针对你用Audiomoths采集的384kHz/16位WAV文件，要保留0-20kHz鸟类鸣声并正确降采样，核心是先做抗混叠滤波，再降采样，最后归一化，下面是具体步骤和问题解析：

为什么之前的方法有问题？ #

• tuneR::downsample直接降采样：没有提前滤除20kHz以上的信号，这些高频会因混叠效应折叠到0-22.05kHz（44.1kHz采样率的奈奎斯特频率）范围内，干扰目标频段信号，导致频谱看起来变弱且失真。
• seewave::fir单独滤波：只去掉了20kHz以上的信号，但采样率还是384kHz，所以文件体积没减小，频谱图横轴仍显示0-192kHz（384/2），但20kHz以上其实已经没有有效信号了。

正确操作流程及代码 #

步骤1：抗混叠低通滤波 #

先滤除20kHz以上的所有信号，避免降采样时的混叠失真。

步骤2：降采样到44.1kHz #

44.1kHz的奈奎斯特频率是22.05kHz，完全覆盖0-20kHz的目标频段，同时大幅减小文件体积。

步骤3：信号归一化 #

恢复滤波/降采样过程中损失的信号强度，确保频谱清晰可识别。

完整代码：

library(tuneR)
library(seewave)

# 读取原始音频
raw_wave <- readWave("file1.WAV")

# 1. 低通滤波：保留0-20kHz，禁止高频信号进入后续步骤
filtered_wave <- fir(wave = raw_wave,
                     from = 0, 
                     to = 20000,
                     bandpass = FALSE,  # 设置为低通模式
                     output = "Wave",
                     rescale = FALSE)  # 暂不缩放，留到最后统一处理

# 2. 降采样到44100Hz
downsampled_wave <- tuneR::downsample(filtered_wave, 44100)

# 3. 归一化到16位满量程，恢复信号强度
normalized_wave <- normalize(downsampled_wave, unit = "16")

# 保存处理后的文件
writeWave(normalized_wave, "processed_file1.WAV")

批量处理大量文件 #

如果有上百个文件，用循环批量处理更高效：

library(purrr)

# 获取所有WAV文件路径
wav_files <- list.files(pattern = "\\.WAV$", full.names = TRUE)

# 批量处理每个文件
walk(wav_files, function(file_path) {
  # 读取文件
  raw <- readWave(file_path)
  # 滤波+降采样+归一化
  filtered <- fir(raw, from=0, to=20000, bandpass=FALSE, output="Wave", rescale=FALSE)
  downsampled <- tuneR::downsample(filtered, 44100)
  normalized <- normalize(downsampled, unit="16")
  # 生成输出文件名（前缀加processed_）
  output_name <- paste0("processed_", basename(file_path))
  # 保存
  writeWave(normalized, output_name)
})

额外注意事项 #

• 采样率选择：如果追求最小体积，也可以降采样到40kHz（奈奎斯特20kHz刚好覆盖目标频段），但44.1kHz是通用音频标准，兼容性更好。
• 滤波器参数：seewave::fir默认的滤波器阶数已经足够应对需求，若需要更陡的滤波过渡带（减少目标频段边缘的信号衰减），可以增加n参数的值（比如n=1024），但计算时间会变长。

内容的提问来源于stack exchange，提问作者trying-my-best