从文件中提取快速傅立叶变换数据
我正在构建一个应该在服务器上运行并分析声音文件的工具。 我想在Ruby中执行此操作，因为我的所有其他工具也都是用Ruby编写的。 但我找不到一个完成这个的好方法。
我发现的很多例子都是可视化器和图形化的东西。 我只需要FFT数据，仅此而已。 我需要获取音频数据，并对其进行FFT。 我的最终目标是计算一些东西，如平均值/中位数/模式，第25百分位数和第75百分位数在所有频率（加权幅度），BPM，以及可能还有一些其他好的特性，以便以后能够将类似的声音聚集在一起。
首先我尝试使用ruby-audio和fftw3，但我从来没有让两者真正合作。 文档也不好，所以我真的不知道什么数据被洗牌。 接下来我尝试使用bplay / brec并限制我的Ruby脚本只使用STDIN并对其执行FFT（仍然使用fftw3）。 但我无法让bplay / brec工作，因为服务器没有声卡，我没有设法直接将音频直接发送到STDOUT，而无需先进入音频设备。
这是我得到的最接近的：
# extracting audio from wav with ruby-audio buf = RubyAudio::Buffer.float(1024) RubyAudio::Sound.open(fname) do |snd| while snd.read(buf) != 0 # ??? end end # performing FFT on audio def get_fft(input, window_size) data = input.read(window_size).unpack("s*") na = NArray.to_na(data) fft = FFTW3.fft(na).to_a[0, window_size/2] return fft end 所以现在我陷入困境，无法在Google上找到更好的结果。 那么也许你们这些家伙可以帮助我吗？
谢谢！
这是我试图实现的最终解决方案，非常感谢Randall Cook的有用建议。 在Ruby中提取wav文件的声波和FFT的代码：
require "ruby-audio" require "fftw3" fname = ARGV[0] window_size = 1024 wave = Array.new fft = Array.new(window_size/2,[]) begin buf = RubyAudio::Buffer.float(window_size) RubyAudio::Sound.open(fname) do |snd| while snd.read(buf) != 0 wave.concat(buf.to_a) na = NArray.to_na(buf.to_a) fft_slice = FFTW3.fft(na).to_a[0, window_size/2] j=0 fft_slice.each { |x| fft[j] << x; j+=1 } end end rescue => err log.error "error reading audio file: " + err exit end # now I can work on analyzing the "fft" and "wave" arrays...
我认为这里有两个问题。 一个是获取样本，另一个是执行FFT。
要获取样本，有两个主要步骤：解码和缩混。 要解码wav文件，您只需要解析标题，以便了解如何解释样本。 对于mp3文件，您需要进行完全解码。 音频解码后，如果您对单独处理立体声声道不感兴趣，可能需要将其缩混为单声道，因为FFT需要单个声道作为输入。 如果您不介意在Ruby之外冒险，那么sox工具可以让您轻松实现。 例如， sox song.mp3 -b 16 song.raw channels 1应该将mp3转换为纯PCM样本的单声道文件（即16位整数）。 顺便说一下，快速搜索显示了ruby/音频库（也许是你post中提到的那个）。 它看起来很不错，特别是因为它包装了libsndfile。
为了执行FFT，我看到三个选项。 一种是使用执行FFT的代码片段 。 我不是Ruby专家，但它看起来可能没问题。 第二种选择是使用NArray 。 它有很多数学方法，包括FFTW，可以在一个单独的模块中使用，在NArray页面的中间链接一个tarball。 第三种选择是编写自己的FFT代码。 它不是一个特别复杂的算法，可以为您提供Ruby中数值处理的丰富经验（如果您需要）。
您可能已经意识到这一点，但FFT需要复杂的输入并生成复杂的输出。 当然，音频信号是真实的，因此输入的虚部应始终为零（ a + 0*i ）。 由于输入是实数，输出将关于输出数组的中点对称。 你可以安全地忽略上半部分。 如果你想要特定频率仓中的能量（它们线性间隔高达采样率的一半），你需要计算复数值的大小（ sqrt(real*real + imag*imag) ）。
还有一件事：因为频率零（信号的DC偏移）和奈奎斯特频率（采样率的一半）没有相位分量，一些FFT实现将它们组合到同一个复杂的bin中（一个在真实组件中，一个在假想的组件，通常是第一个箱子。 您可以创建一些简单的信号（仅用于DC信号的所有1，对于奈奎斯特信号交替+1，-1）并查看FFT输出的外观。