一段十秒的录音，波形图上是一团起伏的毛刺，看不出哪里不对。换算成频谱图之后，第三秒的位置冒出一条竖线——那是一次按键声，之前一直埋在环境噪声里。傅里叶变换做的就是这个换算：同一份信号，换一套坐标去看。AI 处理语音、音频、甚至图像时反复用到它，可这套视角有明确的代价，也有它答不了的问题。
时域和频域，是同一份信息的两种排法
时域里横轴是时间，纵轴是幅度，回答「什么时候发生了什么」。频域里横轴是频率，纵轴是该频率的成分有多强，回答「由哪些东西组成」。两边可以互相换算，数学上不丢信息——前提是幅度和相位都留着。很多人只看幅度谱，把相位扔掉，重建出来的波形就完全变了样，这是工程上最常见的误读之一。
为什么能换算：只要信号满足一定条件，它就能写成一堆不同频率正弦波的叠加，每个正弦波的振幅和相位就是频谱。直觉版本是音叉——敲一下，听到一个音高；敲一组，听到的是和弦。傅里叶变换干的事，是反过来把一段混杂的声音拆回那组音叉。
四种表示，各自答不同的问题
| 表示方式 | 适用场景 | 代价 | 什么时候失效 |
|---|---|---|---|
| 时域直接处理 | 冲击、脉冲、需要精确时刻的事件；实时性要求高的链路 | 看不出周期成分，噪声一多就无从下手 | 信号被宽带噪声淹没，或成分高度重叠 |
| 整段 DFT / FFT | 稳态信号分析、谐波检测、长卷积加速、压缩 | 时间信息被积分掉，只剩「有哪些频率」 | 频率随时间变化时，谱是整段的平均，看不出先后 |
| 短时傅里叶（STFT） | 语音识别前端、音乐分析、需要同时看时间和频率 | 时间分辨率与频率分辨率互相牵制，窗长一选定就固定 | 低频长音和高频短击同时存在，单一窗长两头不讨好 |
| 小波变换 | 突变检测、非平稳信号、图像压缩 | 基函数与层数要选，调参靠经验；实现比 FFT 重 | 需要严格线性相位或极低延迟的场合 |
四行的分界不在先进程度，在你问的问题是什么。问「这段声音有哪些音高」，整段 DFT 就够；问「第 1.2 秒那声咔哒是什么」，得靠分段或小波；问「这个阀门是不是每隔三秒抖一下」，时域直接看反而最快。
拆成频率之后，哪些事突然变简单
最直接的是滤波。想去掉 50Hz 工频干扰，在时域要设计一个滤波器再卷积，在频域直接把那一小段系数压到零，思路干净得多。降噪、去齿音、消除录音里的空调嗡声，都是这个套路。
第二件是压缩。人耳对某些频率不敏感，频域里把听不见的成分量化得粗一些，文件能小一个数量级，MP3 和 AAC 就建立在这个前提上。能量集中在少数系数上，是频域表示最实用的一条性质——稀疏，才压得动。
第三件是加速。时域里的卷积对应频域里的逐点相乘，长序列上把 O(n²) 降到 O(n log n)。深度学习里的大卷积核、长序列卷积走的就是这条路，卷积本身在算什么，可以看卷积是怎么看局部的那篇。第四件是特征：语音识别前端把波形切成二十多毫秒一帧，算梅尔频谱再送进声学模型，这一环的输入质量直接决定后面的识别率，链路可以看语音识别的处理流程。
还有一处不那么显眼：一些模型用不同频率的正弦波给词的位置编码，让注意力能分辨先后，思路见位置编码为什么用正弦波。频率在这里成了一种坐标刻度，跟信号处理里的用法同源。
代价一：整段变换会把时间抹平
标准傅里叶变换对整段信号做积分，输出只有「有哪些频率、各占多少」，没有「什么时候」。这是定义决定的，不是实现偷懒——它默认信号在整段内的统计特性不变。语音显然不满足这个前提：一句话里清音、浊音、静音交替出现，整段变换得到的是一锅平均。
工程上的解法是分帧。把信号切成二十到三十毫秒的小段，每段做一次变换，横轴时间、纵轴频率，得到一张语谱图。这一步带出新问题：直接切段会在边界产生突变，能量从真实频率漏到邻近频段，叫频谱泄漏。压住它的办法是加窗——汉明窗、汉宁窗把帧两端压到接近零，泄漏小了，代价是帧边缘的信息被削弱，所以相邻帧要重叠，常见重叠一半或四分之三。
代价二：窗长一定，两种分辨率开始互相让步
窗开得长，频率看得细，时间看得糊；窗开得短，时间掐得准，频率挤成一团。二十毫秒的窗，频率分辨率大约几十赫兹，够分辨音高，抓不住一次几毫秒的爆音；五毫秒的窗反过来。这个取舍在 STFT 里是固定的——一旦定了窗长，整段信号都用同一个窗。
真实信号偏偏不配合。低频成分往往持续很久，高频瞬态往往一闪而过，用同一个窗去套，两头都别扭。小波变换的动机就在这里：用长窗看低频、短窗看高频，尺度随频率变。代价是多了基函数和分解层数两个要选的参数，选不好还不如 STFT 稳。
它在哪些信号上会失效
频率成分随时间剧烈变化的信号，是最典型的失效场景。鸟鸣、语音里的辅音、机械冲击、雷达回波，这些的频谱一刻一变，任何固定窗长的时频图都只是折中，细节会被抹掉一部分。要看清瞬态，就得放弃一部分频率精度，反过来也一样。
短信号是第二类。采样点本来就少，频率分辨率天然差，补零只能让谱线看起来更密，不会多出信息——这是初学者最容易上当的一步。第三类是不等间隔采样或缺测数据，标准 FFT 要求等间隔，缺了要先补或者换方法。第四类是强非线性耦合，频率之间互相调制，谱线上冒出一堆边带，单看峰值容易把来源判错。第五类是只留幅度、丢掉相位，重建出来的东西听着像，实际已经不是原信号。
判断该不该用，只问一个问题
你要问的是「由什么组成」，还是「什么时候发生」。前者去频域，后者留时域，两个都要就上时频表示。再补一句实用的：信号在整段内越稳定，整段变换越省事——电机稳态振动、电源谐波、持续的音高，都属于这一类；信号变得越快，越该往分段或小波走。
反过来也成立：如果你的问题本来就不涉及频率，比如只想知道这段录音有多长、有没有削波，那做一次变换纯属绕路。工具的选择取决于问题，不取决于它听起来多专业。
速查：傅里叶变换的四条常识
- 它换的是表示，不是信息；幅度和相位都得留
- 整段变换丢掉时间，要时间就分帧做 STFT
- 窗长定死，时间与频率分辨率只能二选一
- 补零不增加分辨率，短信号就是看不清
