直接改采样率会同时改变音高和速度，真正的变调需频谱平移+时域重合成；须用STFT分帧、相位展开与补偿、频谱插值及OLA重建，否则失真。
为什么不能直接改采样率做变调
直接改采样率（比如用 resample）会同时改变音高和播放速度，这不是 Pitch Shift。真正变调不变速，本质是频谱平移 + 时域重合成——你得把原始帧的频谱“抬高”或“压低”后，再用相位连续的方式拼回时域波形，否则会严重失真。
常见错误现象：librosa.effects.pitch_shift 在 Python 里看着简单，但底层用的是 WSOLA 或 Phase Vocoder；C++ 手写时若只做 FFT 幅度缩放、不校正相位，输出会有明显“金属声”或“嗡嗡声”。
- 必须对每帧做短时傅里叶变换（STFT），不能只做单次 FFT
- 频谱搬移后，相邻帧之间的相位差必须重置，否则重叠相加（OLA）时波形断裂
- 搬移量不是整数倍频点时，要用插值（如 sinc 或线性）读取新频谱，不能四舍五入取整
怎么用 FFT + 相位修正实现基础变调
核心是 Phase Vocoder 流程：分帧 → 加窗（常用 hann）→ FFT → 频谱映射 → 相位展开（unwrap）→ 相位差补偿 → IFFT → 加窗重叠相加。
关键参数差异：hop_size 通常取 win_size / 4（如 2048 窗，512 hop），太大会丢细节，太小则计算爆炸；pitch_shift_semitones 转换为频率比 ratio = pow(2.0, semitones / 12.0)，用于缩放频点索引。
示例片段（伪代码逻辑）：
k
- 必须用
std::arg()提取复数相位，并先std::unwrap()（自己实现或用 Eigen 的AngleUnwrap）避免 2π 跳变干扰 - 直流（k=0）和奈奎斯特（k=N/2）点相位固定为 0，不用补偿
- 补偿后相位要再套一层
std::polar(abs(X[k]), new_phi)构造新频谱
C++ 实现时性能与精度怎么权衡
纯手写 FFT（如 Cooley-Tukey）不如用 FFTW 或 arm_math；但 FFTW 的 plan 创建开销大，建议提前创建好 fftw_plan_dft_c2c_1d 并复用。插值部分，sinc 插值质量高但慢，实时场景可用线性插值 + 3 点加权；离线处理可上 lanczos-3。
兼容性影响：浮点精度很重要。用 float 在长音频（>5 分钟）上会累积相位漂移，导致结尾发闷；务必用 double 做中间计算，输出再转 int16_t。
容易被忽略的点：输入音频必须是单声道、线性 PCM、已归一化到 [-1.0, 1.0]；多声道得先转单声道（平均或左声道），否则左右声道变调不同步，听感诡异。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
