Cómo leer un espectrograma
Un espectrograma muestra el tiempo de izquierda a derecha, la frecuencia de abajo arriba y el nivel como brillo. Leerlo bien se reduce a tres decisiones: cuánto sonido analiza cada columna, cómo se espacia el eje de frecuencias y qué niveles abarcan los colores. Las cifras de abajo son para una grabación a 48 kHz, la frecuencia que usan la mayoría de los archivos y micrófonos.
Columnas, filas y brillo
Cada columna es una ventana corta de sonido dividida en sus frecuencias, cada fila es una banda de frecuencia y el brillo indica lo fuerte que sonó esa banda en esa ventana. Por defecto una ventana tiene 2048 muestras: a 48 kHz son 42,7 ms de sonido, y sus filas de frecuencia están separadas 23,4 Hz.
Las ventanas se solapan un 75 %, así que empieza una columna nueva cada 10,7 ms. Más solapamiento da una imagen más suave con más columnas, pero no más detalle: lo que puede mostrar una columna depende de la duración de la ventana.
Tamaño de ventana: nítido en el tiempo o nítido en el tono
Una ventana de N muestras a una frecuencia de muestreo f_s dura N/f_s segundos, y sus filas de frecuencia están separadas f_s/N hercios. Si reduces una a la mitad, la otra se duplica, así que ningún ajuste es nítido en ambas. 512 muestras duran 10,7 ms con filas separadas 93,8 Hz: los chasquidos, los golpes de batería y las consonantes quedan nítidos, pero los tonos cercanos se funden. 8192 muestras duran 171 ms con filas separadas 5,86 Hz: los tonos cercanos y los armónicos de un zumbido se separan, pero los sonidos breves se emborronan hacia los lados.
La forma de la ventana importa menos. Hann, la predeterminada, va bien para casi todos los sonidos; Blackman–Harris tiene lóbulos laterales mucho más débiles, así que un tono tenue junto a uno fuerte sigue visible, a costa de picos algo más anchos.
Duración de la ventana y separación de filas según el tamaño de FFT
| Tamaño de FFT | 44,1 kHz | 48 kHz | 96 kHz |
|---|---|---|---|
| 256 | 5,8 ms · 172 Hz | 5,33 ms · 188 Hz | 2,67 ms · 375 Hz |
| 512 | 11,6 ms · 86,1 Hz | 10,7 ms · 93,8 Hz | 5,33 ms · 188 Hz |
| 1024 | 23,2 ms · 43,1 Hz | 21,3 ms · 46,9 Hz | 10,7 ms · 93,8 Hz |
| 2048 | 46,4 ms · 21,5 Hz | 42,7 ms · 23,4 Hz | 21,3 ms · 46,9 Hz |
| 4096 | 92,9 ms · 10,8 Hz | 85,3 ms · 11,7 Hz | 42,7 ms · 23,4 Hz |
| 8192 | 186 ms · 5,38 Hz | 171 ms · 5,86 Hz | 85,3 ms · 11,7 Hz |
| 16.384 | 372 ms · 2,69 Hz | 341 ms · 2,93 Hz | 171 ms · 5,86 Hz |
En cada celda: cuánto dura la ventana · cuánto se separan sus filas de frecuencia. Un tamaño de FFT abre la herramienta con esa ventana.
Voz, música y sonidos breves
La voz suele analizarse con ventanas de unos 20 ms: lo bastante cortas para contener un sonido del habla y lo bastante largas para separar los armónicos de la voz. A 48 kHz el tamaño de FFT más cercano es de 1024 muestras (21,3 ms). Una ventana más corta de 256 muestras (5,33 ms, filas separadas 188 Hz) difumina los armónicos en bandas anchas, y así destacan los formantes, las resonancias que caracterizan cada vocal.
La música sostenida y los zumbidos constantes se leen mejor con ventanas más largas, que separan notas y armónicos. El canto rápido de las aves, los golpecitos y otros eventos veloces necesitan ventanas más cortas; si un sonido tiene ambos, míralo dos veces con dos tamaños.
El brillo es el nivel en dBFS
Los niveles están en decibelios relativos a la escala completa: 0 dBFS es una onda sinusoidal al mayor nivel que admite el archivo, y todo lo demás es negativo. Cada 20 dB menos es una décima parte de la amplitud, y 6 dB menos es aproximadamente la mitad. Un archivo de 16 bits abarca unos 96,3 dB desde la escala completa hasta su ruido de redondeo, así que los detalles tenues quedan muy por debajo de los fuertes.
Los colores solo cubren una parte de ese intervalo. El nivel automático ajusta esa parte a lo que se ve; si subes el nivel más oscuro, se oculta el ruido de fondo, y si lo bajas, aparecen los sonidos suaves junto con más ruido.
