MATLAB实现STFT与ISTFT：从分帧加窗到重叠相加的完整指南

简介：这份资源面向音频处理与信号分析方向的学习者和开发者，提供短时傅立叶变换（STFT）与逆短时傅立叶变换（ISTFT）的C++实现，支持wav音频文件与麦克风输入，并给出25%、50%两种重叠比例的STFT处理方式，可用于语音分析、频谱可视化及信号处理模块的搭建。压缩包共13个文件，以h头文件为核心，涵盖STFT、Ooura_FFT、HannWindow、PostProcessor等模块，另含cpp示例、txt构建说明、md文档、license及示例wav音频，整体约1.7MB，结构紧凑便于直接集成。资源采用单头文件FFT实现，速度较快，但作者也提示其输出与MATLAB FFT在个别情况下存在差异，需要完全一致结果时可替换其他FFT库。目前已有2330人学习下载，适合希望快速上手STFT/ISTFT并理解重叠分帧与逆变换流程的读者参考。

1. 从一段“听不清”的录音说起：STFT 与 ISTFT 到底解决什么问题

有人丢给我一段现场录音，说里面有人说话，但背景噪声大、声音忽远忽近，想先做点处理再听。我打开波形一看，整段信号在时域上糊成一团，直接做频谱分析只能得到“整段录音的平均频率分布”，谁在什么时候说了什么，完全看不出来。这就是傅里叶变换的经典局限：它告诉你信号里有哪些频率，却不告诉你这些频率是什么时候出现的。短时傅里叶变换（STFT）就是冲着这个矛盾去的——把长信号切成一小段一小段，每段加窗后做 FFT，得到一张“时间—频率”的二维图，也就是语谱图。而逆短时傅里叶变换（ISTFT）负责把这张图还原回波形，让处理后的信号还能被播放、被保存成 wav。

这份 MATLAB 代码资源围绕的正是这条链路：wav 文件读入、麦克风实时输入、STFT 分帧变换、频域处理、ISTFT 重叠相加还原。它适合两类人：一类是信号处理课程或项目里需要一套能跑通的 STFT/ISTFT 参考实现的学生；另一类是想在 MATLAB 里快速验证降噪、滤波、时频分析想法，不想从零推导重叠相加公式的开发者。系统开源的好处在于，你可以直接把分帧、加窗、重叠相加这几块拆出来，塞进自己的处理流程里。

2. 工程结构与信号链路：从 wav 读入到 ISTFT 还原的完整走向

2.1 目录与文件职责划分

这类 MATLAB 信号处理工程，常见做法是按“入口脚本 + 算法函数 + 辅助工具”三层来组织。虽然具体文件名会因作者习惯不同而有差异，但职责边界基本是固定的，读代码时先按这个框架对号入座，能省不少时间。

我一般会先找入口脚本，看它调用了哪几个函数、参数是怎么传的，再顺着往下读算法层。这样读的好处是，你能立刻知道“哪些参数是暴露给使用者的、哪些是函数内部写死的”，二次开发时改哪里一目了然。

2.2 一条信号从进入到返回的链路

把整条链路摊开，大概是这么几步：读入信号并统一成单声道列向量 → 按帧长和帧移切分 → 每帧乘窗函数 → 逐帧 FFT 得到复数频谱矩阵 → 在频域做你想要的处理（滤波、阈值降噪、相位保留）→ 逐帧 IFFT → 乘同样的窗做重叠相加 → 归一化输出。这里有个容易被忽略的点：STFT 和 ISTFT 必须用同一套帧长、帧移和窗函数，否则还原出来的波形会有幅度畸变或者周期性咔哒声。

% 入口脚本的典型骨架（示意，参数按需调整） [x, fs] = audioread('input.wav'); % 读入 wav x = x(:,1); % 多声道取第一路，统一成列向量 winLen = 1024; % 帧长，决定频率分辨率 hop = winLen / 4; % 帧移，75% 重叠，还原更平滑 win = hann(winLen, 'periodic'); % 周期汉宁窗，适合重叠相加 X = stft_forward(x, win, hop); % 正变换：返回 [帧数 x 频点数] 复数矩阵 Y = process_spectrum(X); % 频域处理，比如置零低能量频点 y = stft_inverse(Y, win, hop, numel(x));% 逆变换，指定原长度便于裁剪 audiowrite('output.wav', y, fs); % 写回 wav

