不用调包绘制音频语谱图同时批量生成

语谱图定义与解析

语谱图（Spectrogram）是一种用于展示语音信号频谱随时间演变的可视化图形，其本质上属于二维图像，却能够体现三个维度的信息。其中，横轴代表时间的延续性，纵轴则表示频率的分布情况，而颜色的明暗程度则被用来反映能量强度的高低。在特定时间点上，某一频率成分的能量强弱可通过对应位置的灰度或色调深浅加以体现。颜色越深，则表明该位置语音能量越高；反之，则意味着语音能量较低。

为了生成语谱图，首先需要对所加载的音频信号进行分帧处理，并结合窗函数进行加窗操作。随后实施傅里叶变换以获取频域信息，并确定每一帧所对应的时刻位置。接着对变换后的数据进行对数运算，从而得到能量密度谱。之后将能量值与相应的颜色进行映射关系建立，并最终生成对应的图像表示。

分帧

语音信号本质上属于准稳态特性，若将其划分为较短的时间片段，每个片段内可近似视为稳态信号，并采用针对稳态信号的处理方式加以分析。为确保相邻帧之间参数变化的连续性，通常会在前后帧之间设置一定的重叠区域。一般而言，单帧时长设定在10至30毫秒之间，因此每秒钟所划分的帧数大约为33至100帧。帧移与帧长