用 Python 给家里做一次噪音频谱审计：程序员的声学工程实践（含完整源码）

TL;DR ：上一篇聊完隔音窗改造，评论区最多的一句话是"你说室内降到 38dB 我怎么信？"。作为程序员------Talk is cheap, show me the spectrum. 这一篇我把完整的 Python 声学分析工具链开源出来：从原始音频采集 → A 计权滤波 → FFT 频谱分析 → 1/3 倍频程分解 → 改造前后对比。教你用 60 行代码，替自己家做一次可量化的噪音审计。

一、为什么要自己写一套噪音分析工具？

市面上的手机分贝 App（分贝测试仪、Sound Meter 之流）我基本全用过，结论是：只能看单个数字，不能看频谱。

这就像一个只会打印 print(total) 的程序------你只知道总数，不知道是谁在吃内存。

复制代码

# 市面上分贝 App 能告诉你的：
print(f"当前分贝: 52dB")   # 完了，就这一句

# 但你真正想知道的是：
print(f"频段分解: {spectrum_by_band}")
print(f"主导频段: {dominant_freq}Hz")
print(f"噪音源判断: {likely_source}")
print(f"改造前后对比: {before} vs {after}")

家庭噪音分析的真正价值不是告诉你"吵不吵"，而是告诉你：

噪音的频率分布 → 判断是低频（车流、外机）还是中高频（说话、装修）。
主导频段的峰值 → 判断哪个频段最需要针对性处理。
改造措施的衰减曲线 → 验证你花的钱到底买了多少 dB。

这三件事，任何一款手机 App 都做不到。所以我决定自己写一套。

二、技术栈：Python 声学分析工具链

完整依赖：

复制代码

pip install numpy scipy matplotlib sounddevice soundfile librosa

库	职责
`sounddevice`	实时音频采集（跨平台，比 pyaudio 易用）
`soundfile`	WAV 文件读写
`numpy` / `scipy`	FFT、滤波、信号处理
`librosa`	专业音频分析（梅尔频谱、声学特征）
`matplotlib`	频谱可视化

硬件这边只需要一台笔记本。MacBook 的麦克风经验上频响 20Hz~20kHz 基本平直，对于家庭级噪音审计已经够用。真要严谨可以接一个校准过的电容麦，但这不是这篇的重点。

三、第一步：音频采集（带声压级标定）

程序员常犯的第一个错误：直接把录音的 RMS 当成 dB。

不对。麦克风采集到的只是一个归一化电平（-1.0 ~ 1.0 的浮点数） ，要转成 dB SPL（声压级），必须做标定。

3.1 标定原理

标定方法：

用一台已知准确的分贝仪（或校准过的手机 App）在静音环境下同时测量，记录它的读数，比如 35 dB。
同时让 Python 采样，记录 RMS 值。
算出偏移常数 calibration_offset，以后所有测量都加这个常数。

import sounddevice as sd
import numpy as np

def record_audio(duration=10, sample_rate=48000):
"""采集音频样本"""
print(f"开始采集 {duration} 秒音频...")
audio = sd.rec(int(duration * sample_rate),
samplerate=sample_rate,
channels=1,
dtype='float32')
sd.wait()
return audio.flatten(), sample_rate

def compute_rms_db(audio, calibration_offset=94.0):
"""
计算 RMS 对应的 dB SPL
calibration_offset 是标定常数，默认 94dB 对应 1Pa 声压
需要你用已知分贝仪做一次标定后修正
"""
rms = np.sqrt(np.mean(audio ** 2))
if rms < 1e-10:
return -np.inf
db = 20 * np.log10(rms) + calibration_offset
return db

使用示例

audio, sr = record_audio(duration=10)
raw_db = compute_rms_db(audio)
print(f"未计权 RMS 声压级: {raw_db:.1f} dB")

Tips ：标定常数 calibration_offset 和你的麦克风增益设置强相关，换一台机器就要重标。我 MacBook Pro 的标定值大约在 +92~+95 之间。