这段骨架里，winLen和hop是最关键的两个参数。帧长越大，频率分辨率越高，但时间分辨率越差，语谱图上的瞬态会被抹平；帧移越小，重叠越多，ISTFT 还原越平滑，但计算量成倍上升。工程上 1024 点帧长配 256 点帧移是很常见的折中，采样率 16 kHz 时对应 64 ms 窗、16 ms 步进，语音场景够用。hann(winLen,'periodic')里的'periodic'不是可有可无的：做 STFT 时用周期窗，重叠相加的归一化系数才对得上，用对称窗会在帧边界引入轻微的能量偏差，短信号上不明显，长信号累积起来就能听出来。

2.3 麦克风实时输入的特殊处理

mic 输入和 wav 输入最大的差别在于“数据是流式来的、长度不确定”。常见做法是用audiorecorder录一段固定时长再处理，或者用录音对象配合回调，攒够一帧就送进 STFT。前者简单、适合离线验证，后者才是真正的实时。实时路径上要注意两点：一是缓冲区要按帧移对齐，不能随便切；二是 ISTFT 的重叠相加需要保留上一帧的尾部，跨回调传递状态，否则每帧独立还原会在拼接处产生断裂。

recObj = audiorecorder(fs, 16, 1); % 16 bit 单声道 recordblocking(recObj, 3); % 先录 3 秒做验证 x = getaudiodata(recObj); % 拿到列向量 % 后续与 wav 路径完全一致，复用同一套 stft_forward / stft_inverse

先用recordblocking把实时问题降级成离线问题，是排查链路是否正确的稳妥办法。等离线路径的还原波形和原波形对得上，再换成回调式流式处理，出问题时也容易定位是算法错还是缓冲管理错。

3. 核心算法拆解：分帧、加窗与重叠相加的代码实现

3.1 STFT 正变换：分帧与加窗

正变换的核心是把一维信号变成二维复数矩阵。实现上有两种写法：一种用循环逐帧处理，直观但慢；一种用索引矩阵一次性取出所有帧，快但吃内存。教学和二次开发场景下，循环版更好读，也方便你在帧循环里插调试输出。

function X = stft_forward(x, win, hop) % x : 输入列向量 % win : 窗函数列向量，长度即帧长 % hop : 帧移（样本数） % X : [帧数 x 频点数] 复数矩阵 winLen = numel(win); nFrames = floor((numel(x) - winLen) / hop) + 1; % 完整帧数 nFreq = floor(winLen / 2) + 1; % 单边频谱点数 X = zeros(nFrames, nFreq); for k = 1:nFrames idx = (k-1)*hop + (1:winLen); % 当前帧样本索引 frame = x(idx) .* win; % 加窗 spec = fft(frame); % 整段 FFT X(k,:) = spec(1:nFreq).'; % 只取单边谱 end end

逐段说明：nFrames用floor而不是ceil，意味着末尾不足一帧的样本被丢弃，这是简化处理；如果你要严格无损还原，得在入口处先补零到整帧边界，ISTFT 后再裁掉。nFreq = winLen/2 + 1是实信号 FFT 的单边谱长度，包含直流和奈奎斯特点，丢掉负频率半边不影响还原（前提是 ISTFT 里正确补回共轭对称）。spec(1:nFreq).'的转置是为了让矩阵按“帧在前、频率在后”排列，和后续处理、绘图的习惯一致。这里只取单边谱会损失相位信息的完整性吗？不会，实信号的负频率分量是正频率的共轭，ISTFT 里重建即可，但前提是你没有在频域对单边谱做破坏共轭对称的操作。

