Analisador de espectro de áudio de alta resolução em tempo real

Um analisador de espectro FFT tem dois eixos de frequência independentes, mais um terceiro eixo no tempo. É fácil confundi-los, e eles fazem coisas diferentes.

A resolução de frequência (largura de bin) é a finura com que o analisador consegue distinguir duas frequências próximas. Ela é igual à taxa de amostragem dividida pelo tamanho da FFT. É neste eixo que o número de bins faz diferença: mais bins com a mesma taxa de amostragem significam um bin mais estreito, que separa parciais que de outra forma se fundiriam em um único pico. O número de bins sozinho não é a resolução. A resolução sempre depende também da taxa de amostragem.

A faixa de frequência (frequência máxima mensurável) é a frequência mais alta que o analisador consegue mostrar. É o limite de Nyquist, metade da taxa de amostragem. Só a taxa de amostragem a controla, e o número de bins não tem nada a ver com ela. Na prática, essa faixa é limitada novamente pelo microfone, que costuma ser o limite real (veja abaixo).

A resolução de tempo é o terceiro eixo: com que frequência o espectro é atualizado e qual a duração da janela de análise que a FFT examina. Resolução de frequência e resolução de tempo se compensam mutuamente (bins mais estreitos exigem uma janela de tempo mais longa), por isso o VoceVista oferece as duas como controles independentes, para que você escolha o equilíbrio adequado à tarefa.

Em resumo: o número de bins mais a taxa de amostragem definem a resolução, a taxa de amostragem sozinha define a faixa, e a janela de análise define como essa resolução é distribuída em relação ao tempo. No máximo da edição Pro, cerca de um milhão de bins, estes são os valores de resolução e faixa nas taxas de amostragem comuns:

Mantendo a taxa de amostragem constante em 44,1 kHz (a taxa comum para análise vocal e áudio com qualidade de CD), esta é a largura de bin em cada tamanho de FFT disponível. Tamanhos de até 8.192 pts (8 kpts, 2¹³) estão disponíveis em todas as edições, enquanto os tamanhos de 16.384 pts (16 kpts, 2¹⁴) até 1.048.576 pts (1 Mpts, 2²⁰) exigem a edição Pro.

Uma observação sobre a faixa. O microfone, e não o analisador, define o limite superior no mundo real. Microfones comuns atenuam a partir de cerca de 20 kHz, o que é bem coberto por uma taxa de amostragem de 44,1 ou 48 kHz. Microfones de medição profissionais chegam a cerca de 30 ou 50 kHz. Além disso, é preciso instrumentação de laboratório ou transdutores ultrassônicos. Assim, embora o software rode tranquilamente a 192 kHz com a interface de áudio certa, o limite que você normalmente atinge primeiro é o do microfone. Para sugestões concretas em todas as faixas de preço, veja nossas recomendações de microfones.

Uma observação sobre a resolução. Para comparação, a configuração padrão para a análise do canto é 8.192 pts (8 kpts, 2¹³) a 44,1 kHz, que também é o máximo no VoceVista Basic e no VoceVista Video. Isso dá cerca de 5,4 Hz por bin, mais do que suficiente para a pedagogia vocal, em que os harmônicos estão espaçados por 100 Hz ou mais, mas não o bastante para separar os parciais inarmônicos muito próximos de tigelas e gongos no registro grave. Com a mesma taxa de amostragem, os 1.048.576 pts (1 Mpts, 2²⁰) da edição Pro dão cerca de 0,042 Hz por bin: uma resolução 128 vezes mais fina.

A faixa dinâmica, ou seja, a diferença entre os sinais mais fortes e os mais fracos que o analisador consegue distinguir, tem vários aspectos que se somam ao longo da cadeia de áudio. O VoceVista grava internamente em ponto flutuante de até 32 bits, o que é amplo o suficiente para que a própria etapa de gravação não imponha nenhum limite prático, e arquivos FLAC importados são suportados em 24 bits e 32 bits (nominalmente 144 dB e mais). Do lado da análise, a própria FFT tem na prática uma faixa dinâmica utilizável de cerca de 100 dB, definida pela atenuação dos lóbulos laterais da função de janela. As 12 janelas selecionáveis listadas na tabela de especificações equilibram essa faixa dinâmica com a largura do lóbulo principal. Em sinais ao vivo, o limite costuma ser atingido bem antes de tudo isso: uma boa interface de áudio oferece de 100 a 120 dB de faixa dinâmica, e o microfone mais o ruído da sala normalmente consomem outros 20 dB. Assim, a faixa dinâmica total que você vê é o mínimo dessas etapas, e na prática é o hardware que define o teto, não o analisador.