再次请教关于音乐评分的问题

[baojunz]

（一）先说一下需求背景：

1.图中上面部分是原始音符的频谱，也就是标准音

2.图中下面部分，黄色渐变的线条，则对应频谱中标准音做发出的声音（哆（ Do ）、来（ Re ）、咪（ Mi ）、发（ Fa ）、嗦（ Sol ）、啦（ La ）、西（ Ti ）、哆（ Do ））

3.图中下面部分，蓝色线条，则代表的是实时录制的人声

4.x 轴代表的是时间，y 轴代表的是音符 hz

（二）我们现在评分的方案

评分由三个部分组成：

1.音高：假设目前人声发出的声音赫兹是 200 赫兹，而标准音符的赫兹为 100hz ，则不得分（在对应时间段内，人声所发出的赫兹数越接近标准赫兹数，得分越高。同时已考虑上下加减 50 范围）

2.唱名：人声所发出的声音是否符合标准声，比如在第 3 秒人声发出的是 咪（ Mi ），而标准音发出的是西（ Ti ）则不得分 [该部分目前没有找到合适的评分工具，用的阿里的声音汉字识别，识别的也不准]

4.节奏：假设标准音的 第一秒是 哆（ Do ）且持续两秒，第三秒是 来（ Re ），且持续三秒。也就是两个标准音一个持续了两秒，一个持续了三秒。一共五秒。需要判断人声是否是在第二秒结束，第三秒开始，进行了正确的音符切换(越接近切换的标准时间，得分越高，同时已考虑前后加减 1000 毫秒) [目前没有找到好的方案，采用的是对应时间内音频赫兹来匹配是否符合对应时间内的音频]

（三）我们在实际评分遇到的问题：

1.音高，唱名，节奏的评分计算规则，是否有成熟的算法。或者付费 api 。

可在话题下追问、讨论，在此提前感谢各位佬！