Librosa.stft默认返回复数频域表示，因其需支持相位重建等操作；功率谱需手动计算np.abs(D)**2或转对数幅度谱。
Librosa默认的stft为什么返回复数，不是功率谱？
因为librosa.stft底层调用的是短时傅里叶变换（STFT）标准实现，直接返回复数频域表示——这是后续做相位重建、时频掩蔽等操作的前提。如果你只想要能量或功率谱，得手动取模平方：np.abs(D)**2，或者更常用的是用librosa.amplitude_to_db转成对数幅度谱。
常见错误是直接把stft结果当“频谱图”画出来，发现颜色发灰、对比度低，其实是没做幅度转换；还有人误用np.real只取实部，丢失了大部分频域信息。
-
stft返回形状为(1 + n_fft//2, n_frames)的复数数组，第一维是频率点（含直流分量），第二维是时间帧 - 默认窗长
n_fft=2048，帧移hop_length=512，这会影响时间分辨率和频率分辨率的权衡 - 若要兼容老版本librosa（center=True默认补零，可能导致首尾帧失真；新版本建议显式设
center=False避免意外填充
如何用librosa.display.specshow正确显示频谱图？
这个函数本身不计算频谱，只负责可视化——它假设你传入的是“已处理好的频谱矩阵”，比如对数幅度谱。直接喂给它stft原始输出，会因数值范围过大而显示成全黑或全白。
典型做法是：先做np.abs取幅度，再用librosa.amplitude_to_db压缩动态范围（默认参考值是最大幅度，可设ref=np.max）。
立即学习“Python免费学习笔记（深入）”；
import librosa
import librosa.display
import numpy as np
y, sr = librosa.load('audio.wav', sr=None)
D = librosa.stft(y)
S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max)
librosa.display.specshow(S_db, sr=sr, hop_length=512, x_axis='time', y_axis='log')
注意y_axis='log'会让纵轴按对数频率分布（更适合听觉感知），而'linear'是线性频率；如果音频采样率很低（如8kHz），用'log'可能底部频点过密，此时改用'mel'配合librosa.feature.melspectrogram更稳妥。
为什么librosa.stft比scipy.signal.stft更适配音频分析？
核心区别在默认行为：librosa的stft默认使用汉宁窗（win_length=n_fft）、不归一化、且对输入自动做中心化处理（center=True）；而scipy版本默认矩形窗、归一化、且不补零，输出格式也不同（返回元组(f, t, Zxx)）。
这意味着：用scipy算完还得自己提取Zxx、转置、再适配matplotlib坐标轴；librosa则一步到位，和display.specshow天然对齐。
- librosa内部已预设好适合语音/音乐的参数组合（如
n_fft=2048对应约46ms窗长@44.1kHz），scipy需要手动调参 - librosa支持直接读取音频并重采样，scipy只处理numpy数组，前后链路更割裂
- 若需高精度相位处理（如相位重建Griffin-Lim），librosa的
istft与stft严格配对，scipy的逆变换接口命名和参数逻辑不一致
FFT点数（n_fft）和帧移（hop_length）怎么选才不翻车？
这不是纯理论问题，而是受硬件缓存、内存和听觉需求共同约束的实际选择。太小的n_fft（如256）导致频率分辨率差，无法区分相近音高；太大的（如8192）让每帧计算变慢，且高频段分辨率过剩（人耳对>8kHz不敏感）。
通用经验：语音分析常用n_fft=512~1024，音乐分析用2048；帧移一般取n_fft//4（如2048→512）可平衡时间粒度和计算量。但要注意——hop_length不能大于n_fft，否则帧间无重叠，STFT失去时序连续性，画出来的谱图会出现明显条纹断裂。
- 若用GPU加速（如通过numba或cupy），
n_fft最好保持2的幂次，否则FFT库可能退化为慢速算法 - 处理长音频时，别一次性
stft整段——内存爆掉。应分块处理，用librosa.stream或手动切片+pad_mode='reflect'减少边界效应 - 导出频谱数据供其他工具（如MATLAB、Praat）读取时，记得用
np.save保存为float32，别用默认float64，文件大一倍还无实际增益
stft和istft之间隐含的窗函数一致性——换窗不重算，重建音频就会有咔哒声。哪怕只是改了个win_length，也得确认istft用完全相同的参数。 
