Aller au contenu

Comment lire un spectrogramme

Un spectrogramme montre le temps de gauche à droite, la fréquence de bas en haut et le niveau sous forme de luminosité. Bien en lire un revient à trois choix : la durée de son que chaque colonne analyse, l’espacement de l’axe des fréquences et les niveaux que couvrent les couleurs. Les chiffres ci-dessous valent pour un enregistrement à 48 kHz, la fréquence qu’utilisent la plupart des fichiers et des microphones.

Colonnes, lignes et luminosité

Chaque colonne est une courte fenêtre de son décomposée en ses fréquences, chaque ligne est une bande de fréquences, et la luminosité indique le niveau sonore de cette bande dans cette fenêtre. Par défaut, une fenêtre compte 2 048 échantillons : à 48 kHz, cela fait 42,7 ms de son, et ses lignes de fréquence sont espacées de 23,4 Hz.

Les fenêtres se chevauchent de 75 % : une nouvelle colonne commence donc toutes les 10,7 ms. Un chevauchement plus grand donne une image plus lisse avec plus de colonnes, mais pas plus de détail : ce qu’une colonne peut montrer dépend de la longueur de la fenêtre.

Taille de fenêtre : net en temps ou net en hauteur

Une fenêtre de N échantillons à une fréquence d’échantillonnage f_s dure N/f_s secondes, et ses lignes de fréquence sont espacées de f_s/N hertz. Diviser l’une par deux double l’autre : aucun réglage n’est donc net dans les deux. 512 échantillons durent 10,7 ms avec des lignes espacées de 93,8 Hz : les clics, les coups de batterie et les consonnes restent nets, mais les sons proches se fondent. 8 192 échantillons durent 171 ms avec des lignes espacées de 5,86 Hz : les sons proches et les harmoniques d’un ronflement se séparent, mais les sons brefs s’étalent sur les côtés.

La forme de la fenêtre compte moins. Hann, la valeur par défaut, convient à la plupart des sons ; Blackman–Harris a des lobes latéraux bien plus faibles : un son faible à côté d’un son fort reste visible, au prix de pics un peu plus larges.

Durée de fenêtre et espacement des lignes selon la taille de FFT

Taille de FFT44,1 kHz48 kHz96 kHz
2565,8 ms · 172 Hz5,33 ms · 188 Hz2,67 ms · 375 Hz
51211,6 ms · 86,1 Hz10,7 ms · 93,8 Hz5,33 ms · 188 Hz
1 02423,2 ms · 43,1 Hz21,3 ms · 46,9 Hz10,7 ms · 93,8 Hz
2 04846,4 ms · 21,5 Hz42,7 ms · 23,4 Hz21,3 ms · 46,9 Hz
4 09692,9 ms · 10,8 Hz85,3 ms · 11,7 Hz42,7 ms · 23,4 Hz
8 192186 ms · 5,38 Hz171 ms · 5,86 Hz85,3 ms · 11,7 Hz
16 384372 ms · 2,69 Hz341 ms · 2,93 Hz171 ms · 5,86 Hz

Chaque case : durée de la fenêtre · espacement de ses lignes de fréquence. Une taille de FFT ouvre l’outil avec cette fenêtre.

Parole, musique et sons brefs

La parole s’analyse couramment avec des fenêtres d’environ 20 ms : assez courtes pour contenir un son de parole, assez longues pour séparer les harmoniques de la voix. À 48 kHz, la taille de FFT la plus proche est de 1 024 échantillons (21,3 ms). Une fenêtre plus courte de 256 échantillons (5,33 ms, lignes espacées de 188 Hz) brouille les harmoniques en larges bandes, de sorte que les formants, les résonances qui font chaque voyelle, ressortent à la place.

La musique tenue et les ronflements réguliers se lisent mieux avec des fenêtres plus longues, qui séparent les notes et les harmoniques. Un chant d’oiseau rapide, des tapotements et d’autres événements rapides demandent des fenêtres plus courtes ; quand un son a les deux, regardez-le deux fois avec deux tailles.

La luminosité est le niveau en dBFS

Les niveaux sont en décibels par rapport à la pleine échelle : 0 dBFS est une onde sinusoïdale au plus grand niveau que le fichier peut contenir, et tout le reste est négatif. Chaque baisse de 20 dB divise l’amplitude par dix, et une baisse de 6 dB la divise à peu près par deux. Un fichier de 16 bits couvre environ 96,3 dB de la pleine échelle à son bruit d’arrondi : les détails faibles sont donc très en dessous des sons forts.

