什么是频谱图?
频谱图就是声音的照片。先把音频切成很多段互相重叠的短切片,每一片用傅里叶变换(FFT)拆成各个频率,再把这些切片从左到右排起来。每一列是一个时刻,每一行是一个频率,每个像素的颜色就是这个频率在这个时刻有多响。
波形图只告诉你「什么时候响」,频谱图还告诉你「是什么在响」:一个贝斯音、一下踩镲、一段电流声,还是一个人声。
三步看懂频谱图
- 1
横轴:时间
时间从左往右走,和剪辑软件的时间线一样。突然出现的声音,会有一条清晰的左边缘。
- 2
纵轴:频率
低音在下面,高音在上面。注意刻度:线性坐标里每 1 kHz 一样高;对数坐标里每个八度一样高,更接近人耳的感受。
- 3
颜色:响度
越亮越响。色条把颜色对应到分贝,最暗的地方接近无声。

频谱图常见图案怎么读
看懂坐标轴之后,读频谱图就是认形状。下面七种几乎覆盖了你会遇到的大部分情况:
| 看到什么 | 代表什么 | 常见来源 |
|---|---|---|
| 一条水平线 | 稳定的纯音 | 电源嗡声(50 或 60 Hz)、测试音、口哨 |
| 一叠等距的平行线 | 一个有音高的声音:最下面一条是基频,上面是泛音 | 唱出的元音、吉他、钢琴、小提琴 |
| 一条细竖线 | 瞬态:一瞬间很多频率同时出现 | 鼓点、咔哒声、语音里的 t、k |
| 一团模糊的「云」 | 分布在一段频率上的噪声 | 嘶嘶声、雨声、镲片、s 和 sh 音 |
| 弯曲或抖动的线 | 音高随时间变化 | 颤音、滑音、鸟鸣、警笛 |
| 平直的「天花板」,上面全空 | 频率被滤波器或编码器去掉了 | MP3、AAC 文件,老录音 |
| 贯穿上下的暗色空隙 | 静音 | 停顿、换气、音符结束 |
人声、音乐和鸟鸣对比
人声
一个拖长的唱音,是看泛音最清楚的例子。在线性坐标里,这些线等距排列,间隔正好是基频。元音是一叠叠明亮的平行线,辅音则是夹在中间的短促噪声。一叠线里特别亮的几段叫共振峰,来自口腔和喉咙的共鸣,正是它们让「啊」和「衣」听起来不一样。


音乐
完整编曲会把所有东西叠在一起。底鼓和贝斯在底部铺满明亮、宽厚的能量;每一下鼓点画一条竖线,用眼睛就能数拍子;和弦在上面叠出好几组泛音,镲片把顶部填满噪声。

鸟鸣
鸟叫得又快又高,通常在 2 到 8 kHz 之间,一个音在几十毫秒内上下滑动。耳朵听来是一片模糊,频谱图上却是一个个清楚的形状,观鸟的人就靠这些形状分辨相似的鸟种。底部那层雾是风声和远处的车流。


FFT 大小:时间和频率不能兼得
FFT 大小就是每个切片用多少个采样点,它决定了你能看清什么。切片长,频率测得准,时间就糊;切片短,时间抓得准,频率就糊。一张图里两者没法同时做到最好。
| FFT 大小 | 44.1 kHz 下的窗口长度 | 频率分辨率 | 适合看 |
|---|---|---|---|
| 1024 | 23 毫秒 | 43 Hz | 鼓点、辅音、快速鸟鸣 |
| 2048 | 46 毫秒 | 21.5 Hz | 大多数音乐,默认就选它 |
| 4096 | 93 毫秒 | 10.8 Hz | 泛音、贝斯音符、校音 |
拖动手柄,对比同一段三秒人声在两个极端设置下的样子:1024 时每个音的起点很利落,泛音却糊成粗带;4096 时每条泛音都细如发丝,音符的起点却变软了。


同一段人声、同样的配色,只改了 FFT 大小。
重叠率用来补空隙
重叠率(50%、75%、87.5%)不会改变这个取舍,它只是在原有切片之间插入更多切片,让大 FFT 在时间方向上看起来更平滑。
在频谱图里找隐藏图像
既然频谱图是一张图,就可以反过来「画」一张。图片的每一行像素变成一个固定频率的正弦音,亮度决定音量,播放这段声音,就等于把图画了出来。音乐人用这种方法藏图已经有几十年了,最有名的是 Aphex Twin 1999 年的单曲《Windowlicker》,里面藏了一张人脸。
想找出来,用线性频率坐标、2048 或更大的 FFT,并把响度范围收窄,让微弱的音也显出来。重点看曲子的结尾和高频区域,那里的图像不会和音乐打架。下面是我们自己做的一段:听起来像一个嗡嗡作响、不断变化的和弦,看起来却是一句问候。

给自己的音频做一张频谱图
最好的学法是看你熟悉的声音。我们的在线频谱图生成器在浏览器里运行:选一个示例(完整混音、人声、伴奏、乌鸫、隐藏信息),或者拖入你自己的文件,鼠标停在任意位置就能读出准确的 Hz、音名和 dB。FFT 大小、频率刻度和配色一键切换,还能保存最高 4K 的 PNG。

