Spectrum Audio: Skapa en 32-Bands Visualizer för Ljudanalys

Introduktion

Att förstå och visualisera ljud är en fascinerande aspekt av ljudanalys. Med hjälp av en spectrum audio visualizer kan vi fördjupa oss i ljudets värld och se hur olika frekvenser av ljudet fördelar sig över tid. I denna artikel kommer vi att gå igenom hur man skapar en 32-bands audio spectrum visualizer med hjälp av Arduino. Detta projekt kombinerar teknik och kreativitet och ger oss möjlighet att se och analysera ljuddata på ett unikt sätt.

Genom att använda Arduino och specifika bibliotek kan vi åstadkomma en enkel och effektiv lösning för att förstå ljudets karaktär och dess frekvenser. Vi kommer också att gå igenom de komponenter som behövs, installation av nödvändiga bibliotek, samt en kodgenomgång som visar hur ett audio spectrum analyzer fungerar i praktiken. Låt oss dyka ner i denna spännande värld av ljudvisualisering!

Vad är en FFT?

FFT står för Fast Fourier Transform, en algoritm som används för att omvandla en tidsdomänsignal (såsom ljud) till en frekvensdomänrepresentation. Det gör att vi kan se vilka frekvenser som finns i ljudet och deras amplitud. Genom att använda en audio frequency analyser kan vi analysera ljudvågorna och förstå deras egenskaper bättre. FFT är en kärnkomponent inom ljudanalys och används i många olika applikationer, som till exempel musikproduktion, ljudbearbetning och music spectrum analyser.

När vi tillämpar FFT på en samling av ljudprover, kan vi få en detaljerad visualisering av ljudets frekvenser, vilket är grundläggande för att bygga en spectrum visualizer. Genom att visualisera dessa data kan vi se hur ljudet "rör sig" i taket av frekvenser och få en inblick i ljudets karaktär.

Komponenter som behövs

För att skapa vår audio spectrum visualizer behöver vi några grundläggande komponenter. Här är en lista över nödvändiga delar:

• Arduino (valfri modell, till exempel Arduino Uno)
• LED-matriser för visning av data
• Analoga sensorer för ljudinsamling (till exempel en mikrofonmodul)
• Motstånd och kopplingskablar
• Dator med Arduino IDE för kodning och uppladdning

Med dessa komponenter kan vi enkelt bygga en basversion av vår audio spectrum analyser. Det är viktigt att välja högkvalitativa sensorer för att få mest precisa resultat i vår ljudanalys.

Installation av nödvändiga bibliotek

För att koda vår audio spectrum visualizer i Arduino, är det viktigt att installera de nödvändiga biblioteken. Vi kommer att använda arduinoFFT för att utföra Fourier-transformer och MD_MAX72xx för att styra LED-matriserna. Följ dessa steg för att installera biblioteken:

1. Öppna Arduino IDE.
2. Gå till Sketch -> Include Library -> Manage Libraries.
3. Sök efter arduinoFFT och installera det.
4. Gör samma för MD_MAX72xx.

När biblioteken är installerade, är vi redo att förbereda hårdvaran för vårt projekt.

Förberedelse av hårdvaran

Nu när vi har alla komponenter och bibliotek installerade, är det dags att förbereda vår hårdvara för audio spectrum visualizer. Här är stegen för att koppla ihop allt:

1. Anslut mikrofonmodulen till Arduino. Se till att den analoga utgången är kopplad till en av de analoga ingångarna på Arduino.
2. Koppla LED-matrisen enligt instruktionerna i MD_MAX72xx bibliotekets dokumentation.
3. Se till att alla kablar är korrekt anslutna och att inga kortslutningar finns.

Nu när hårdvaran är på plats kan vi börja skriva och ladda upp koden till vår Arduino.

Kodgenomgång

Här kommer en översikt av den kod som krävs för vår audio spectrum music visualizer. Vi kommer att se på hur vi initierar biblioteken, samlar in data, utför FFT och presenterar resultaten på LED-displayen. Här är en enkel kodexempel:

cpp
#include
#include

#define NUM_LEDS 32
#define SAMPLES 64

MD_MAX72XX matrix = MD_MAX72XX(CS_PIN, MAX_DEVICES);
arduinoFFT FFT = arduinoFFT();

double vReal[SAMPLES];
double vImag[SAMPLES];

void setup() {
matrix.begin();
// Initialisering av mikrofon och andra parametrar
}

void loop() {
// Samla in ljudprover
for (int i = 0; i < SAMPLES; i++) { vReal[i] = analogRead(A0); // Exempel på ljudinsamling vImag[i] = 0; } FFT.Dootit(vReal, vImag, SAMPLES); // Visualisera resultatet for (int i = 0; i < NUM_LEDS; i++) { matrix.setColumn(i, (int)vReal[i]); } matrix.update();}

I detta kodexempel har vi definierat storleken på våra prover och initierat de nödvändiga biblioteken. Vi samlar in ljudprover från en analog ingång och använder FFT för att bearbeta dessa data. Resultatet visualiseras på en LED-matris, där varje kolumn representerar en frekvensband av ljudet.

