Python统计WAV音频可听/非可听频率时域占比实现问题

你当前用全局FFT统计频率bin数量的计算方式完全不可行，得到的结果和你需要的时域占比没有关联。全局FFT是把整段音频的所有时域信息混合后转换到频域，返回的频率数组长度仅由FFT点数、采样率决定，无法对应到具体时域片段的持续时长，你当前写法算出的结果只是「频率轴上非可听频段的频率点数量占总频率点的比例」，完全无法反映"5秒音频里2秒是可听内容"这类时域维度的统计结果。

要得到时域维度的频段占比，必须基于短时傅里叶变换（STFT）做分帧检测，核心逻辑是把整段音频切分为多个短时间片段，逐片段判断频段属性后累计时长，步骤如下：

• 音频预处理：如果输入是多声道WAV，先按通道取均值转为单声道，同时做振幅归一化消除录音电平的影响
• 分帧加窗：将音频切为长度20ms-50ms的短帧（这个长度是音频检测的常用取值，符合人耳对声音的稳态感知区间），帧之间设置50%重叠减少截断误差，每帧加汉明窗抑制频谱泄漏
• 逐帧频段判定：对每一帧单独做FFT得到对应频谱，分别计算次声段（<20Hz）、可听段（20Hz-20kHz）、超声段（>20kHz）的能量占比；注意不要直接以"是否存在对应频率点"作为判定标准——正常可听音频的FFT结果也会有少量量化噪声落在非可听段，需要设置判定阈值，比如某类频段能量占该帧总能量的90%以上，就把该帧归属到对应类别
• 时长累计：帧移对应每帧的实际时间步长（帧移=帧长*(1-重叠率)），统计归属到不同类别的总帧数，乘以帧移对应的时长就是该类别的总持续时间，除以音频总时长即可得到占比

from scipy.io import wavfile
from scipy.signal import stft
import numpy as np

wav_path = '/path/to/wav/file'
# 可调参数
frame_len_ms = 30  # 单帧时长30ms
overlap_rate = 0.5  # 帧间50%重叠
energy_threshold = 0.9  # 频段能量占比判定阈值

# 读取音频
rate, wav_data = wavfile.read(wav_path, 'rb')
# 多声道转单声道
if len(wav_data.shape) > 1:
    wav_data = np.mean(wav_data, axis=1)
# 振幅归一化
wav_data = wav_data.astype(np.float32) / np.iinfo(wav_data.dtype).max
total_duration = len(wav_data) / rate

# 计算STFT得到时频谱
f, t, Zxx = stft(
    wav_data,
    fs=rate,
    nperseg=int(rate * frame_len_ms / 1000),
    noverlap=int(rate * frame_len_ms / 1000 * overlap_rate),
    window='hamming'
)
# 计算每个时频点的能量
frame_energy = np.abs(Zxx) ** 2
total_energy_per_frame = np.sum(frame_energy, axis=0)

# 标记不同频段的频率索引
infrasonic_mask = f < 20
audible_mask = (f >= 20) & (f <= 20e3)
ultrasonic_mask = f > 20e3

# 逐帧计算各频段能量占比，加1e-8避免除零错误
infrasonic_ratio = np.sum(frame_energy[infrasonic_mask, :], axis=0) / (total_energy_per_frame + 1e-8)
audible_ratio = np.sum(frame_energy[audible_mask, :], axis=0) / (total_energy_per_frame + 1e-8)
ultrasonic_ratio = np.sum(frame_energy[ultrasonic_mask, :], axis=0) / (total_energy_per_frame + 1e-8)

# 统计各类型有效帧数
infrasonic_frames = np.sum(infrasonic_ratio >= energy_threshold)
audible_frames = np.sum(audible_ratio >= energy_threshold)
ultrasonic_frames = np.sum(ultrasonic_ratio >= energy_threshold)
# 单帧对应的实际时长（帧移步长）
frame_step = frame_len_ms / 1000 * (1 - overlap_rate)

# 输出统计结果
print(f"音频总时长: {total_duration:.2f}s")
print(f"次声段时长: {infrasonic_frames*frame_step:.2f}s, 占比: {infrasonic_frames*frame_step/total_duration*100:.1f}%")
print(f"可听段时长: {audible_frames*frame_step:.2f}s, 占比: {audible_frames*frame_step/total_duration*100:.1f}%")
print(f"超声段时长: {ultrasonic_frames*frame_step:.2f}s, 占比: {ultrasonic_frames*frame_step/total_duration*100:.1f}%")

• 如果音频采样率低于40kHz，根据奈奎斯特采样定理，音频本身不会包含20kHz以上的频率分量，此时超声段占比恒为0，不需要额外计算
• 能量阈值可以根据实际场景调整，如果音频本身底噪较高，可以适当降低阈值，避免把有效内容误判为混合片段
• 后续开发语音/非语音占比统计函数时可以复用这套分帧逻辑，只需要把频段判定规则替换为语音对应的特征规则即可——比如语音核心能量集中在300Hz-3400Hz，也可以搭配过零率等特征提升判定准确率，按同样的帧统计逻辑就能得到时域占比结果。

内容的提问来源于stack exchange，提问作者Jana.k