我正在使用specgram()函数 inmatplotlib在 Python 中生成语音波文件的频谱图，但输出的质量始终远低于我的普通转录软件 Praat 可以生成的质量。例如，以下调用：
specgram(
fromstring(spf.readframes(-1), 'Int16'),
Fs=framerate,
cmap=cm.gray_r,
)
生成这个：
在 Praat 时，使用以下设置处理相同的音频样本：
生成这个：
我究竟做错了什么？我试过摆弄所有specgram()参数，但似乎没有什么能提高分辨率。我几乎没有使用 FFT 的经验。
这是 matplotlib.specgram 参数
matplotlib.mlab.specgram(x,
NFFT=256,
Fs=2,
detrend=<function detrend_none at 0x1dd6410>,
window=<function window_hanning at 0x1e0b1b8>,
noverlap=128,
pad_to=None,
sides='default',
scale_by_freq=None)
问题描述中提供的参数需要转换为可比较的 mpl.specgram 参数。下面是一个映射示例：
View range: 0-8000Hz Fs=16000
Window length: 0.005s NFFT = int(Fs*0.005) = 80
noverlap = int(Fs*0.0025) = 40
Dynamic range: 70dB n/a
Time steps: 1000 n/a
Frequency steps: 250
Window shape: Gaussian default window is hanning change to gaussian
如果您使用 8ms，您将获得 2 FFT (128) 的幂。以下是他们网站上对 Praat 设置的描述
查看范围 (Hz)：要显示的频率范围。标准是底部为 0 Hz，顶部为 5000 Hz。如果此最大频率高于声音的奈奎斯特频率（即采样频率的一半），则频谱图中的某些值将为零，并且较高的频率将以白色绘制。如果您以 44100 Hz 录制声音并将查看范围设置为 0 Hz 到 25000 Hz，您可以看到这一点。
窗口长度：分析窗口的持续时间。如果这是 0.005 秒（标准），Praat 为每一帧使用位于该帧中心之前 0.0025 秒和之后 0.0025 秒之间的声音部分（对于高斯窗口，Praat 实际上使用的比这多一点）。窗口长度决定了频谱分析的带宽，即纯正弦波频谱图中水平线的宽度（见下文）。对于高斯窗口，-3 dB 带宽为 2*sqrt(6*ln(2))/(π*窗口长度)，或 1.2982804 / 窗口长度。要获得
broad-band' spectrogram (bandwidth 260 Hz), keep the standard window length of 5 ms; to get a窄带频谱图（带宽 43 Hz），请将其设置为 30 毫秒（0.03 秒）。其他窗口形状给出的值略有不同。动态范围 (dB)：所有大于动态范围 dB 的值低于最大值（可能在动态压缩之后，请参阅高级频谱图设置...）将绘制为白色。中间的值具有适当的灰色阴影。因此，如果频谱图中最高峰的高度为 30 dB/Hz，动态范围为 50 dB（这是标准值），则低于 -20 dB/Hz 的值将以白色绘制，而介于-20 dB/Hz 和 30 dB/Hz 将以各种灰度绘制。
OP的问题可能与Praat specgram和mpl（matplotlib）specgram之间的对比度差异有关。Praat 具有影响对比度的动态范围设置。mpl 函数没有类似的设置/参数。mpl.specgram 确实返回了功率水平的二维数组（频谱图），动态范围可以应用于返回数组并重新绘制。
以下是用于创建以下图的代码片段。该示例是约 1 分 15 秒的语音，带有 20Hz-8000Hz 的啁啾声。
import numpy
import pylab
import wave
import array
pylab.close('all')
w1 = wave.open('example_no_noise.wav')
w2 = wave.open('example_noise.wav')
# hmmm, probably a better way to do this, scipy.io function?
x1 = numpy.array(array.array('h', w1.readframes(w1.getnframes())))
x2 = numpy.array(array.array('h', w2.readframes(w2.getnframes())))
x1 = x1 / (2.**(16-1)) # normalize
x2 = x2 / (2.**(16-1)) # normalize
Fs = 16000.
NFFT = int(Fs*0.005) # 5ms window
noverlap = int(Fs*0.0025)
pylab.figure(1)
pylab.specgram(x1, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example min noise')
pylab.figure(2)
pylab.specgram(x2, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example more noise')
pylab.figure(3); n=2100*176;
pylab.specgram(x2[n:n+256*256], NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full ~4s example min noise')
pylab.figure(4); pylab.plot(x1[n:n+256*256])
这似乎是一个时间/频率分辨率问题。您的 Praat 图的频率分辨率较差（您甚至无法清楚地看到谐波）和更好的时间分辨率。尝试将窗口大小 (NFFT) 减小到 16000 x 0.05 = 80 个样本。我建议在 pad_to（128 或 256）中使用更大的 2 幂。