音频频谱图
把音频画成频谱图，看清各个频率的能量随时间是涨是落。横轴时间、纵轴频率、颜色是强弱，还能叠加波形图并导出 PNG。
音频只在这台浏览器里解码和分析，不会上传。能读什么格式取决于浏览器自带的解码器，mp3、wav、m4a、ogg 一般都能读。
视图与参数
默认。两端平滑降到 0，旁瓣衰减快，看谐波和噪底最干净；代价是主瓣变宽，两个挨得很近的频率会糊在一起。
默认。从近黑经紫红到浅黄，亮度单调递增，暗部不会糊成一片，看弱信号清楚。
按窗内峰值归一化能让安静的段落也变得看得清，代价是帧与帧之间的强弱关系被抹掉，想比较不同时间的能量大小就关掉它。当前画布高 360 像素，每一列的峰值都在 0 dB，时间轴分辨率 —。
分析结果
—
主频怎么算的：把每一帧的功率谱按帧平均，取能量最大的那一条谱线，再用它左右相邻两条谱线的 dB 值做抛物线插值细化，所以能比一个 bin 更准。精度上限仍是频率分辨率，也就是采样率除以 FFT 大小。
噪底怎么算的：把所有帧、所有 bin 的 dB 值抽样后从小到大排序，取第 10 百分位，也就是「比它低的一成」。取最小值会被静音格子带偏，取分位数稳一些；它描述的是整段音频里安静格子的水平，不是设备的精确噪声指标。
频谱重心怎么算的：按功率加权求平均频率，即各条谱线的频率乘功率求和，再除以功率之和。这里用线性功率而不是 dB 值，因为 dB 是对数量，直接平均会系统性压低结果；这个数字越大通常表示声音越「亮」。
导出的是画布本身的设备像素，1 倍屏下 720 逻辑像素宽会导出成 720 像素宽，所以 PNG 比屏幕上看到的更大更清楚。
使用说明
频谱图回答的是「什么时候响了什么频率」，波形图只回答「什么时候响得多大声」。画法是把音频切成一段段短帧，每帧做一次傅里叶变换，得到这一刻各个频率的强度，再按时间顺序把这些列拼成一张图：横轴时间、纵轴频率、颜色是强度。所以纵向上一条条水平的亮线是稳定的音（基频和谐波），竖直的亮痕是瞬态（鼓点、拍手、爆音），一片均匀的雾状就是宽带噪声。
这里的傅里叶变换是自己实现的 radix-2 Cooley-Tukey：先把一帧采样按位反转重排，再从长度 2 逐级翻倍做蝶形运算，复杂度是 n 乘 log2(n)。没有引第三方库，代价是几十行可读代码，收益是首屏不用多下载几十 KB。帧与帧之间重叠 75%（帧移取 FFT 大小的四分之一），这样时间轴不会一格一格跳。
加窗和 dB 是两个容易忽略但影响很大的环节。一帧只有几千个采样，直接硬切会在两端造出突变，能量泄漏到整条频率轴上，所以默认用 Hann 窗把两端压到零。幅度谱按窗函数的相干增益归一化，一条打满量程的正弦读出来正好是 0 dBFS，换窗函数整张图也不会整体变亮或变暗。至于颜色，「按窗内峰值归一化」会把每一列各自拉到 0 dB，安静段落看得清、但帧间强弱关系被抹掉，需要比较不同时刻能量大小时要关掉它。
三个数字都在同一份「按帧平均」的功率谱上算出来，口径统一。主频是能量最高的那条谱线，配合相邻谱线的 dB 值做抛物线插值，精度上限仍是频率分辨率；噪底是所有格子 dB 值的第 10 百分位，代表安静格子的水平；频谱重心是按功率加权的平均频率，用线性功率而不是 dB 值，因为 dB 是对数量、直接平均会把结果压偏。注意这些都是整段音频的汇总，脉冲性的声响会被平均掉，看瞬时成分还得靠图。
