Audio 音频数据FFT：选择哪些数据点？

我需要分析16位PCM RIFF WAV格式的长持续时间非周期音频数据。通常，我会以11 kHz或16 kHz的频率获取文件，并以1秒的间隔拍摄快照，以使用FFT准备三维功率谱图

不过，我认为我遗漏了一些非常基本的东西：如果箱子数量有限，那么选择转换哪些数据点以获得最有意义的结果的正确方法是什么

我使用的限制是1024个垃圾箱。因此，在11 kHz时，每个箱子的宽度约为10 Hz，这很好。但是，如何选择要处理的样本？平均每组10个样本，并将其发送至FFT？连续转换10批1024个样本，只需删除最后几个？任意抽取每秒的前1024个样本

所有这些似乎都不能非常精确地创建一个有效的光谱图谱，我相信一定有一些公认的方法可以解决这类问题，但在环顾四周之后，我还没有找到任何讨论这类问题的方法

编辑-[阅读下面的@fdcpp回复后]

我阅读了短时傅立叶变换[非常有趣！]，并修改了我的程序。我仍然在傅里叶输出上得到非常奇怪的值

以下是我所写内容的伪代码：

define N           1024
define SAMPLES     11025
define WINDOWS     10
define SLIPWIDTH   N / 2

        short       audio[0...60 * SAMPLES]
        float       fftvals[0...N/2]
        complex     fftin[N], fftout[N]
        float       hanning[N]
        float       binwidth = SAMPLES / N

for(chunk = 0 to WINDOWS) {
    for(i = 0 to N) {
        fftin[i][real] = ( (float) audio[i + chunk * SLIPWIDTH] / 32768.0 ) * hanning[i];
        fftin[i][imaginary] = 0
    }
    fft(fftin, fftout)
    for(i = 0 to N / 2 + 1) {
        fftvals[i] = sqrt( (fftout[i][real] / binwidth) ^ 2 + (fftout[i][imaginary] / binwidth) ^ 2)
        if (fftvals[i] == 0)
            fftvals[i] = -96
        else
            fftvals[i] = 10 * log10(fftvals[i])
    }

    // add fftvals to totals array here
}

我对16位签名音频数据进行了分析，采样数为11k/秒，每次进入1024个存储箱，每次将窗口滑动½个存储箱。因此，我将对每秒钟音频的前半秒进行采样，通过10组具有宽度为N的滑动窗口的存储箱运行。在将原始音频数据放入FFT输入阵列时，我将使用Hann窗口对其进行平滑处理

我想要的结果是一个标准化分贝值数组，范围从0（最高）到-96（最低）。但正如我所说，我在fftvals[]中得到的值都是胡说八道，所以我做了一些非常错误的事情

我是否需要使用原始音频数据做任何其他操作来准备FFT？ 在转换为分贝之前，我对输出值的缩放是否合适？

---

你注意到我在这里做错了什么吗？

@Cris Luengo我向你道歉。谢谢你的评论！固定的！我想你要找的是（STFT）。因此，您将处理音频帧，而不是整个音频文件。如果您有1024个箱子，那么您必须在一个帧中处理1024个样本。重叠的框架和它们将是该过程的一个重要部分。对样本进行平均是错误的，因为这本质上是低通滤波。平均每个帧的bin大小会更容易接受。