把一张频谱图PNG重新变成可以播放的WAV，最大的麻烦不是图片像素到数值的转换，而是补回丢失的相位。短时傅里叶变换得到的频谱通常只保留幅度或功率，相位谱被丢弃。单靠幅度谱无法唯一确定原始波形，因为不同初始化会产生不同的时域信号，但重建的目标是让结果的幅度谱尽量接近原始图像。下面从图像解析、幅度重建、相位恢复和WAV写入四个环节展开，给出可运行代码。

整个流程可以概括为：图像像素映射为幅度谱，迭代恢复相位得到复数频谱，最后通过逆短时傅里叶变换生成时域波形并保存为WAV。参数的选择与原始频谱图生成时是否一致，直接决定重建效果。

一、频谱图PNG与STFT幅度谱的映射

音频频谱图通常以图像形式保存，常见有灰度图、彩色热力图和dB域图。PNG图像每个像素的灰度值或RGB值经过颜色映射后，对应某一时刻某一频率上的幅度或功率。读取时先统一转成单通道，再把像素值归一化到0到1之间。如果原图是dB谱，还需要做dB到线性幅度的转换，否则重建出的音频动态范围会明显失真。

使用PIL读取图像并转为灰度数组的代码如下：

import numpy as np
from PIL import Image
def png_to_magnitude(png_path):
    img = Image.open(png_path).convert("L")
    arr = np.asarray(img, dtype=np.float32) / 255.0
    return arr

这里的归一化假设原始幅度已经映射到0到255。若图像是彩色的，需要先提取亮度或按色彩映射表还原。也可以直接用matplotlib的colormap反函数，但实现复杂。工程上更推荐在生成频谱图时同时保存幅度矩阵为.npy，PNG仅作为可视化和辅助重建。

图像的方向也不能忽略。很多绘图库默认把低频放底部，高频放顶部，但也有上下翻转的情况。拿到PNG后最好先确认频率轴方向，必要时使用np.flipud翻转。图像的高度对应频点数，宽度对应时间帧数，这两个尺寸会直接影响后续STFT参数的设置。

二、Griffin-Lim迭代与相位恢复

逆短时傅里叶变换需要复数值的频谱，包含幅度和相位。只有幅度谱时，最简单有效的相位恢复算法是Griffin-Lim。它在每次迭代中先给频谱配上当前估计的相位或随机相位，然后做逆STFT得到时域波形；接着再对波形做正向STFT，用原始目标幅度替换新频谱的幅度，保留新得到的相位，再进行下一轮逆变换。

这个过程实际上是在时域连续性与频域幅度约束之间交替投影。窗函数和帧移会造成冗余表示，使约束不一致，因此Griffin-Lim不是一次求解，而是逐步收敛。迭代次数通常50到200次，重建质量提升会逐渐变缓。

下面是基于librosa的Griffin-Lim实现：

import librosa
import numpy as np
def griffin_lim(mag, n_fft=2048, hop_length=512, n_iter=100):
    # mag: shape (1+n_fft//2, frames) 的线性幅度谱
    phase = np.exp(2j * np.pi * np.random.rand(*mag.shape))
    stft = mag.astype(np.complex64) * phase
    y = librosa.istft(stft, hop_length=hop_length)
    for i in range(n_iter):
        stft = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
        _, new_phase = librosa.magphase(stft)
        stft = mag.astype(np.complex64) * new_phase
        y = librosa.istft(stft, hop_length=hop_length)
    return y

注意相位初始化对结果有影响。随机相位会让早期重建有噪声，但最终幅度谱会被硬性替换为输入幅度。更稳的做法是先使用零相位或者用上一次正向STFT得到的相位作为下一次的输入，如代码所示。Griffin-Lim适合离线批量重建，实时场景则需要更轻量的模型。

三、完整重建流程：PNG到WAV

完整的逆重建需要确定几个关键参数：采样率、窗长、帧移、FFT长度以及频谱图的方向。多数频谱图纵轴是频率，横轴是时间，原点在左下角。如果原图保存时上下翻转了，读取后需要np.flipud。

图像尺寸决定了频率帧数和时间帧数。FFT长度要根据频率轴大小设置，例如频率轴有1025个频点，那么n_fft等于2048。时间轴帧数与hop_length相关，实际波形长度可以按公式估算：len_in_seconds = frames * hop_length / sr。如果重建的目标是最接近原图，那么这些参数必须与生成频谱图时一致，否则重建出的音频长度和音色都会出现偏差。

下面把读取PNG、相位恢复和写入WAV串起来：

import numpy as np
import librosa
import soundfile as sf
from PIL import Image
def spectrogram_png_to_wav(png_path, out_wav_path,
                           sr=22050, n_fft=2048, hop_length=512,
                           n_iter=100):
    img = Image.open(png_path).convert("L")
    arr = np.asarray(img, dtype=np.float32) / 255.0
    # 若图像轴上下翻转，取消下一行注释
    # arr = np.flipud(arr)
    phase = np.exp(2j * np.pi * np.random.rand(*arr.shape))
    stft = arr.astype(np.complex64) * phase
    y = librosa.istft(stft, hop_length=hop_length)
    for _ in range(n_iter):
        stft = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
        _, new_phase = librosa.magphase(stft)
        stft = arr.astype(np.complex64) * new_phase
        y = librosa.istft(stft, hop_length=hop_length)
    y = np.clip(y, -1.0, 1.0)
    sf.write(out_wav_path, y, sr)
    return y

实际使用中，如果PNG是dB谱，需要先做 10 ** (db / 20) 转换。同时要注意十六位WAV写入时的量化噪声，可以先归一化到-1到1，再用soundfile的subtype='PCM_16'输出。语音场景采样率通常设为16000或22050，音乐建议44100。

四、相位恢复质量提升与常见误区

Griffin-Lim虽然稳定，但收敛速度慢，恢复出来的音频往往缺少高频细节和瞬态冲击感。一个常见误区是增加迭代次数就能无限提升质量，实际上频谱一致性与时域自然性之间存在折中。改进方案包括RAAR算法，它比Griffin-Lim有更快的收敛速度；还有基于神经网络的相位估计模型，能直接从幅度谱预测相位或者波形。

另一个容易忽略的环节是图像颜色映射。很多频谱图使用magma、jet等色彩映射，直接灰度化无法还原原始幅度。此时应记录生成频谱图时的归一化参数和colormap，将RGB转换回能量值。对于黑白频谱图，要注意0是背景还是静音，如果背景像素值不是0，静音段会重建出底噪。

评估重建质量时，可以用重建波形的频谱图与原PNG做均方误差，也可以主观试听瞬态部分。若音乐信号里鼓点变得模糊，说明相位恢复尚未触及高频瞬态，此时可以减小hop_length或增加n_fft来提升频率分辨率，代价是计算量上升。参数选择并没有一套通用值，需要结合实际音频长度和内容做多次试验。