Python实战：利用FFT分析音频信号并可视化频谱特征

关注

原创最新推荐文章于 2026-10-03 12:15:17 发布 702 阅读 AI 写同款· GEO 优化 ›

FFT实战：用Python手把手教你实现音频频谱分析（附完整代码）本文通过Python实战教程，详细讲解了如何利用快速傅立叶变换（FFT）进行音频频谱分析。从基础理论、环境搭建到本地音频文件处理和实时频谱可视化，提供了完整的代码实现。文章还涵盖了音频特征提取、性能优化等高级应用，帮助开发者掌握从时域到频域的信号处理核心技术。阅读详情

1. 从声音到数字：音频信号分析入门

你有没有想过，为什么不同的乐器弹奏同一个音符，听起来却完全不一样？比如钢琴的中央C和小提琴的中央C，明明频率都是261.6赫兹，但我们的耳朵却能轻易分辨。这个秘密，就藏在声音的“频谱”里。简单来说，一个声音信号，比如一段音乐、一句人声，甚至是你敲击桌面的声音，都不是一个单一的音调，而是由许许多多不同频率、不同强度的“小音调”叠加而成的。频谱，就是一张展示这些“小音调”成分的“成分表”，它告诉我们这个声音里包含了哪些频率，以及每个频率的“音量”有多大。

在数字时代，我们处理的都是离散的、由一个个采样点构成的数字信号。这就好比用相机连拍来记录一个快速运动的物体，采样频率就是你每秒拍多少张照片。根据奈奎斯特定理，要想准确还原一个信号，你的采样频率必须至少是信号中最高频率的两倍。否则，就会出现“混叠”现象，高频信号会被错误地“伪装”成低频信号，导致分析结果完全失真。所以，在开始分析之前，搞清楚你的音频信号的最高频率是多少，并设置一个足够高的采样率，是至关重要的一步。

Python，凭借其强大的科学计算库，已经成为了信号处理领域的“瑞士军刀”。它不像MATLAB那样需要昂贵的授权，又比C++等语言更易上手，特别适合我们进行快速的原型验证和数据分析。今天，我就带你用Python，从一段模拟的音频信号开始，一步步揭开频谱分析的神秘面纱。我会分享我实际写代码时踩过的坑，比如为什么直接用FFT的结果画图，幅值看起来总是不对劲，以及如何正确绘制出单边谱、双边谱这些看起来有点绕的图。准备好了吗？我们这就开始。

2. 搭建你的Python音频分析环境

工欲善其事，必先利其器。在动手写代码之前，我们需要先把“厨房”收拾好，把必要的“厨具”——也就是Python库——准备好。整个过程非常简单，即使你是刚接触Python的新手，也能轻松搞定。

2.1 核心库安装与简介

我们需要三个核心库：numpy, scipy 和 matplotlib。打开你的命令行终端（Windows上是CMD或PowerShell，Mac或Linux上是Terminal），输入以下命令即可一键安装：

pip install numpy scipy matplotlib

让我来简单介绍一下它们的分工：

numpy：它是整个科学计算生态的基石。你可以把它理解为一个超级强大的“数字容器”和“计算器”。我们音频信号的数据（那一长串采样值）就会用numpy的数组来存储和进行基础的数学运算，效率非常高。
scipy：建立在numpy之上，提供了更高级、更专业的科学计算工具。我们今天的主角——快速傅里叶变换（FFT）函数——就来自它的子模块scipy.fftpack（新版本推荐使用scipy.fft）。scipy就像是一个专业的“信号处理工具箱”。
matplotlib：这是Python界最著名的绘图库。分析出来的数据如果只是一堆数字，那将毫无意义。matplotlib负责把这些数字变成直观的图表，让我们能“看见”声音的频率成分。它画出的频谱图，就是我们今天要达成的最终目标。

我个人的习惯是，在写任何数据分析脚本的开头，先一口气把这些库都导入进来，避免后面用到时手忙脚乱。通常的导入语句是这样的：

import numpy as np
from scipy.fft import fft, fftshift  # 使用更新的 scipy.fft 模块
import matplotlib.pyplot as plt

这里用了 import ... as ... 的写法，是为了给库起一个简短的别名，比如np代表numpy，plt代表matplotlib.pyplot，这样后面写代码会省力很多。

