有专门的基音提取算法，分时域和频域两种。不管哪一种都是先把语音切成很短的帧（基音提取的话可以取10ms-40ms一帧），然后时域算法计算这一小段信号的自相关，频域算法直接取FFT然后找出最合适的一条谱线。相关的论文和研究很多，不同算法的性能差别是很大的。
对于音乐来说，唱准的调都在440 * 2^(k/12)的频率上，根据调性不同实际上用到的更少，也可以不用区分高八度和低八度。没有乐谱的话可以先依据这个判断是否基本唱准，当然最好还是要有纯人声的部分。卡拉OK都是有原唱和伴奏切换的，当然也会有纯人声的数据（一减就行了嘛），所以不是什么问题。