librosa.stft & librosa.core.stft

该函数是音频信号短时傅里叶变化的librosa实现，旧版本调用方式为librosa.core.stft, 目前新版本已经修改为librosa.stft

文档地址 ： https://librosa.org/doc/0.8.0/generated/librosa.stft.html

函数头：
librosa.stft(y, n_fft=2048, hop_length=None, win_length=None, window=‘hann’, center=True, dtype=None, pad_mode=‘reflect’)

• stft ： short-time Fourier Transform。
• y : numpy数组，一般来自librosa.load(path, sr)[0]。
• n_fft : stft计算过程中的帧长，单位为采样点，默认值为2048，指的是采样率为22050时93ms音频对应的采样点，对于其他采样率的音频，可以适当修改。
• hop_length : 帧移。默认hop_length=nfft // 4。分帧涉及的概念，由于stft是短时傅里叶变换，需要首先将音频分帧，一帧一帧向后滑动不断计算，这里向后滑动的距离就是hop_length， 单位也是采样点数。此外这个概念与overlapping相关，帧与帧之间需要有重叠，才能保证信号的平滑星，这里重叠的长度（采样点数）就是overlapping, n_fft = hop_length + overlapping。这里hop_length会影响最终结果的帧数，但是对频率分辨率并不会产生影响。
• win_length : 窗函数的长度，一般与 n_fft 相等。帧长会影响stft的时间分辨率，但是需要注意与频率分辨率取得平衡。窗函数的长度与频带宽一般成反比，具体可参见语谱图 基频 共振峰和宋知用老师《matlab语音信号分析与合成》2.4.2节。
• window ： 窗函数。默认使用汉宁窗。
• center ： 一帧开始的位置。默认是True, 表示当前帧t是以 t*hop_length 这一点为第t帧的中心点。否则是以 t*hop_length 这一点为一帧的起始点。
• dtype：D的复数值类型。默认值为64-bit complex复数
• pad_mode：如果center = True，则在信号的边缘使用填充模式。默认情况下，STFT使用reflection padding。
• 返回 ： 是一个复数矩阵，shape = [1+n_fft/2, n_frams]
  • 其中，n_fft/2是因为实数FFT信号具有对称性，我们只需要去一般的数据分析即可，全部返回有数据冗余。
  • n_frames: n_frames = (speech_len) // hop_len + 1。 具体可以画图，信号处理之前首先需要padding, padding之后分帧，画图可以看到，真正与帧数有关系的，是hop_len。

一个示例如下：

参考：

• librosa.stft的输出
• librosa.core.stft 输出帧数说明
• librosa音频处理库stft输出帧数
• librosa语音库当中的STFT代码阅读（含注释）
• 语谱图 基频 共振峰