2.2 创建你的第一个信号：合成音频

在分析真实音频文件（比如WAV或MP3）之前，我们先从一个完全由我们自己“创造”的信号开始。这样做有个巨大的好处：我们事先知道这个信号里“应该”有什么。它就像是一份有标准答案的考卷，我们可以验证自己的分析方法是否正确。

我们来合成一段包含多个频率成分的复合信号。假设我们合成一个时长几秒钟的信号，它包含：

一个直流分量（可以理解为信号的基线或偏移），幅值为5。
一个20赫兹的正弦波，幅值为2。
一个30赫兹的正弦波，幅值为3。
一个40赫兹的正弦波，幅值为4。

用数学公式表示就是：signal = 5 + 2*sin(2π*20*t) + 3*sin(2π*30*t) + 4*sin(2π*40*t)。

在代码里，我们需要先定义采样的参数。这里我设置采样点数 N = 1024，采样频率 sample_freq = 120 Hz。根据奈奎斯特定理，这个采样频率能无失真地采集最高60Hz的信号，而我们信号中最高频率是40Hz，所以完全够用。然后我们根据这些参数生成时间轴t，最后用上面的公式计算出信号数组。

# 定义采样参数
N = 1024  # 采样点数
sample_freq = 120  # 采样频率 (Hz)
sample_interval = 1 / sample_freq  # 采样间隔 (秒)
signal_len = N * sample_interval  # 信号总长度 (秒)

# 生成时间点数组
t = np.arange(0, signal_len, sample_interval)

# 合成我们的测试信号
signal = 5 + 2 * np.sin(2 * np.pi * 20 * t) + \
         3 * np.sin(2 * np.pi * 30 * t) + \
         4 * np.sin(2 * np.pi * 40 * t)

运行这段代码，一个数字化的“虚拟音频信号”就诞生了。我们可以先用plt.plot(t, signal)把它画出来看看波形。你会看到一个复杂的、不再是简单正弦波的波形，这就是多个频率叠加的效果。有了这个“已知答案”的信号，我们接下来的频谱分析就有了明确的验证目标。

3. FFT的核心：从时域到频域的魔法

现在，我们手里有了一段随时间变化的信号signal。这个信号存在于“时域”中，横轴是时间，纵轴是振幅。它告诉我们每个时刻声音的强弱。但正如开头所说，我们更想知道它由哪些频率组成。这就需要一场“域”的转换，而执行这个转换的魔法，就是快速傅里叶变换（FFT）。

3.1 FFT是什么？一个生活化的比喻

你可以把FFT想象成一个极其敏锐的“音乐耳朵”或者一个高级的“声音成分分析仪”。你给它一段录音（时域信号），它就能告诉你这段录音里包含了哪些频率的音符（频域信息），以及每个音符的响度（幅值）。本质上，FFT是离散傅里叶变换（DFT）的一种高效算法，能将一个信号分解成一系列不同频率的正弦和余弦波的叠加。

在Python中，用scipy库进行FFT计算简单到只需一行代码：

fft_data = fft(signal)

这行代码执行后，fft_data就变成了一个复数数组。别被“复数”吓到，这是频域表示的天然形式。每个复数对应一个频率点，复数的模（绝对值）代表该频率成分的幅值，复数的辐角代表该频率成分的相位。对于大多数频谱分析场景（比如看哪个频率声音大），我们更关心幅值。

3.2 幅值校正：新手最容易踩的坑

直接对fft_data取绝对值 np.abs(fft_data) 会得到一个幅值数组，但如果你把它画出来，会发现幅值大得离谱，和我们合成信号时设定的幅值（2，3，4，5）完全对不上。这是我第一次用Python做FFT时遇到的困惑。

这是因为FFT算法在计算时有一个隐含的缩放关系。 为了得到物理意义上真实的幅值，我们需要进行校正：

对于非直流分量（频率不为0的部分）：FFT直接结果的模是真实幅值的 N/2 倍。所以我们需要除以 N 再乘以 2。
对于直流分量（0Hz频率）：FFT直接结果的模是真实幅值的 N 倍。所以我们需要除以 N。

对应的校正代码如下：

# 双边谱幅值校正
fft_amp0 = np.abs(fft_data) / N * 2
fft_amp0[0] = fft_amp0[0] / 2  # 单独处理直流分量（0Hz），相当于除以N*2再乘以2？不，这里更直接：因为上一步对所有点都除了N乘以2，这对直流是错的，所以修正。
# 更清晰的写法：fft_amp0 = np.abs(fft_data) / N * 2; fft_amp0[0] = np.abs(fft_data[0]) / N

