Kuidas lugeda spektrogrammi
Spektrogramm näitab aega vasakult paremale, sagedust alt üles ja taset heledusena. Hea lugemine taandub kolmele valikule: kui pikka heliosa iga veerg analüüsib, kuidas sageduse telg on jaotatud ja milliseid tasemeid värvid hõlmavad. Allolevad arvud on salvestise kohta sagedusel 48 kHz, mida enamik faile ja mikrofone kasutab.
Veerud, read ja heledus
Iga veerg on üks lühike heliaken, mis on jagatud oma sagedusteks, iga rida on üks sagedusriba ja heledus näitab, kui valjult see riba selles aknas kõlas. Vaikimisi on aken 2048 proovi: sagedusel 48 kHz on see 42,7 ms heli ja selle sagedusread on 23,4 Hz kaugusel.
Aknad kattuvad 75% võrra, seega algab uus veerg iga 10,7 ms järel. Rohkem kattuvust annab sujuvama pildi rohkemate veergudega, kuid mitte peenemat detaili: mida üks veerg näidata saab, määrab akna pikkus.
Akna suurus: terav ajas või terav helikõrguses
N proovi aken proovivõtusagedusel f_s kestab N/f_s sekundit ja selle sagedusread on f_s/N hertsi kaugusel. Ühe poolitamine kahekordistab teise, seega ei ole ükski seadistus mõlemas terav. 512 proovi kestab 10,7 ms, ridade vahe 93,8 Hz: klõpsud, trummilöögid ja kaashäälikud jäävad teravaks, kuid lähedased toonid sulavad kokku. 8192 proovi kestab 171 ms, ridade vahe 5,86 Hz: lähedased toonid ja undamise harmoonilised eralduvad, kuid lühikesed helid määrduvad külgsuunas.
Akna kuju loeb vähem. Hann, vaikimisi, sobib enamiku helide jaoks; Blackman–Harrisil on palju nõrgemad külgsagarad, seega jääb nõrk toon valju kõrval nähtavaks, hinnaga veidi laiemad tipud.
Akna pikkus ja ridade vahe FFT suuruse järgi
| FFT suurus | 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 |
Iga lahter: kui kaua aken kestab · kui kaugel selle sagedusread on. FFT suurus avab tööriista selle aknaga.
Kõne, muusika ja lühikesed helid
Kõnet analüüsitakse tavaliselt umbes 20 ms akendes: piisavalt lühikestes, et mahutada üks kõnehäälik, ja piisavalt pikkades, et eraldada hääle harmoonilised. Sagedusel 48 kHz on lähim FFT suurus 1024 proovi (21,3 ms). Lühem 256 proovi aken (5,33 ms, ridade vahe 188 Hz) hägustab harmoonilised laiadeks ribadeks, seega paistavad hoopis esile formandid, resonantsid, mis teevad iga vokaali.
Püsiv muusika ja ühtlane undamine on parimini loetavad pikemate akendega, mis eraldavad noote ja harmoonilisi. Kiire linnulaul, koputused ja muud kiired sündmused vajavad lühemaid; kui helil on mõlemat, vaata seda kaks korda kahe suurusega.
Heledus on tase dBFS-des
Tasemed on detsibellides täisskaala suhtes: 0 dBFS on siinuslaine suurimal tasemel, mida fail mahutab, ja kõik muu on negatiivne. Iga 20 dB võrra madalam on kümnendik amplituudist ja 6 dB võrra madalam on umbes pool. 16-bitine fail hõlmab täisskaalast ümardamismüra juurde umbes 96,3 dB, seega on nõrgad detailid valjudest kaugel allpool.
Värvid katavad sellest vahemikust ainult lõigu. Automaatne tase sobitab lõigu sellega, mis on vaates; tumedaima taseme seadmine kõrgemaks peidab müra põhja ja madalamaks seadmine toob nähtavale vaiksed helid koos rohkema müraga.
Mida tase dBFS-des tähendab
| Tase | Amplituud | Võimsus |
|---|---|---|
| 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% |
Täisskaala siinuse osana: amplituud 10^(L/20), võimsus 10^(L/10) tasemel L dB.
Lineaarne, logaritmiline ja mel-sageduse telg
Lineaarne telg annab igale hertsile sama kõrguse, seega võtavad kõrged sagedused suurema osa pildist. Logaritmiline telg annab igale oktavile sama kõrguse, nagu klaveri klahvidel, mis sobib muusika ja enamiku looduslike helide jaoks. Mel-telg järgib, kui kaugel helikõrgused kõlavad: mel = 2595·log10(1 + f/700), madalatel sagedustel peaaegu lineaarne ja kõrgemal logaritmiline. 1000 Hz on 1000 mel, 4000 Hz on 2146 mel ja 8000 Hz 2840 mel.
Sagedus telje igal kõrgusel
| Kõrgus | Lineaarne | Logaritmiline | 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 |
Teljele 20 Hz kuni 20 kHz; kõrgust mõõdetakse alt, telje osana.
Kujud, mida otsida
Horisontaalne joon on püsiv toon: vilistamine, ventilaator või võrgusumin 50 või 60 Hz juures ja selle kordsed. Ühtlaselt paigutatud joonte virn on üks heli harmoonilistega, näiteks hääl, pill või mootor, ja vahe on selle helikõrgus. Vertikaalne joon on klõps, koputus või mis tahes äkiline heli ja lai hall udu on müra: sahin, tuul, vihm või liiklus.
Kõverduvad jooned näitavad muutuvat helikõrgust. Toon, mis möödumisel langeb, kõige kiiremini hetkel, mil see on lähim, on liikuva allika Doppleri nihe, mida tööriist suudab jälgida ja muuta kiiruseks.
Pildi ülaosa: pool proovivõtusagedusest
Salvestis ei sisalda midagi poolel proovivõtusagedusel ega sellest kõrgemal: 24 kHz sagedusel 48 kHz, 22,05 kHz CD puhul. Tühi riba terava, tasase serva kohal sellest madalamal tähendab tavaliselt, et fail pakiti kokku või mikrofon filtreeris ülaosa ära, mitte et heli seal midagi ei sisaldanud.
Kõrgeim sagedus proovivõtusageduse järgi
| Proovivõtusagedus | Kõrgeim sagedus | Vaikeaken |
|---|---|---|
| 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 |
Vaikeaken on 2048 proovi; kõrgemal sagedusel kestab see vähem aega.
Allikad
- 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)
Korduma kippuvad küsimused
Miks mu spektrogramm paistab hägune?
Külgsuunas hägusus tähendab, et aken on heli jaoks liiga pikk: vali väiksem FFT suurus. Üles-alla hägusus tähendab, et see on sageduste eraldamiseks liiga lühike: vali suurem. Ajas või sageduses sissezuumimine laotab detaili ka ekraanil laiemalt.
Miks mu MP3-s ei ole midagi umbes 16 kHz kohal?
Kaoga kodeerijad lõikavad ruumi säästmiseks sageli ülemise riba ära ja spektrogramm näitab lõiget lameda lagena. Algne WAV või FLAC säilitab need sagedused, kuni pool oma proovivõtusagedusest.
Kas spektrogramm on sama mis spekter?
Ei. Spekter on üks tasemete komplekt sageduse järgi heliosa kohta; spektrogramm on neid palju kõrvuti, üks iga hetke kohta, nii et näed, kuidas sagedused ajas muutuvad.
