STFT在C++中无标准库实现，必须用FFTW等第三方库或手动实现；其核心是分帧、加窗、FFT三步不可乱序，且需注意实时性、内存复用、dB转换与归一化。
STFT 在 C++ 里没有标准库实现，得靠第三方或手撸
标准 C++ 库不提供 stft、fft 或任何音频频谱分析函数。你不能直接 #include <complex> 就调 stft() —— 那会编译失败。实际路径只有两条：用成熟数值库（推荐），或自己基于 FFT 实现 STFT（不推荐，除非练手）。
常见错误是试图用 std::complex 手写 FFT 循环，结果精度错、窗函数没对齐、时频分辨率混乱。真实项目里，99% 的情况该选 FFTW 或 librosa-cpp 这类封装好的库。
-
FFTW是最稳的选择：C 接口但 C++ 完全可用，支持多线程、实数/复数 FFT，性能经过几十年验证 - 别用
armadillo或Eigen做 STFT 主干——它们没内置窗函数滑动逻辑，得自己补大量胶水代码 - 如果项目已用
OpenCV，它的dft()可以做单帧 FFT，但没有 STFT 封装，仍需手动切帧、加窗、拼接
STFT 的核心三步：分帧、加窗、FFT，顺序不能乱
STFT 不是“调一个函数”，而是三个确定步骤的组合。漏掉任一环，频谱图就会出现能量泄露、时间轴错位或频率混叠。
典型错误现象：fftshift 没调导致零频在左端；窗函数用 hanning 却没归一化，幅度随帧数衰减；帧移（hop size）设成 0 导致内存爆炸。
立即学习“C++免费学习笔记（深入）”；
- 分帧：输入音频缓冲区按
frame_length切块，帧移通常取frame_length / 2（50% 重叠） - 加窗：必须用
hann或hamming窗，直接乘浮点数组，别用整数运算截断 - FFT：输入长度要补零到 2 的幂（如 1024 → 1024，2048 → 2048），否则
fftw_plan_dft_r2c_1d()会静默降级或报错
示例关键片段（FFTW）：
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
double *in = (double*) fftw_malloc(sizeof(double) * frame_len); fftw_complex *out = (fftw_complex*) fftw_malloc(sizeof(fftw_complex) * (frame_len/2+1)); fftw_plan p = fftw_plan_dft_r2c_1d(frame_len, in, out, FFTW_ESTIMATE); // ... 填入加窗后数据，执行 fftw_execute(p)
实时场景下，STFT 的延迟和内存开销比算法本身更关键
所谓“实时”，本质是控制从音频输入到频谱输出的端到端延迟 ≤ 20ms。这直接约束了 frame_length 和 hop_size 的取值——不是越小越好，也不是越大越准。
常见坑：frame_length = 4096 @ 48kHz → 单帧耗时 85ms，根本无法实时；或者每帧都 malloc/free fftw_plan，触发锁竞争卡主线程。
- 固定采样率（如 48kHz）下，
frame_length推荐 1024 或 2048，对应约 21ms / 42ms 处理窗口 - 必须复用
fftw_plan，初始化一次，后续只换in数据指针；计划创建是重操作，别放音频回调里 - 输出频谱维度是
frame_length / 2 + 1（实数 FFT 的 Nyquist 对称性），别按frame_length分配输出缓冲区 - 若用 Ring Buffer 做流式输入，确保读指针和写指针不跨帧边界——否则一帧数据被拆成两段，窗函数失效
频谱图可视化前，幅度要转 dB，且注意归一化基准
原始 FFT 输出是线性幅度，直接画图几乎全是黑的。必须转 20 * log10(|X|)，但基准值选错会导致整个图偏暗或饱和。
错误现象：不同音频文件频谱图亮度差异极大；静音段出现 -inf；高音量时顶部全白失去细节。
- 避免用
max(|X|)做归一化——单个峰值会压垮其余信息；改用滑动均值或分位数（如 95% 分位） - 设置硬阈值，如
std::max(-80.0, 20 * log10(std::abs(x) + 1e-10))，防止 log(0) - 如果后续要喂给神经网络，建议输出 float32 归一化到 [-1, 1]，而非 uint8 图像——精度损失不可逆
真正难的不是算出频谱，是让每一帧的幅度响应稳定、可比、不漂移。这点在麦克风输入或低信噪比场景下尤其明显。
