为何librosa.stft输出第二维不等于输入采样长度除以hop_length？

你观察到的输出第二维长度等于ceil(输入采样长度/hop_length)，是你当前输入长度非hop_length整数倍时的巧合，本质是librosa.stft的滑动窗口计数规则和center参数的补零逻辑共同作用的结果，具体原理如下：

1. 滑动窗口帧数基础计算规则 #

所有短时傅里叶变换的帧数计算都遵循滑动窗口的通用计数逻辑：

帧数 = (参与计算的总样本数 - 窗口长度) // 步长 + 1

你的参数中，STFT窗口长度n_fft=2048，帧移步长hop_length=512。

2. center=True的补零逻辑 #

当center=True（librosa默认配置）时，为了让第一帧窗口中心对齐原始音频第一个采样点、最后一帧窗口中心对齐原始音频最后一个采样点，避免边缘信号被截断，librosa会先对输入音频首尾各补n_fft//2个零。n_fft为偶数时，首尾补零总长度为n_fft//2 * 2 = n_fft，因此补零后参与计算的总样本数为：

补零后总长度 = 原始样本长度 + n_fft

3. 代入你的参数验证 #

将补零逻辑代入帧数公式：

帧数 = ( (原始长度 + n_fft) - n_fft ) // hop_length + 1 = 原始长度 // hop_length + 1

代入你提供的原始样本长度10848704计算：

10848704 // 512 + 1 = 21188 + 1 = 21189

和你拿到的输出第二维长度完全一致。

你观察到的结果等于ceil(原始长度/hop_length)，是因为你当前的原始长度除以hop_length余448，非整数整除场景下x//y + 1的结果刚好和ceil(x/y)一致；如果原始长度刚好是hop_length的整数倍，输出帧数会比ceil(原始长度/hop_length)多1。

内容的提问来源于stack exchange，提问作者Martin Tin