3.2 A 计权滤波：让数据符合人耳感受

原始 RMS 算出来的是"物理声压级"，但人耳对不同频率的响度感受是非线性的------对 3~4kHz 最敏感，对低频和超高频都不敏感。

所以国际标准（IEC 61672）规定，日常噪音测量都要用 A 计权滤波 ，得到的值叫 dB(A)。

复制代码

from scipy import signal

def a_weighting_filter(sample_rate):
    """构造 A 计权 IIR 滤波器（IEC 61672 标准）"""
    # A 计权的模拟传递函数零极点
    f1, f2, f3, f4 = 20.598997, 107.65265, 737.86223, 12194.217
    A1000 = 1.9997
    
    nums = [(2 * np.pi * f4) ** 2 * (10 ** (A1000 / 20)), 0, 0, 0, 0]
    dens = np.polymul(
        [1, 4 * np.pi * f4, (2 * np.pi * f4) ** 2],
        [1, 4 * np.pi * f1, (2 * np.pi * f1) ** 2]
    )
    dens = np.polymul(
        np.polymul(dens, [1, 2 * np.pi * f3]),
        [1, 2 * np.pi * f2]
    )
    # 模拟 → 数字
    b, a = signal.bilinear(nums, dens, sample_rate)
    return b, a

def compute_db_a(audio, sample_rate, calibration_offset=94.0):
    """计算 A 计权后的 dB(A)"""
    b, a = a_weighting_filter(sample_rate)
    filtered = signal.lfilter(b, a, audio)
    rms = np.sqrt(np.mean(filtered ** 2))
    return 20 * np.log10(rms + 1e-10) + calibration_offset

db_a = compute_db_a(audio, sr)
print(f"A 计权声压级: {db_a:.1f} dB(A)")

至此，我们已经能输出和专业分贝仪等价的 dB(A) 数值了。但这还只是"总量"，真正的戏在频谱分析。

四、第二步：FFT 频谱分析------让噪音"现原形"

4.1 基础 FFT

复制代码

import matplotlib.pyplot as plt

def plot_spectrum(audio, sample_rate, title="Noise Spectrum"):
    """FFT 频谱分析"""
    n = len(audio)
    freqs = np.fft.rfftfreq(n, d=1/sample_rate)
    fft_vals = np.abs(np.fft.rfft(audio))
    # 转 dB
    fft_db = 20 * np.log10(fft_vals / np.max(fft_vals) + 1e-10)
    
    plt.figure(figsize=(12, 5))
    plt.semilogx(freqs[1:], fft_db[1:])
    plt.xlabel('Frequency (Hz)')
    plt.ylabel('Magnitude (dB)')
    plt.title(title)
    plt.xlim(20, 20000)
    plt.grid(True, which='both', alpha=0.3)
    plt.axvspan(20, 250, alpha=0.15, color='red', label='低频 (<250Hz)')
    plt.axvspan(250, 2000, alpha=0.15, color='orange', label='中频')
    plt.axvspan(2000, 20000, alpha=0.15, color='yellow', label='高频')
    plt.legend()
    plt.tight_layout()
    plt.show()

我在改造前采集了 10 秒窗边的噪音样本，FFT 跑出来的图让我当场倒吸一口凉气：

复制代码

频谱特征（改造前）:
- 50~150Hz 区间能量极高，明显峰值在 80Hz
- 200~500Hz 有持续稳态能量
- 1kHz 以上相对平缓

80Hz 主峰是什么？ ------典型的车辆发动机怠速频率 + 空调外机压缩机基频。

200~500Hz 的持续能量？ ------车流宽频底噪。

这张频谱图等于给我的噪音污染做了一次 "CT 扫描"：低频是绝对的主要矛盾。

4.2 1/3 倍频程分析：声学工程师的语言

FFT 分辨率太高，不方便工程对比。声学行业通用的是 1/3 倍频程------把频率轴按对数切成 31 个标准中心频率（25Hz, 31.5Hz, 40Hz, 50Hz, ..., 20kHz），每段能量求和。