Förstå hur programmet fungerar

Programmet fungerar genom att repetitivt samla in ljudprover och tillämpa FFT på dessa för att analysera frekvenserna inom ljudet. För varje varv i loopen uppdateras visualiseringen på LED-displayen vilket ger en dynamisk representation av ljudets förändring över tid. Denna typ av visualisering är grundläggande för en music spectrum analyzer, där man kan se olika frekvenser och deras styrka kontinuerligt.

Med hjälp av de data som behandlas genom FFT kan vi också styra olika visningslägen och mer påtagligt se ljudets karaktär. Detta för oss vidare till nästa steg i vårt projekt.

Hantera olika visningslägen

För att göra vår audio spectrum visualizer mer interaktiv, kan vi implementera olika visningslägen som användaren kan växla mellan med en knapptryckning. Genom att använda en enkel tryckknapp kan vi toggla mellan olika visualiseringsmetoder, vilket ger användaren mer kontroll över upplevelsen. Här är en enkel metod för att hantera knappen:

cpp
const int buttonPin = 2; // Pin för knappen
int buttonState = 0; // Variabel för att lagra knappens tillstånd

void setup() {
pinMode(buttonPin, INPUT);
}

void loop() {
buttonState = digitalRead(buttonPin);
if (buttonState == HIGH) {
// Ändra visningsläge
changeDisplayMode();
delay(300); // Debouncing
}
}

Denna kod läser knappens tillstånd, och när knappen trycks in, ändrar vi visningsläget. Genom att lägga till en delay kan vi förhindra oönskade dubbeltryckningar som kan orsaka problem i programmet.

Debouncing av knappen

Knappdebouncing är en viktig aspekt av att arbeta med fysiska knappar, eftersom knappar lätt kan orsaka flera snabbt på varandra följande signaler när de trycks ned. För att säkerställa att endast en signal registreras per tryckning använder vi en enkel teknik med en nedåtriktad fördröjning. Det hjälper till att filtrera bort "falska" signaler och säkerställer att vårt program reagerar korrekt på användarens åtgärder.

Visualisering av ljuddata

När vi lyckas samla in och bearbeta ljuddata, är det dags att visualisera resultaten. Med varje ljudprov vi tar, skapar vi en representation av frekvenserna som visar hur låten eller ljudet förändras över tid. Varje kolumn på LED-matriserna representerar en viss frekvens, och höjden på varje kolumn visar styrkan av den frekvensen.

Det är här som den visuella aspekten av vår audio spectrum music visualizer kommer in i bilden. Genom att analysera ljudvågorna och visualisera dem har vi nu skapat en färgglad och dynamisk representation av ljudet som hjälper oss att förstå dess komplexitet.

Tips för vidareutveckling

Nu när vi har en fungerande grundversion av vår audio spectrum analyzer, kan vi börja tänka på att förbättra och utöka funktionaliteten. Här är några tips för vidareutveckling:

• Implementera fler visningslägen, till exempel en spectrum bar visualizer för en mer dramatisk effekt.
• Experimentera med olika ljudkällor, som att spela musik från en dator eller smartphone.
• Integrera en audio waveform analyzer för att visa ljudets form och övergångar.
• Skapa en mobilapp som kan styra visualizern via Bluetooth.
• Implementera en RGB LED-display för att ge en mer färggrann visualisering av ljudet.

Dessa tillägg och förbättringar kan göra din spectrum analyzer for music ännu mer intressant och visuell för användaren.

Avslutning

Att skapa en stereo spectrum analyzer med Arduino är ett utmärkt sätt att utforska ljudanalys och visualisering. Genom att kombinera programvara och hårdvara har vi möjlighet att analysera och presentera ljuddata på ett kreativt och interaktivt sätt. Denna guide har gett dig en grund att stå på, och vi hoppas att du känner dig inspirerad att bygga och vidareutveckla din egen audio spectrum analyzer.

Oavsett om du är en hobbyist eller en professionell tekniker kan detta projekt ge värdefulla insikter om ljudet och dess egenskaper. Med tiden kan du bygga ut detta projekt till att bli en mer omfattande audio spectrum visualizer som inte bara är informativ men också en avkopplande och estetisk upplevelse för användaren. Lycka till med ditt projekt och ha kul med ljudanalys!

Tack för att du läste vår artikel, du kan se alla artiklar i våra webbkartor eller i Sitemaps

Tyckte du att den här artikeln var användbar? Spectrum Audio: Skapa en 32-Bands Visualizer för Ljudanalys Du kan se mer här NanoPi.