3.2 ISTFT 逆变换：共轭重建与重叠相加

逆变换比正变换多两步：把单边谱补成完整谱，以及重叠相加后做归一化。归一化系数来自窗函数的平方和，这一步算错，输出要么整体偏小，要么帧边界出现周期性起伏。

function y = stft_inverse(Y, win, hop, outLen) % Y : [帧数 x 频点数] 单边复数谱 % win : 与正变换相同的窗 % hop : 与正变换相同的帧移 % outLen : 期望输出长度，用于裁剪补零部分 winLen = numel(win); nFrames = size(Y, 1); nFreq = size(Y, 2); yBuf = zeros((nFrames-1)*hop + winLen, 1); wsum = zeros(size(yBuf)); % 窗平方和累加 for k = 1:nFrames full = [Y(k,:), conj(Y(k,end-1:-1:2))]; % 补共轭对称 frame = real(ifft(full)); % 回到时域 idx = (k-1)*hop + (1:winLen); yBuf(idx) = yBuf(idx) + frame .* win; % 加窗后叠加 wsum(idx) = wsum(idx) + win.^2; % 记录权重 end yBuf = yBuf ./ max(wsum, eps); % 归一化，防除零 y = yBuf(1:outLen); % 裁剪到原长度 end

conj(Y(k,end-1:-1:2))是补共轭对称的关键：单边谱去掉直流和奈奎斯特点后，倒序取共轭拼到尾部，长度正好回到winLen。real(ifft(...))取实部是因为数值误差会留下极小的虚部，不取实部后续播放会报警告。wsum累加窗平方、最后逐点相除，是重叠相加法（overlap-add）的标准归一化，max(wsum, eps)防止信号首尾权重为零时除出 Inf。yBuf(1:outLen)裁掉补零尾巴，保证输出和输入等长，方便直接对比误差。

3.3 频域处理接口：在 X 和 Y 之间插入你的逻辑

这套代码真正的价值不在变换本身，而在于X和Y之间那个可以随便改的处理环节。降噪、带通滤波、谐波增强，都是对Y这个矩阵做逐元素或逐列操作。比如一个最朴素的谱减降噪：估计每帧的噪声底，低于阈值的频点幅度压小、相位保留。

function Y = process_spectrum(X, threshold) % X : STFT 输出复数谱 % threshold : 幅度阈值，低于它的频点被衰减 mag = abs(X); phase = angle(X); mag(mag < threshold) = mag(mag < threshold) * 0.1; % 衰减而非置零 Y = mag .* exp(1i * phase); % 保留相位重建 end

这里刻意用“衰减”而不是“置零”，是因为直接置零会破坏帧间的相位连续性，ISTFT 还原后容易出现金属感的“音乐噪声”。保留相位、只压幅度，是谱减法里血泪经验换来的做法。阈值怎么定？可以先对静音段做一次 STFT，取幅度均值乘个系数，比拍脑袋定一个固定值靠谱得多。

4. 跑起来与调参：从示例脚本到可听结果的验证路径

4.1 最小可运行流程

拿到这套代码，第一步不是急着改算法，而是先让原始链路跑通、听到“未经处理但正确还原”的声音。具体顺序是：准备一段 16 kHz 单声道 wav，确认 MATLAB 版本支持hann(...,'periodic')（R2016b 之后都行），把入口脚本里的文件名改成你的文件，运行，然后对比输入和输出的波形。

% 验证还原正确性的最小脚本 [x, fs] = audioread('input.wav'); x = x(:,1); win = hann(1024, 'periodic'); hop = 256; X = stft_forward(x, win, hop); y = stft_inverse(X, win, hop, numel(x)); err = norm(x - y) / norm(x); % 相对误差 fprintf('相对还原误差: %.2e\n', err); soundsc(y, fs); % 听一下

如果err在 1e-12 量级，说明变换链路数学上是对的；如果到了 1e-2 甚至更大，先别怀疑算法，去查帧移是否整除、窗函数是否两边一致、outLen是否传对。这个误差指标是我每次改完 STFT/ISTFT 代码后必跑的“后悔药”，比肉耳听可靠得多。

4.2 参数怎么调：帧长、帧移、窗型的取舍

帧移一般取帧长的 1/4 到 1/2。取 1/4 时重叠相加的权重曲线最平坦，还原质量最好；取 1/2 时计算量减半，但帧边界附近的归一化权重起伏变大，处理过的信号更容易听出周期性。窗型方面，汉宁窗两端归零，重叠相加天然平滑，是 STFT 的默认选择；汉明窗两端不为零，主瓣更窄，适合需要精确定位频率成分的场合，但重叠相加时要更小心归一化。