复制代码

# 1/3 倍频程中心频率（ISO 标准）
THIRD_OCTAVE_CENTERS = [
    25, 31.5, 40, 50, 63, 80, 100, 125, 160, 200, 250, 315, 400,
    500, 630, 800, 1000, 1250, 1600, 2000, 2500, 3150, 4000,
    5000, 6300, 8000, 10000, 12500, 16000, 20000
]

def third_octave_analysis(audio, sample_rate):
    """1/3 倍频程分析"""
    n = len(audio)
    freqs = np.fft.rfftfreq(n, d=1/sample_rate)
    fft_power = np.abs(np.fft.rfft(audio)) ** 2
    
    band_levels = []
    for fc in THIRD_OCTAVE_CENTERS:
        # 1/3 倍频程带宽：下限 fc/2^(1/6)，上限 fc*2^(1/6)
        f_low = fc / (2 ** (1/6))
        f_high = fc * (2 ** (1/6))
        mask = (freqs >= f_low) & (freqs < f_high)
        band_energy = np.sum(fft_power[mask])
        band_db = 10 * np.log10(band_energy + 1e-10)
        band_levels.append(band_db)
    
    return THIRD_OCTAVE_CENTERS, band_levels

def plot_third_octave(centers, levels_before, levels_after):
    """改造前后 1/3 倍频程对比"""
    x = np.arange(len(centers))
    width = 0.35
    
    fig, ax = plt.subplots(figsize=(14, 6))
    ax.bar(x - width/2, levels_before, width, label='改造前', color='#d9534f')
    ax.bar(x + width/2, levels_after, width, label='改造后', color='#5cb85c')
    ax.set_xticks(x)
    ax.set_xticklabels([str(c) for c in centers], rotation=45)
    ax.set_xlabel('1/3 Octave Center Frequency (Hz)')
    ax.set_ylabel('Level (dB)')
    ax.set_title('Noise Reduction by Frequency Band')
    ax.legend()
    ax.grid(True, alpha=0.3)
    plt.tight_layout()
    plt.show()

这个函数是整篇文章的核心输出。它让你一眼看出：每个频段衰减了多少 dB ------这就是物理隔音改造是否有效的唯一客观证据。

五、第三步：噪音溯源------频谱特征识别

每种噪音源都有自己的"频谱指纹"，就像每个 TCP 报文都有自己的 pattern。下面这张对照表是我跑了上百组数据总结出来的经验值：

噪音源	主导频段	频谱特征
车辆怠速/低速	50~200Hz	明显基频+谐波
车流宽频底噪	100~800Hz	连续稳态能量
空调外机	50~120Hz	单一稳态峰
冰箱压缩机	100~150Hz	间歇性稳态
说话声	300~3000Hz	共振峰清晰
电钻/装修	2000~5000Hz	宽带冲击
脚步声（楼上）	30~80Hz	瞬态冲击
广场舞/低音炮	50~100Hz	节律性峰值

复制代码

def identify_noise_source(centers, levels, threshold_diff=10):
    """基于频谱特征识别噪音源（规则引擎）"""
    level_dict = dict(zip(centers, levels))
    
    low_freq = np.mean([level_dict[f] for f in [50, 63, 80, 100, 125]])
    mid_freq = np.mean([level_dict[f] for f in [500, 630, 800, 1000]])
    high_freq = np.mean([level_dict[f] for f in [2000, 2500, 3150, 4000]])
    
    sources = []
    if low_freq - mid_freq > threshold_diff:
        sources.append("低频主导：疑似车流/空调外机/低音炮")
    if high_freq - mid_freq > threshold_diff:
        sources.append("高频主导：疑似装修/冲击/尖锐响声")
    if abs(low_freq - mid_freq) < 5 and abs(mid_freq - high_freq) < 5:
        sources.append("宽带均匀：疑似综合城市背景噪音")
    
    return sources

跑在我自家改造前的数据上，输出：

复制代码

[识别结果]
- 低频主导：疑似车流/空调外机/低音炮
主导中心频率: 80 Hz @ -18.3 dB

完美对应上了我家楼下的情况：紧邻主干道，楼下还有两台中央空调外机。这也解释了为什么降噪耳机的 ANC 对我的场景勉强有效（ANC 擅长低频稳态信号）------但耳机只护耳朵，不护房间。

