信号处理 / 系统课时
实现非整数倍采样率转换
实现非整数倍采样率转换
当输入、输出采样率不是整数倍关系时,不能只做一次简单插值或抽取。本节用“先约分,再按整数插值与整数抽取组合”的方法,把 48 kHz 音频转换为 44.1 kHz,并验证样本数与频率是否保持正确。
学习目标
- 根据输入、输出采样率求出最简有理数比例
- 理解插值、低通滤波与抽取在有理数重采样中的职责
- 使用
resample_poly完成转换并验证输出采样率与主频
先把采样率比约成最简整数
设输入采样率为 ,输出采样率为 。有理数重采样的核心关系是:
因此先计算 gcd(f_in, f_out),再得到 、。例如 48 kHz 转 44.1 kHz 时,最大公约数是 300,所以比例不是 44100/48000 原样使用,而是约成 147/160。约分不会改变结果,却能显著降低后续滤波器和运算调度的规模。
插值、滤波和抽取如何配合
处理链可以理解为先插值 倍,再低通滤波,最后抽取 倍。插值会在原样本之间插入零,从而在频谱中产生镜像;抽取又可能把高频成分折叠到基带。因此中间低通滤波器同时承担抗镜像与抗混叠两项任务。

若把滤波器设计在插值后的高采样率上,其理想通带上限不能超过输入与输出奈奎斯特频率中的较小者。实际 FIR 还要为过渡带留出余量,不能把截止频率直接贴在理论边界上。
用 Python 完成 48 kHz 到 44.1 kHz 转换
下面生成 10 ms、1 kHz 的正弦信号,并用 SciPy 的多相重采样函数完成转换。resample_poly 会内部完成插值、FIR 滤波和抽取,不需要真的构造 147 倍长度的零插值序列。
import math
import numpy as np
from scipy.signal import resample_poly
fs_in = 48_000
fs_out = 44_100
duration = 0.01
tone_hz = 1_000
g = math.gcd(fs_in, fs_out)
up = fs_out // g
down = fs_in // g
sample_count = int(fs_in * duration)
t = np.arange(sample_count) / fs_in
x = np.sin(2 * np.pi * tone_hz * t)
# 多相实现避免显式生成大量插零样本。
y = resample_poly(x, up, down)
freqs = np.fft.rfftfreq(len(y), d=1 / fs_out)
peak_hz = freqs[np.argmax(np.abs(np.fft.rfft(y)))]
print(f"ratio = {up}/{down}")
print(f"samples = {len(x)} -> {len(y)}")
print(f"dominant frequency = {peak_hz:.1f} Hz")预期输出
ratio = 147/160
samples = 480 -> 441
dominant frequency = 1000.0 Hz如果本地输出的浮点末位略有差异,以 441 个输出样本和约 1000 Hz 的主频为主要验收条件。前者验证采样率比例,后者验证重采样没有把信号的物理频率按比例拉伸。
选择比例时避免两个常见错误
不要为了“更精确”而保留未约分的巨大整数比例。44100/48000 与 147/160 表示同一个采样率变换,但后者更适合工程实现。也不要只做 ↑L 和 ↓M 而省略滤波,否则插值镜像和抽取混叠会直接进入输出。
当目标采样率可以写成输入采样率乘以一个有理数时,先约分得到最小的 ,再交给多相 FIR 重采样器,是最稳妥的实现路径。