语音信号处理实战：为什么汉宁窗（Hanning）比矩形窗更适合STFT？

语音信号处理实战：为什么汉宁窗（Hanning）比矩形窗更适合STFT？

如果你曾经用Python的librosa或者scipy.signal做过语音信号的短时傅里叶变换（STFT），大概率会接触到“窗函数”这个概念。默认情况下，很多库会使用汉宁窗（Hanning Window），而你可能也试过换成矩形窗（Rectangular Window），结果发现频谱图看起来“不对劲”——要么是频率成分糊成一团，要么是出现了很多原本不存在的虚假频率。这背后的原因，正是窗函数在时频分析中扮演的关键角色。

对于语音识别、音频处理或音乐信息检索的开发者来说，理解窗函数的选择不是纸上谈兵的数学游戏，而是直接影响模型特征质量、算法鲁棒性的工程决策。一个简单的窗函数切换，可能让你的梅尔频谱特征更清晰，也可能让后续的端点检测或音高追踪算法误判连连。今天，我们就抛开复杂的公式推导，直接从工程实践的角度，深入探讨为什么在绝大多数STFT应用中，平滑渐变的汉宁窗会完胜简单粗暴的矩形窗。我们会用实际的Python代码对比两者的频谱，并分享一些在真实项目中关于窗长、帧移选择的“踩坑”经验。

1. 窗函数：STFT中不可忽视的“裁剪”艺术

在深入对比之前，我们得先统一认识：短时傅里叶变换的本质是什么？ 语音信号是非平稳的，它的统计特性随时间变化。但幸运的是，在10~30毫秒这样的短时范围内，我们可以近似认为信号是平稳的。STFT就是基于这个假设，用一个滑动窗口截取一小段信号，对每一段分别做傅里叶变换，从而得到信号频率成分随时间变化的图谱。

这里的关键在于“截取”。当你用一个窗口去截取无限长的连续信号时，你实际上是在做两件事：

1. 时域相乘：信号乘以一个有限长的窗函数。
2. 频域卷积：根据卷积定理，时域相乘等价于频域中信号的真实频谱与窗函数频谱的卷积。

这个卷积操作，就是一切差异的根源。窗函数的频谱特性，直接决定了我们最终看到的频谱图的“清晰度”和“保真度”。

提示：你可以把STFT中的加窗，想象成透过一扇形状特定的窗户观察外面的风景。矩形窗就像一扇方方正正、边缘锐利的窗户，而汉宁窗则像一扇边缘柔和、逐渐变暗的窗户。前者能让你看到更清晰的中心视野（高频分辨率），但窗户边缘的锐利框线（频谱泄漏）会严重干扰你对窗外景物边缘的判断。

1.1 矩形窗：一把锋利的双刃剑

矩形窗是最简单的窗函数，它在窗口长度内权重为1，窗口外瞬间跳变为0。它的定义简单到无需公式：

import numpy as np

def rectangular_window(window_len):
    return np.ones(window_len)

矩形窗的核心优势在于其频域主瓣最窄。 这意味着在频谱分析中，它理论上能提供最高的频率分辨率，能够更好地区分两个频率非常接近的信号成分。在雷达信号处理（如SAR）等对分辨率要求极高的领域，矩形窗或其变体有时会被谨慎使用。

然而，它的致命缺陷在于旁瓣衰减太慢，且旁瓣电平很高。下表对比了矩形窗和几种常见窗函数的典型性能指标：

窗函数类型	主瓣宽度 (相对值)	最高旁瓣电平 (dB)	旁瓣衰减速率 (dB/octave)	适用场景
矩形窗	1.0 (最窄)	-13	-6	理论分析，对分辨率要求极高且可容忍泄漏的场景
汉宁窗	1.5