MP3 编码器处理 576 个时域样本的批次，并将它们转换为 576 个频域样本。这意味着您获得的频率分辨率为$\frac{f_\text{sample}}{576}$，无论您的采样率是多少。

但是请注意，在通常的采样率下它有多短，例如 44.1 kHz：那是 13.something 毫秒。这很有意义——由激发的弦、膜或空气体积产生的频率在激发后随时间变化。

所以，不，你的方法行不通：这个分辨率不能解决你的 2 Hz！

此外，不通过 MP3 路由并直接对音频信号进行 FFT 处理也无法正常工作：

要在线性频率变换中获得 2 Hz 的分辨率，无论您如何操作，都需要 1/2 秒的音频！

算一下：如果您的采样率为 44.1 kHz，并且想要解析 2 Hz，则需要转换 44.1 kHz / 2 Hz = 22050 个样本。这些需要 22050 / 44.1 kHz = 1/2 秒才能以该采样率累积。其他速率也一样，因为等式中的采样率

总是取消。

现在，您会注意到很少会出现持续半秒的纯音符。

此外，正如我试图在评论中解释的那样：

你假设演奏一个音符会以单一频率插入能量是错误的。

演奏一个音符的乐器不会产生单一的音调，而是由变化的包络抑制的多个谐波的混合，随着时间的推移，频率也会发生漂移。这真的不像你可以进入 FFT 并说，“好吧，这是这个和那个和弦演奏，很容易看到”。

事情变得更加复杂，因为您说您想检测和弦中演奏的音符：由于各个振荡元素（例如吉他弦）机械耦合，您通常会得到更多的频率分量和改变的时间行为。