4.3 结果怎么看：语谱图与波形双验证

只看波形不够，还要看语谱图。正确的 STFT 结果，语谱图上语音的共振峰应该清晰、随时间连续；如果出现整帧全黑或者横向条纹错位，多半是分帧索引算错或者帧移没对齐。绘图时用imagesc加对数幅度，比线性幅度更容易看出结构。

imagesc(20*log10(abs(X.'))); % 转置后频率在纵轴、时间在横轴 axis xy; colorbar; xlabel('帧序号'); ylabel('频点'); title('STFT 幅度谱（dB）');

X.'的转置是因为我们的矩阵是“帧 x 频点”，而imagesc默认把行当纵轴，转置后时间才落在横轴上。axis xy让纵轴从下往上递增，符合频率轴的直觉。这两行看着琐碎，但少了任何一个，图的方向都是反的，排查问题时会被误导。

5. 避坑与排查：五个真实会翻车的点

5.1 还原波形幅度整体偏小或偏大

现象：ISTFT 输出听感正常，但和原信号比幅度差了一截，或者归一化后个别位置削顶。原因：重叠相加的归一化用了窗函数本身而不是窗平方和，或者正逆变换用了不同窗型的窗。解决：确认wsum累加的是win.^2，且正逆变换传入的是同一个win变量，不要在两处分别调用hann生成。

5.2 帧边界出现周期性咔哒声

现象：处理后的音频每隔固定时间“哒”一下，周期正好等于帧移。原因：频域处理破坏了帧间的相位连续性，或者帧移没有整除帧长导致重叠区域权重不连续。解决：频域操作尽量保留相位、只改幅度；帧移取帧长的整数分之一；必要时在重叠相加后加一个短时平滑。

5.3 末尾样本丢失或输出比输入短

现象：numel(y) < numel(x)，最后几十毫秒被截掉。原因：nFrames用floor计算，末尾不足一帧的样本没进循环。解决：入口处把x补零到(nFrames-1)*hop + winLen长度，ISTFT 后再裁回原长度；或者改用ceil并在分帧时对越界索引做边界处理。

5.4 单边谱处理后再还原出现虚部警告

现象：ifft结果虚部不为零，播放时报“忽略虚部”警告。原因：在单边谱上做了不保持共轭对称的操作，比如只改了正频率的相位。解决：要么在完整双边谱上处理，要么处理完单边谱后确保补共轭那一步用的是处理后的值，最后统一real()。

5.5 麦克风实时路径延迟越来越大

现象：流式处理跑一会儿，输出比输入越来越滞后。原因：每帧处理耗时超过帧移对应的时间，缓冲区持续堆积。解决：减小帧长或帧移、把频域处理改成向量化、或者接受延迟但定期丢弃积压的旧帧。实时场景下，宁可牺牲一点频率分辨率，也不能让缓冲无限增长。

6. 二次开发：把 STFT 模块嵌进自己的处理链

这套代码最值得带走的部分，是stft_forward和stft_inverse这一对函数——它们不依赖任何全局变量，输入输出都是明确的矩阵和向量，天然适合当积木。我一般的改造顺序是：先把这两个函数单独抽成一个文件或一个包，用第 4 章的相对误差脚本验证一遍；再把process_spectrum换成自己的处理逻辑；最后才动入口脚本的 IO 部分。

改造时有几个具体技巧。第一，把帧长、帧移、窗型收进一个结构体参数，避免函数签名越来越长：

params.winLen = 1024; params.hop = 256; params.win = hann(params.winLen, 'periodic'); X = stft_forward(x, params.win, params.hop);

第二，给process_spectrum留一个“旁路”开关，处理前后都能一键对比，调试降噪参数时非常省事。第三，如果要做多通道，别急着改算法层，先在入口处对每个通道独立跑一遍单通道链路，确认无误后再考虑共享窗和帧索引的批量实现。第四，验证方法固定成三步：相对误差小于 1e-10、语谱图结构连续、盲听无咔哒声，三步都过才算改对。

有个教训我印象很深：早期我为了省事，在 ISTFT 里直接用了hann的对称版本，短测试音频听着没问题，换到几分钟的录音后，帧边界累积的能量偏差让整段声音发闷，查了大半天才定位到窗型不一致。从那以后我每次改 STFT/ISTFT，都强制先跑一遍“正变换再逆变换”的误差对比，再谈任何频域处理。希望这套拆解能帮到你，少走我走过的弯路。

本文还有配套的精品资源，点击获取