在Python中创建音频文件的振幅与频率频谱图

我试图用Python创建一个音频文件的振幅与频率的频谱图。这样做的程序是什么？ 一些示例代码将非常有帮助

from scipy import signal
import matplotlib.pyplot as plt
fs = 10e3
N = 1e5
amp = 2 * np.sqrt(2)
noise_power = 0.01 * fs / 2  
time = np.arange(N) / float(fs)
mod = 500*np.cos(2*np.pi*0.25*time)
carrier = amp * np.sin(2*np.pi*3e3*time + mod)
noise = np.random.normal(scale=np.sqrt(noise_power), size=time.shape)
noise *= np.exp(-time/5)
x = carrier + noise
f, t, Sxx = signal.spectrogram(x, fs)
plt.pcolormesh(t, f, Sxx)
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.show()

这是从scipy文档中提取的，因为创建光谱图需要科学计算。 如果尚未安装scipy，请在计算机上安装它并阅读其文档：

这是从scipy文档中提取的，因为创建光谱图需要科学计算。 如果尚未安装scipy，请在计算机上安装它并阅读其文档：

---

简单光谱

获得均匀采样信号

x

的振幅与频率关系的最简单方法是通过高效算法计算其振幅。给定一个以常规采样率采样的信号

x

，您可以使用：

import numpy as np
Xf_mag = np.abs(np.fft.fft(x))

Xf\u-mag

数组的每个

索引

将包含频率单元的振幅，其频率由

index*fs/len（Xf\u-mag）

给出。这些频率可以使用以下公式方便地计算：

freqs = np.fft.fftfreq(len(Xf_mag), d=1.0/fs)

最后，可以使用matplotlib绘制光谱：

import matplotlib.pyplot as plt
plt.plot(freqs, Xf_mag)

优化频谱估计

您可能会注意到，使用简单的FFT方法获得的频谱会产生一个看起来非常嘈杂的频谱（即具有许多尖峰）。 为了得到更准确的估计，更复杂的方法是使用（由实现的）和（由实现的）等技术来计算a。然而，请注意，在这些情况下，计算的频谱与振幅的平方成正比，因此其平方根提供了均方根（RMS）振幅的估计值

回到以常规采样率采样的信号

x

，这样的功率谱估计可以按照scipy文档样本中的描述获得，如下所示：

f, Pxx = signal.periodogram(x, fs)
A_rms = np.sqrt(Pxx)

相应的频率

f

也会在该过程中计算，因此您可以使用

plt.plot(f, A_rms)

---

使用scipy.signal.welch非常相似，但使用了稍微不同的实现，提供了不同的精度/分辨率权衡。

简单频谱

获得均匀采样信号

x

的振幅与频率关系的最简单方法是通过高效算法计算其振幅。给定一个以常规采样率采样的信号

x

，您可以使用：

import numpy as np
Xf_mag = np.abs(np.fft.fft(x))

Xf\u-mag

数组的每个

索引

将包含频率单元的振幅，其频率由

index*fs/len（Xf\u-mag）

给出。这些频率可以使用以下公式方便地计算：

freqs = np.fft.fftfreq(len(Xf_mag), d=1.0/fs)

最后，可以使用matplotlib绘制光谱：

import matplotlib.pyplot as plt
plt.plot(freqs, Xf_mag)

优化频谱估计

您可能会注意到，使用简单的FFT方法获得的频谱会产生一个看起来非常嘈杂的频谱（即具有许多尖峰）。 为了得到更准确的估计，更复杂的方法是使用（由实现的）和（由实现的）等技术来计算a。然而，请注意，在这些情况下，计算的频谱与振幅的平方成正比，因此其平方根提供了均方根（RMS）振幅的估计值

回到以常规采样率采样的信号

x

，这样的功率谱估计可以按照scipy文档样本中的描述获得，如下所示：

f, Pxx = signal.periodogram(x, fs)
A_rms = np.sqrt(Pxx)

相应的频率

f

也会在该过程中计算，因此您可以使用

plt.plot(f, A_rms)

---

使用

scipy.signal.welch

非常相似，但使用了稍微不同的实现，这提供了不同的精度/分辨率权衡。

上面的代码是针对频率和时间的。我在寻找振幅与频谱图。上面的代码是频率与时间的关系。我在寻找振幅与频谱图。你在寻找（或者替代）吗？寻找一个类似于上面的图——它很可能是由一个简单的FFT生成的，类似于

plot（np.FFT.fftfreq（len（x）），abs（np.FFT.FFT（x））

你能给出一些示例代码吗？这会很有帮助。你在找（或者另一个）图吗？找一个类似于上面的图——它很可能是由一个简单的FFT生成的，比如

plot（np.FFT.fftfreq（len（x）），abs（np.FFT.FFT（x））

你能给出一些示例代码吗？那会很有帮助的。