O que você pediu: explicar o que é um espectrograma sonoro.
O que vou entregar (peguei isso do seu pedido): uma definição intuitiva, a fórmula matemática principal, como se calcula no computador (discreto), o que representam os eixos e as cores, as escolhas práticas (janelas, tamanho, overlap), o trade-off tempo/frequência, exemplos concretos de como ler um espectrograma (tom puro, harmônicos, impulso, varredura), usos comuns e dicas rápidas para a prova. Não vou assumir que você já sabe nada — vou explicar passo a passo.
Passo 2
Definição intuitiva e pictórica.
Um espectrograma sonoro é uma imagem que mostra como a energia (ou intensidade) das diferentes frequências de um som varia ao longo do tempo. Na imagem:
o eixo horizontal representa o tempo,
o eixo vertical representa a frequência,
a cor (ou brilho) em cada ponto indica a quantidade de energia naquela frequência naquele instante.
Pense assim: é como uma “radiografia” do som que revela notas, harmônicos, ruídos e ataques de instrumentos.
Passo 3
Por que precisamos do espectrograma: limitação da transformada de Fourier.
A transformada de Fourier fornece a informação de quais frequências existem em um sinal, mas perde quando essas frequências ocorrem. Para um sinal x(t) a transformada de Fourier é
\hat x(f)=\int_{-\infty}^{\infty} x(t)\,e^{-i2\pi f t}\,dt,
onde t é o tempo e f é a frequência. Esse \hat x(f) diz “quais frequências” mas não diz “quando” cada frequência aparece. O espectrograma resolve isso localizando tempo e frequência ao mesmo tempo.
Passo 4
A ideia matemática chave: a Transformada de Fourier de janela (STFT).
Para ver a frequência ao longo do tempo, cortamos o sinal em janelinhas curtas e calculamos a Fourier de cada uma. A versão contínua é a Short-Time Fourier Transform (STFT):
X(t,f)=\int_{-\infty}^{\infty} x(\tau)\,w(\tau - t)\,e^{-i2\pi f \tau}\,d\tau,
onde:
x(\tau) é o sinal (amplitude em função do tempo),
w(\tau-t) é uma janela centrada em t (por exemplo uma janela gaussiana ou Hanning) que seleciona um trecho do sinal ao redor de t,
f é a frequência analisada.
A STFT dá, para cada instante t e cada frequência f, um número complexo X(t,f) que indica amplitude e fase daquela frequência naquele trecho.
Passo 5
Definição do espectrograma a partir da STFT.
O espectrograma é simplesmente a energia (ou intensidade) da STFT em cada ponto do plano tempo–frequência. Matematicamente:
S(t,f)=\bigl|X(t,f)\bigr|^{2}.
Na prática costuma-se usar a escala logarítmica em decibéis para visualizar:
N é o tamanho da janela (número de amostras por quadro),
w[n] é a janela (por exemplo Hanning) de comprimento N,
m é o índice do quadro (frame), ou seja o tempo discretizado: t_m = \dfrac{mR}{f_s},
R é o hop size (quantas amostras avançamos entre quadros; ex.: R=N/2 para 50% de overlap),
k é o índice da bin de frequência, com frequência associada f_k = \dfrac{k f_s}{N}.
O espectrograma discreto é
S[m,k]=|X[m,k]|^{2}.
Na prática usa-se FFT para calcular X[m,k] de forma eficiente.
Passo 7
Resolução em frequência e em tempo — o trade-off e como quantificá-lo.
Resolução em frequência aproximada: \Delta f \approx \dfrac{f_s}{N}. Logo, aumentando N (janela maior) melhora \Delta f (mais precisão em frequência). Ex.: para f_s=44100 Hz e N=1024, \Delta f \approx 43{,}07 Hz.
Resolução em tempo aproximada: é da ordem da duração da janela ( N/f_s segundos). Janela maior significa pior resolução temporal (os eventos ficam “borrados” no tempo).
Existe uma limitação fundamental (versão de Heisenberg/Gabor): as incertezas de tempo e frequência satisfazem aproximadamente
\sigma_t \,\sigma_f \gtrsim \frac{1}{4\pi},
ou seja, não dá para ter simultaneamente boa resolução arbitrária em tempo e em frequência. Na prova, memorize: janela maior → melhor frequência, janela menor → melhor tempo.
