音频开发 / 系统课时
用数字滤波器处理目标频段
用数字滤波器处理目标频段
数字滤波器解决的是“哪些频率应该保留,哪些频率应该衰减”。低通、高通和带通并不是把频谱一刀切开,而是在截止频率附近按有限斜率过渡。本节用同一组混合信号验证三类 FIR 的频率选择作用,并说明去直流、降噪和预处理时如何选型。
学习目标
- 能根据目标频段在低通、高通和带通之间做出选择。
- 能读懂截止频率、过渡带、衰减与滤波器阶数之间的关系。
- 能用简单实验验证目标频率是被保留还是被压制,并评估延迟代价。
先从要保留的频率开始选型
滤波器名称描述的是允许通过的频段。低通保留低频并抑制高频,适合削弱高频噪声;高通保留高频并压低低频,常用于去直流和低频漂移;带通只保留上下截止频率之间的区域,适合从宽带输入中提取某个业务频段。
| 类型 | 主要保留 | 常见用途 |
|---|---|---|
| 低通 | 截止频率以下 | 抗混叠、平滑、高频降噪 |
| 高通 | 截止频率以上 | 去直流、去低频漂移 |
| 带通 | 两个截止频率之间 | 语音预处理、窄带检测 |

截止频率不是一堵墙
实际数字滤波器都有过渡带。为了让阻带更陡,FIR 往往需要更多抽头;抽头越多,计算量越大,线性相位 FIR 的群延迟也越长。长度为 N 的对称 FIR,固定延迟约为 (N - 1) / 2 个样本。
例如 401 抽头、48 kHz 的线性相位 FIR,大约引入 200 个样本,也就是约 4.17 ms 的滤波延迟。离线处理通常能接受更长滤波器;实时通话、乐器监听等低延迟场景则需要在频率选择性与延迟之间取舍,必要时改用较低阶 IIR。
用三种 FIR 验证频段选择
下面生成包含 100 Hz、1 kHz、8 kHz 的混合信号,再构造 2.5 kHz 低通、500 Hz 高通和 500 Hz~2.5 kHz 带通。代码通过频率投影比较滤波前后幅度,并把大于 -3 dB 记为“保留”、小于 -10 dB 记为“衰减”。
import math
def lowpass_coeffs(cutoff_hz, fs, taps=401):
fc = cutoff_hz / fs
mid = (taps - 1) / 2
coeffs = []
for n in range(taps):
k = n - mid
sinc = 2 * fc if k == 0 else math.sin(2 * math.pi * fc * k) / (math.pi * k)
window = 0.54 - 0.46 * math.cos(2 * math.pi * n / (taps - 1))
coeffs.append(sinc * window)
scale = sum(coeffs)
return [c / scale for c in coeffs]
def apply_fir(samples, coeffs):
output = []
for i in range(len(samples)):
acc = 0.0
for tap, c in enumerate(coeffs):
j = i - tap
if j >= 0:
acc += c * samples[j]
output.append(acc)
return output
def tone_strength(samples, fs, freq):
re = 0.0
im = 0.0
for i, value in enumerate(samples):
angle = 2 * math.pi * freq * i / fs
re += value * math.cos(angle)
im -= value * math.sin(angle)
return math.hypot(re, im)
def label_gain(before, after):
gain_db = 20 * math.log10(max(after / before, 1e-12))
if gain_db > -3:
return "保留"
if gain_db < -10:
return "衰减"
return "过渡"
fs = 48_000
taps = 401
count = int(fs * 0.10)
tones = [100, 1_000, 8_000]
signal = [
sum(math.sin(2 * math.pi * f * i / fs) for f in tones)
for i in range(count)
]
lp_2500 = lowpass_coeffs(2_500, fs, taps)
lp_500 = lowpass_coeffs(500, fs, taps)
center = (taps - 1) // 2
hp_500 = [-c for c in lp_500]
hp_500[center] += 1.0
bp_500_2500 = [hi - lo for hi, lo in zip(lp_2500, lp_500)]
filters = {
"低通 2500 Hz": lp_2500,
"高通 500 Hz": hp_500,
"带通 500-2500 Hz": bp_500_2500,
}
reference = signal[taps:]
for name, coeffs in filters.items():
filtered = apply_fir(signal, coeffs)[taps:]
labels = []
for freq in tones:
before = tone_strength(reference, fs, freq)
after = tone_strength(filtered, fs, freq)
labels.append(f"{freq}Hz={label_gain(before, after)}")
print(f"{name}: " + ", ".join(labels))预期输出:
低通 2500 Hz: 100Hz=保留, 1000Hz=保留, 8000Hz=衰减
高通 500 Hz: 100Hz=衰减, 1000Hz=保留, 8000Hz=保留
带通 500-2500 Hz: 100Hz=衰减, 1000Hz=保留, 8000Hz=衰减这个实验验证的不是某个库的 API,而是滤波器最核心的行为:改变不同频段的增益。实际项目中可以把同样的验收方法换成 FFT、扫频信号或测试音频,只要能比较通带与阻带的幅度变化即可。
把滤波放到正确的问题上
去直流时,目标通常只是压掉接近 0 Hz 的分量,高通截止频率应尽量低,避免顺带削弱有用低频;做高频降噪时,低通截止频率要放在业务有效带宽之外;只关注一段窄频率时,再考虑带通,而不是连续串很多“凭感觉”的滤波器。
滤波器是否合格最终要同时看三件事:目标频段有没有被保留,非目标频段是否达到需要的衰减,以及增加的延迟和振铃能否被实时链路接受。频率选择正确但延迟超预算,仍然不是可用的实时处理方案。