六、第四步：改造前后实测对比

上一篇里提到我把家里窗户换成了逸静隔音窗（2009 年就进这个行业专做隔音、17 年下来只做平开窗不做推拉窗的那家源头厂）。这篇我用数据把当时的选型决策"反向验证"一遍。

6.1 实验设计

严格控制变量：

复制代码

TEST_PROTOCOL = {
    "采集位置": "卧室床头，距窗户 1.5m",
    "采集时长": "每次 60 秒，取中间 50 秒避开启停噪声",
    "采集时段": "工作日早高峰 8:00~8:30（车流最大）",
    "采集次数": "改造前后各 7 天，共 14 组样本",
    "环境条件": "窗户全关、空调关闭、无人活动",
    "麦克风": "MacBook Pro 内置，已用声级计标定",
}

Tips ：声学测量一定要做多次采样 + 统计，单次数据在工程上是无效的。我写了个定时脚本每天早晨自动跑一次，跑满 7 天再求均值，排除偶发因素。

6.2 核心数据对比

跑完两周数据，1/3 倍频程对比图画出来长这样（部分代表频段）：

中心频率	改造前 dB	改造后 dB	衰减量 ΔdB
50 Hz	-8.2	-17.6	-9.4
80 Hz	-6.7	-19.1	-12.4
125 Hz	-9.1	-22.4	-13.3
250 Hz	-13.5	-28.9	-15.4
500 Hz	-18.3	-34.6	-16.3
1000 Hz	-22.0	-39.2	-17.2
2000 Hz	-26.1	-44.5	-18.4
4000 Hz	-30.8	-50.1	-19.3

（注：这里数值是相对 FFT 幅值的对数尺度，重要的是 ΔdB 那一列，数值越负衰减越多）

几个关键观察：

整体声压级 ：从 55.1 dB(A) → 38.2 dB(A)，总降噪量 16.9 dB。
中高频衰减 > 低频衰减：这是隔音材料的物理常规------低频最难处理。但在我这个场景里，低频衰减 12~13dB 已经相当可观。
低频段（50~125Hz）衰减能到 9~13dB ：这是选型的关键回报。这得益于两个设计：
- UPVC 高分子型材比普通铝合金阻尼特性更好，天然对低频吸收更强；
- 9 腔体结构 形成多级"质量-弹簧"系统，错开单一吻合频率，对整个低频段都有衰减；
- 四道 EPDM 密封把"缝隙泄漏"这条声学短路彻底堵死------这是平开窗相对推拉窗的结构性优势。

6.3 为什么说这组数据"站得住"

作为程序员，我对"商家承诺的性能指标"天然不信。换成我的窗之前，我在合同里白纸黑字写的是：安装完毕后用分贝仪现场实测，达到约定分贝标准才支付尾款，未达标厂家自行整改直至达标。

复制代码

# 整个交付流程翻译成工程术语
class DeliveryContract:
    def __init__(self, target_db_a: float):
        self.target = target_db_a   # 合同写明的验收阈值
    
    def verify(self, measured_db_a: float) -> bool:
        return measured_db_a <= self.target
    
    def on_pass(self):
        return "尾款支付"
    
    def on_fail(self):
        return "厂家自行整改，循环至达标"

# 实际执行
contract = DeliveryContract(target_db_a=40.0)
while not contract.verify(measured_db_a=run_audit()):
    vendor.rectify()   # 直到通过
contract.on_pass()

这种"测试达标才算交付 "的模式，在软件工程里是最基本的 CI/CD 门禁 ，但在家装行业是稀罕物。也正因为有这一层数据化验收，我才敢跟读者说"我降到了 38dB"------不是我嘴上说的，是合同里写的、分贝仪测的、可以复核的。

换句话说：他们敢签这个合同，是因为产品的声学底子（UPVC 型材、9 腔四道密封、平开结构）经得起分贝仪测试；而我敢签这个合同，是因为我能自己跑 Python 复测。双向奔赴的严谨。

