我正在尝试在 Python 中创建音频文件的幅度与频谱图。这样做的程序是什么？ 一些示例代码会很有帮助。
【问题讨论】：
plot(np.fft.fftfreq(len(x)), abs(np.fft.fft(x)))
标签： python audio transform fft spectrogram
简单光谱
获得均匀采样信号x 的幅度与频率关系的最简单方法是通过有效的Fast Fourier Transform 算法计算其Discrete Fourier Transform。给定一个以常规采样率fs 采样的信号x，您可以这样做：
import numpy as np
Xf_mag = np.abs(np.fft.fft(x))
Xf_mag 数组中的每个index 将包含频率由index * fs/len(Xf_mag) 给出的频率仓的幅度。这些频率可以通过以下方式方便地计算：
freqs = np.fft.fftfreq(len(Xf_mag), d=1.0/fs)
最后可以使用 matplotlib 绘制光谱：
import matplotlib.pyplot as plt
plt.plot(freqs, Xf_mag)
细化频谱估计
您可能会注意到，使用简单 FFT 方法获得的频谱产生的频谱看起来非常嘈杂（即有很多尖峰）。
为了获得更准确的估计，更复杂的方法是使用periodograms（由scipy.signal.periodogram 实现）和Welch's method（由scipy.signal.welch 实现）等技术计算power spectrum estimate。但请注意，在这些情况下，计算的频谱与幅度的平方成正比，因此其平方根提供了均方根 (RMS) 幅度的估计值。
回到以常规采样率fs 采样的信号x，因此可以获得这样的功率谱估计，如 scipy 文档中的示例所述，如下所示：
f, Pxx = signal.periodogram(x, fs)
A_rms = np.sqrt(Pxx)
相应的频率f也在此过程中计算，因此您可以绘制结果
plt.plot(f, A_rms)
使用scipy.signal.welch 非常相似，但使用的实现略有不同，提供了不同的精度/分辨率折衷。
【讨论】：
from scipy import signal
import matplotlib.pyplot as plt
fs = 10e3
N = 1e5
amp = 2 * np.sqrt(2)
noise_power = 0.01 * fs / 2
time = np.arange(N) / float(fs)
mod = 500*np.cos(2*np.pi*0.25*time)
carrier = amp * np.sin(2*np.pi*3e3*time + mod)
noise = np.random.normal(scale=np.sqrt(noise_power), size=time.shape)
noise *= np.exp(-time/5)
x = carrier + noise
f, t, Sxx = signal.spectrogram(x, fs)
plt.pcolormesh(t, f, Sxx)
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()
这是从 scipy 文档中提取的，因为您需要科学计算来创建频谱图。 如果您还没有 scipy，请在您的机器上安装并阅读其文档：
https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.spectrogram.html
【讨论】：