我想放大特定频率的音频输入，我使用numpy.fft。
所以我的问题是：当改变信号的幅度时，相位会发生什么？
例如，如果我在某个频率范围内乘以某个因子的幅度，假设为2，我是否需要更改相位，如果是，我该怎么办呢？
我在不改变相位的情况下完成了放大，结果不是我想要的。它几乎是相同的信号，有一些不必要的噪音。
答案 0 :(得分：7)
你不应该为这样的事情改变阶段。更有可能的问题是你需要更加温和地应用提升。听起来你正在采用一些频率窗口并乘以一个常数，同时保持其他一切不变。这将导致时域中的振铃具有非常长的尾部。您需要平滑从gain = 1区域到gain = 2区域的转换，例如使用高斯波形，代码看起来像这样：
x, t = get_waveform()
f0, df = get_parameters() # Center frequency and bandwidth of gain region
f = np.fft.rfft(x)
freqs = np.fft.fftfreq(len(x), t[1]-t[0])
freqs = freqs[0:len(f)] # rfft has only non-negative frequency components
gain_window = 1 + np.exp(-(freqs-f0)**2/(df)**2)
f = f * gain_window
x = np.fft.irfft(f)
return x
如果可行，您可以尝试更具侵略性的功能，这些功能具有更清晰的开启和更平坦的顶部。
FFT可能实际上并不是您想要的。 FFT通常不用于实时/流应用。这是因为在天真的方法中，您必须在开始处理之前收集整个样本缓冲区。对于简单的过滤应用程序，通常更容易在时域中直接进行过滤。这就是FIR和IIR滤波器所做的事情。
为了实时过滤傅立叶变换，您需要做的是将数据流分解为固定长度的重叠块，FFT，滤波器，反向FFT，并将它们重新组合在一起，而不会引入毛刺。这是可能的，但要做到这一点很棘手。对于一个完整的多通道均衡器，它可能仍然是最好的选择，但你至少应该考虑时域滤波。
如果这不是实时应用程序，那么FFT就是最佳选择。对于中等大小的数据集（高达几百兆字节），您可以只对整个数据集进行FFT。对于更大的数据集，您仍然需要将数据分成块，但它们可以是更大的块，您不必担心引入的延迟。
另外，请记住FFT将信号视为周期性信号，因此如果您的信号在开始和结束时没有变为零，则需要进行某种窗口化。