Spectrogram Merger

将同一音轨的多个版本融合为一版理想母带

把 2、3 个或更多 WAV 版本——不同重制版、黑胶转录、AI 超分辨率结果(Apollo、AudioSR、FlashSR)或不同录音——融合为一条纯净母带。从每个音源提取最佳频段与瞬态,无相位抵消与梳状滤波。

了解更多
Product Interface

频谱融合工作原理

阶段 02 · 分频与窗长 f_c(t) = Σ f_k·|X(k,t)| / Σ |X(k,t)|

自适应分频与时变窗口 STFT

在频谱自然谷底或通过追踪频谱质心的林克维茨-莱利滤波器将音频分为低/中/高频段。分析窗长 σ(t) 在瞬态打击处缩至 10 ms、在持续音处展至 90 ms。

阶段 03 · 掩码与均衡 M₁ = Re(X₁·Mix*) / (|Mix|² + ε), Inf ∈ [0.1×..10×]

7 种掩码引擎、12 段 EQ 与影响图

支持 PSF、Softmax、Wiener、IBM/IRM,结合 24 巴克带茨维克响度与 5 种动态调制(SNR、Flux、Flatness、Coherence、Cross-Adaptive)。三组 12 段面板可按频段手动调整音源倾向。

阶段 05 · 频谱净化 HPSS(Median/NMF) → LPC(16) → Q > Q_thr

HPSS (Median/NMF)、LPC 包络与共振抑制

分离谐波与打击乐进行针对性净化,将自然的中低频包络移植至高频(LPC / 倒谱),并依据 Q 值与 LGD 稳定性动态衰减窄带啸叫共振。

底层架构 • RUST 2024 & WGPU 30.0

技术栈

唯一展示底层实现的一页:繁重的 2D FFT、NMF、CEEMDAN 与级联 WOLA 运算全部运行在原生多线程 Rust 中,搭配 WGPU 30.0 硬件加速界面——零 Python、零 Electron 负担。

Rust 2024 零 Python / C 运行时依赖
WGPU 30.0 144 Hz UI 与实时频谱图
17 组 / 150+ Inspectable 参数反射系统
Rayon + Arena 并行 WOLA 与 64 MB 内存池
01

核心 DSP 数学引擎

rustfft 6.2 • num-complex • rayon 1.10

并行 STFT/ISTFT、二维泊松 FFT 求解、Bregman 迭代、集合 CEEMDAN 与 16 字节对齐 LinearArena 暂存区。

02

GPU 硬件加速界面

wgpu 30.0 • winit 0.30 • ui.wgsl • arcband

双层 SDF 圆角渲染、双线性 Magma/Viridis 频谱纹理与亚像素字体渲染,满帧运行不掉帧。

03

声明式参数反射

Inspectable trait • serde_json • toml

150+ 参数自动排布为可搜索的三栏检查器,并为级联中的每一对音轨独立保存 JSON 配置文件。

04

原生音频 I/O 与监听

hound 3.5 • cpal 0.15 • cubic resampler

精确读写 WAV(Float32、PCM 16/24/32 + TPDF/NS),CPAL 实时回放支持三次重采样与巴特沃斯带通监听。

RUST 2024
fn align_phase_correlation(
    y1: &[f32], y2: &[f32],
    max_shift: usize, confidence_threshold: f32,
) -> (i64, f32) {
    let fft_len = y1.len().min(y2.len()).next_power_of_two();
    let mut planner = FftPlanner::<f32>::new();
    let fft = planner.plan_fft_forward(fft_len);
    let ifft = planner.plan_fft_inverse(fft_len);

    fft.process(&mut a);
    fft.process(&mut b);
    for i in 0..fft_len {
        let cps = a[i] * b[i].conj();
        a[i] = cps / (cps.norm() + EPSILON);
    }
    ifft.process(&mut a);

    let mut lag = if peak_idx <= fft_len / 2 {
        peak_idx as i64
    } else {
        peak_idx as i64 - fft_len as i64
    };
    if peak_val < confidence_threshold || lag.unsigned_abs() as usize > max_shift {
        lag = 0;
    }
    (lag, peak_val)
}
pub fn calculate_psf_mask(
    stft1: &ComplexSpec2D, stft2: &ComplexSpec2D, psf_power: f32,
) -> (Spec2D, Spec2D) {
    let mut m1 = Spec2D::full(stft1.bins, stft1.frames, 0.5);
    let mut m2 = Spec2D::full(stft1.bins, stft1.frames, 0.5);
    let p = psf_power.clamp(1.0, 4.0);