Les couleurs ne couvrent qu’une tranche de cette plage. Les niveaux automatiques ajustent la tranche à ce qui est visible ; régler le niveau le plus sombre plus haut masque le bruit de fond, et le régler plus bas révèle les sons faibles, avec plus de bruit.

Ce que signifie un niveau en dBFS

NiveauAmplitudePuissance
0 dBFS100 %100 %
−6 dBFS50,1 %25,1 %
−12 dBFS25,1 %6,31 %
−20 dBFS10 %1 %
−40 dBFS1 %0,01 %
−60 dBFS0,1 %0,0001 %

En part d’une onde sinusoïdale à pleine échelle : amplitude 10^(L/20), puissance 10^(L/10) à un niveau de L dB.

Axes de fréquence linéaire, logarithmique et mel

Un axe linéaire donne à chaque hertz la même hauteur : les hautes fréquences occupent donc l’essentiel de l’image. Un axe logarithmique donne à chaque octave la même hauteur, comme les touches d’un piano, ce qui convient à la musique et à la plupart des sons naturels. L’axe mel suit l’écart perçu entre les hauteurs : mel = 2595·log10(1 + f/700), presque linéaire aux basses fréquences et logarithmique plus haut. 1000 Hz font 1 000 mel, 4000 Hz font 2 146 mel et 8000 Hz 2 840 mel.

Fréquence à chaque hauteur de l’axe

HauteurLinéaireLogarithmiqueMel
10 %2,02 kHz39,9 Hz307 Hz
25 %5,02 kHz112 Hz967 Hz
50 %10 kHz632 Hz3,16 kHz
75 %15 kHz3,56 kHz8,24 kHz
90 %18 kHz10 kHz14,1 kHz

Pour un axe de 20 Hz à 20 kHz ; la hauteur se mesure depuis le bas, en part de l’axe.

Formes à repérer

Une ligne horizontale est un son continu : un sifflement, un ventilateur, ou le ronflement du secteur à 50 ou 60 Hz et ses multiples. Une pile de lignes régulièrement espacées est un seul son avec des harmoniques, comme une voix, un instrument ou un moteur, et l’espacement donne sa hauteur. Une ligne verticale est un clic, un coup ou n’importe quel son soudain, et un large halo gris est du bruit : souffle, vent, pluie ou circulation.

Les lignes qui se courbent montrent une hauteur qui change. Un son qui baisse en passant, le plus vite au moment où la source est la plus proche, est l’effet Doppler d’une source en mouvement, que l’outil peut tracer et transformer en vitesse.

Le haut de l’image : la moitié de la fréquence d’échantillonnage

Un enregistrement ne contient rien à la moitié de sa fréquence d’échantillonnage ni au-dessus : 24 kHz à 48 kHz, 22,05 kHz pour un CD. Une bande vide au-dessus d’un bord net et plat plus bas que cela signifie en général que le fichier a été compressé ou que le microphone a filtré le haut, pas que le son n’avait rien à cet endroit.

Fréquence maximale selon la fréquence d’échantillonnage

Fréquence d’échantillonnageFréquence maximaleFenêtre par défaut
8 kHz4 kHz256 ms
16 kHz8 kHz128 ms
22,05 kHz11,025 kHz92,9 ms
44,1 kHz22,05 kHz46,4 ms
48 kHz24 kHz42,7 ms
96 kHz48 kHz21,3 ms
192 kHz96 kHz10,7 ms
384 kHz192 kHz5,33 ms

La fenêtre par défaut compte 2 048 échantillons ; à une fréquence plus élevée, elle dure moins longtemps.

Questions fréquentes

Pourquoi mon spectrogramme paraît-il flou ?

Un flou sur les côtés signifie que la fenêtre est trop longue pour le son : choisissez une taille de FFT plus petite. Un flou vers le haut et le bas signifie qu’elle est trop courte pour séparer les fréquences : choisissez-en une plus grande. Zoomer sur le temps ou la fréquence étale aussi le détail sur une plus grande partie de l’écran.

Pourquoi n’y a-t-il rien au-dessus d’environ 16 kHz dans mon MP3 ?

Les encodeurs avec perte coupent souvent la bande haute pour gagner de la place, et le spectrogramme montre la coupure comme un plafond plat. Le WAV ou FLAC d’origine garde ces fréquences, jusqu’à la moitié de sa fréquence d’échantillonnage.

Un spectrogramme est-il la même chose qu’un spectre ?

Non. Un spectre est un ensemble de niveaux par fréquence pour une portion de son ; un spectrogramme en est beaucoup côte à côte, un par instant, ce qui permet de voir comment les fréquences évoluent dans le temps.

Ouvrir l'outil

Envoyer un avis