STFT 的固有权衡与伪影产生机制

FFT（Fast Fourier Transform），全称快速傅里叶变换，是离散傅里叶变换（DFT）的高效实现算法。它利用信号的对称性、周期性特性大幅压缩计算量，能将音频的时域波形（随时间变化的振幅曲线）快速转换为频域频谱（不同频率分量的能量分布），是现代数字音频 DSP 处理的核心基础工具。

几乎所有日常接触的专业音频处理流程，底层都依赖 FFT 实现：

有损音频编码：MP3、AAC 等压缩格式，用 FFT 作为滤波器组分析音频频谱，结合人耳听觉掩蔽效应，丢弃感知上不重要的高频分量，实现音频文件体积的大幅压缩。
智能频域降噪：Audacity、iZotope RX 等工具的经典降噪流程，通过 FFT 将音频转换至频域，估算并减去噪声基底频谱，再逆变换回时域，实现比传统时域滤波器更精准的噪声消除效果。
各类音频效果处理：音高修正、时间拉伸、频谱分析、卷积混响等功能，都基于 FFT 的频域运算能力实现，大幅降低复杂音频处理的运算负载。

STFT（Short-Time Fourier Transform，短时傅里叶变换）是对 FFT 的"实用化封装"——把一段长音频切成很多短片段，对每个短片段分别做 FFT，得到"频率随时间变化"的频谱图。

维度	FFT	STFT
输入	一段完整信号	一段完整信号（自动分段）
输出	一个频谱（频率分布）	一张时频谱图（频率随时间变化）
时间信息	❌ 丢失	✅ 保留
本质	数学变换工具	FFT 的工程应用框架
关系	基础算法	STFT 的内部核心运算就是 FFT——每一帧做一次 FFT

简言之：FFT 是"拍一张照片"，STFT 是"拍一段视频"。

STFT 通过将时域信号加窗分段后逐帧做 FFT，获得时频谱（Spectrogram）。这里存在一个固有的物理约束：

这就是信号处理中经典的时频不确定性原理（Gabor Limit）——时间分辨率和频率分辨率不可能同时达到最优，二者是此消彼长的权衡关系。基于这一固有权衡，以下伪影在依赖 STFT/FFT 的处理流程中容易产生：

瞬态拖尾与预回声：为获得足够的频率分辨率而使用较长分析窗时，时域中的瞬态脉冲（如爆破音、打击乐起音）的能量会被"涂抹"到相邻帧中，表现为瞬态前后的模糊拖尾。在有损编码中，这进一步表现为"预回声"——瞬态事件出现之前就能听到微弱的模糊前兆。
音乐噪声（Musical Noise）：频域降噪过程中，算法对每个时频点计算一个增益系数（0 到 1 之间）。当某些时频点的增益被截断为 0（噪声完全切除）而相邻点被保留为 1（信号完全保留）时，增益谱出现不连续跳变。这种不连续的增益谱经逆 FFT 变换后，在时域表现为离散的、随机分布的短促音调突发——即音乐噪声。
高频啁啾声（Chirping）：在高频区域，由于 STFT 频率分辨率有限，相邻频率 bin 之间的相位关系在帧间可能出现不连续变化，经逆 FFT 合成后产生频率快速扫动的"啁啾"信号。需要注意的是，chirp 伪影并非仅源于 FFT 类处理——在 TTS 系统中，神经声码器的相位推断误差同样会产生听感高度相似的 chirp 伪影，其成因是模型从幅度谱推断相位时的精度不足，与 FFT 无直接因果关系。