    for i in 0..stft1.data.len() {
        let mix = stft1.data[i] + stft2.data[i];
        let den = mix.norm_sqr() + EPSILON;
        let a1 = ((stft1.data[i] * mix.conj()).re / den).max(0.0).powf(p);
        let a2 = ((stft2.data[i] * mix.conj()).re / den).max(0.0).powf(p);
        let v1 = (a1 / (a1 + a2 + EPSILON)).clamp(0.0, 1.0);
        m1.data[i] = v1;
        m2.data[i] = 1.0 - v1;
    }
    (m1, m2)
}
pub fn phase_reconstruction_explicit(
    mag: &Spec2D, n_fft: usize, hop_length: usize,
    sr: u32, params: &ProcessingParams,
) -> Spec2D {
    let sigma_sec = params.explicit_relation_window_len as f32 / (6.0 * sr as f32);
    let sigma_sq = sigma_sec * sigma_sec;

    for b in 0..bins {
        let omega = 2.0 * PI * freqs[b];
        for t in 0..frames {
            dphi_dt.set(b, t, omega + dlog_dw.get(b, t) / (2.0 * PI * sigma_sq + EPSILON));
            dphi_dw.set(b, t, -sigma_sq * dlog_dt.get(b, t) - t_half);
        }
    }
    for b in 0..bins {
        for t in 0..frames {
            let lap = if b == 0 && t == 0 { EPSILON } else { -(kx * kx + ky * ky) };
            div[b * frames + t] /= lap;
        }
    }
    solve_2d_ifft(&mut div, bins, frames)
}
fn decompose_emd_1d(
    signal: &[f32], max_imfs: usize, method: EmdMethod,
) -> Vec<Vec<f32>> {
    let ensembles = match method {
        EmdMethod::Emd => 1,
        EmdMethod::Eemd | EmdMethod::Ceemdan => 4,
    };
    let ensemble_imfs: Vec<_> = (0..ensembles)
        .into_par_iter()
        .map(|e| {
            let mut residual = add_ensemble_noise(signal, e, noise_amp);
            (0..k_imfs).map(|_| {
                let imf = sift_single_imf(&residual, 5);
                subtract_in_place(&mut residual, &imf);
                imf
            }).collect::<Vec<_>>()
        })
        .collect();
    average_ensembles(ensemble_imfs, signal.len(), k_imfs)
}

即时 A/B 对比与级联融合工作台

载入 WAV 文件夹,拖拽排序设定级联顺序,通过 12 段均衡器与影响图精细调整每一对融合。支持 12 种频谱与掩码视图、一键切换 Raw/最终与前后测试对比,以及实时带通滤波单独试听任意频段。

12 种频谱与掩码视图 A/B:RAW / 最终 / 上次 实时带通试听 (HZ) 3×12 段 EQ 与影响图
即时 A/B 对比与级联融合工作台
前往下载

Spectrogram Merger 详细常见问题

用途与应用场景

这款软件有什么用?能解决哪些实际问题?
在 DAW 中直接叠加同一首歌的两个版本会因相位差产生梳状滤波、音量凹陷和金属味。Spectrogram Merger 在时频域融合两个或多个版本,在每个频点自动保留最干净、最清晰、细节最丰富的来源。非常适合将多种 AI 音频超分结果(Apollo、AudioSR、FlashSR、SoundUP)取长补短,或把黑胶转录与数字母带、不同录音版本合成为一版更优秀的母带。
一次可以融合两个以上的 WAV 文件吗?
可以。在「批处理」标签页载入包含 2、3、4 个或更多 WAV 文件的文件夹,并拖拽调整顺序。程序会自动执行级联融合:先融合音轨 1 + 音轨 2(第 1 对),再将结果与音轨 3 融合(第 2 对),以此类推。每一对都保存独立的 JSON 参数配置,可在编辑器顶部随时切换。
如果两个文件音量、时间延迟或明暗度不同怎么办?
预处理阶段会先将输入按 EBU R128 标准归一化至 -23.0 LUFS;接着 Auto-Align 利用 CPSD 相位相关(带置信度阈值)或互相关实现采样级时间对齐;最后 Spectral Balance 计算频谱斜率(dB/倍频程)并补偿明暗差异,防止某一方不公平地主导掩码。
12 段均衡器与影响图(Influence Map)有什么区别?
编辑器底部有三组 12 段滑块(29 Hz – 20 kHz)。EQ 输入 1 / 2(±12 dB)在计算掩码前调节音源自身频响;影响图(0.1× – 10.0×)直接按频段偏向音源 1 或音源 2 的掩码权重——例如让低频完全取自音源 1,而 10 kHz 以上空气感取自音源 2。

分频与 STFT 分辨率

音频是如何划分为低、中、高频段的?
支持三种方式:固定零相位巴特沃斯分频(1–10 阶 filtfilt)、自适应分频点(在设定区间内自动寻找频谱自然谷底)以及随平滑频谱质心实时变化的 2/4 阶时变林克维茨-莱利滤波器。
为什么需要时变窗口(TimeVaryingWindow)和多尺度 STFT?
长窗频率分辨率高但会模糊鼓点瞬态(预回声),短窗瞬态清晰但低频频率模糊。TimeVaryingWindow 会根据瞬态强度、频谱平坦度或熵在每帧动态调整窗长(10–90 ms)。此外也支持多尺度混合(12 / 46 / 93 ms)及低/中/高频独立 FFT 尺寸(2048 / 2048 / 4096)。
处理整首长音轨时如何避免接缝爆音与内存溢出?
完整导出会将音频切分为 15 秒分块(重叠 7.5 秒并镜像填充边缘),多线程并行处理后通过 WOLA 加权重叠相加无缝拼接(支持 Hann、Hamming、Blackman、Blackman-Harris、Bartlett 窗)。