经过这番操作，fft_amp0中的幅值才对应信号中各个正弦波的真实振幅。

3.3 理解频谱的“双边”与“单边”

FFT输出的频率范围是从0到采样频率Fs。但根据数学性质，在Fs/2之后的部分，其实是负频率的表示（是的，频域里有负频率，它主要和相位信息相关，在只关心幅值时可以理解为对称的镜像）。因此：

双边谱：展示了从 0 到 Fs 的整个频率范围，图形在 Fs/2 处左右对称。它包含了完整的正负频率信息。
单边谱：由于实际物理频率只有正频率，且双边谱关于Fs/2对称，我们通常只取前半部分（0 到 Fs/2），并将幅值加倍（因为另一半的能量被舍去了）。但注意！我们之前已经乘过2了，所以在从双边谱fft_amp0生成单边谱时，只需截取前半部分，而无需再次加倍。

生成单边谱的代码很简单：

N_2 = int(N / 2)
fft_amp1 = fft_amp0[:N_2]  # 取前N/2个点

同时，我们需要生成对应的频率轴。双边谱的频率轴是 freq = np.arange(N) * sample_freq / N，范围是 [0, sample_freq)。单边谱的频率轴则是这个范围的前一半。

4. 让频谱图一目了然：可视化实战

数字算出来了，但只有变成图表，我们才能获得直观的理解。这一节，我们就来把原始信号、双边谱、单边谱，以及一个常用的变体——“零频居中”谱，并排画出来，做个全面的对比。

4.1 绘制对比图：一图胜千言

我们将使用matplotlib的subplot功能，在一个大图里创建2行2列共4个子图。这样的对比非常清晰。

plt.figure(figsize=(12, 8))  # 设置画布大小

# 1. 原始信号时域图
plt.subplot(2, 2, 1)
plt.plot(t, signal)
plt.title('Original Signal (Time Domain)')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.grid(True)

# 2. 双边谱
plt.subplot(2, 2, 2)
plt.plot(freq0, fft_amp0)  # freq0 是双边谱频率轴
plt.title('Two-Sided Spectrum')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.xlim(0, sample_freq)  # 显示整个频率范围
plt.ylim(0, 6)  # 限制Y轴范围以便观察
plt.grid(True)

# 3. 单边谱
plt.subplot(2, 2, 3)
plt.plot(freq1, fft_amp1)  # freq1 是单边谱频率轴
plt.title('Single-Sided Spectrum')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.xlim(0, sample_freq/2)  # 只显示正频率部分
plt.ylim(0, 6)
plt.grid(True)

# 4. 零频居中的双边谱
plt.subplot(2, 2, 4)
fft_amp0_shift = fftshift(fft_amp0)  # 使用fftshift将零频移到中心
freq0_shift = np.arange(-N//2, N//2) * sample_freq / N  # 生成 -Fs/2 到 Fs/2 的频率轴
plt.plot(freq0_shift, fft_amp0_shift)
plt.title('Two-Sided Spectrum (Zero-Centered)')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.xlim(-sample_freq/2, sample_freq/2)
plt.ylim(0, 6)
plt.grid(True)

plt.tight_layout()  # 自动调整子图间距，避免重叠
plt.show()

4.2 解读频谱图：我们看到了什么？

运行代码后，你会得到一张包含四个子图的综合图表。

左上角（原始信号）：波形看起来复杂，无法直接看出含有20Hz，30Hz，40hz的成分。
右上角（双边谱）：你会看到在0Hz、20Hz、30Hz、40Hz处有清晰的尖峰，其幅值大约就是5、2、3、4。但请注意，在80Hz（=120-40）、90Hz（=120-30）、100Hz（=120-20）处，也有对称的尖峰。这就是双边谱的特点，它关于采样频率的一半（60Hz）对称。那个120Hz处的尖峰其实是0Hz（直流）的镜像。
左下角（单边谱）：这张图就干净多了。只有0Hz、20Hz、30Hz、40Hz四个峰。这正是我们通常最想看的“物理频谱”。0Hz的幅值是5，其他频率的幅值也正确。这里有个关键点：单边谱中，非直流频率的幅值看起来和双边谱中对应位置的幅值是一样的，这是因为我们在幅值校正时已经统一乘了2，把另一半的能量补偿进来了。
右下角（零频居中谱）：这张图把零频（直流分量）挪到了图形正中间。它的左边是负频率部分（-40Hz， -30Hz， -20Hz），右边是正频率部分（20Hz， 30Hz， 40Hz）。这种表示方法在有些高级分析中很有用，比如观察频谱的对称性，或者进行某些滤波操作时更直观。

