Java 如何从音频样本中确定频率的幅度和相位角？

我目前正在从事这个项目，这意味着一些DSP技能。 我必须从电影中提取音频，然后通过分析它，我必须确定某人何时说话，更像是语音活动检测器

我正在用Java编写代码（是的，我知道这不是最好的选择），只使用库从视频和JLayer中提取音频，这样我就可以处理MP3了

获取每个通道的连续采样，在我的示例中是两个：LEFT0、RIGHT0、LEFT1、RIGHT1、LEFT2、RIGHT2等

这就是我到目前为止所做的：

• 我将每个通道的样本放入一个数组中
• 我应用汉明窗[N=8192]：

  double w=0.54-0.46*（Math.cos（2*Math.PI*buffer[i]/buffer.length-1））
  fftBuffer[i]=新络合物（w，0）

• 然后，我在每个通道上，计算振幅

  mag=re^2+im^2之后，我做一个对数标度（dB）：
  mag_dB=10*log10（abs（mag））

因为我在这里“寻找声音”，所以我需要80到1000之间的频率（即使声音范围在80到255赫兹之间）。所以，从FFT中，我得到一个镜像的N=8129阵列，我只需要第一个N/2

每个仓的频率（FFT产生的阵列中的槽）将是采样率（48.000 kHz） /N；这将是48000/8192=每箱5赫兹。所以我只看数组中从FFT_结果[15]到FFT_结果[199]的值（16*5Hz=80 Hz；200*5=1000 Hz），对吗

我在Cool Edit Pro中查看了频率分析器，所有振幅都为负值。在我的例子中，第一个（声音在背景中，声音不是很大）是负面的，然后，它们都是正面的。他们不应该是消极的吗？我是不是错过了什么

到目前为止，根据我在Cool Edit Pro中通过查看频率分析器和相位分析器所做的评论，我需要一个该频率范围的阈值，某种算法，以确定在n毫秒的时间内，幅度在该频率范围内是否恒定，并确定声音是否居中。最后一个必须分析相位角，当有人说话时，声音总是居中的

我没有找到一种方法来做到这一点，我对我目前所做的一切感到困惑，因为我不知道我目前所做的是否正确

因此，如果您阅读了所有这些，感谢您的耐心，我的问题是：
-到目前为止我做的对吗？
-振幅必须为负吗？

---

-有人知道如何计算多个样本的相位吗？

在dB中，振幅可以是负的，也可以是正的，这无关紧要。重要的是相对于某个阈值的值。我会根据周围的样本来确定阈值。因为随着音节的发音，口语中的能量会上下波动，所以一个简单的平均值（乘以一些你必须使用的任意因子，才能找到合适的值）可以作为一个阈值

---

对于时域中的相位，您可以首先进行希尔伯特变换，然后对每个样本的实部和虚部使用atan2来估计瞬时相位。

您可以检查两个通道之间的延迟，而不是查看单个通道的相位。假设向两个通道提供相同的信号，则可以从通道间延迟中找到声源的方向。假设耳对耳距离约为20cm，此延迟最多为.2/340=.58ms，或在48kHz时约30个样本。如果计算该范围内的互相关（30个样本），则应找到指示震源方向的峰值

---

要找到类似声音的信号，可以计算80-1000Hz频带内的总能量，并根据某个合理的值设置阈值。您可以在频率域中通过将存储箱中的震级从80到1000Hz相加来实现这一点，或者在时域中使用带式滤波器和RMS值计算来实现这一点

您有一个双面变换。中点是直流分量。负频率实际上是一个正频率，相位相差180度！因此，如果使用FFT值的前半部分w/负频率，则需要通过pi改变相位，以准确地了解正在发生的情况

或者，在频率为正且相位正确的情况下，使用FFT值的后半部分

我看了一下Cool Edit Pro中的频率分析器和所有 振幅为负。在我的例子中，第一个（声音在 背景和声音）是负面的，然后是负面的 都是肯定的。他们不应该是消极的吗？我错过了吗 这里有什么

---

振幅为负？这是没有意义的，除了在分贝尺度上。是这样吗？@Oli Charlesworth:在我做对数刻度后，我得到如下值：6.192286815256956 1.4657064018498-2.360496921728435 4.294669805664844-2.2876799531445684-11.729105860184267.070140033122966正负混合together@Cyupa：哦，我错过了你问题中提到日志的那部分。很抱歉但是它们是正的还是负的完全是任意的，因为这取决于音频波形的整体比例。您可能想寻找的是振幅的显著相对变化，而不是特定的绝对水平。@奥利·查尔斯沃思：因此，您建议，根据某些频率单元振幅的先前值，我应该确定是否存在相对变化，而不是检查它是否达到某个值。谢谢你的建议。：-）@Cyupa：是的，可能是相对于上一时间点的bin值。或者相对于该时间间隔内整个FFT的平均bin值。有效地，计算机