时域：

横轴：时间

纵轴：震动幅度（音量的高低）

采样频率：（单位是HZ）

是指将模拟声音波形进行数字化时，每秒钟抽取声波幅度样本的次数。

采样频率的选择应该遵循奈奎斯特（Harry Nyquist）采样理论：如果对某一模拟信号进行采样，则采样后可还原的最高信号频率只有采样频率的一半，或者说只要采样频率高于输入信号最高频率的两倍，就能从采样信号系列重构原始信号。正常人听觉的频率范围大约在20Hz~20kHz之间，根据奈奎斯特采样理论，为了保证声音不失真，采样频率应该在40kHz左右。常用的音频采样频率有8kHz、11.025kHz、22.05kHz、16kHz、37.8kHz、44.1kHz、48kHz等，如果采用更高的采样频率，还可以达到DVD的音质。

频域：

通过傅里叶变换可以把信号从时域转换到频域；

之前一直不理解频域里的频谱取值是怎么来的，后来发现它是和时域里的采样率相对应的，单位都是HZ， 时域如果1s采样 16000HZ， 转换到频域的频率范围就是（0， 16000HZ），相当于这1s 内的波形可以由这 16000个不同的正玄波叠加而成。

短时傅里叶变换（窗式傅里叶变换）

如果把一段音频直接FFT，因为时间较长，不能有效的逼近时域信号，会使信号太过平滑，于是又有了短时傅里叶变换 stft，用窗口滑动进行 FFT, 比如20ms 一次，相邻之间可以有重叠;

基本思想：局部平稳化-把长的非平稳随机过程看成是一系列短时随机平稳信号的叠加，短时性可通过在时间上加窗口函数实现（即截取一部分源数据）。通过该方法，人们至少可以说，无论发现了什么频率成分，它一定是发生在信号被截取的某个特定时间段内。

可用的函数：librosa.stft( )，音频处理库 librosa 很强大，可输出各种频谱