4.3 认识频谱泄露：理想与现实的差距

仔细观察你的单边谱或双边谱，你会发现一个有趣的现象：20Hz和40Hz的峰，底部有点“胖”，不是完美的细线；而30Hz的峰则非常尖锐。并且，20Hz和40Hz峰的幅值，可能并不是精确的2和4，有细微的偏差。而30Hz峰的幅值则非常接近3。

这就是频谱泄露。它的根源在于我们截取了一段有限长的信号进行分析。我们的信号在时间上是无限长的正弦波，但FFT处理时，只取了其中的1024个点，相当于用一个“矩形窗”截取了一段。如果截取的长度正好是某个频率成分的整数个周期，那么这段信号在FFT的眼里就是“完整”的，该频率的能量会集中在一个点上（如30Hz）。如果不是整数个周期（如20Hz和40Hz），那么截取到的就是一个“不完整”的周期波形，FFT会认为这包含了该频率附近的其他频率成分的能量，导致主峰变宽（泄露到旁边）、幅值不准。

要减轻频谱泄露，可以采用“加窗”技术，比如汉宁窗、汉明窗等，在截断信号时对两端进行平滑衰减，但这会以略微降低频率分辨率为代价。对于入门来说，首先能识别出频谱泄露，知道它不是代码错误，而是信号处理中的固有现象，就已经是很大的进步了。

5. 进阶实战：处理真实世界的声音文件

用合成信号练手之后，是时候挑战真实世界的音频了。我们将从本地读取一个WAV文件，分析它的频谱，并绘制一个更专业的、用颜色表示强度的频谱图。

5.1 读取WAV文件并预处理

Python标准库wave可以读取WAV文件，但更方便的是使用scipy.io.wavfile。

from scipy.io import wavfile

# 读取WAV文件
sample_rate, audio_data = wavfile.read('your_audio.wav')

# 音频数据可能是双通道（立体声）的，我们通常先转换为单声道
if len(audio_data.shape) > 1:
    audio_data = audio_data.mean(axis=1)  # 对左右声道取平均

# 归一化到[-1, 1]范围，方便处理（如果数据是整数格式，如16位PCM）
if audio_data.dtype == np.int16:
    audio_data = audio_data / 32768.0
elif audio_data.dtype == np.int32:
    audio_data = audio_data / 2147483648.0

# 我们可能只分析其中一段，比如前2秒
duration_to_analyze = 2  # 秒
num_samples_to_analyze = int(duration_to_analyze * sample_rate)
audio_segment = audio_data[:num_samples_to_analyze]

现在，audio_segment就是我们要分析的一段时域信号，sample_rate是它的采样率。

5.2 计算与绘制频谱图

频谱图也叫声谱图，它的横轴是时间，纵轴是频率，颜色深浅（或色相）代表该时刻该频率的强度。它能动态地展示声音频率成分随时间的变化，是分析音乐、语音等非平稳信号的利器。

绘制频谱图，我们可以使用matplotlib的specgram函数，它内部就包含了分帧、加窗、做FFT等一系列操作。

plt.figure(figsize=(14, 5))

# 绘制波形
plt.subplot(1, 2, 1)
time_axis = np.arange(len(audio_segment)) / sample_rate
plt.plot(time_axis, audio_segment)
plt.title('Audio Waveform')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.grid(True)

# 绘制频谱图
plt.subplot(1, 2, 2)
# NFFT: 每帧做FFT的点数，影响频率分辨率。window: 窗函数。noverlap: 帧重叠点数。
Pxx, freqs, bins, im = plt.specgram(audio_segment, Fs=sample_rate, NFFT=1024, window=np.hanning(1024), noverlap=512)
plt.title('Spectrogram')
plt.xlabel('Time (s)')
plt.ylabel('Frequency (Hz)')
plt.colorbar(im, format='%+2.0f dB').set_label('Intensity (dB)')
plt.ylim(0, sample_rate/2)  # 只显示正频率部分

plt.tight_layout()
plt.show()

