python - 为什么 Sonic Visualizer 和我的 Python 脚本之间的频谱分析存在 dB 差异？

Question

我在实现从音频文件创建频谱的功能时遇到了问题。我问这个问题是希望有人能找到问题所在。

您可以下载32位浮点WAV音频文件here .

我正在编写一个脚本，该脚本使用 SciPy 和 NumPy 从音频文件创建频谱分析。在开始之前，我使用 Sonic Visualizer 分析了该文件，得到了以下结果:

现在我尝试使用我的 Python 脚本重现此结果，但得到了不同的结果:

一切看起来都正确，除了 dB 值的比例。在 100Hz 时，Sonic Visualizer 为 -40dB，而我的脚本为 -65dB。所以我假设，我的脚本将 FFT 结果转换为 dBFS 时存在问题。

如果我将 Sonic Visualizer 的曲线与我的脚本输出相匹配，很明显级别转换缺少某些因素:

我的脚本的最小版本，使用上面的“demo.wav”文件，如下所示:

from pathlib import Path

import matplotlib.pyplot as plt
import numpy as np
from scipy.io import wavfile as wavfile
from scipy.signal import savgol_filter

def db_fft(data, sample_rate):
    data_length = len(data)
    weighting = np.hanning(data_length)
    data = data * weighting
    values = np.fft.rfft(data)
    frequencies = np.fft.rfftfreq(data_length, d=1. / sample_rate)
    s_mag = np.abs(values) * 2 / np.sum(weighting)
    s_dbfs = 20 * np.log10(s_mag)
    return frequencies, s_dbfs

audio_file = Path('demo.wav')
frequency, data = wavfile.read(str(audio_file))
data = data[0:4096]
x_labels, s_dbfs = db_fft(data, frequency)
flat_data = savgol_filter(s_dbfs, 601, 3)
plt.style.use('seaborn-whitegrid')
plt.figure(dpi=150, figsize=(16, 9))
plt.semilogx(x_labels, s_dbfs, alpha=0.4, color='tab:blue', label='Spectrum')
plt.semilogx(x_labels, flat_data, color='tab:blue', label='Spectrum (with filter)')
plt.grid(True)
plt.title(audio_file.name)
plt.ylim([-160, 0])
plt.xlim([10, 10000])
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude [dB]')
plt.grid(True, which="both")
target_name = audio_file.parent / (audio_file.stem + '.png')
plt.savefig(str(target_name))

脚本将 32 位浮点音频文件转换为 dBFS 频谱图，使用前 4096 个样本作为窗口，就像 Sonic Visualizer 所做的那样。

我的脚本哪里出了问题，为什么我得到的结果不一样？

Answer 1

1。不同的分贝

第一个很大的区别是它们使用分贝的“功率比”定义，来自 this Wikipedia page :

When expressing a power ratio, the number of decibels is ten times its logarithm to base 10.

我也在 v4.0.1 source code 中验证了这一点(在 svcore/base/AudioLevel.cpp 中，第 54 行)

double dB = 10 * log10(multiplier);

2。不同量级计算

在计算幅度时，它们似乎只是除以代码中窗口的大小。这导致计算更改为

s_mag = np.abs(values) * 2  / data_length 

3。 “更正”结果

我还没有找到导出他们频谱的方法，但我已经手动读取了前几个值(注意，不是 dB 值)作为

theirvalues = [
    0.00074, 
    0.000745865, 
    0.00119605, 
    0.0013713, 
    0.0011812, 
    0.000746891, 
    0.000334177,
    0.000163241,
    7.57671e-5,
    3.17983e-5,
    2.91934e-5,
    3.74938e-5
]

加上我提到的两个变化，图表比较如下:

它仍然不是完全匹配，但更接近了。我怀疑可能仍然存在某种平滑处理(代码中提到了跃点，但我不太清楚它们在做什么)。