如何检测指定启停音调频率，实现音频精准录制与捕获？

我明白你现在的痛点——在带噪声的录制场景里，启停音调（400Hz/500Hz）的检测逻辑完全靠不住，直接用FFT取峰值频率的方法很容易被噪声带偏。结合你的代码和需求，我整理了几个关键改进点，应该能彻底解决这个问题：

1. 改进主频率计算：避免噪声峰值干扰 #

直接取FFT的绝对峰值是问题核心——噪声的随机峰值很容易掩盖真实的音调频率。我们可以改用加权FFT平均的方式计算主频率，同时先去除信号中的直流分量，进一步降低噪声影响：

import numpy as np

def get_dominant_frequency(data_chunk, fs):
    # 先去除直流分量，减少低频噪声干扰
    data_chunk = data_chunk - np.mean(data_chunk)
    n = len(data_chunk)
    
    # 计算FFT并只保留正频率部分
    w = np.fft.fft(data_chunk)
    freqs = np.fft.fftfreq(n, 1/fs)
    positive_mask = freqs >= 0
    freqs = freqs[positive_mask]
    fft_magnitude = np.abs(w[positive_mask])
    
    # 用FFT幅值加权平均计算主频率，降低噪声峰值的权重
    weighted_sum = np.sum(freqs * fft_magnitude)
    total_magnitude = np.sum(fft_magnitude)
    if total_magnitude == 0:
        return 0
    return weighted_sum / total_magnitude

2. 增加能量阈值过滤无效噪声段 #

噪声的能量远低于真实音调信号，在检测频率前先过滤掉低能量的噪声窗口，能大幅减少误判：

def calculate_rms_energy(data_chunk):
    # 计算均方根能量，衡量信号强弱
    return np.sqrt(np.mean(np.square(data_chunk)))

# 需根据实际录制环境调整：先录一段纯噪声，取其能量的1.5-2倍作为阈值
energy_threshold = 0.01

3. 连续多窗口匹配，避免单次误触发 #

单一窗口的频率检测很容易被偶然噪声误判，我们要求连续多个窗口都匹配目标频率，才判定为有效启停信号：

match_tolerance = 50  # 频率匹配的偏差范围（Hz）
required_matches = 2  # 需要连续匹配的窗口数

4. 恢复完整音调窗口，保证频率分辨率 #

你之前把窗口减半后，频率分辨率降到了20Hz，导致400Hz/500Hz的检测精度大幅下降。恢复为完整的4410采样点窗口（对应0.1s音调长度），频率分辨率能达到10Hz，足够精准检测目标频率。

完整修改后的录制函数 #

import sounddevice as sd
import numpy as np

stop_sync_freq = 500
start_sync_freq = 400
fs = 44100
tone_len = 0.1
window_size = int(tone_len * fs)  # 恢复完整音调窗口：4410采样点
energy_threshold = 0.01
match_tolerance = 50
required_matches = 2

def calculate_rms_energy(data_chunk):
    return np.sqrt(np.mean(np.square(data_chunk)))

def get_dominant_frequency(data_chunk, fs):
    data_chunk = data_chunk - np.mean(data_chunk)
    n = len(data_chunk)
    w = np.fft.fft(data_chunk)
    freqs = np.fft.fftfreq(n, 1/fs)
    positive_mask = freqs >= 0
    freqs = freqs[positive_mask]
    fft_magnitude = np.abs(w[positive_mask])
    
    weighted_sum = np.sum(freqs * fft_magnitude)
    total_magnitude = np.sum(fft_magnitude)
    if total_magnitude == 0:
        return 0
    return weighted_sum / total_magnitude

def record_audio():
    in_window = False
    audio_buffer = []  # 存储原始音频数据，而非频率，方便后续处理
    print("等待START音调...")
    
    while True:
        # 等待START信号的连续匹配
        if not in_window:
            matches = 0
            while matches < required_matches:
                data = sd.rec(window_size, samplerate=fs, channels=1, dtype='float32')
                sd.wait()
                
                # 低能量窗口直接重置匹配计数
                if calculate_rms_energy(data) < energy_threshold:
                    matches = 0
                    continue
                
                dom_freq = get_dominant_frequency(data, fs)
                if abs(dom_freq - start_sync_freq) <= match_tolerance:
                    matches += 1
                    print(f"检测到START匹配 {matches}/{required_matches}")
                else:
                    matches = 0
            in_window = True
            print("START已触发，开始录制有效音频...")
            continue
        
        # 录制状态：处理每个音频窗口
        data = sd.rec(window_size, samplerate=fs, channels=1, dtype='float32')
        sd.wait()
        
        # 过滤低能量噪声段
        if calculate_rms_energy(data) < energy_threshold:
            audio_buffer.append(data)
            continue
        
        dom_freq = get_dominant_frequency(data, fs)
        print(f"当前主频率: {dom_freq:.1f}Hz")
        
        # 检测STOP信号的连续匹配
        if abs(dom_freq - stop_sync_freq) <= match_tolerance:
            # 额外验证一个窗口，避免误判
            next_data = sd.rec(window_size, samplerate=fs, channels=1, dtype='float32')
            sd.wait()
            next_dom_freq = get_dominant_frequency(next_data, fs)
            
            if abs(next_dom_freq - stop_sync_freq) <= match_tolerance:
                print("STOP已触发，停止录制")
                in_window = False
                break
            else:
                audio_buffer.append(data)
                audio_buffer.append(next_data)
                continue
        
        # 保存有效音频数据
        audio_buffer.append(data)
    
    # 将缓冲区合并为完整的NumPy数组
    recorded_audio = np.concatenate(audio_buffer, axis=0)
    # 可选：保存为WAV文件
    sd.write("recorded_payload.wav", recorded_audio, fs)
    return recorded_audio

if __name__ == "__main__":
    audio_data = record_audio()
    print(f"录制完成！总采样数: {len(audio_data)}")

额外调试建议 #

• 调整能量阈值：先录制一段纯环境噪声，计算它的RMS能量，把阈值设为噪声能量的1.5-2倍，能有效过滤大部分无意义的噪声窗口。
• 优化匹配容忍度：如果你的程序生成的音调频率很精准，可以把match_tolerance降低到20Hz左右，进一步减少误判。
• 滑动窗口检测：如果启停音调的边缘检测不够精准，可以尝试滑动窗口（比如每次移动100个采样点）来检测频率变化，避免错过信号边缘。

内容的提问来源于stack exchange，提问作者Jax Teller