在这段代码中，NFFT=1024表示每次对1024个采样点做一次FFT，这决定了频率轴的精细度。noverlap=512表示相邻两帧之间有512个点的重叠，这能让时间轴上的变化更平滑。window=np.hanning(1024)是使用了汉宁窗来减少频谱泄露。specgram函数返回的Pxx就是频谱功率，freqs是对应的频率数组，bins是对应的时间点。

5.3 从频谱图中洞察声音

对于一个语音文件，你会在频谱图上看到：

浊音（如元音a， e， i）：会在低频区（几百赫兹）出现几条清晰的、明亮的水平条纹，那是声带振动产生的基频及其谐波。
清音（如s， sh）：能量集中在高频区（几千赫兹），呈现为一片没有清晰结构的噪声状。
爆破音（如p， t）：表现为一个短暂的、宽频的脉冲。

对于一段音乐，你能看到旋律线条（频率随时间的变化）、鼓点的节奏（在低频区出现的周期性垂直条纹）、和弦的构成（多个并行的频率线）。通过调整specgram的参数，比如增大NFFT能得到更高的频率分辨率（频率轴更精细），但会降低时间分辨率；减小NFFT则相反。你需要根据分析目标来权衡。

6. 参数调优与常见问题排坑

掌握了基本流程后，要想让分析结果更准确、更可靠，就需要了解一些关键参数和常见陷阱。这部分内容是我在项目实践中一点点积累起来的经验。

6.1 关键参数选择指南

采样频率（Fs）：由你的音频硬件或文件决定。记住Fs必须大于信号最高频率的2倍。对于语音（通常分析到8kHz），16kHz的采样率足够；对于音乐（需要分析到20kHz），则需要44.1kHz或48kHz的采样率。
FFT点数（N）：这直接决定了频率分辨率。频率分辨率 Δf = Fs / N。例如，Fs=44100Hz，N=1024，则Δf≈43Hz。这意味着两个频率相差小于43Hz的信号，在频谱上可能无法区分。如果你想分辨更精细的频率，就需要增大N。但N不能超过信号的总长度。
窗函数选择：scipy.signal模块提供了很多窗函数（boxcar矩形窗， hann汉宁窗， hamming汉明窗， blackman布莱克曼窗等）。
- 矩形窗：主瓣最窄，频率分辨率最高，但频谱泄露最严重。
- 汉宁窗/汉明窗：能有效抑制频谱泄露，是通用性最好的选择，但主瓣稍宽，会略微降低频率分辨率。
- 布莱克曼窗：进一步抑制旁瓣，泄露更少，但主瓣更宽。对于大多数情况，我默认使用汉宁窗，它在抑制泄露和保持分辨率之间取得了很好的平衡。

6.2 常见问题与调试技巧

问题：频谱图全是噪声，看不到清晰的频率线。
- 检查：信号本身是否就是噪声？确认读取的音频数据是否正确，是否做了正确的归一化。尝试用plt.plot先画出时域波形，看信号是否正常。
- 调试：用我们之前合成的、已知成分的信号来测试你的整个分析流程，确保代码基础正确。
问题：频率轴显示不对，峰的位置不是我预期的频率。
- 检查：频率轴的计算公式 freq = np.arange(N) * Fs / N 是否正确。确认你使用的N是FFT的点数，而不是信号总长度。在绘制单边谱时，频率轴是否只取了前半部分 freq[:N//2]。
- 调试：用单一频率（如1000Hz）的正弦波合成信号进行测试，看频谱峰是否准确出现在1000Hz处。
问题：幅值不对，和预期相差甚远。
- 检查：幅值校正步骤是否遗漏或错误。这是最高发的错误点。再次核对：对于非直流，abs(fft)/N*2；对于直流，abs(fft)/N。同时检查在生成单边谱时，是否错误地又乘了一次2。
- 调试：用单位幅度的正弦波测试，看频谱峰的高度是否在1.0左右。
问题：频谱泄露严重，峰很宽。
- 尝试：使用窗函数（如汉宁窗）。在FFT前对信号段加窗：windowed_signal = signal_segment * np.hanning(len(signal_segment))，然后对windowed_signal做FFT。注意，加窗会导致信号能量损失，可能需要一个幅度补偿因子（对于汉宁窗，约为1.63，即幅值乘以1.63进行补偿）。