Så läser du ett spektrogram
Ett spektrogram visar tid från vänster till höger, frekvens nerifrån och upp och nivå som ljusstyrka. Att läsa ett spektrogram väl kommer ned till tre val: hur långt ljudstycke varje kolumn analyserar, hur frekvensaxeln är fördelad och vilka nivåer färgerna spänner över. Siffrorna nedan gäller en inspelning med 48 kHz, den frekvens som de flesta filer och mikrofoner använder.
Kolumner, rader och ljusstyrka
Varje kolumn är ett kort fönster av ljud uppdelat i sina frekvenser, varje rad är ett frekvensband, och ljusstyrkan är hur starkt det bandet var i det fönstret. Som standard är ett fönster 2 048 sampel: vid 48 kHz är det 42,7 ms ljud, och dess frekvensrader ligger 23,4 Hz isär.
Fönstren överlappar med 75 %, så en ny kolumn börjar var 10,7 ms. Mer överlappning ger en jämnare bild med fler kolumner, men inte finare detaljer: vad en kolumn kan visa bestäms av fönstrets längd.
Fönsterstorlek: skarp i tid eller skarp i tonhöjd
Ett fönster på N sampel med samplingsfrekvensen f_s varar N/f_s sekunder, och dess frekvensrader ligger f_s/N hertz isär. Att halvera det ena fördubblar det andra, så ingen inställning är skarp i båda. 512 sampel varar 10,7 ms med rader 93,8 Hz isär: klick, trumslag och konsonanter förblir skarpa, men närliggande toner flyter ihop. 8 192 sampel varar 171 ms med rader 5,86 Hz isär: närliggande toner och övertonerna i ett brum skiljs åt, men korta ljud smetas ut åt sidorna.
Fönstrets form betyder mindre. Hann, standardvalet, passar de flesta ljud; Blackman–Harris har mycket svagare sidolober, så en svag ton bredvid en stark förblir synlig, på bekostnad av något bredare toppar.
Fönsterlängd och radavstånd efter FFT-storlek
| FFT-storlek | 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 |
Varje ruta: hur länge fönstret varar · hur långt isär dess frekvensrader ligger. En FFT-storlek öppnar verktyget med det fönstret.
Tal, musik och korta ljud
Tal analyseras vanligen i fönster på ungefär 20 ms: tillräckligt korta för att rymma ett taljud, tillräckligt långa för att skilja röstens övertoner åt. Vid 48 kHz är närmaste FFT-storlek 1 024 sampel (21,3 ms). Ett kortare fönster på 256 sampel (5,33 ms, rader 188 Hz isär) suddar ut övertonerna till breda band, så att formanterna, resonanserna som gör varje vokal, framträder i stället.
Uthållen musik och jämna brum läses bäst med längre fönster, som skiljer toner och övertoner åt. Snabb fågelsång, knackningar och andra snabba händelser behöver kortare; när ett ljud har båda, titta på det två gånger med två storlekar.
Ljusstyrka är nivå i dBFS
Nivåer anges i decibel relativt full skala: 0 dBFS är en sinusvåg på den högsta nivå filen kan rymma, och allt annat är negativt. Varje 20 dB ned är en tiondel av amplituden, och 6 dB ned är ungefär hälften. En 16-bitarsfil spänner över ungefär 96,3 dB från full skala till sitt avrundningsbrus, så svaga detaljer ligger långt under de starka.
Färgerna täcker bara en del av det intervallet. Automatiska nivåer anpassar delen efter det som syns; att sätta den mörkaste nivån högre döljer brusgolvet, och att sätta den lägre avslöjar tysta ljud, tillsammans med mer brus.
Vad en nivå i dBFS betyder
| Nivå | Amplitud | Effekt |
|---|---|---|
| 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 % |
Som andel av en sinusvåg i full skala: amplitud 10^(L/20), effekt 10^(L/10) vid en nivå på L dB.
Linjär, logaritmisk och mel-frekvensaxel
En linjär axel ger varje hertz samma höjd, så de höga frekvenserna tar upp det mesta av bilden. En logaritmisk axel ger varje oktav samma höjd, som tangenterna på ett piano, vilket passar musik och de flesta naturliga ljud. Melaxeln följer hur långt isär tonhöjder låter: mel = 2595·log10(1 + f/700), nästan linjär vid låga frekvenser och logaritmisk högre upp. 1 000 Hz är 1 000 mel, 4 000 Hz är 2 146 mel och 8 000 Hz 2 840 mel.
Frekvens vid varje höjd på axeln
| Höjd | Linjär | Logaritmisk | 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 |
För en axel från 20 Hz till 20 kHz; höjden mäts nerifrån, som en andel av axeln.
Former att leta efter
En vågrät linje är en jämn ton: en vissling, en fläkt, eller nätbrum på 50 eller 60 Hz och dess multipler. En stapel av jämnt fördelade linjer är ett ljud med övertoner, som en röst, ett instrument eller en motor, och avståndet är dess tonhöjd. En lodrät linje är ett klick, en knackning eller vilket plötsligt ljud som helst, och ett brett grått dis är brus: väsning, vind, regn eller trafik.
Linjer som böjer sig visar en ändrad tonhöjd. En ton som sjunker när den passerar, snabbast i det ögonblick den är som närmast, är dopplerskiftet från en rörlig källa, som verktyget kan spåra och göra om till en hastighet.
Bildens topp: halva samplingsfrekvensen
En inspelning innehåller ingenting vid eller över halva sin samplingsfrekvens: 24 kHz vid 48 kHz, 22,05 kHz för en cd. Ett tomt band ovanför en skarp, platt kant lägre än så betyder oftast att filen komprimerats eller att mikrofonen filtrerat bort toppen, inte att ljudet saknade något där.
Högsta frekvens efter samplingsfrekvens
| Samplingsfrekvens | Högsta frekvens | Standardfönster |
|---|---|---|
| 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 |
Standardfönstret är 2 048 sampel; vid en högre frekvens varar det kortare tid.
Källor
- 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)
Vanliga frågor
Varför ser mitt spektrogram suddigt ut?
Suddighet i sidled betyder att fönstret är för långt för ljudet: välj en mindre FFT-storlek. Suddighet uppåt och nedåt betyder att det är för kort för att skilja frekvenserna åt: välj en större. Att zooma in på tid eller frekvens sprider också detaljerna över mer av skärmen.
Varför finns det ingenting över ungefär 16 kHz i min MP3?
Förlustbehäftade kodare skär ofta bort det översta bandet för att spara utrymme, och spektrogrammet visar snittet som ett platt tak. Originalet i WAV eller FLAC behåller de frekvenserna, upp till halva samplingsfrekvensen.
Är ett spektrogram samma sak som ett spektrum?
Nej. Ett spektrum är en uppsättning nivåer per frekvens för ett stycke ljud; ett spektrogram är många av dem sida vid sida, ett per ögonblick, så att du kan se hur frekvenserna ändras över tid.
