我希望能够获取音频PCM数据并在其中找到峰值。具体来说，我想返回发生峰值的频率和时间。
我的理解是，我需要将PCM数据转储到一个数组中，并将其设置为实数值，复数部分设置为0。接着进行快速傅里叶变换(FFT)，然后获得一个数组。如果数组中的每个数字都是幅度值，那么如何获得与之相关联的频率？此外，我应该取实部和虚部的幅值还是只保留幅值？
最后，如果我想要在一首单曲中找到峰值，我只需将一个小窗口设置为FFT，并将其滑动到所有音频上吗？关于窗口大小，您有什么建议吗？
3个回答
15
如果您的PCM数据采样率为F，则FFT中的最高频率分量为F/2。假设您的PCM数据以44100Hz进行采样，则FFT值将从0Hz（直流分量）到22050Hz运行。如果您从N个样本开始（其中N是2的幂次方），则FFT可能返回N/2个值，表示从0到F/2的所有正频率，或者它可能返回N个值，也包括从-F/2到0的负频率。您应该检查FFT算法的规范，以找出每个数组项映射到哪个频率。
要查找峰值，您需要查看FFT值的幅度。因此，您需要将每个复杂值的实部和虚部的平方相加。
假设您的N个PCM样本的FFT返回N/2个表示正频率的复杂值。然后，两个复杂样本之间的距离为F/2N Hz。在F=44100Hz和N=1024个样本的情况下，这将是21.5Hz。这就是您的频率分辨率。如果您需要查找更低频率的节拍，则需要扩展FFT窗口。
- Han
4
首先，我们有一个大小为512的复数原始数组，表示输入波形。当使用FFT处理时，我们将用零替换虚部（根据预期用途），保留实部，然后将数组传递给采样率为8192 Hz的FFT。
现在，我们有一个512个FFT实值的数组，每个值都是无理数，每个无理数表示几个有用的值。
要获得基频，我们必须将采样率除以缓冲区大小：
8192/512 = 32；
32是FFT值的分辨率，意味着我们将了解靠近32倍数的高幅度频率的数字。
例如，如果我们有一个频率为3、48、23、128的波形
幅度：10 5 12 8 dB（参考值=1）
经过FFT后，我们得到：
频率：0 32 64 128
幅度：9 8 2 8
FFT是频域，意味着它按照频率排列
另一方面，时域意味着按时间排列，我们从第0秒到第N秒听音乐。
FFT只能在按频率排序时进行监听，从频率0到频率N。
因此，它按升序排列频率，因为它没有获取音频的所有实际样本（接近无限），例如每纳秒及更短的时间。FFT从音频中获取样本，每（1/采样率）秒获取一个样本。这些样本被缓冲（在我们的情况下：512），每512个样本被缓冲到FFT中，输出是512个FFT值。
由于FFT按频率排列，所以它会影响时间样本，现在样本按其频率排列。
显示在常规基础上的频率是基频，即采样率除以缓冲区大小，在我们的情况下为8192/512 = 32。
因此，每32个频率就显示一次频率功率，最近频率的功率根据其靠近索引的程度显示。
可以通过使用更高的采样率来实现高分辨率。
为了显示频率，我们按升序打印与幅度对应的索引。
幅度=20log10（输出/参考）
每个索引旁边打印的幅度显示其相应索引（频率）的功率，并根据分辨率的精度变得更加准确。
总之，FFT产生振幅指数，每个振幅表示其相应指数（频率）的功率。
- Marware
3
你可能实际上正在寻找一个频谱图，它基本上是在时间轴上滑动的小窗口中数据的FFT。如果你有实现这个的软件，它可能会为你节省一些精力。它通常用于分析时间变化的声学信号，并且是观察声音的非常有用的方法。此外，还有一些技巧，例如对于FFT的数据进行窗口处理，频谱图可能会得到正确的结果，但是对于你来说可能会更难（尽管不是非常难）。
- tom10
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接