain *= (351 - partial) * (1.0 / (351 - 300)) |
||||||
|
y += gain * sin(partial * x0) |
||||||
|
result.append(y) |
||||||
|
return result |
||||||
|
|
||||||
|
def saw(n): |
||||||
|
return sawperiod() * (n / (samplerate / 63)) |
||||||
|
|
||||||
|
def sinsweep(n): |
||||||
|
fmax = 22000 * pi * 2 / samplerate |
||||||
|
scale = fmax * .5 / n |
||||||
|
return [sin(i * i * scale) for i in range(n)] |
||||||
|
|
||||||
|
def sweep(n): |
||||||
|
n2 = n / 2 |
||||||
|
lamin = log(20 * 2 * pi / samplerate) |
||||||
|
lamax = log(14000 * 2 * pi / samplerate) |
||||||
|
result = [] |
||||||
|
slope = (lamax - lamin) / n2 |
||||||
|
for i in range(n2): |
||||||
|
a = exp(lamin + slope * i) |
||||||
|
result.append(a) |
||||||
|
return result + result[-1::-1] |
||||||
|
|
||||||
|
# Based on code by mystran (Teemu Voipio) |
||||||
|
# See http://www.kvraudio.com/forum/viewtopic.php?t=349859 |
||||||
|
|
||||||
|
def tanhXdx(x): |
||||||
|
a = x * x |
||||||
|
return ((a + 105.0)* a + 945.0) / ((15.0 * a + 420.0) * a + 945.0) |
||||||
|
|
||||||
|
def tpt_nl(xs, aas, k): |
||||||
|
z1 = 0 |
||||||
|
s = [0] * 4 |
||||||
|
r = k |
||||||
|
result = [] |
||||||
|
for i in range(len(xs)): |
||||||
|
xin = xs[i] |
||||||
|
a = aas[i] |
||||||
|
f = tan(a * .5) |
||||||
|
ih = .5 * (xin + z1) |
||||||
|
z1 = xin |
||||||
|
|
||||||
|
t0 = tanhXdx(ih - r * s[3]) |
||||||
|
t1 = tanhXdx(s[0]) |
||||||
|
t2 = tanhXdx(s[1]) |
||||||
|
t3 = tanhXdx(s[2]) |
||||||
|
t4 = tanhXdx(s[3]) |
||||||
|
g0 = 1 / (1 + f * t1) |
||||||
|
g1 = 1 / (1 + f * t2) |
||||||
|
g2 = 1 / (1 + f * t3) |
||||||
|
g3 = 1 / (1 + f * t4) |
||||||
|
f3 = f * t3 * g3 |
||||||
|
f2 = f * t2 * g2 * f3 |
||||||
|
f1 = f * t1 * g1 * f2 |
||||||
|
f0 = f * t0 * g0 * f1 |
||||||
|
y3 = (g3*s[3] + f3*g2*s[2] + f2*g1*s[1] + f1*g0*s[0] + f0*xin)/(1 + r * f0) |
||||||
|
xx = t0 * (xin - r * y3) |
||||||
|
y0 = t1 * g0 * (s[0] + f * xx) |
||||||
|
y1 = t2 * g1 * (s[1] + f * y0) |
||||||
|
y2 = t3 * g2 * (s[2] + f * y1) |
||||||
|
s[0] += 2 * f * (xx - y0) |
||||||
|
s[1] += 2 * f * (y0 - y1) |
||||||
|
s[2] += 2 * f * (y1 - y2) |
||||||
|
s[3] += 2 * f * (y2 - t4 * y3) |
||||||
|
result.append(y3) |
||||||
|
return result |
||||||
|
|
||||||
|
def antti_nl(xs, aas, k, tanhfunc = tanh): |
||||||
|
y0 = 0 |
||||||
|
y1 = 0 |
||||||
|
y2 = 0 |
||||||
|
y3 = 0 |
||||||
|
ty0 = 0 |
||||||
|
ty1 = 0 |
||||||
|
ty2 = 0 |
||||||
|
ty3 = 0 |
||||||
|
yy = 0 |
||||||
|
result = [] |
||||||
|
for i in range(len(xs)): |
||||||
|
xin = xs[i] |
||||||
|
a = aas[i] |
||||||
|
tx = tanhfunc(xin - k * (y3 + yy) * .5) |
||||||
|
y0 += a * (tx - ty0) |
||||||
|
yy = y3 |
||||||
|
ty0 = tanhfunc(y0) |
||||||
|
y1 += a * (ty0 - ty1) |
||||||
|
ty1 = tanhfunc(y1) |
||||||
|
y2 += a * (ty1 - ty2) |
||||||
|
ty2 = tanhfunc(y2) |
||||||
|
y3 += a * (ty2 - ty3) |
||||||
|
ty3 = tanhfunc(y3) |
||||||
|
x = 0 |
||||||
|
result.append(y3) |
||||||
|
return result |
||||||
|
|
||||||
|
def expm_series(A, n = 16): |
