直接改采样率会同时改变音高和速度，真正的变调需频谱平移+时域重合成；须用STFT分帧、相位展开与补偿、频谱插值及OLA重建，否则失真。
为什么不能直接改采样率做变调
直接改采样率（比如用 resample）会同时改变音高和播放速度，这不是 Pitch Shift。真正变调不变速，本质是频谱平移 + 时域重合成——你得把原始帧的频谱“抬高”或“压低”后，再用相位连续的方式拼回时域波形，否则会严重失真。
常见错误现象：librosa.effects.pitch_shift 在 Python 里看着简单，但底层用的是 WSOLA 或 Phase Vocoder；C++ 手写时若只做 FFT 幅度缩放、不校正相位，输出会有明显“金属声”或“嗡嗡声”。
- 必须对每帧做短时傅里叶变换（STFT），不能只做单次 FFT
- 频谱搬移后，相邻帧之间的相位差必须重置，否则重叠相加（OLA）时波形断裂
- 搬移量不是整数倍频点时，要用插值（如 sinc 或线性）读取新频谱，不能四舍五入取整
怎么用 FFT + 相位修正实现基础变调
核心是 Phase Vocoder 流程：分帧 → 加窗（常用 hann）→ FFT → 频谱映射 → 相位展开（unwrap）→ 相位差补偿 → IFFT → 加窗重叠相加。
关键参数差异：hop_size 通常取 win_size / 4（如 2048 窗，512 hop），太大会丢细节，太小则计算爆炸；pitch_shift_semitones 转换为频率比 ratio = pow(2.0, semitones / 12.0)，用于缩放频点索引。
立即学习“C++免费学习笔记（深入）”；
示例片段（伪代码逻辑）：
for each frame:
windowed = signal[i:i+win_size] .* hann_win;
X = fft(windowed);
Y = zeros_like(X);
for k in range(len(X)/2):
k_out = round(k * ratio);
if k_out < len(Y)/2:
Y[k_out] += interpolate(X[k], ...) // 线性或 sinc 插值
Y[len(Y)-k_out] += conj(Y[k_out]); // 保证实信号对称
// 相位补偿：用上一帧相位推算期望相位差，再修正当前相位
Y = fix_phase(Y, prev_phase, ratio, hop_size, sr);
y_frame = ifft(Y);
output[i:i+win_size] += y_frame .* hann_win;
相位补偿那步最容易出错
不做相位补偿时，哪怕频谱完全正确，输出也是噪音。因为 FFT 帧间相位是跳变的，而真实信号要求帧间相位变化率连续。
标准做法是：对每个非零频点 k，计算其在原始信号中应有的瞬时频率 omega_k = 2*PI*k*sr/win_size，再根据时间偏移（hop_size/sr）算出理论相位增量 delta_phi = omega_k * hop_size / sr；然后用上一帧恢复后的相位 prev_phi[k] 推出当前帧应有相位 prev_phi[k] + delta_phi，再与实际 FFT 相位比较，差值即为需补偿的相位偏移。
- 必须用
std::arg()提取复数相位，并先std::unwrap()（自己实现或用 Eigen 的AngleUnwrap）避免 2π 跳变干扰 - 直流（k=0）和奈奎斯特（k=N/2）点相位固定为 0，不用补偿
- 补偿后相位要再套一层
std::polar(abs(X[k]), new_phi)构造新频谱
C++ 实现时性能与精度怎么权衡
纯手写 FFT（如 Cooley-Tukey）不如用 FFTW 或 arm_math；但 FFTW 的 plan 创建开销大，建议提前创建好 fftw_plan_dft_c2c_1d 并复用。插值部分，sinc 插值质量高但慢，实时场景可用线性插值 + 3 点加权；离线处理可上 lanczos-3。
兼容性影响：浮点精度很重要。用 float 在长音频（>5 分钟）上会累积相位漂移，导致结尾发闷；务必用 double 做中间计算，输出再转 int16_t。
容易被忽略的点：输入音频必须是单声道、线性 PCM、已归一化到 [-1.0, 1.0]；多声道得先转单声道（平均或左声道），否则左右声道变调不同步，听感诡异。