七、完整源码结构

完整工具我打包成了一个 home_noise_audit 的小脚本集，建议的项目结构：

复制代码

home_noise_audit/
├── README.md
├── requirements.txt
├── config/
│   └── calibration.yaml      # 麦克风标定常数
├── src/
│   ├── recorder.py           # 采集模块
│   ├── weighting.py          # A/C 计权滤波器
│   ├── spectrum.py           # FFT + 1/3 倍频程
│   ├── identifier.py         # 噪音源识别规则
│   ├── reporter.py           # 数据可视化
│   └── scheduler.py          # 定时采集（crontab 触发）
├── data/
│   ├── before/               # 改造前原始 WAV
│   └── after/                # 改造后原始 WAV
└── main.py                   # 编排入口

main.py 大致流程：

复制代码

def main():
    config = load_config("config/calibration.yaml")
    
    # 1. 采集
    audio, sr = record_audio(duration=60, sample_rate=48000)
    save_wav(audio, sr, path=f"data/{today()}.wav")
    
    # 2. 计算总量
    db_a = compute_db_a(audio, sr, config['calibration_offset'])
    
    # 3. 频谱分析
    centers, levels = third_octave_analysis(audio, sr)
    
    # 4. 识别噪音源
    sources = identify_noise_source(centers, levels)
    
    # 5. 生成报告
    generate_report(
        date=today(),
        db_a=db_a,
        spectrum=(centers, levels),
        sources=sources
    )

if __name__ == "__main__":
    main()

接入 GitHub Actions 每天定时跑一次，你就有了自己的"家庭噪音监控系统"。

八、总结：从"感觉吵"到"证明吵"再到"证明不吵"

这篇文章的底层逻辑其实很简单：

工程师解决问题的三段式------量化现状、定位根因、验证改造。

量化现状：别用"有点吵"这种模糊描述，用 Python 跑个 FFT，用数据说话。
定位根因：从频谱特征反推噪音源，知道敌人长什么样。
验证改造：改造后用同样的方法复测，算出每个频段的 ΔdB，让每一分钱都能落到具体物理量上。

至于怎么选硬件方案，上一篇已经讲过。这里只多说一句：能签分贝合同的商家和不能签的商家，是两个物种。作为程序员，请优先选能接受"可测试验收"的那一类------不仅是因为保险，更是因为这种商业模式本身，就说明厂家对自己的产品有底气。

Code talks. Spectrum talks. dB talks. 营销话术，不 talk。

附：延伸阅读

IEC 61672-1:2013 《Electroacoustics -- Sound level meters》
ISO 717-1:2020 《Rating of sound insulation in buildings》
GB 3096-2008 《声环境质量标准》
《Acoustics: Sound Fields, Transducers and Vibration》------ Beranek & Mellow

免责声明：本文代码与数据均为个人工程实践记录，所使用的 MacBook 内置麦克风非专业级声学测量设备，绝对值仅作参考，重点在于前后对比的相对衰减量。如需做司法/合规级噪音鉴定，请联系有资质的声学检测机构。

关键词：程序员居家办公、深度工作环境搭建、家庭噪音分析、Python 声学分析、FFT 频谱分析、A 计权分贝测量、1/3 倍频程、低频噪音识别、隔音效果量化评估、隔音窗工作原理、平开窗与推拉窗的隔音对比、逸静隔音窗评测

用 Python 给家里做一次噪音频谱审计：程序员的声学工程实践（含完整源码）

一、为什么要自己写一套噪音分析工具？

二、技术栈：Python 声学分析工具链

三、第一步：音频采集（带声压级标定）

3.1 标定原理

使用示例

3.2 A 计权滤波：让数据符合人耳感受

四、第二步：FFT 频谱分析------让噪音"现原形"

4.1 基础 FFT

4.2 1/3 倍频程分析：声学工程师的语言

五、第三步：噪音溯源------频谱特征识别

六、第四步：改造前后实测对比

6.1 实验设计

6.2 核心数据对比

6.3 为什么说这组数据"站得住"

七、完整源码结构

八、总结：从"感觉吵"到"证明吵"再到"证明不吵"

附：延伸阅读