我一直在尝试理解 http://www.frank-zalkow.de/en/code-snippets/create-audio-spectrograms-with-python.html 底部的代码，但遗憾的是我没有得到任何结果。我不认为我应该理解大部分代码，因为我对 FFT 的经验有限，但不幸的是，我也无法理解图形是如何生成的。由于我的计算机严重滞后以及生成图表所需的时间相对较长，因此我从试错法中获得的进展也非常有限。
话虽如此，我需要一种方法来缩放图表，以便它只显示高达 5000 Hz 的值，尽管仍然是对数刻度。我还想了解如何对 wav 文件进行采样，以及我可以编辑哪些值以每秒获取更多样本。有人可以解释这两点是如何工作的，以及我如何编辑代码以满足这些要求吗？
【问题讨论】：
标签： python-2.7 audio numpy matplotlib scipy
嗯，这段代码是我写的，很乐意帮助你理解它。这可能不是最佳实践，可能有多种改进方法 - 欢迎提出建议。但至少它对我有用。
函数stft 借助numpy strides 对音频信号进行标准short-time-fourier-transform。函数 logscale_spec 采用 stft 并以对数方式对其进行缩放。这可能有点脏，必须有更好的方法来做到这一点。但它对我有用。 plotstft 是最终通过scipy.io.wavfile 读取波形文件的函数，结合前面两个函数并与matplotlibs imshow 进行绘图。如果你有一个单声道文件，你应该可以打电话给plotstft("/path/to/mono.wav")。
这是一个概述——如果我应该更详细地解释一些事情，就这么说吧。
回答你的问题。省略一些频率值：您可以通过np.fft.fftfreq(binsize, 1./sr) 获取 fft 的频率值。你只需要找到你的截止值的索引并留下这个 stft 的值。
我不明白您的第二个问题...您可以通过以下方式查看您的波形文件的所有样本：
>>> import scipy.io.wavfile as wav
>>> x = wav.read("/path/to/file.wav")
>>> x
(44100, array([4554752, 4848551, 3981874, ..., 2384923, 2040309, 294912], dtype=int32))
>>> x[1]
array([4554752, 4848551, 3981874, ..., 2384923, 2040309, 294912], dtype=int32)
【讨论】：