这是读取音频文件 FFT 的正确方法吗？ (python + wav)

Posted 2023-02-25

【中文标题】这是读取音频文件 FFT 的正确方法吗？ (python + wav)

【英文标题】：Is this the correct way to read FFT of a audio file? (python + wav)

【发布时间】：2019-02-04 19:17:42

【问题描述】：

音频文件是一个 16 位单声道 PCM 音频文件，具有不同的采样率和 10-30 毫秒的长度。

import struct
from pydub import Audiosegment
import numpy as np
import matplotlib.pyplot as plt
import scipy.fftpack

sound = AudioSegment.from_wav("3000hz.wav")

raw_data = sound.raw_data# needs to be mono
sample_rate = sound.frame_rate
sample_size = sound.sample_width
channels = sound.channels

fmt = "%ih" % sound.frame_count() * channels
amplitudes= struct.unpack(fmt, raw_data)
yVals = scipy.fftpack.fft(amplitudes)

plt.plot(abs(yVals[:(len(yVals)/2)-1]),'r')
plt.show()

带有 3000hz wav 文件（取自在线正弦波发生器）的输出会产生一个不错的 FFT，但峰值为 9000，而不是 3000。这在其他测试中是一致的 3 倍。这个可以吗？代码是否正确？

【问题讨论】：

乍一看，还可以。您可以绘制“幅度”来验证读取 wav 文件是否正确完成。

哦，请确保您正确解释了轴值。如果采样率 = 1000 并且 FFT 峰值为 100，这并不意味着实际频率为 100 Hz :-)

@HenkvanderLaak 感谢您的帮助，它似乎给了我真正的频率 * 样本长度（以秒为单位）这是一个好的相关性吗？

【参考方案1】：

通过仅使用y 数组而没有对应的x 数组调用plt.plot()，它将使用0, 1, ..., N-1 作为x 值。这不是我们真正想要的，我们想要的是 x 轴上的频率。

让我们用“bin index”表示您现在在图中看到的x 值。设数组长度为N，采样频率为fs。在计算 FFT 时，bin 索引0 对应于 0 Hz 的频率。下一个 bin 索引 1 对应于频率 fs / N Hz。这是因为 FFT 将具有 N 值并从 0 Hz 变为 fs Hz，因此每一步都是 fs / N Hz。因此，下一个 bin 对应于2 * fs / N Hz，依此类推。最后一个 bin N-1 是 (N-1)/N * fs Hz，所以几乎是 fs Hz。

如果我们想要创建一个具有幅度谱与频率的图，那么我们需要手动创建一个频率向量，其中包含每个 bin 索引的实际频率。幸运的是，scipy.fftpack 包含一个函数：fftfreq：

freq = scipy.fftpack.fftfreq(n=N, d=1.0 / fs)

然后我们可以修改对plt.plot()的调用以使用freq作为x值而不是0 ... N-1：

plt.plot(freq, abs(yVals), 'r')

这样，峰值应该在正确的位置。

如果您只想查看单面光谱，则可以像问题中的代码一样裁剪 freq 和 yVals。