Python实现梅尔频谱：STFT窗口大小对幅值影响的疑问

1. 频率范围“变化”的真实原因 #

你当前绘图时，x轴用的是FFT的bin索引，而非实际频率值，这才是视觉上频率范围变化的核心原因。每个bin对应的实际频率计算公式为：

freq = bin_index * 采样率(sr) / 窗口大小(windowSize)

举个例子：

• 若采样率sr=16000，25ms窗口对应的大小是400，此时FFT的bin数为400/2+1=201，x轴索引0-200对应实际频率0-8000Hz（奈奎斯特频率）。
• 当窗口大小设为2048时，bin数为2048/2+1=1025，x轴索引0-1024对应的实际频率范围依然是0-8000Hz。

修正绘图代码，将x轴转换为实际频率即可统一对比：

window_size_samples = int(window_size * sr)
freq_bins = np.arange(int(window_size_samples/2)+1) * sr / window_size_samples
plt.plot(freq_bins, stft_matrix[0, :])
plt.xlabel('Frequency (Hz)')
plt.ylabel('Magnitude')
plt.show()

2. 幅值变化的原因 #

幅值变化主要来自三个因素：

• 窗口能量差异：Hanning窗的总能量随窗口大小增大而升高，加窗后信号的能量也会随之增加，最终反映在FFT幅值上。
• FFT的幅值特性：FFT的结果是窗口内所有样本的加权求和，窗口越大包含的样本数越多，幅值绝对值自然越大。
• 未做幅值归一化：标准STFT通常会对结果做归一化，补偿窗函数带来的能量损失。针对Hanning窗，常用的归一化方式是用2 / np.sum(window)来修正：
  修改你的STFT函数：

  def stft(signal, windowSize, windowStep):
      n_frames = 1 + int((len(signal)-windowSize)/windowStep)
      stft_matrix = np.zeros((n_frames, int(windowSize/2)+1),dtype=np.float32)
      # 预计算窗函数和归一化系数
      window = np.hanning(windowSize)
      norm_factor = 2 / np.sum(window)
      
      for i in range(n_frames):
          start = i * windowStep
          end = start + windowSize
          frame = signal[start:end] * window
          frame_fft = np.fft.fft(frame)[:int(windowSize/2)+1]
          stft_matrix[i, :] = np.abs(frame_fft) * norm_factor
      return stft_matrix
  

3. 额外建议 #

• 计算帧数量时，int()截断可能导致丢帧，建议用np.floor()或直接使用librosa的工具函数librosa.util.frame处理帧分割，逻辑更严谨。
• 可以用librosa官方的STFT实现验证你的结果：

  librosa_stft = np.abs(librosa.stft(x, n_fft=int(window_size*sr), hop_length=int(window_step*sr), window='hann'))
  

你的STFT核心逻辑是正确的，只是缺少频率轴转换和幅值归一化步骤，导致出现视觉上的“异常”，修正后即可得到一致的对比结果。

内容的提问来源于stack exchange，提问作者Naufal Rifqi Habibie