Constant Q Transform (CQT) —— 视觉化深度解读

背景

在音频处理和音乐信息检索（MIR）领域，如何准确地将声音信号转化为计算机可理解的频率表示是一个核心挑战。传统的傅里叶变换（FFT）虽然强大，但其线性频率分辨率与人类对音高的感知方式存在本质错位。

Constant Q Transform（常数 Q 变换，简称 CQT）正是为了解决这一矛盾而生的频率变换方法。它的核心理念是模拟人耳对音乐音高的感知方式：采用对数分辨率，使得频率 bins（频带）的宽度与中心频率之比保持恒定。这种变换方式不仅匹配了音乐音高的结构，还完美契合了西方十二平均律的音阶体系。

本文基于 Hacker News 上关于 CQT 的视觉化指南，深入解析其原理、计算方式以及在现代 AI 音乐处理中的应用。

核心内容

1. 什么是“常数 Q”？

“Constant Q”指的是每个频率 bin 的中心频率与其带宽之比（即 Q 因子）是恒定的。

• Q 因子的定义：$Q = f_k / \Delta f_k$，其中 $f_k$ 是中心频率，$\Delta f_k$ 是带宽。
• 物理意义：
  • 低频部分：使用较宽的分析窗口，提供高精度的频率分辨率（能更准确地区分相近的低音）。
  • 高频部分：使用较窄的分析窗口，提供高精度的时间分辨率（能更准确地捕捉快速变化的细节）。

这与标准 FFT 形成鲜明对比。在 FFT 中，Q 因子是变化的：低频 bin 很窄（高 Q），高频 bin 很宽（低 Q）。而在 CQT 中，所有 bin 的 Q 值相同，这使得音乐音符在 CQT 频谱图中看起来是等间距的。

2. 线性 vs. 对数：为什么 FFT 不适合音乐分析？

音乐音高在感知上是对数分布的，而 FFT 的频率轴是线性分布的。

• FFT 的局限：FFT 的 bin 间距是固定的（$\Delta f = f_s/N$，单位为 Hz）。在频谱图中，低频音符（如 C3, E4, G5）会被挤压在极小的频率区域内，导致低频细节模糊（smearing）。
• CQT 的优势：CQT 的频率轴是对数的，八度音程在轴上是等距的。
  • 例如，从 C3 到 C4 的感知音程间隔，与从 C5 到 C6 的间隔是相同的，尽管后者覆盖的 Hz 范围是前者的四倍。
  • CQT 通过对数间隔放置 bins（通常每八度放置 12、24、36 或更多 bins），使得每个音符在频谱图中占据与其感知重要性成比例的视觉权重。

直观对比： 假设一个信号包含 C3 (130.8 Hz)、E4 (329.6 Hz) 和 G5 (784 Hz) 三个音符：

• FFT 频谱图：低频音符挤在一起，难以分辨。
• CQT 频谱图：每个音符占据相等的视觉宽度，清晰可辨。

3. CQT 的数学基础与计算

CQT 的核心在于其频率 bin 的间距与频率成正比：$\Delta f_k = f_k \cdot (2^{1/B} - 1)$，其中 $B$ 是每八度的 bins 数量。

• 频率公式：$f_k = f_{min} \cdot 2^{k/B}$，其中 $k = 0, 1, \dots, K-1$。
• 每八度 bins (B)：
  • $B=12$：每个 bin 对应一个半音（semitone）。
  • $B=24$：提供四分之一音（quarter-tone）分辨率。
  • $B=36$：提供八分之一音分辨率。
  • 注：B 值越高，音高辨别力越细，但低频处的分析窗口越长，计算量越大。

分析窗口长度： 每个 CQT bin 使用不同长度的分析窗口。窗口长度 $N_k$ 由下式决定： $$N_k = \lceil Q \cdot f_s / f_k \rceil$$ 其中 $Q = 1 / (2^{1/B} - 1)$。

关键洞察：无论频率如何，每个窗口包含的振荡周期数是相同的。这就是“常数 Q”的根源——低频用长窗口（更多周期），高频用短窗口（更少周期），从而保持相对带宽恒定。

4. 算法实现：从朴素到高效

朴素 CQT 的缺陷： 直接计算每个 bin 的卷积复杂度为 $O(KN)$，每帧计算量巨大，效率低下。

高效 CQT (Brown & Puckette, 1992)： 利用 FFT 作为骨干网络，通过预计算频谱核（spectral kernels）来加速：

1. 预计算频谱核 $\hat{K}_k$（通过 FFT）。
2. 对信号片段 $X$ 进行 FFT 得到 $\hat{X}$。
3. CQT 系数即为 $\hat{X} \cdot \hat{K}_k^*$（稀疏矩阵-向量乘法）。

这种方法将变换转化为稀疏矩阵运算，速度通常比朴素方法快 10-100 倍。

5. 从 CQT 到 Chromagram（音高类图）

将 CQT 的对数频率 bins 折叠到一个八度内，可以得到 Chromagram（音高类图）。

• 构建方法：如果 CQT 有 $B=36$ 个 bins/八度，跨越 5 个八度（共 180 个 bins），Chromagram 会将每 3 个 bin 求和，映射到 12 个音高类（C, C#, D... B）。
• 八度不变性 (Octave Invariance)：Chromagram 将 C3、C4、C5 视为相同的音高类 "C"。
• 优势：这种表示法对音区变化具有鲁棒性，使算法能够专注于和声身份而非绝对音高，非常适合和弦识别和调性检测。

关键要点

• 感知对齐：CQT 的对数频率分辨率完美匹配人类对音乐音高的感知和西方十二平均律结构。
• 恒定 Q 因子：$Q = f/\Delta f$ 为常数，意味着低频高频率分辨率，高频高时间分辨率，这是 FFT 无法做到的。
• 解决低频拥挤：相比 FFT 将低频音符挤压在狭窄区域，CQT 让每个音符在频谱图中获得与其感知权重相称的空间。
• 计算优化：虽然朴素 CQT 计算昂贵，但通过预计算频谱核并利用 FFT 进行稀疏矩阵乘法，可以实现 10-100 倍的加速。
• Chromagram 衍生：通过对 CQT 结果进行八度折叠，可生成 12 维的 Chromagram，实现八度不变性，是和弦识别和调性检测的理想特征。
• 窗口长度动态变化：CQT 中每个 bin 的分析窗口长度不同（$N_k \propto 1/f_k$），以确保每个窗口包含相同数量的振荡周期。

意义与影响

CQT 已成为现代音乐信息检索（MIR）、音频合成和智能音频处理的基石技术。其在 AI 领域的应用尤为广泛：

1. 音高追踪与自动转录：用于旋律提取、调音器应用和自动乐谱生成。
2. 和弦识别：通过 CQT 生成 Chromagram 进行实时和弦检测。
3. 音频合成：在相位声码器（Phase Vocoder）中提供感知均匀的频率分辨率。