ここではさまざまなFFTの質問を見てきましたが、実装の一部については混乱しています。リアルタイムでFFTを実行する代わりに、オフラインでやりたい生データがfloat[] audioにあるとします。サンプリングレートは44100ですので、audio[0] to audio[44099]には1秒分のオーディオが含まれます。私のFFT関数がウィンドウ処理（ハニングなど）を処理する場合、単にaudioバッファ全体を1つの関数に入れるだけですか？または、オーディオを4096（私のウィンドウサイズ）のチャンクにカットし、それをFFTに入力しなければならないのですか？FFT - ウィンドウを表示するタイミングは？
入力データを別のバッファにコピーし、正しいフォーマットで取得する必要があります。 FFTがインプレースの場合、またはインタリーブされた複雑なデータ（実数/虚数）が必要な場合。しかし、FFTルーチンが純粋に実際の入力を受け取り、インプレース（非破壊的）でない場合は、適切なサイズのパラメータとともに、元のサンプルデータへのポインタを渡すことができます。
通常、オーディオの1秒間、オーディオの合理的に固定されたチャンクに対応するFFTサイズを選択します。 10msまたは20ms。したがって、44.1 kHzでは、FFTサイズは512または1024と言われるかもしれません。バッファを進め、各開始点で新しいFFTを実行することによって、連続するスペクトルを生成します。これらの連続するバッファを通常50％オーバーラップさせるのが一般的な方法です。したがって、N = 1024の場合、最初のFFTはサンプル0..1023になり、2番目のサンプルはサンプル512..1535、次に10244..2047などになります。
助けてくれてありがとうPaul。私は、アップルのAccelerateフレームワークを使用するつもりです。これは、インプレースFFTを実行すると信じているので、別のバッファでデータを操作する必要があると思います。したがって、180秒の長さの曲があれば、説明したようにバッファを繰り返して、N = 7938000（44100 * 180）までのFFTを実行します。 – Skoder
関数名が "ip"で終わる場合、関数名はインプレースです。 'vDSP_fft_zrip'。したがって、入力データの各チャンクを適切なFFTバッファにコピーしたり、ウィンドウ関数（Hannなど）を適用したり、FFTを適用したり、パワースペクトルなどを計算したり、このチャンクのパワースペクトルを保存または表示したり、次のチャンクへ... –
も参照してください：http://stackoverflow.com/questions/3398753/using-the-apple-fft-and-accelerate-framework –
選択するチャンクサイズまたはウィンドウ長は、周波数分解能およびFFT結果の時間分解能を含む。あなたは、あなたが望むものを決定しなければなりません。
長いウィンドウでは、周波数分解能は向上しますが、時間分解能は低下します。より短いウィンドウ。逆もまた同様です。各FFT結果ビンには、1つの単一周波数だけでなく、ウィンドウの形状（長方形、フォンハンなど）に応じて、サンプルレートをFFT長で割った値の約1〜2倍の周波数帯域幅が含まれます。データチャンク全体が停止している（周波数の内容は変わらない）場合は、時間分解能は必要なく、1秒間に1〜2Hzの周波数の「分解能」になる可能性があります。複数の短いFFTウィンドウを平均化することは、スペクトル推定の分散を減らすのにも役立ちます。
熟知しているかどうかはわかりませんが、AudioSurfと似たようなものを作成しようとしています（このビデオは、http://www.youtube.com/watch?v=で約20秒のテンポの良い例を示しています） 2EsVyEnhxWY）。 AudioSurfはオーディオをリアルタイムで処理するのではなく、前処理しています。 – XSL
@SSL - なぜテンポの認識に1秒しかのFFTがないのですか？あるいは、これがOPのオリジナルの質問を超えたものについては、おそらくあなたはSOに関する新しい質問をするべきでしょう。 – hotpaw2
それは最初の質問を超えていましたが、私はOPと同じことに興味がありました。私はその情報を今必要としないので、私はその橋を渡るときに新しいスレッドを作成します。 – XSL
データセット全体（OPの場合、データの1秒を表す44100サンプル）に渡って1つのFFTを計算するか、完全なデータセットのより小さいサブセットにわたって一連のFFTを実行するか、データおよびFFTの意図された目的に依存する。
データが完全なデータセットに対して比較的静的に静的である場合は、データセット全体で1つのFFTが必要になる可能性があります。
しかし、データセット上でデータがスペクトル的に動的である場合、データの小さなサブセットにわたる複数のスライディングFFTにより、データのより正確な時間 - 周波数表現が作成されます。
以下のプロットは、A4ノートを演奏するアコースティックギターのパワースペクトルを示しています。オーディオ信号は44.1KHzでサンプリングされ、データセットには131072サンプル、ほぼ3秒のデータが含まれています。このデータセットは、Hannウィンドウ関数で事前に乗算されています。
以下プロットはアコースティックギターのA4ノートの完全なデータセットから採取された16384のサンプル（0〜16383）のサブセットのパワースペクトルを示しています。このサブセットは、また、ハンウィンドウ関数で予め乗算されていた。
サブセットのスペクトルエネルギー分布は、完全なデータセットのスペクトルエネルギー分布とは大きく異なっているかに注意してください。
スライディング16384サンプルフレームを使用して完全なデータセットからサブセットを抽出し、各フレームのパワースペクトルを計算すると、完全なデータセットの正確な時間 - 周波数画像が作成されます。
参考文献：
リアルオーディオ信号データ、ハン窓関数、プロット、FFT、およびスペクトル分析はここで行われた：
Fast Fourier Transform, spectral analysis, Hann window function, audio data
確かにこれはあなたのFFTライブラリの仕様に依存します使っている。 – Mankarse
この質問はdsp.stackexchange.comに適しています。それは動かされるべきか？ –
@Mankarse - はい、申し訳ありませんが、私はより具体的にすべきでした。私は3つの異なるFFTライブラリを持っていて、どれを使うかはわかりませんでした。私はAppleのAccelerateフレームワークでこれを使用することに決めました。 – Skoder