我正在使用scipy.signal.stft 获取音频的stft。没有问题，我得到了结果。但我不明白的是，当使用采样率为fs=44100 Hz 的169600 samples 的音频来计算stft 时，我得到3 个返回为f, t 和Zxx。这里Zxx 的形状是(2049, 84)。
为了计算stft，我使用大小为4096 的窗口，并使用hanning window 作为窗口类型。默认情况下，scipy.signal.stft 在帧之间使用window_size // 2 重叠。
我的问题：有2049 重叠帧吗？如果是或不是，如何计算stft中重叠帧的数量？如果2049不是重叠样本的数量，这个数字是什么意思？
【问题讨论】：
标签： python scipy signal-processing
实值信号的 FFT 产生具有厄米对称性的频谱。这意味着可以从下半部分获得频谱的上半部分。另外，当 FFT 大小N 是偶数时，中点就是它自己的对称性。因此，频谱完全由N//2 + 1 频点确定（这是scipy.signal.stft 返回的频谱大小）。在您的情况下，N 是 4096，因此您会沿着频率轴获得 4096//2 + 1 或 2049 点的频谱。您应该能够确认 f 确实是 2049 频率值的数组（从 0 到 44100/2 Hz，以 44100/4096 或 ~10.77Hz 为增量）。
就时间值的数量而言，您可以将其计算为
number_of_samples = 169600
number_time_values = (number_of_samples+window_size)//(window_size - window_size//2)
% = (169600 + 4096)//(4096 - 2048)
% = 84
分子中的+window_size（在您的情况下为+4096）项是由于boundary = 'zeros' 默认选项在您的实际169,600 个输入样本之前和之后用零填充输入。
【讨论】：