Miten spektrogrammia luetaan
Spektrogrammissa aika kulkee vasemmalta oikealle, taajuus alhaalta ylös ja taso kirkkautena. Sen lukeminen hyvin tiivistyy kolmeen valintaan: kuinka pitkää äänenpätkää kukin sarake analysoi, miten taajuusakseli on jaettu ja minkä tasojen välin värit kattavat. Alla olevat luvut koskevat äänitettä, jonka näytetaajuus on 48 kHz, yleisin tiedostojen ja mikrofonien käyttämä.
Sarakkeet, rivit ja kirkkaus
Jokainen sarake on yksi lyhyt äänipätkä jaettuna taajuuksiinsa, jokainen rivi yksi taajuuskaista, ja kirkkaus kertoo, kuinka voimakas se kaista oli kyseisessä ikkunassa. Oletuksena ikkuna on 2 048 näytettä: näytetaajuudella 48 kHz se on 42,7 ms ääntä, ja sen taajuusrivit ovat 23,4 Hz etäisyydellä toisistaan.
Ikkunat limittyvät 75 %, joten uusi sarake alkaa 10,7 ms välein. Enemmän limitystä antaa sileämmän kuvan ja enemmän sarakkeita mutta ei hienompia yksityiskohtia: sen, mitä yksi sarake voi näyttää, määrää ikkunan pituus.
Ikkunan koko: tarkka ajassa tai tarkka sävelkorkeudessa
N näytteen ikkuna näytetaajuudella f_s kestää N/f_s sekuntia, ja sen taajuusrivit ovat f_s/N hertsiä toisistaan. Toisen puolittaminen kaksinkertaistaa toisen, joten mikään asetus ei ole tarkka molemmissa. 512 näytettä kestää 10,7 ms, rivien väli 93,8 Hz: naksahdukset, rumpuiskut ja konsonantit pysyvät teräväpiirtoisina, mutta läheiset äänet sulautuvat yhteen. 8 192 näytettä kestää 171 ms, rivien väli 5,86 Hz: läheiset äänet ja hurinan ylä-äänet erottuvat, mutta lyhyet äänet leviävät sivuttain.
Ikkunan muodolla on vähemmän merkitystä. Hann, oletus, sopii useimmille äänille; Blackman–Harrisilla on paljon heikommat sivukeilat, joten heikko ääni voimakkaan vieressä pysyy näkyvissä, hieman leveämpien huippujen hinnalla.
Ikkunan pituus ja rivien väli FFT-koon mukaan
| FFT-koko | 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 |
| 1 024 | 23,2 ms · 43,1 Hz | 21,3 ms · 46,9 Hz | 10,7 ms · 93,8 Hz |
| 2 048 | 46,4 ms · 21,5 Hz | 42,7 ms · 23,4 Hz | 21,3 ms · 46,9 Hz |
| 4 096 | 92,9 ms · 10,8 Hz | 85,3 ms · 11,7 Hz | 42,7 ms · 23,4 Hz |
| 8 192 | 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 |
Jokainen solu: kuinka kauan ikkuna kestää · kuinka kaukana toisistaan sen taajuusrivit ovat. FFT-koko avaa työkalun sillä ikkunalla.
Puhe, musiikki ja lyhyet äänet
Puhetta analysoidaan yleisesti noin 20 ms ikkunoissa: riittävän lyhyissä, jotta ne pitävät sisällään yhden puheäänen, ja riittävän pitkissä, jotta äänen ylä-äänet erottuvat. Näytetaajuudella 48 kHz lähin FFT-koko on 1 024 näytettä (21,3 ms). Lyhyempi 256 näytteen ikkuna (5,33 ms, rivien väli 188 Hz) sumentaa ylä-äänet leveiksi kaistoiksi, jolloin formantit, resonanssit jotka tekevät kustakin vokaalista omansa, nousevat esiin.
Pitkät musiikkiäänet ja tasaiset hurinat näkyvät parhaiten pidemmillä ikkunoilla, jotka erottavat sävelet ja ylä-äänet. Nopea linnunlaulu, naputukset ja muut nopeat tapahtumat tarvitsevat lyhyempiä; kun äänessä on molempia, katso sitä kahdesti kahdella koolla.
Kirkkaus on taso yksikössä dBFS
Tasot ovat desibeleinä suhteessa täyteen asteikkoon: 0 dBFS on siniaalto suurimmalla tasolla, jonka tiedosto voi sisältää, ja kaikki muu on negatiivista. Joka 20 dB alaspäin on kymmenesosa amplitudista, ja 6 dB alaspäin on noin puolet. 16-bittinen tiedosto kattaa noin 96,3 dB täydestä asteikosta pyöristyskohinaansa, joten heikot yksityiskohdat ovat paljon voimakkaiden alapuolella.