Qué significa un nivel en dBFS
| Nivel | Amplitud | Potencia |
|---|---|---|
| 0 dBFS | 100 % | 100 % |
| −6 dBFS | 50,1 % | 25,1 % |
| −12 dBFS | 25,1 % | 6,31 % |
| −20 dBFS | 10 % | 1 % |
| −40 dBFS | 1 % | 0,01 % |
| −60 dBFS | 0,1 % | 0,0001 % |
Como proporción de una onda sinusoidal a escala completa: amplitud 10^(L/20), potencia 10^(L/10) con un nivel de L dB.
Ejes de frecuencia lineal, logarítmico y mel
Un eje lineal da la misma altura a cada hercio, así que las frecuencias altas ocupan la mayor parte de la imagen. Un eje logarítmico da la misma altura a cada octava, como las teclas de un piano, y va bien para la música y la mayoría de los sonidos naturales. El eje mel sigue cuánto se distancian los tonos al oírlos: mel = 2595·log10(1 + f/700), casi lineal en las frecuencias bajas y logarítmico en las altas. 1000 Hz son 1000 mel, 4000 Hz son 2146 mel y 8000 Hz son 2840 mel.
Frecuencia a cada altura del eje
| Altura | Lineal | Logarítmico | Mel |
|---|---|---|---|
| 10 % | 2,02 kHz | 39,9 Hz | 307 Hz |
| 25 % | 5,02 kHz | 112 Hz | 967 Hz |
| 50 % | 10 kHz | 632 Hz | 3,16 kHz |
| 75 % | 15 kHz | 3,56 kHz | 8,24 kHz |
| 90 % | 18 kHz | 10 kHz | 14,1 kHz |
Para un eje de 20 Hz a 20 kHz; la altura se mide desde abajo, como proporción del eje.
Formas que conviene reconocer
Una línea horizontal es un tono constante: un silbido, un ventilador o el zumbido de la red eléctrica a 50 o 60 Hz y sus múltiplos. Una pila de líneas equiespaciadas es un solo sonido con armónicos, como una voz, un instrumento o un motor, y la separación es su tono. Una línea vertical es un chasquido, un golpe o cualquier sonido repentino, y una franja gris ancha es ruido: siseo, viento, lluvia o tráfico.
Las líneas que se curvan indican un tono cambiante. Un tono que baja al pasar, más rápido en el momento en que está más cerca, es el efecto Doppler de una fuente en movimiento, que la herramienta puede trazar y convertir en una velocidad.
La parte superior de la imagen: la mitad de la frecuencia de muestreo
Una grabación no contiene nada a partir de la mitad de su frecuencia de muestreo: 24 kHz a 48 kHz, 22,05 kHz en un CD. Una banda vacía por encima de un borde plano y nítido más bajo que eso suele indicar que el archivo se comprimió o que el micrófono filtró la parte alta, no que el sonido no tuviera nada allí.
Frecuencia más alta según la frecuencia de muestreo
| Frecuencia de muestreo | Frecuencia más alta | Ventana predeterminada |
|---|---|---|
| 8 kHz | 4 kHz | 256 ms |
| 16 kHz | 8 kHz | 128 ms |
| 22,05 kHz | 11,025 kHz | 92,9 ms |
| 44,1 kHz | 22,05 kHz | 46,4 ms |
| 48 kHz | 24 kHz | 42,7 ms |
| 96 kHz | 48 kHz | 21,3 ms |
| 192 kHz | 96 kHz | 10,7 ms |
| 384 kHz | 192 kHz | 5,33 ms |
La ventana predeterminada es de 2048 muestras; a una frecuencia mayor dura menos tiempo.
Fuentes
- J. O. Smith, Spectral Audio Signal Processing: Classic Spectrograms (CCRMA, Stanford)
- J. O. Smith, Spectral Audio Signal Processing: Spectrogram of Speech (CCRMA, Stanford)
- J. O. Smith, Spectral Audio Signal Processing: Spectrum Analysis Windows (CCRMA, Stanford)
- J. O. Smith, Mathematics of the DFT: Sampling Theorem (CCRMA, Stanford)
Preguntas frecuentes
¿Por qué mi espectrograma se ve borroso?
Si está borroso hacia los lados, la ventana es demasiado larga para el sonido: elige un tamaño de FFT más pequeño. Si está borroso hacia arriba y abajo, es demasiado corta para separar las frecuencias: elige uno mayor. Acercar el tiempo o la frecuencia también reparte el detalle por más pantalla.
¿Por qué mi MP3 no tiene nada por encima de unos 16 kHz?
Los codificadores con pérdida suelen recortar la banda alta para ahorrar espacio, y el espectrograma muestra el corte como un techo plano. El WAV o el FLAC original conserva esas frecuencias, hasta la mitad de su frecuencia de muestreo.
¿Un espectrograma es lo mismo que un espectro?
No. Un espectro es un conjunto de niveles por frecuencia para un tramo de sonido; un espectrograma son muchos de ellos uno al lado del otro, uno por instante, para que veas cómo cambian las frecuencias con el tiempo.
