2. 时域与频域：傅里叶变换的直观理解，频谱图与语谱图的解读

说实话，我刚入行做音频处理那会儿，最头疼的就是傅里叶变换。课本上全是积分公式和复指数，看得人头皮发麻。后来在项目里调降噪算法，天天跟频谱图打交道，才慢慢悟出来——这东西说白了就是换个角度看声音。

你想想看，我们平时听到的音乐、说话声，在示波器上显示的都是随时间变化的波形。这就是时域。但很多时候，光看波形根本看不出门道。比如一段录音里有嗡嗡的电流声，时域上你只能看到一堆乱糟糟的波形，根本不知道那个噪声到底是多少赫兹。

这时候就需要频域了。傅里叶变换干的事，就是把时域信号拆解成不同频率的成分。就像把一杯混合果汁，分离出橙汁、苹果汁、西瓜汁各有多少毫升。

2.1 从时域到频域：傅里叶变换在干什么？

先别管公式。我习惯用一个比喻来理解：

• 时域：你站在音乐厅里，听到乐队演奏的全曲。声音随时间起伏，有高潮有低谷。
• 频域：你拿到乐谱，看到每个乐器在哪个音高上演奏了多少拍。小提琴多少Hz，大提琴多少Hz，清清楚楚。

傅里叶变换就是那个把“演奏”变成“乐谱”的过程。它把时间轴上的信号，映射到频率轴上。

数学上，连续傅里叶变换的公式长这样：

X(f) = ∫ x(t) · e^(-j2πft) dt

别被这个式子吓到。我在项目里几乎从来不用手算这个。实际做音频DSP，我们用的是离散傅里叶变换（DFT），以及它的快速版本FFT。计算机只能处理离散的采样点，所以公式变成：

X[k] = Σ x[n] · e^(-j2πkn/N)   (n=0 to N-1)

其中 N 是帧长，x[n] 是时域采样值，X[k] 就是第 k 个频率分量的复数结果。

2.2 频谱图：频率成分的“快照”

频谱图，就是某一时刻信号的频率分布。横轴是频率（Hz），纵轴是幅度（dB或线性值）。

举个例子，一个1000Hz的正弦波，它的频谱图就是一根竖线，在1000Hz的位置。如果是一个包含基频和泛音的乐音，频谱图上就会有一排竖线，基频最低，泛音依次升高。

我在做噪声检测时，经常用频谱图来快速定位问题：

• 50Hz/60Hz 的尖峰：大概率是工频干扰，电源没处理好
• 宽频带的隆起：可能是白噪声或者风扇噪声
• 某个频段突然凹陷：可能是房间的梳状滤波效应

频谱特征	可能的噪声源	处理思路
单一频率尖峰	电源哼声、电机转动	陷波滤波器（Notch Filter）
宽频带噪声	白噪声、环境底噪	谱减法、维纳滤波
周期性脉冲	键盘敲击、机械碰撞	门控（Gate）或中值滤波
高频嘶声	录音设备底噪、量化噪声	低通滤波或降噪算法

2.3 语谱图：声音的“时频图”

频谱图只能看某一瞬间。但声音是随时间变化的，尤其是语音。这时候就需要语谱图（Spectrogram）了。

语谱图有三维信息：

• 横轴：时间
• 纵轴：频率
• 颜色深浅：能量大小（越亮/越深表示能量越强）

你可以把语谱图想象成把频谱图一帧一帧地拼起来，然后从上往下看。每一帧的频谱竖着放，时间轴横着走。

做语音降噪时，语谱图是我的主力工具。为什么？因为语音和噪声在时频域上往往有不同模式：

• 语音：有明显的谐波结构（横条纹），能量集中在低频和中频，随时间变化快
• 稳态噪声：在某个频段上颜色均匀，随时间变化慢
• 突发噪声：在某个时间点突然出现，覆盖很宽的频率范围

我习惯在调试降噪算法时，同时打开原始音频和降噪后音频的语谱图对比。如果降噪后语音的谐波结构还清晰，说明算法保真度好；如果谐波糊成一片，那就是过降噪了。

2.4 知识体系：时频分析的核心逻辑

下面这张图，是我自己总结的时频分析知识框架。每次带新人时，我都会先让他们看这个。

2.5 实际项目中的小技巧

最后分享几个我在项目中积累的经验：

1. 帧长选择：做FFT时，帧长决定了频率分辨率和时间分辨率的平衡。帧长越长，频率分辨率越高，但时间分辨率越低。我一般用1024或2048点，采样率48kHz时，频率分辨率大约23Hz或11Hz。
2. 窗函数：直接对信号截断做FFT会产生频谱泄漏。加窗可以缓解。汉宁窗（Hanning）最常用，兼顾了主瓣宽度和旁瓣衰减。
3. 重叠率：做STFT时，帧与帧之间一般重叠50%到75%。重叠越多，语谱图越平滑，但计算量也越大。
4. 看语谱图的习惯：我每次调试降噪参数，都会先看静音段的语谱图，确认噪声底噪的分布。然后再看语音段，确认语音没有被损伤。

嗯，时域和频域的理解，是音频DSP的基石。后面的降噪滤波器、自适应算法，全都建立在这个基础上。把这一章吃透了，后面的路就好走了。