长音频的两个天花板是内存和时间：解码后整段音频以 32 位浮点驻留内存，分帧计算量随时长线性上涨，所以帧数有一个上限，超长音频会自动降低时间分辨率（每一列代表更长的时间）。真想看清细节，先用音频剪切把它剪成十几秒再进来；要把几段拼起来看整体走向用音频裁剪拼接；从视频里取音轨用视频提取音频；要测录音设备的底噪水平，用麦克风测试更直接。
常见问题
频谱图和波形图有什么区别？
波形图只画一件事：振幅随时间怎么变，一维信息，看不出声音里有哪些成分。频谱图是时间 × 频率 × 能量三样一起画：横轴时间、纵轴频率、颜色深浅表示该频率在该时刻的强弱，基频、谐波、噪声、齿音、削顶都能摊开看见。两者叠加显示时，频谱图在上、波形图在下，共用一条时间轴，方便对着某个瞬间看它的频率构成。
FFT 大小该怎么选？
FFT 大小决定频率分辨率：分辨率等于采样率除以 FFT 大小，默认 2048 点在 44100 Hz 下每个 bin 是 21.53 Hz，能分辨的最小间隔大致就是这个量级。FFT 越大频率分得越细，但每一帧覆盖的时间越长，时间轴会变糊：512 适合看短促的打击声，4096 适合看稳定的低频音高。两边的取舍没法同时满足，先想清楚要看的是时间还是频率。
窗函数有什么区别，该选哪个？
加窗是为了对付截断：一帧只有几百到几千个采样，两端被硬切会产生突变，能量会泄漏到整条频率轴上。Hann 窗两端平滑降到零，泄漏最小、噪底最干净，是默认选择；Hamming 窗主瓣更窄、频率定位略准，但旁瓣拖尾更长，强信号旁边会出现几道鬼影；矩形等于不加窗，只在观察单个精确落点的正弦时有意义。
动态范围的上下限怎么设？
上限是颜色映射的白点，默认 0 dBFS，也就是数字音频能表达的最大值；下限是黑点，默认 -90 dB，更弱的格子直接涂成背景色。下限调到 -120 能看到更弱的分量，代价是背景整体变亮、对比度下降；调到 -60 只留最响的部分，看语音基频更清爽。调完不用重算，颜色是渲染时按当前范围映射的。
纵轴为什么默认用对数刻度？
因为人耳对频率的感知接近对数：100 Hz 到 200 Hz 听起来是一个八度，10 kHz 到 10.2 kHz 几乎听不出区别，但两者在线性刻度上占据的宽度差了近百倍。对数刻度把每个八度摊成等宽，低频细节才看得见；线性刻度适合看谐波这种等间距的规律，或者只想关注 0 到 5 kHz 这一段。
给出的主频准不准？
它是一段音频里能量最大的那一个频率，不表示整段都是这个音。图上的位置受 bin 宽度限制：2048 点 FFT 在 44100 Hz 下每个 bin 是 21.53 Hz，真实频率落在两条谱线之间时最多差半个 bin；这里另外用相邻谱线的 dB 值做了抛物线插值，能把误差压到几分之一 bin。要看整段的音高变化，把 FFT 调大，或者先用音频裁剪截一小段再分析更稳。
噪底那个数字为什么会变？
它是所有帧、所有 bin 的 dB 值抽样后从小到大排序的第 10 百分位，代表大量安静格子的水平。句子之间的静音、被窗函数压到接近零的帧边界都会拉低它；整段都很响、没有静音段时它又会明显偏高。它适合快速判断这段录音本底干不干净，不适合当作设备的精确噪声指标；要测设备底噪得用麦克风测试那一类的工具。
30 分钟以上的录音要算多久？
分帧的计算量约等于 帧数 × FFT 大小 × log2(FFT 大小)。为了让长音频不至卡死，帧数有上限（3000 帧），超过时自动加大帧移、降低时间分辨率，也就是每一列代表更长的一段时间，界面上会实时显示已处理多少帧。想看清细节，先用音频裁剪剪出十几秒一段再分析，比在这张图上放大有效得多。