5.2.1 音频帧的切分与加窗（Frame Blocking & Windowing）

音频分析的第一个工程动作，几乎永远是 切帧（Frame Blocking）。为什么是 "几乎"？因为除了播放与试听，我们很少会把一整段音频当作一个不可分割的整体来处理。究其原因，要从音频信号的 平稳性 说起。

短时平稳假设（Short-Time Stationarity Assumption）

在 第三章 中我们学过，傅立叶变换能够将信号从时域映射到频域。但直接对一整段音频做傅立叶变换，会得到一个 所有时间信息都被平均掉的频谱——我们能知道这段音频 "含有哪些频率"，却无法知道 "这些频率在什么时候出现"。对于一段音符不断变化的演奏，这样的频谱几乎没有分析价值。

幸运的是，音频信号虽然 宏观上非平稳（Non-Stationary），但在足够短的时间窗内却可以近似看作 平稳（Stationary） 的。发声器官的机械运动速度决定了这个尺度的下限：无论是人声带振动还是乐器共鸣，其状态在 20~40 毫秒 内都不会发生显著改变。这就是 短时平稳假设（Short-Time Stationarity Assumption），它是切帧操作的全部理论依据。

于是，切帧的数学描述非常直接。给定离散音频信号 $x[n]$，帧长为 $N$ 个采样点，帧移（Hop Size）为 $H$ 个采样点，则第 $m$ 帧为：

$x_m[n] = x[mH + n], \quad 0 \le n < N$

即每隔 $H$ 个采样点，取出长度为 $N$ 的一段。当 $H < N$ 时相邻帧之间存在 重叠（Overlap），工程中通常取 50% 重叠（即 $H = N/2$）。重叠的意义在于 平滑帧间过渡：由于后面要讲的加窗会衰减帧的边缘，若不重叠，帧边缘的信息就会在分析中丢失。

帧长的取舍：时间分辨率与频率分辨率

帧长 $N$ 是切帧的第一个关键参数，它的选择本质上是一对 不可兼得的分辨率权衡：

• 帧越长，频率分辨率越高，但时间分辨率越低——帧内若发生音符切换，分析结果会被 "平均" 掉
• 帧越短，时间定位越精确，但频率分辨越粗糙

这里的频率分辨率，指的是离散傅立叶变换相邻频点（Bin）的间隔。对长度为 $N$ 的帧做 DFT，采样率为 $f_s$ 时：

$\Delta f = \frac{f_s}{N}$

以一个具体例子感受它：在 $f_s = 44.1\ \text{kHz}$ 下取 $N = 1024$（约 23.2ms），则 $\Delta f \approx 43.07\ \text{Hz}$。这意味着频谱上 440Hz 的 A4 标准音 恰好落在第 10 个频点（430.66Hz）与第 11 个频点（473.73Hz）之间——直接对单帧做 FFT 并取峰值，得到的将是 430.7Hz，与真实值偏差近 10Hz。这个实测结果我们会在 5.2.3 的工程中看到。也正因如此，精确的基频估计不能依赖单帧峰值，而需要专门的基频跟踪算法（见 5.2.2 与 5.2.3）。

工程上的惯例是取 20~40ms 的帧长。在 44.1kHz 采样率下，对应 $N$ 为 1024（23.2ms）或 2048（46.4ms）这样的 2 的幂——这是为了配合 FFT 的快速计算。

加窗（Windowing）与频谱泄漏（Spectral Leakage）

直接截取一帧，等价于给信号乘上一个 矩形窗（Rectangular Window）。而时域的截断相乘，对应频域的卷积：矩形窗的频谱是 sinc 函数，其 旁瓣（Side Lobe） 衰减缓慢（仅约 -13dB），会把帧内各频率分量的能量 "涂抹" 到邻近频点上。这种现象称为 频谱泄漏（Spectral Leakage） [11] 。

抑制泄漏的办法，是在切帧的同时乘上一个两端平滑衰减的 窗函数（Window Function），即：

$x_m[n] = x[mH + n] \cdot w[n], \quad 0 \le n < N$

最常用的 汉宁窗（Hann Window） 定义为：

$w[n] = 0.5 \left( 1 - \cos \left( \frac{2\pi n}{N - 1} \right) \right)$

它的思路很朴素：把帧的两端压到零，消除截断带来的突变，旁瓣衰减便可提升到约 -31.5dB。代价是 主瓣（Main Lobe）变宽——频率的分辨精度略有下降。这正是窗函数设计的永恒主题：主瓣宽度与旁瓣衰减的权衡。汉明窗（Hamming）、布莱克曼窗（Blackman）等经典窗函数，都是在这个权衡曲线上选取的不同工作点 [11] 。

上图是 A4 标准音同一帧在矩形窗与汉宁窗下的实测频谱对比。可以清楚看到：矩形窗（灰线）的能量从 440Hz 主峰一直拖尾到 2000Hz 仍有 -60dB；而汉宁窗（红线）在约 700Hz 处便衰减到 -80dB 以下，主峰更为集中。这就是加窗的价值。

可见，切帧与加窗是音频帧分析的标准前奏：切帧解决 "在哪里看"，加窗解决 "看得干净"。

理解了帧的切分方式后，接下来的问题就是：对切出的每一帧，我们 提取什么？这就是下一节要建立的音频帧特征体系。