立体声音频文件的程序组合分析-是低音平移到一个频道？

Question

我想分析我的音乐收集，这是所有的CD音频数据(立体声16位PCM，44.1kHz)。我想要做的是通过编程确定是否低音是混合(平移)到一个频道。理想情况下，我希望能够运行这样的程序

mono-bass-checker music.wav

并让它输出像“低音不是平底”或“低音主要混合到0频道”。

我对此有一个初步的开始，在伪代码中如下所示：

binsize = 2^N # define a window or FFT bin as a power of 2
while not end of audio file:
    read binsize samples from audio file
    de-interleave channels into two separate arrays
    chan0_fft_result = fft on channel 0 array
    chan1_fft_result = fft on channel 1 array
    for each index i in (number of items in chanX_fft_result/2):
        freqency_bin = i * 44100 / binsize
        # define bass as below 150 Hz (and above 30 Hz, since I can't hear it)
        if frequency_bin > 150 or frequency_bin < 30 ignore
        magnitude = sqrt(chanX_fft_result[i].real^2 + chanX_fft_result[i].complex^2)

我不太确定从这里往哪里走。我读过一些概念，但对我来说还是太模糊了：

• 窗口函数我目前没有使用它，只是天真地从0到1024、1025到2048等音频文件中读取(例如，使用binsize=1024)。这对我有用吗？如果是的话，如何将其集成到程序中？
• 量值的正常化和/或缩放。很多人这样做是为了制作漂亮的平面图，但在我的情况下，我需要这样做吗？我知道人类的听觉大概是在一个对数尺度上工作的，所以也许我需要用某种方式去过滤掉我根本听不到的东西。像A加权之类的东西在这里有关系吗？
• 二进制码。我知道一个更大的垃圾箱能让我有更多的频率.但在这种情况下，我无法判断这是否有帮助或伤害。

我可以用这样的sox制作一首“低音歌曲”：

sox -t null /dev/null --encoding signed-integer --bits 16 --rate 44100 --channels 1 sine40hz_mono.wav synth 5.0 sine 40.0
sox -t null /dev/null --encoding signed-integer --bits 16 --rate 44100 --channels 1 sine329hz_mono.wav synth 5.0 sine 329.6
sox -M sine40hz_mono.wav sine329hz_mono.wav sine_merged.wav

在生成的"sine_merged.wav“文件中，一个通道是纯低音(40 Hz)，另一个是非低音(329 Hz)。当我计算该文件的每个频道的低音频率的大小时，我确实看到了一个显著的差异。但奇怪的是，329赫兹通道的震级为非零，低于150赫兹。我希望是零。

即使这样，对于这个微不足道的sox生成文件，我也不知道如何解释我正在生成的数据。显然，我不知道如何概括到我的实际音乐收藏。

FWIW，我试图使用C中的libsndfile和fftw3来实现这一点，基于其他帖子中的帮助：

• WAV-file analysis C (libsndfile, fftw3)
• Converting an FFT to a spectogram
• How do I obtain the frequencies of each value in an FFT?

Answer 1

不使用窗口函数(与使用矩形窗口相同)会将一些高频内容(任何在FFT长度中不完全周期性的内容)溅到FFT结果的所有其他频率桶中，包括低频回收箱。(有时这被称为光谱“泄漏”。)

要最小化这一点，请尝试应用一个窗口函数(von Hann等)。在FFT之前，预期要使用一定的阈值级别，而不是期望在任何垃圾箱中的内容为零。

还要注意的是，来自许多乐器的低音音符可以产生一些非常强大的高频信号或谐波，它们会出现在快速傅立叶变换( FFT )的上层回收箱中，所以你不能排除很强的低音混音，不存在大量的高频内容。