### Python 中的语音信号处理：分频和加窗 在语音信号处理领域，分频通常涉及通过滤波器组将音频信号划分为不同的频率带宽。而加窗则是为了减少频谱泄漏，在傅里叶变换前应用窗口函数来平滑信号边缘。 #### 分频实现 可以利用 `scipy` 库中的 IIR 或 FIR 滤波器设计工具完成分频操作。下面是一个简单的例子，展示如何使用 Butterworth 滤波器对信号进行低通和高通分离： ```python import numpy as np from scipy.signal import butter, lfilter def butter_bandpass(lowcut, highcut, fs, order=5): nyquist = 0.5 * fs low = lowcut / nyquist high = highcut / nyquist b, a = butter(order, [low, high], btype='band') return b, a def bandpass_filter(data, lowcut, highcut, fs, order=5): b, a = butter_bandpass(lowcut, highcut, fs, order=order) y = lfilter(b, a, data) return y # 示例参数 fs = 1000.0 # 采样率 (Hz) lowcut = 50.0 # 低频频段起点 (Hz) highcut = 200.0 # 高频频段终点 (Hz) t = np.linspace(0, 1, int(fs), endpoint=False) # 时间向量 signal = np.sin(2 * np.pi * 75 * t) + np.sin(2 * np.pi * 150 * t) # 输入信号 filtered_signal = bandpass_filter(signal, lowcut, highcut, fs, order=6)[^1] ``` 此代码片段展示了如何定义并应用一个带通滤波器到输入信号中[^1]。 #### 加窗操作 加窗可以通过乘以一个窗口函数（如汉明窗、海宁窗等）来实现。这一步骤有助于降低频域分析中的旁瓣效应。 以下是基于 `numpy` 的简单加窗示例： ```python import matplotlib.pyplot as plt window_length = len(signal) hamming_window = np.hamming(window_length) # 创建汉明窗 windowed_signal = signal * hamming_window # 对原始信号施加窗口 plt.figure(figsize=(10, 4)) plt.plot(t, windowed_signal, label="Windowed Signal", color="blue") plt.title("Signal with Hamming Window Applied") plt.xlabel("Time [s]") plt.ylabel("Amplitude") plt.legend() plt.show()[^2] ``` 这段代码实现了对一段信号的应用汉明窗，并绘制了结果图象[^2]。 #### 结合 FFT 进行频谱分析 一旦完成了分频和加窗的操作，就可以进一步执行快速傅立叶变换 (FFT)，以便观察其频谱特性。 ```python fft_result = np.fft.fft(windowed_signal) frequencies = np.fft.fftfreq(len(fft_result), d=1/fs) magnitude_spectrum = np.abs(fft_result)[:len(frequencies)//2] plt.figure(figsize=(10, 4)) plt.plot(frequencies[:len(frequencies)//2], magnitude_spectrum, color="green") plt.title("Magnitude Spectrum of the Filtered and Windowed Signal") plt.xlabel("Frequency [Hz]") plt.ylabel("Magnitude") plt.grid(True) plt.show()[^3] ``` 以上代码计算了经过分频与加窗后的信号的幅度谱，并将其可视化[^3]。 ---