4. 短时傅里叶变换（STFT）：原理与实现、窗函数选择、时频分辨率权衡

聊到语音杂音处理，咱们绕不开一个核心工具——短时傅里叶变换，也就是 STFT。说实话，我见过不少新手工程师，一上来就调模型、上深度学习，结果连 STFT 的频谱图都看不懂。嗯，这其实是个基本功。你想想看，语音信号是非平稳的，它的频率成分随时间变化。直接对整个信号做 FFT，你只能知道“有哪些频率”，却不知道“这些频率什么时候出现”。这就像看一部电影，你只记住了总时长，却不知道剧情在哪个时间点发生了转折。

STFT 的思路很简单：把信号切成一小段一小段，假设每一段是平稳的，然后对每一段做 FFT。这样，你就能看到频率随时间的变化了。我个人习惯把 STFT 看作是“给信号拍快照”——每隔一小段时间拍一张频率照片，然后把这些照片拼起来，就是一张时频谱图。

4.1 STFT 的数学原理与实现

STFT 的数学表达式其实不复杂：

X(m, ω) = Σ x[n] · w[n - m] · e^(-jωn)

这里，x[n] 是原始信号，w[n] 是窗函数，m 是时间索引，ω 是频率。说白了，就是先把窗函数滑动到位置 m，截取一段信号，再做 FFT。

我在项目中遇到过一个问题：直接用 Python 的 librosa.stft 虽然方便，但有时候你需要自己实现，才能理解参数的含义。比如帧长、帧移、FFT 点数，这三个参数决定了你的时频谱长什么样。

核心参数速查表

参数 含义 典型值 影响
帧长（win_length） 每次 FFT 的信号长度 512 / 1024 / 2048 越长，频率分辨率越高；越短，时间分辨率越高
帧移（hop_length） 相邻两帧的起始点间隔 帧长的 1/4 或 1/2 越小，时频谱越平滑；越大，计算量越小
FFT 点数（n_fft） FFT 计算的频率点数 ≥ 帧长，通常取 2 的幂 越大，频率轴越精细，但计算量增加

下面是一个简单的 STFT 实现示例，我习惯用 numpy 手写，方便调试：

import numpy as np

def stft(x, win_length=1024, hop_length=256, n_fft=1024):
    # 生成汉宁窗
    window = np.hanning(win_length)
    # 计算帧数
    num_frames = 1 + (len(x) - win_length) // hop_length
    # 初始化频谱矩阵
    stft_matrix = np.zeros((n_fft // 2 + 1, num_frames), dtype=complex)
    
    for i in range(num_frames):
        start = i * hop_length
        end = start + win_length
        # 加窗
        frame = x[start:end] * window
        # FFT
        spectrum = np.fft.rfft(frame, n=n_fft)
        stft_matrix[:, i] = spectrum
    
    return stft_matrix

我的小技巧： 实际项目中，我通常用 librosa.stft 做快速原型，但一旦要部署到嵌入式设备，我会用 C 语言重写这个逻辑。记得有一次，我在一个低功耗芯片上跑语音增强，发现 librosa 的默认参数导致内存溢出——帧长设成了 2048，但芯片的 RAM 只有 64KB。后来我把帧长降到 512，问题就解决了。

4.2 窗函数的选择：汉宁窗 vs 海明窗

窗函数是 STFT 里容易被忽略的细节。很多人觉得随便选一个就行，其实不然。窗函数的作用是减少频谱泄漏——也就是 FFT 时，能量从一个频率“漏”到另一个频率的现象。

我刚开始做语音处理时，用过矩形窗，结果频谱图上一片模糊，根本看不清谐波结构。后来才明白，矩形窗的旁瓣太高，泄漏太严重。常用的窗函数有汉宁窗（Hanning）和海明窗（Hamming），它们长得像，但性格不同。

窗函数 公式 主瓣宽度 旁瓣衰减 适用场景
汉宁窗 0.5 - 0.5·cos(2πn/N) 较宽 -31 dB 语音分析、噪声估计
海明窗 0.54 - 0.46·cos(2πn/N) 稍窄 -43 dB 语音编码、窄带信号
矩形窗 1 最窄 -13 dB 瞬态检测（不推荐用于语音）

汉宁窗和海明窗的区别在哪？说白了，海明窗在两端没有完全归零，所以它的旁瓣衰减更大，但主瓣稍微窄一点。我个人习惯在语音增强任务中用汉宁窗，因为它能更好地抑制频谱泄漏，尤其是在做噪声估计时。而海明窗，我一般在语音编码或特征提取时用，比如 MFCC 的前端处理。

避坑指南： 我曾经在一个项目里，用海明窗做语音分离，结果发现分离出来的语音有“音乐噪声”——就是那种吱吱呀呀的伪影。后来排查了半天，发现是窗函数导致的频谱不连续。换回汉宁窗后，问题就消失了。所以，如果你在做语音增强或分离，优先考虑汉宁窗。

4.3 时频分辨率的权衡

这是 STFT 里最核心的 trade-off。你想想看，帧长越长，频率分辨率越高——你能区分出两个相近的频率。但代价是时间分辨率变差——你不知道某个频率是在帧的哪个位置出现的。反过来，帧长越短，时间分辨率越好，但频率分辨率就差了。

这就像拍照：长曝光能拍出清晰的夜景，但运动物体会模糊；短曝光能捕捉瞬间动作，但画面可能太暗。STFT 也是一样，你没法同时拥有高时间分辨率和高频率分辨率。这就是海森堡测不准原理在信号处理中的体现。

我画了一张图，帮你理解这个权衡：

STFT 时频分辨率权衡示意图 长帧长（如 2048） 频率分辨率高 时间分辨率低 适合：稳态噪声分析 谐波结构提取 短帧长（如 256） 时间分辨率高 频率分辨率低 适合：瞬态噪声检测 语音端点检测 权衡法则：帧长翻倍，频率分辨率翻倍，时间分辨率减半 实际项目中，常用帧长 512~1024，帧移 128~256 语音增强 帧长 1024，帧移 256 语音识别 帧长 512，帧移 160 噪声检测 帧长 256，帧移 64

在实际项目中，我一般这样选参数：

  • 语音增强/降噪： 帧长 1024，帧移 256。这个配置在频率分辨率和时间分辨率之间比较平衡，能较好地保留语音的谐波结构，同时抑制噪声。
  • 语音识别前端： 帧长 512，帧移 160。因为识别模型更关注时间上的变化，短帧能捕捉到发音的快速过渡。
  • 瞬态噪声检测（比如敲击声、门声）： 帧长 256，帧移 64。这时候时间分辨率最重要，你需要知道噪声发生的精确时刻。

我的经验： 如果你不确定选什么参数，先试试帧长 1024、帧移 256、汉宁窗。这个组合在 80% 的语音处理任务里都表现不错。然后根据你的具体场景微调——比如发现频谱图太模糊，就增加帧长；发现时间上的细节丢失了，就减小帧移。

嗯，STFT 的内容就这些。记住，窗函数和帧长帧移的选择，直接决定了你后续算法的上限。别小看这些“基础参数”，它们往往是项目成败的关键。

← 上一章 📖 返回目录 下一章 →