语谱图的横坐标为时间，纵坐标为对应时间点的频率。坐标中的每个点用不同颜色表示，颜色越亮表示频率越大，颜色越淡表示频率越小。可以说语谱图是一个在二维平面展示三维信息的图,既能够表示频率信息,又能够表示时间信息。 创建和绘制语谱图的过程是首先对音频分帧，然后对每一帧进行傅里叶变换得到对应的频率特征，最后根据帧的先后顺序形成一张语谱图。我们可以通过 matplotlib.pyplot模块中的specg

深入浅出地理解傅里叶变换 类比：就像光的色散一样，sound相当于白光，FT相当于棱镜，散射出来的各色的光谱就是频域信息 直观理解：傅里叶变换将复杂的时域声音信号转换成了频域部分 深入理解：首先将原始信号与许多不同频率的正弦信号相比较 对于每一种频率，我们得到了一个振幅和一个相位 振幅信息表现了原始信号和对应频率的正弦信号之间的相似程度 离散傅里叶变换 (DFT) 因为计算机中存储的

搞清语音是怎么产生的对于我们理解语音有很大帮助。人通过声道产生声音，声道的shape（形状？）决定了发出怎样的声音。声道的shape包括舌头，牙齿等。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素phoneme进行准确的描述。声道的形状在语音短时功率谱的包络中显示出来。而MFCCs就是一种准确描述这个包络的一种特征。 也就是说MFCC 最初的出现，是为了描述音频信号短时功率谱

文章目录 1. 傅里叶转换2. 语谱图3. 应用 1. 傅里叶转换 通过前面的描述可以知道，声音的本质就是各种声波，那么任意某一个时刻，都不可能是只有一个频率的波，而且声波也不可能是我们理解的标准的正弦波： 而一般我们对声音进行处理时，需要分析出频率当中的有哪些频率，然后才能进行后续的处理，这时候就用到傅里叶转换的功能： 2. 语谱图 在上面进行傅里叶转换得到了某一时刻