3. 数字音频处理入门：时域与频域、傅里叶变换（FFT）概念、频谱图怎么看

好，咱们进入正题。前面两章我们把麦克风采集到的原始声音数据拿到了，就是那一串随时间变化的电压值。这一章，我们要学会怎么“看懂”这串数据。

你可能会问：“不就是一堆数字吗？有什么好看的？” 嗯，这里有个关键问题——我们人耳听到的是“声音”，而计算机看到的只是“振幅”。这两者之间，差了一个维度。

3.1 时域：我们最熟悉的陌生人

时域，说白了就是“时间-振幅”坐标系。横轴是时间，纵轴是声音的响度（振幅）。你打开 Audacity 或者任何录音软件，看到的那条波浪线，就是时域波形。

我个人习惯把时域波形叫做“原始心电图”。为什么？因为它只告诉你“什么时候声音大，什么时候声音小”，但完全不说“这是什么声音”。

我在项目中遇到过这样一个坑：用麦克风采集“你好”的唤醒词，时域波形看起来挺干净。结果一跑识别，准确率惨不忍睹。后来才发现，波形里混着空调的低频嗡嗡声，人眼根本看不出来。

3.2 频域：声音的“指纹”

频域就不一样了。它告诉你“这个声音里，各个频率的成分有多少”。横轴是频率（Hz），纵轴是能量（dB 或幅度）。

你想想看，为什么我们能听出是妈妈在说话，而不是爸爸？因为每个人的声带振动频率（基频）不同，再加上口腔、鼻腔的共鸣，形成了独特的“频率分布”。这个分布，就是声音的指纹。

维度	时域	频域
横轴	时间 (秒)	频率 (Hz)
纵轴	振幅	能量/幅度
告诉你什么	什么时候响	什么频率在响
适合做什么	检测声音有无、音量大小	识别音色、区分噪声

3.3 傅里叶变换：从时域到频域的“翻译官”

怎么把时域波形变成频域图？靠的就是傅里叶变换。数学公式我就不写了，你只需要记住一句话：任何复杂的波形，都可以拆成若干个不同频率、不同振幅的正弦波的叠加。

傅里叶变换就是干这个拆解活的。它把一段时域信号，变成一堆频率成分。实际工程中我们用的是 FFT（快速傅里叶变换），它比原始傅里叶变换快得多，能在嵌入式芯片上跑。

3.4 频谱图：唤醒词模型的“眼睛”

频谱图（Spectrogram）是时域和频域的结合体。它有三个维度：

• 横轴：时间
• 纵轴：频率
• 颜色：能量大小（越亮/越红，能量越大）

唤醒词模型不看原始波形，就看频谱图。为什么？因为频谱图把“声音”变成了“图像”，而卷积神经网络（CNN）最擅长处理图像。

3.5 怎么看频谱图？三步法

1. 看整体亮度：亮的地方能量大，通常是语音的元音部分（a、o、e）。暗的地方可能是辅音或静音。
2. 看横条纹：水平亮线代表某个固定频率持续存在——这通常是噪声（比如 50Hz 工频干扰）。
3. 看竖条纹：垂直方向的亮条代表某个瞬间的冲击声——比如拍手、关门、爆破音（p、t、k）。

唤醒词“你好”的频谱图，通常会在 200-500Hz 有持续能量（声带振动），同时在 2000-4000Hz 有较亮的区域（齿音和共鸣）。这就是模型要学习的模式。

3.6 本章知识体系

下面这张图，把时域、频域、FFT 和频谱图的关系串起来了。建议你多看几遍，理解每个模块的输入输出。

3.7 动手试试：用 Python 看频谱图

光说不练假把式。下面这段代码，读取一个音频文件，画出它的时域波形和频谱图。你可以在自己的电脑上跑一下，看看“你好”和“噪声”的频谱图有什么区别。

import numpy as np
import matplotlib.pyplot as plt
import scipy.io.wavfile as wav

# 读取音频文件
sample_rate, data = wav.read('your_audio.wav')

# 如果立体声，取左声道
if len(data.shape) > 1:
    data = data[:, 0]

# 时域波形
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(data[:4000])
plt.title('时域波形')
plt.xlabel('采样点')
plt.ylabel('振幅')

# 频谱图
plt.subplot(1, 2, 2)
plt.specgram(data, NFFT=256, Fs=sample_rate, cmap='viridis')
plt.title('频谱图')
plt.xlabel('时间 (s)')
plt.ylabel('频率 (Hz)')
plt.colorbar(label='能量 (dB)')

plt.tight_layout()
plt.show()