Värit kattavat vain osan tuosta alueesta. Automaattiset tasot sovittavat osan näkyvään; tummimman tason asettaminen korkeammaksi piilottaa kohinapohjan, ja sen asettaminen matalammaksi paljastaa hiljaiset äänet yhdessä enemmän kohinan kanssa.
Mitä taso yksikössä dBFS tarkoittaa
| Taso | Amplitudi | Teho |
|---|---|---|
| 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 % |
Osuutena täyden asteikon siniaallosta: amplitudi 10^(L/20), teho 10^(L/10) tasolla L dB.
Lineaarinen, logaritminen ja mel-taajuusakseli
Lineaarinen akseli antaa jokaiselle hertsille saman korkeuden, joten korkeat taajuudet vievät suurimman osan kuvasta. Logaritminen akseli antaa jokaiselle oktaaville saman korkeuden, kuten pianon koskettimet, mikä sopii musiikille ja useimmille luonnon äänille. Mel-akseli seuraa sitä, kuinka kaukana toisistaan sävelkorkeudet kuulostavat: mel = 2595·log10(1 + f/700), lähes lineaarinen matalilla taajuuksilla ja logaritminen ylempänä. 1000 Hz on 1 000 mel, 4000 Hz on 2 146 mel ja 8000 Hz 2 840 mel.
Taajuus akselin kullakin korkeudella
| Korkeus | Lineaarinen | Logaritminen | 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 |
Akselille välillä 20 Hz–20 kHz; korkeus mitataan alhaalta, osuutena akselista.
Muodot, joita kannattaa etsiä
Vaakasuora viiva on tasainen ääni: vihellys, tuuletin tai verkkohurina 50 tai 60 Hz:llä ja sen kerrannaisilla. Pino tasavälein olevia viivoja on yksi ääni ylä-äänineen, kuten puheääni, soitin tai moottori, ja väli on sen sävelkorkeus. Pystysuora viiva on naksahdus, koputus tai mikä tahansa äkillinen ääni, ja leveä harmaa sumu on kohinaa: suhina, tuuli, sade tai liikenne.
Mutkittelevat viivat kertovat muuttuvasta sävelkorkeudesta. Ääni, joka laskee ohi kulkiessaan, nopeimmin kohdassa, jossa se on lähimpänä, on liikkuvan lähteen Doppler-ilmiö, jonka työkalu voi jäljittää ja muuttaa nopeudeksi.
Kuvan yläreuna: puolet näytetaajuudesta
Äänite ei sisällä mitään puolta näytetaajuudestaan korkeammalla: 24 kHz näytetaajuudella 48 kHz, 22,05 kHz CD:llä. Tyhjä kaista terävän, tasaisen reunan yläpuolella sitä matalammalla tarkoittaa yleensä, että tiedosto on pakattu tai mikrofoni suodatti yläpään pois, ei sitä, ettei äänessä olisi ollut siellä mitään.
Korkein taajuus näytetaajuuden mukaan
| Näytetaajuus | Korkein taajuus | Oletusikkuna |
|---|---|---|
| 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 |
Oletusikkuna on 2 048 näytettä; korkeammalla näytetaajuudella se kestää lyhyemmän ajan.
Lähteet
- 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)
Usein kysyttyä
Miksi spektrogrammini näyttää sumealta?
Sivuttainen sumeus tarkoittaa, että ikkuna on liian pitkä äänelle: valitse pienempi FFT-koko. Ylös ja alas ulottuva sumeus tarkoittaa, että se on liian lyhyt taajuuksien erottamiseen: valitse suurempi. Ajan tai taajuuden zoomaus levittää yksityiskohdat myös suuremmalle osalle näyttöä.
Miksi MP3:ssani ei ole mitään noin 16 kHz:n yläpuolella?
Häviölliset kooderit leikkaavat usein yläkaistan tilan säästämiseksi, ja spektrogrammi näyttää leikkauksen tasaisena kattona. Alkuperäinen WAV tai FLAC säilyttää nuo taajuudet aina puoleen näytetaajuudestaan asti.
Onko spektrogrammi sama kuin spektri?
Ei. Spektri on yksi joukko tasoja taajuuden mukaan äänipätkälle; spektrogrammi on monta niistä rinnakkain, yksi kutakin hetkeä kohden, jotta näet, miten taajuudet muuttuvat ajan myötä.