||||||
|
B = np.identity(len(A)) |
||||||
|
C = np.identity(len(A)) |
||||||
|
for i in range(1, n): |
||||||
|
C = A * C / i |
||||||
|
B = B + C |
||||||
|
return B |
||||||
|
|
||||||
|
def expm_hyb(A, n1 = 8, n2 = 8): |
||||||
|
A = expm_series(A / (1 << n2), n1) |
||||||
|
for i in range(n2): |
||||||
|
A = A * A |
||||||
|
return A |
||||||
|
|
||||||
|
def mkjacobian(a, k): |
||||||
|
return np.matrix([[0, 0, 0, 0, 0], |
||||||
|
[a, -a, 0, 0, -k * a], |
||||||
|
[0, a, -a, 0, 0], |
||||||
|
[0, 0, a, -a, 0], |
||||||
|
[0, 0, 0, a, -a]]) |
||||||
|
|
||||||
|
def expm_nl(xs, aas, k, tanhfunc = tanh, every = 64): |
||||||
|
kk = k |
||||||
|
y = np.zeros([4, 1]) |
||||||
|
ty = y |
||||||
|
result = [] |
||||||
|
for i in range(len(xs)): |
||||||
|
if i % every == 0: |
||||||
|
a = aas[i] |
||||||
|
A = expm_hyb(mkjacobian(a, k)) |
||||||
|
|
||||||
|
B = A[1:, 0] |
||||||
|
A = A[1:, 1:] |
||||||
|
AM = A - np.identity(4) |
||||||
|
|
||||||
|
for j in range(4): |
||||||
|
AM[j, 3] += B[j, 0] * kk |
||||||
|
|
||||||
|
x = xs[i] |
||||||
|
tx = tanhfunc(x - kk * y[3, 0]) |
||||||
|
y += B * tx + AM * ty |
||||||
|
ty = np.matrix([tanhfunc(x[0]) for x in y]).T |
||||||
|
|
||||||
|
result.append(y[3, 0]) |
||||||
|
return result |
||||||
|
|
||||||
|
def invsqrt(x): |
||||||
|
return x / sqrt(1 + x ** 2) |
||||||
|
|
||||||
|
def clip(x): |
||||||
|
return min(1, max(-1, x)) |
||||||
|
|
||||||
|
fir = map(float, '''-0.00000152158394097619 |
||||||
|
-0.00000932875737718674 |
||||||
|
-0.00001008290833020705 |
||||||
|
0.00000728628960094510 |
||||||
|
0.00002272556429291851 |
||||||
|
-0.00000017886444625648 |
||||||
|
-0.00004038828866646377 |
||||||
|
-0.00002127235603321839 |
||||||
|
0.00005623314602326363 |
||||||
|
0.00006233931357689778 |
||||||
|
-0.00005884569707596701 |
||||||
|
-0.00012410666372671377 |
||||||
|
0.00003231781361429016 |
||||||
|
0.00019973378481126099 |
||||||
|
0.00004097428652472217 |
||||||
|
-0.00027125558280978066 |
||||||
|
-0.00017513777576291543 |
||||||
|
0.00030833229435342778 |
||||||
|
0.00037363561338823163 |
||||||
|
-0.00027028256701905416 |
||||||
|
-0.00062153272838533420 |
||||||
|
0.00011242294792251808 |
||||||
|
0.00087909017443692499 |
||||||
|
0.00020309303892565388 |
||||||
|
-0.00107928469499717137 |
||||||
|
-0.00069305675670084180 |
||||||
|
0.00113148992142813524 |
||||||
|
0.00133794323705832747 |
||||||
|
-0.00093286682198106608 |
||||||
|
-0.00206892788224323455 |
||||||
|
0.00038777937772768273 |
||||||
|
0.00276141532345176117 |
||||||
|
0.00056670689248167661 |
||||||
|
-0.00323852878331680298 |
||||||
|
-0.00193259906597622396 |
||||||
|
0.00328731491441583683 |
||||||
|
0.00362542589345449945 |
||||||
|
-0.00268785554870503091 |
||||||
|
-0.00545702740033716938 |
||||||
|
0.00125317559909794512 |
||||||
|
0.00713205061850966104 |
||||||
|
0.00112492149537589880 |
||||||
|
-0.00826148096867550946 |
||||||
|
-0.00443085208574918715 |
||||||
|
0.00839336065985300112 |