Passo 8
Escolhas práticas: janela, overlap, zero-padding, escala de frequência.
Tipos de janela: Hanning (muito usado), Hamming, Gaussian. Essas janelas reduzem vazamento espectral (sidelobes); cada uma tem trade-off entre largura da main lobe (resolução) e amplitude dos sidelobes (vazamento).
Overlap: 50% (R=N/2) é comum; 75% (R=N/4) também é usado para transientes. Overlap aumenta suavidade no tempo.
Zero-padding (aumentar N com zeros antes de aplicar FFT) não melhora a resolução real em frequência, só interpola o espectro e torna as linhas mais “suaves”.
Escalas: frequência linear (Hz) ou mel/log para tarefas perceptivas ou aplicações de ML; amplitude linear ou dB para visualização.
Passo 9
Como ler um espectrograma — exemplos concretos que aparecem em provas e em prática.
Tom puro (senoide única): aparece como uma linha horizontal escura/brilhante na frequência correspondente.
Harmônicos (sinais periódicos, como voz ou corda): linhas paralelas em múltiplos inteiros da fundamental; a linha mais baixa é a frequência fundamental, as outras são harmônicos.
Impulso/transiente (percussão, ataque): aparecem como faixas verticais largas (energia em muitas frequências, curta no tempo).
Varredura de frequência (chirp): aparece como uma linha inclinada subindo ou descendo no eixo de frequência ao longo do tempo.
Ruído branco: energia espalhada por toda a faixa, sem linhas distintas (mancha uniforme).
Voz: formantes (bandas de energia) são faixas horizontais que mudam lentamente; a harmonia e os formantes juntos dizem muito sobre vogais.
Esses padrões são o que você descreve na hora da prova para interpretar o espectrograma.
Passo 10
Aplicações e passos práticos para gerar/interpretar um espectrograma na prova ou em laboratório.
Usos: análise de fala (formantes), identificação de notas em música, detecção de eventos (batidas, palavras), bioacústica (aves, mamíferos), engenharia (análise de vibrações), machine learning (mel-spectrogramas).
Passos práticos para gerar um espectrograma e comentar na prova:
diga a taxa de amostragem f_s e o objetivo (detectar notas? transientes?).
escolha N (janela) e o tipo w[n]; explique porque (ex.: quero distinguir 100 Hz → preciso \Delta f\le 100 Hz, então escolha N\ge f_s/100).
escolha overlap R.
calcule STFT com FFT e obtenha S[m,k]=|X[m,k]|^{2}. Mostre eixo de frequência f_k=\dfrac{k f_s}{N} e tempo t_m=\dfrac{mR}{f_s}.
exiba em escala dB se quiser destacar componentes fracos.
interprete padrões (linhas horizontais, verticais, inclinadas).
Esses passos são pequenos itens que você pode recitar numa resposta de prova para mostrar que entendeu o processo.
Passo 11
Dicas de memorização rápida e truques para a prova (meu estilo amigo para te animar).
Lembre-se da regra prática: janela grande → melhor definição em frequência, janela pequena → melhor definição em tempo. Isso costuma resolver metade das perguntas sobre escolha de parâmetros.
Para responder “o que representa a cor?” diga diretamente: "cor = intensidade/energia em dB = 20\log_{10}|X|".
Para identificar um tom: procure linha horizontal; para ataque/impulso: vertical. Fale desses três exemplos e já impressiona o professor.
Se tiver que justificar números, use \Delta f \approx f_s/N e t_{\text{frame}}\approx N/f_s. Isso é concreto e fácil de calcular à mão.
Resposta
Um espectrograma sonoro é uma representação tempo–frequência que mostra, como uma imagem, a energia das diferentes frequências de um sinal ao longo do tempo; matematicamente é dado pelo quadrado da magnitude da STFT, S(t,f)=|X(t,f)|^{2}, e na prática se constrói cortando o sinal em janelas, calculando FFTs de cada janela e exibindo o resultado (frequência vs. tempo) com a intensidade codificada por cor ou brilho.