4. 傅里叶变换与频谱分析：从DFT到MFCC

傅里叶变换，说白了就是把声音从时间轴掰到频率轴。你听到的是一段波形，但耳朵真正关心的是里面有哪些频率成分。这一章我们就来聊聊怎么用数字信号处理的手段，把时域信号变成频域信息。

我个人习惯把傅里叶变换看作「拆解」——把一个复杂的波形拆成一堆正弦波的叠加。这个思路贯穿了整个音频DSP领域。你想想看，如果连信号里有什么频率都不知道，后面做滤波、压缩、识别都无从下手。

核心认知：时域信号我们看得见摸得着，但频域信息才是音频算法的真正战场。从DFT到MFCC，每一步都是在解决「如何更高效、更准确地提取频域特征」这个问题。

4.1 DFT与FFT：从数学定义到工程实现

离散傅里叶变换（DFT）的公式其实很简单：

X[k] = Σ(n=0 to N-1) x[n] · e^(-j·2π·k·n/N)

但你要是真拿这个公式去算一段10秒的音频，采样率44.1kHz，那就是441000个点。直接算DFT的复杂度是O(N²)——算到天荒地老。

所以有了FFT。FFT不是另一种变换，它只是DFT的一种快速算法。利用旋转因子的对称性和周期性，把复杂度降到O(N·log₂N)。

我记得第一次在Cortex-M4上实现FFT时，用的就是经典的基2时间抽取法。核心思路就八个字：分而治之，蝶形运算。

工程小贴士：实际项目中别自己手写FFT。CMSIS-DSP、ARM DSP库、FFTW、KissFFT都经过充分优化。我踩过的坑是——自己写的FFT在定点芯片上精度漂移严重，后来换了CMSIS的q15版本，问题直接解决。

4.2 频谱泄露与窗函数

做FFT有个前提：你得对信号截一段出来。这一截，就出问题了。

假设信号里有个1000Hz的纯正弦波，你截取的长度刚好是它的整数倍周期，那FFT结果很干净，就一根谱线。但现实中没有这么巧的事。截断导致频谱能量从主瓣「泄露」到旁瓣，这就是频谱泄露。

怎么解决？加窗。

窗函数的作用是让截断边界平滑过渡，减少频谱泄露。常用的窗函数有这些：

窗函数	主瓣宽度	旁瓣衰减	适用场景
矩形窗	最窄	-13 dB	瞬态信号、频率分辨率优先
汉宁窗	较宽	-32 dB	通用音频分析（我最常用）
海明窗	较宽	-43 dB	语音处理、窄带信号
布莱克曼窗	最宽	-58 dB	需要极低旁瓣的场景

避坑指南：我曾经在一个语音端点检测项目里用了矩形窗，结果静音段的频谱泄露把噪声能量带进了语音频段，导致误触发率飙升。后来换成汉宁窗，误报直接降了60%。记住——加窗不是可选项，是必选项。

4.3 STFT：短时傅里叶变换

FFT只能告诉你整个信号段里有哪些频率，但不知道这些频率在时间轴上的变化。对于音乐、语音这种非平稳信号，这远远不够。

STFT的思路很简单：把信号切成一小段一小段（帧），对每一帧做FFT，然后把结果按时间堆叠起来。这样你就得到了一个时间-频率-幅度的三维表示，也就是频谱图（spectrogram）。

STFT有两个关键参数：

帧长（window size）：决定了频率分辨率。帧越长，频率分辨率越高，但时间分辨率越低。
帧移（hop size）：相邻帧之间的步长。通常取帧长的25%~50%。

这里有个经典的矛盾：时间分辨率和频率分辨率不可兼得。这就是海森堡不确定性原理在信号处理中的体现。你想想看，要精确知道一个频率，就需要观察足够长的时间；但时间长了，你又不知道这个频率具体在哪个时刻出现的。

// 伪代码：STFT核心流程
for (frame = 0; frame < total_frames; frame++) {
    // 1. 从信号中截取一帧
    memcpy(frame_buffer, signal + frame * hop_size, window_size);
    
    // 2. 加窗
    for (i = 0; i < window_size; i++) {
        frame_buffer[i] *= hann_window[i];
    }
    
    // 3. 做FFT
    fft(frame_buffer, spectrum);
    
    // 4. 取幅度谱（或功率谱）
    for (k = 0; k < fft_size/2; k++) {
        magnitude[frame][k] = sqrt(real[k]^2 + imag[k]^2);
    }
}

经验之谈：我一般用1024点帧长、512点帧移做语音STFT。这个配置在大多数嵌入式平台上都能跑，频率分辨率够用（约43Hz@16kHz采样率），时间分辨率也还行（每帧32ms）。

4.4 梅尔频谱与MFCC特征

STFT得到的频谱是线性频率刻度。但人耳对频率的感知不是线性的——低频区域我们分辨得很细，高频区域则越来越粗。这就是梅尔刻度的由来。

梅尔频率和线性频率的转换公式：

mel = 2595 · log10(1 + f/700)

生成梅尔频谱的步骤：

对STFT得到的幅度谱，通过一组梅尔滤波器组（三角滤波器）做加权求和
每个滤波器的输出就是该梅尔频带的能量
把这些能量按时间堆叠，就得到梅尔频谱图

MFCC（梅尔频率倒谱系数）是在梅尔频谱基础上再走两步：

取对数（模拟人耳对响度的对数感知）
做DCT（离散余弦变换），得到倒谱系数

为什么要做DCT？因为梅尔频谱的各个频带之间有相关性，DCT可以去相关，把能量集中到前几个系数上。通常取前12~13个MFCC系数就够了，再加上一阶差分和二阶差分，构成完整的特征向量。

特征	维度	信息量	典型应用
梅尔频谱	40~128	完整频域能量分布	深度学习声学模型输入
MFCC	13~39	紧凑的倒谱特征	传统GMM/HMM语音识别
MFCC+Δ+ΔΔ	39	含动态信息	说话人识别、关键词检测

实现建议：在嵌入式平台上提取MFCC时，注意DCT可以用查表法加速。我曾在STM32H7上做过优化，40维梅尔滤波器+13维MFCC，单帧处理时间不到0.5ms，完全满足实时需求。

嗯，到这里傅里叶变换与频谱分析的核心内容就讲完了。从DFT/FFT的数学原理，到频谱泄露的工程陷阱，再到STFT的时频分析，最后到梅尔频谱和MFCC的特征提取——这一整套链路，是音频DSP的基石。你在实际项目中遇到的绝大多数音频问题，最终都会回到这些基本操作上来。

📚 课程目录

4. 傅里叶变换与频谱分析：从DFT到MFCC

4.1 DFT与FFT：从数学定义到工程实现

4.2 频谱泄露与窗函数

4.3 STFT：短时傅里叶变换

4.4 梅尔频谱与MFCC特征