||||||
|
0.00848839486761648020 |
||||||
|
-0.00705662837862476577 |
||||||
|
-0.01293781936476604867 |
||||||
|
0.00380913247729417143 |
||||||
|
0.01722862947876550518 |
||||||
|
0.00172513205576642695 |
||||||
|
-0.02062091118580804822 |
||||||
|
-0.00985374287540894019 |
||||||
|
0.02217056516274141381 |
||||||
|
0.02089533076058044253 |
||||||
|
-0.02062760756367006815 |
||||||
|
-0.03546365160613443313 |
||||||
|
0.01401630243169032369 |
||||||
|
0.05541063386809867708 |
||||||
|
0.00212045427486363437 |
||||||
|
-0.08794052708207862612 |
||||||
|
-0.04526389505656687462 |
||||||
|
0.18221762668014460096 |
||||||
|
0.41075960732889965632 |
||||||
|
0.41075960732889965632 |
||||||
|
0.18221762668014460096 |
||||||
|
-0.04526389505656687462 |
||||||
|
-0.08794052708207862612 |
||||||
|
0.00212045427486363437 |
||||||
|
0.05541063386809867708 |
||||||
|
0.01401630243169032369 |
||||||
|
-0.03546365160613443313 |
||||||
|
-0.02062760756367006815 |
||||||
|
0.02089533076058044253 |
||||||
|
0.02217056516274141381 |
||||||
|
-0.00985374287540894019 |
||||||
|
-0.02062091118580804822 |
||||||
|
0.00172513205576642695 |
||||||
|
0.01722862947876550518 |
||||||
|
0.00380913247729417143 |
||||||
|
-0.01293781936476604867 |
||||||
|
-0.00705662837862476577 |
||||||
|
0.00848839486761648020 |
||||||
|
0.00839336065985300112 |
||||||
|
-0.00443085208574918715 |
||||||
|
-0.00826148096867550946 |
||||||
|
0.00112492149537589880 |
||||||
|
0.00713205061850966104 |
||||||
|
0.00125317559909794512 |
||||||
|
-0.00545702740033716938 |
||||||
|
-0.00268785554870503091 |
||||||
|
0.00362542589345449945 |
||||||
|
0.00328731491441583683 |
||||||
|
-0.00193259906597622396 |
||||||
|
-0.00323852878331680298 |
||||||
|
0.00056670689248167661 |
||||||
|
0.00276141532345176117 |
||||||
|
0.00038777937772768273 |
||||||
|
-0.00206892788224323455 |
||||||
|
-0.00093286682198106608 |
||||||
|
0.00133794323705832747 |
||||||
|
0.00113148992142813524 |
||||||
|
-0.00069305675670084180 |
||||||
|
-0.00107928469499717137 |
||||||
|
0.00020309303892565388 |
||||||
|
0.00087909017443692499 |
||||||
|
0.00011242294792251808 |
||||||
|
-0.00062153272838533420 |
||||||
|
-0.00027028256701905416 |
||||||
|
0.00037363561338823163 |
||||||
|
0.00030833229435342778 |
||||||
|
-0.00017513777576291543 |
||||||
|
-0.00027125558280978066 |
||||||
|
0.00004097428652472217 |
||||||
|
0.00019973378481126099 |
||||||
|
0.00003231781361429016 |
||||||
|
-0.00012410666372671377 |
||||||
|
-0.00005884569707596701 |
||||||
|
0.00006233931357689778 |
||||||
|
0.00005623314602326363 |
||||||
|
-0.00002127235603321839 |
||||||
|
-0.00004038828866646377 |
||||||
|
-0.00000017886444625648 |
||||||
|
0.00002272556429291851 |
||||||
|
0.00000728628960094510 |
||||||
|
-0.00001008290833020705 |
||||||
|
-0.00000932875737718674 |
||||||
|
-0.00000152158394097619 |
||||||
|
'''.split()) |
||||||
|
|
||||||
|
fir_n = len(fir) |
||||||
|
|
||||||
|
