正如您所观察到的，瞬时信号幅度是一个易于理解的一维量，其平均绝对值与感知响度松散相关，并且可以通过将信号乘以常数来轻松更改。

频率是一个非常不同的事情。如果我们生活在一个音频信号由持续的纯音组成的世界中，那么问“这个声音的频率是多少？”是有意义的。但事情更复杂：

• 静止的语音或音乐信号可以描述为纯音的总和。因此，问“这个特定频率的信号幅度是多少？”更有意义。这就是我们查看频谱的原因 - 将信号幅度显示为频率函数的图表。请注意，频率不是绘制的数量，它是轴！$x$
• 语音或音乐信号不是静止的：信号的某些分量随时间衰减或被调制，一些分量出现......因此，问“在这个特定频率和特定时间范围内的信号幅度是多少？”就更有意义了？ . 这就是为什么我们通常在音频分析中看到一种称为“频谱图”的表示 - 将测量的信号能量显示为时间和频率的函数（再次注意，频率是轴，而不是测量量）。
• 在您的一条评论中，您说“以及能够读取每个样本中的频率数据”。频率是一种变化率，要观察变化，我们需要一组样本——对单个样本进行任何频率分析根本没有意义，如果你使用傅里叶分析（这只是其中一种方法估计来自信号的正弦波总和），您将需要越来越多的样本才能在频率轴上获得越来越精确的分辨率。但请记住，声音会随着时间而变化，执行傅里叶变换会丢弃时序信息（两个同时出现的 100 Hz 和 300 Hz 音调的幅度谱与 100Hz 音调的频谱相同，随后是 300Hz 音调） . 因此，如果你关心事件的时间位置，您将需要对信号切片执行分析，在输入信号的重叠块上计算 FFT - 这称为短期傅里叶变换 (STFT)。您必须在这里处理分辨率问题 - 窗口越小，时间轴上的精度越高，频率轴上的精度越低。分析窗口越大，时间轴上的精度越低，频率轴上的精度越高。再一次地，请注意频率不是您估计的 - 您的 STFT 只是在回答“在这个特定频率范围和这个特定时间范围内的信号能量是多少？”这个问题。必须在这里处理分辨率问题 - 窗口越小，时间轴上的精度越高，频率轴上的精度越低。分析窗口越大，时间轴上的精度越低，频率轴上的精度越高。再一次地，请注意频率不是您估计的 - 您的 STFT 只是在回答“在这个特定频率范围和这个特定时间范围内的信号能量是多少？”这个问题。必须在这里处理分辨率问题 - 窗口越小，时间轴上的精度越高，频率轴上的精度越低。分析窗口越大，时间轴上的精度越低，频率轴上的精度越高。再一次地，请注意频率不是您估计的 - 您的 STFT 只是在回答“在这个特定频率范围和这个特定时间范围内的信号能量是多少？”这个问题。

我希望这些能让你意识到没有音频信号的“频率”这样的东西。频率是一个轴，“我们看事物的地方”，而不是一个测量量，“我们测量什么”。

请注意，有一些与频率齐次的一维量（因此以 Hz 表示），可用于表征静止（稳定）声音。对于通用音频或音乐，这些数量会随时间而变化：

• 基频，是声音周期的倒数。它与声音的感知音高（音符）有关。对于非周期性声音，这个量是未定义的。音高变换算法将改变这个数量，使录音听起来好像在音阶上播放/唱得更高或更低。
• 滚降频率是包含声音能量的给定分数（例如 95%）的频率。这个量会受到低通/高通滤波的影响，使录音声音“更亮”或“更暗”。它是声音感知音色的众多维度之一。

也许其中一些是您真正关心的数量？

关于 FFT 的最后一句话 - 它是信号处理版本中的锤子，“如果你只有一把锤子，那么一切看起来都像钉子”。它是一个非常有用的工具，但它不是最适合许多音频信号处理/分析问题的工具，而且它通常仅用作中间处理或计算步骤。特别是，对于您可能感兴趣的一些问题：

• 估计基频可能涉及 FFT，但由于“缺少 f0”现象（信号可能被认为是 263Hz C3 音符，在该频率没有能量），因此不适合查看频谱. 不要错误地试图通过查看信号频谱中的峰值来估计信号的音高。
• 计算 FFT、弄乱数字并执行逆 FFT 是过滤信号的糟糕方法。这应该通过数字滤波器来完成，在scipy.signal.lfilter. 您可以在此处找到计算各种音乐上有用的二阶滤波器的 IIR 滤波器系数的公式。