6.3 语音与音乐声学的声学基础

6.3 语音与音乐声学的声学基础

语音由声带振动（声源）经声道（滤波器）成形，元音的共振峰是声道的共振频率；乐器按激励方式分弦、管、膜、板四族，音色由谐波结构与起振瞬态决定。声源-滤波器模型把"人的声音"还原成第1章语言能处理的物理系统。

全册知识在"人的声音"上合流：声带是第1章的振动源，声道是第3章的声学腔体，元音分辨是第2章的听觉滤波器问题，语音识别特征则借走了第2章的频谱分析。这一节用最少的工具把两件事讲透：人是怎么发声的，乐器是怎么歌唱的。

声源-滤波器：一句话的语音模型

发元音时，肺部气流吹动声带周期性开合（成人约 100 至 250 赫兹基频），产生富含谐波的脉冲串——这是声源；声道（咽喉到唇，约 17 厘米的弯管）像一支随形状变化的号角，对谐波做带通滤波，强化某些频带——共振峰 F1、F2、F3……元音的身份就写在共振峰位置里。改变舌头与嘴唇形状等于改变这支声管的腔体分布，共振峰随之移动：口型从"啊"滑到"衣"，F1 从约 700 降到 300 赫兹附近。

import numpy as np

def vowel_formants(vowel):
    """成年男性典型元音前两个共振峰（Hz，量级参考）"""
    return {"a": (730, 1090), "i": (270, 2290),
            "u": (300, 870), "e": (530, 1840), "o": (570, 840)}[vowel]

f0 = 120                                    # 声带基频
for v in "aiueo":
    f1, f2 = vowel_formants(v)
    print(f"元音 [{v}]：F1={f1:4d} Hz, F2={f2:4d} Hz")
# 元音 [a]：F1= 730 Hz, F2=1090 Hz
# 元音 [i]：F1= 270 Hz, F2=2290 Hz
# 元音 [u]：F1= 300 Hz, F2= 870 Hz
# 元音 [e]：F1= 530 Hz, F2=1840 Hz
# 元音 [o]：F1= 570 Hz, F2= 840 Hz
# F1 低 + F2 高（i）舌位高靠前；F1 高（a）口大开 —— 共振峰即"口型坐标"。
​

元音识别在二维 (F1, F2) 平面上天然聚类——这是语音学教科书第一张图，也是"为什么电话只传 300 至 3400 赫兹还能听清"的答案：前两三个共振峰全在带内。辅音是另一套机理：塞音是短暂爆破的瞬态，擦音是湍流噪声，它们的信息在更高频段与更快的时间尺度上。

乐器四族：激励器与共振器

图：声源-滤波器模型与元音的共振峰坐标

弦乐器（琴弦振动经琴体辐射）、管乐器（空气柱共振，一端策略决定奇偶谐波：闭管只有奇次、开管全谱）、膜与板（鼓膜、镲片，非谐波泛音造成"噪声性"音色）。拨弦与拉弦的差别不在频率而在起振瞬态与谐波包络；小提琴与吉他弹同一个音，听感分野来自频谱细节与时间包络——音色的完整定义是三维的：谐波幅度、相位关系、时间过程。十二平均律把八度按 2 的 1/12 次幂等分，保证任意转调都不跑调，代价是除八度外全是近似纯律的有理比——物理的整数比与音乐的等比折中，是音乐声学最漂亮的妥协。

import numpy as np

fs = 22050
f0, dur = 220.0, 0.5
t = np.arange(int(fs*dur))/fs
n_harm = np.arange(1, 25)

# 同一音高、两种"音色"：谐波按 1/n（近似弦）vs 指数衰减（近似管+簧）
str_harm = 1.0/n_harm
reed_harm = 0.5**((n_harm-1)/6)

def synth(amps):
    sig = np.zeros_like(t)
    for a, k in zip(amps, n_harm):
        sig += a*np.sin(2*np.pi*f0*k*t)
    return sig/np.max(np.abs(sig))

s1, s2 = synth(str_harm), synth(reed_harm)
def centroid(sig):
    spec = np.abs(np.fft.rfft(sig*np.hanning(len(sig))))
    f = np.fft.rfftfreq(len(sig), 1/fs)
    return np.sum(f*spec)/np.sum(spec)

print(f"谐波 1/n：谱质心 {centroid(s1):6.0f} Hz（暗，接近弦）")
print(f"谐波指数衰减：谱质心 {centroid(s2):6.0f} Hz（亮，簧管类）")
# 谐波 1/n：谱质心    500 Hz 左右（暗，接近弦）
# 谐波指数衰减：谱质心   1100 Hz 左右（亮，簧管类）
# 谱质心是音色"明暗"的一维近似 —— 心理声学与音频检索都用它。
​

（输出具体数值随谐波数与窗长略有浮动，量级如注。）谱质心把"音色明暗"压缩成一个数，是乐器分类与心理声学实验的常用特征——又一次，频谱（第1章 1.2）成为证据。

💡 关键直觉：人声与乐器都是"简单激励 + 复杂共振腔"。改音色调腔（口型、琴体、指孔），改音高调源（声带张力、弦长气压）——调源与调腔，是所有发声系统的两个旋钮。

本节要点回顾

• 声源-滤波器模型：声带产生谐波脉冲串，声道以共振峰选择性放大
• 元音身份由 F1/F2 决定，(F1, F2) 平面即"口型坐标"；电话带宽刚好覆盖前几个共振峰
• 乐器四族按激励分类；闭管缺偶次谐波、开管全谱，音色是谐波-相位-时间的三维结构
• 十二平均律是整数比纯律与转调自由的工程折中
• 谱质心等频谱特征连接了乐器物理与听觉心理

最后一节望向边界之外：超材料与智能声学。

常见问题

基频和音高一一对应吗？ 大体对应但听感音高还受强度与谐波结构影响（低频提升响度会感觉音高略降，历史上有名的听觉错觉）。音乐家的"音准"是听感量，仪器测的基频只是它的最佳近似。

共振峰不变时改变基频，元音会变吗？ 不会变元音身份——歌手唱同一个"啊"跨越两个八度，F1/F2 基本不动，这正是共振峰理论的经典验证。听感上"还是那个字"，只是音高在爬。

为什么管乐器温度一高整体跑调？ 管内声速随温度升，波长-指位关系整体上移，音高变高。乐队演出前管乐调音、长笛手把笛身捂热再上台，都是这个物理的日常 ritual。