掩码与立体声场

内置了哪些基础掩码算法?该如何选择?
共 7 种方法:默认 PSF(相位敏感滤波器)通过复向量投影有效避免抵消;Weights (Softmax) 与 WeightsPhaseAware 结合 24 巴克带茨维克响度或 A 加权;Wiener / WienerModulated 支持减噪;以及硬掩码 IBM 与软比例掩码 IRM。
5 种动态掩码调制起什么作用?
在基础掩码之上结合信号电平与频率可靠度因子:频谱通量 (Flux) 保护打击瞬态;SNR 调制(LocalMinStats、MedianFilterTime、SpectralSubtractionAvg、GlobalPercentile)偏向信噪比更高的音源;平坦度突出音调清晰度;相位相干性惩罚相位冲突频点;交叉自适应 γ 在两音源极度接近时将权重柔和拉向 0.5。
掩码平滑如何消除「音乐噪声」?
相邻频点掩码剧烈跳变会产生水声伪影。程序依次执行二维中值滤波、瞬态自适应二维高斯平滑(在打击点自动减弱时间模糊)、时间交叉淡化,以及在线性或 Mel / Bark 感知尺度上的纵向平滑。
如何保持立体声宽度和结像稳定?
左右声道完全独立掩码会导致中间结像漂移。Stereo Mask Coupling 计算声道间相干性(IC),在单声道居中元素上柔和拉近左右掩码,同时保留宽广立体声元素的独立性。

相位重建(13 种模式)

软件包含哪些相位重建算法?
共 13 种模式:快速 Complex、Dominant、Blend;局部加权 LWS;迭代式 FGLA(Nesterov 加速)、RTISI-LA 与 RTISI-LA Hybrid;Bregman KL 与 Bregman IS 散度优化;解析式 Explicit Phase Relation(二维泊松 FFT)、SPSI、RTPGHI;以及智能 Adaptive 模式。
Adaptive 自适应相位模式如何自动选择算法?
程序为每个时频点计算音调性、局部 SNR、相干性、谐波/打击比、频谱通量、局部群延迟(LGD)方差及掩码果断度,经 Softmax 生成权重并剪枝弱项(Pruning / Top-N),最终几何混合最优相位。谐波与打击成分可分别配置候选列表。
Coupled IPD 如何保护立体声相位?
在 CoupledIPD 模式下,左声道由所选引擎重建相位,右声道则按主导音源或混合信号的真实声道间相位差 IPD 结合相干性 IC 锁定,彻底防止声场塌陷。
Mask-Guided Phase Iteration 与 Magnitude-Constraint PR 有何作用?
两者都是合并后的可选相位精修步骤。Mask-Guided Phase Iteration 在掩码置信度高的区域将相位迭代拉向主导音源;Magnitude-Constraint PR 则在平滑幅值约束下重新对齐相位,消除残留高频粗糙感。

后处理、A/B 试听与导出

Post-HPSS 净化与包络移植有什么效果?
Post-HPSS 将成品分离为谐波与打击层(中值法或 KL/Frobenius NMF),对谐波做时间平滑、对打击乐在指定高频段做频率平滑。包络移植通过 Levinson-Durbin LPC 或倒谱提取中低频自然包络,平滑修正高频轮廓。
如何消除啸叫共振、刺耳感与高频竖条伪影?
共振抑制检测高 Q 值且 LGD 稳定的窄带尖峰并动态陷波;尖锐度降低按茨维克模型(acum)触发高频柔和衰减;高频垂直伪影抑制捕获异常通量尖峰(中位数 + N·Std)并带包络保护地做频率平滑;同时内置 MPEG-1 感知掩蔽。
高频 EMD / EEMD / CEEMDAN 处理起什么作用?
将高频段(默认 >6 kHz)在时域分解为本征模态函数 IMF(支持 EMD、EEMD、CEEMDAN),按阶数、希尔伯特瞬时频率或熵筛选噪声模态,进行包络平滑、衰减或移除,去除数字毛刺同时保留空气感。
A/B 监听有哪些功能?支持哪些导出格式?
右侧面板可测试任意片段(如 8 秒),查看 12 种频谱与中间掩码视图及低/中/高频贡献占比。支持一键切换 Raw 与最终版、当前与上次测试、循环播放及实时带通滤波(Hz)单独监听指定频段。导出支持 WAV 32-bit Float 及 PCM 32 / 24 / 16 位(含 TPDF 抖动与一阶噪声整形)。