Constant Q变换 – 可视化指南

# 恒定Q变换 — 可视化指南 来源：https://brendanjameslynskey.github.io/ConstantQ-Transform/ 一本关于频率变换的可视化互动指南，它能像我们人类一样感知音乐——以匹配音高结构的对数分辨率呈现。 ▼ ### 第一章 ## 01 核心直觉 “恒定Q值”意味着每个频率区间的中心频率与其带宽之比是**恒定**的。低音使用较宽的分析窗口（频率分辨率好）；高音使用较窄的窗口（时间分辨率好）。 这恰好与音乐音高的运作方式一致。在一架钢琴上，C3到C4的距离与C5到C6涵盖了相同的感官音程，尽管后者覆盖的赫兹范围是前者的四倍。CQT将其频率区间按对数方式排列以匹配这一点，通常每八度设置12、24、36或更多个区间。 每八度频带数：24 八度数：5 CQT频率区间——每个条代表一个区间。注意带宽如何随频率增长，但Q = f/Δf保持不变。 **Q因子：** Q = f_k / Δf_k。在标准FFT中，Q值会变化——低频区间窄（高Q），高频区间宽（低Q）。在CQT中，每个区间的Q值相同。这就是为什么音乐音符在CQT频谱图中看起来间隔均匀。 ### 第二章 ## 02 FFT与CQT对比 FFT使用线性间隔的频率区间。音乐音符是对数间隔的。这种不匹配使得用FFT进行音高分析非常别扭——CQT直接解决了这个问题。 考虑一个包含C3、E4和G5音符的信号。在FFT中，这三个音符在频谱上分布不均匀，低音几乎被挤在很少的几个区间里。在CQT中，每个音符占据的比例宽度相同。 三音符和弦：C3 (130.8 Hz) + E4 (329.6 Hz) + G5 (784 Hz) FFT——线性频率轴。低音被压缩在一个极小的区域里。 CQT——对数频率轴。每个音符获得相等的视觉权重。 **根本区别：** FFT区间间隔为 Δf = f_s/N（以Hz为单位恒定）。CQT区间间隔为 Δf_k = f_k · (2^{1/B} − 1)（与频率成正比）。这使得CQT天然适合任何涉及音乐音高、语音共振峰或对数频率结构的应用。 ### 第三章 ## 03 对数频率几何 CQT将频率映射到对数轴上，使得八度之间等距。这与西方半音阶完美对齐——也与人类的音高感知一致。 动画钢琴卷帘式CQT频谱图——在琶音播放时，观察音符在对数频率轴上亮起 **每八度频带数（B）：** 当B=12时，每个区间代表一个半音。B=24提供四分之一音分辨率。B=36提供八分之一音。更高的B意味着更精细的音高区分，但在低频时需要更长的分析窗口。 f_k = f_min · 2^{k/B} 对于 k = 0, 1, ..., K−1，其中 K = B · num_octaves ### 第四章 ## 04 CQT核 每个CQT区间使用不同长度的分析窗口。低频区间使用长窗口以获得精确的音高分辨率；高频区间使用短窗口以获得精确的时间分辨率。 区间k的窗口长度为 N_k = Q · f_s / f_k。这是恒定Q特性的核心——无论频率如何，窗口始终包含相同数量的振荡周期。 N_k = ⌈ Q · f_s / f_k ⌉，其中 Q = 1 / (2^{1/B} − 1) 区间索引：0 所选区间的CQT分析核——实部（顶部）和幅度包络（底部）。拖动滑块查看窗口长度如何在较高频率下缩小。 1 根据Q和f_k计算每个区间的窗口长度N_k 2 生成一个在f_k处的加窗复指数 3 将信号与此核相乘并求和——这就是一个CQT系数 4 对所有K个区间和所有时间帧重复 ### 第五章 ## 05 计算CQT 朴素CQT计算量很大——每帧 O(KN)。高效算法基于FFT实现，要么通过频谱核，要么通过递归降采样。 速度： 逐帧构建CQT频谱图——每列代表一次跳步，每行代表一个对数频率区间 **高效CQT（Brown & Puckette，1992）：** 通过FFT预计算频谱核 K̂_k。对于每一帧，对信号片段 X̂ 进行FFT，然后CQT系数就是 X̂ · K̂_k^* 的点积。这整个变换变成了稀疏矩阵-向量乘法，通常比朴素方法快10–100倍。 CQT(k, n) = Σ_j x(n + j) · w_k(j) · e^{−i2πf_k j / f_s} 其中 w_k(j) 是长度为N_k的窗口函数。关键洞察是每个区间看到的信号样本数**不同**，而FFT中所有区间使用相同的窗口。 ### 第六章 ## 06 从CQT到色度图 将CQT的对数频率区间折叠到单个八度内，就能得到**色度图**——一个12维的和谐内容表示，非常适合和弦识别与调性检测。 如果CQT每八度有B=36个区间，跨越5个八度（共180个区间），那么色度图会将所有八度上每第3个区间（对应12个半音类）求和，将180个区间压缩成12个。 和弦： CQT频谱图（顶部）折叠成12区间的色度图（底部）。切换和弦查看色度轮廓如何变化。 **八度不变性：** 色度图将C3、C4和C5视为相同的音高类“C”。这使得它对音区变化具有鲁棒性，让算法专注于识别和谐身份而非绝对音高。 ### 第七章 ## 07 实际应用 CQT是现代音乐信息检索、音频合成和智能音频处理的骨干。 信号： 不同音乐信号的实时CQT频谱图——注意有音高内容如何表现为明显的水平条纹 🎵 **音高追踪**——自动转谱、旋律提取、调音器应用 🎸 **和弦识别**——通过CQT→色度图流程实现实时和弦检测 🎛 **音频合成**——具有感知一致频率分辨率的相位声码器 🤖 **深度学习**——CQT频谱图作为音乐分类、源分离和生成模型的输入特征 **神经网络中的CQT：** 许多最先进的音乐AI系统（Demucs、OpenL3、CREPE）使用CQT或类CQT表示作为输入特征，而不是Mel频谱图，因为恒定Q分辨率与它们建模的数据结构相匹配。