# would probably be faster to use numpy.convolve and slice, but oh well |
||||||
|
def downsample(data): |
||||||
|
result = [] |
||||||
|
buf = [0] * fir_n |
||||||
|
i = 0 |
||||||
|
for x in data: |
||||||
|
buf[i] = x |
||||||
|
i = (i + 1) & (fir_n - 1) |
||||||
|
if (i & 1) == 0: |
||||||
|
y = 0 |
||||||
|
for j in range(len(fir)): |
||||||
|
y += fir[j] * buf[(i + j) & (fir_n - 1)] |
||||||
|
result.append(y) |
||||||
|
return result |
||||||
|
|
||||||
|
def wavwrite(seq, fn, sr = 44100): |
||||||
|
f = file(fn, 'wb') |
||||||
|
n_samples = len(seq) |
||||||
|
f.write(struct.pack('<4sI4s4sIHHIIHH4sI', |
||||||
|
'RIFF', |
||||||
|
36 + 2 * n_samples, |
||||||
|
'WAVE', |
||||||
|
'fmt ', |
||||||
|
16, |
||||||
|
1, 1, |
||||||
|
sr, |
||||||
|
2 * sr, |
||||||
|
2, 16, |
||||||
|
'data', |
||||||
|
2 * n_samples)) |
||||||
|
for x in seq: |
||||||
|
f.write(struct.pack('<h', min(32767, max(-32767, int(16384 * x))))) |
||||||
|
|
||||||
|
def main(): |
||||||
|
parser = argparse.ArgumentParser() |
||||||
|
parser.add_argument("--oversample", help="oversample factor") |
||||||
|
parser.add_argument("--signal", help="saw or sinsweep") |
||||||
|
parser.add_argument("--k", help="resonance, 4 = oscillate") |
||||||
|
parser.add_argument("--filter", help="tpt, antti, or expm") |
||||||
|
parser.add_argument("--tanhfunc", help="tanh or invsqrt") |
||||||
|
parser.add_argument("--cutoff") |
||||||
|
parser.add_argument("--gain", help="gain in dB") |
||||||
|
parser.add_argument("--ogain", help="outputgain in dB") |
||||||
|
parser.add_argument("--out", help="output wav file") |
||||||
|
args = parser.parse_args() |
||||||
|
oversample = 1 |
||||||
|
if args.oversample: |
||||||
|
oversample = int(args.oversample) |
||||||
|
k = 0 |
||||||
|
if args.k: |
||||||
|
k = float(args.k) |
||||||
|
signal = 'saw' |
||||||
|
if args.signal: |
||||||
|
signal = args.signal |
||||||
|
global samplerate |
||||||
|
samplerate *= oversample |
||||||
|
n = 6 * samplerate |
||||||
|
if signal == 'saw': |
||||||
|
input = saw(n) |
||||||
|
aas = sweep(n) |
||||||
|
elif signal == 'sinsweep': |
||||||
|
input = sinsweep(n) |
||||||
|
aas = [1000./samplerate * 2 * pi] * n |
||||||
|
gain = 1 |
||||||
|
if args.gain: |
||||||
|
gain = 10 ** (float(args.gain)/20) |
||||||
|
input = [y * gain for y in input] |
||||||
|
tanhfunc = tanh |
||||||
|
if args.tanhfunc == 'invsqrt': |
||||||
|
tanhfunc = invsqrt |
||||||
|
if args.filter == 'tpt': |
||||||
|
result = tpt_nl(input, aas, k) |
||||||
|
elif args.filter == 'antti': |
||||||
|
result = antti_nl(input, aas, k, tanhfunc = tanhfunc) |
||||||
|
else: |
||||||
|
result = expm_nl(input, aas, k, tanhfunc = tanhfunc) |
||||||
|
while oversample > 1: |
||||||
|
result = downsample(result) |
||||||
|
oversample /= 2 |
||||||
|
ogain = 1 |
||||||
|
if args.ogain: |
||||||
|
ogain = 10 ** (float(args.ogain)/20) |
||||||
|
if args.out: |
||||||
|
wavwrite(result, args.out) |
||||||
|
|
||||||
|
main() |
||||||
Loading…
Reference in new issue