波形、频谱、声谱图。各画一件事。

这条线

声源、声道，然后是一串数字。

肺提供气流。发元音时，声带通常近似周期性地振动；发 s 一类声音时，气流经过狭窄处变成湍流噪声。舌头、嘴唇、口腔和鼻腔再决定哪些频率被增强。

1. 1人怎样发声
2. 2空气怎样振动
3. 3录音保存了什么
4. 4图里显示了什么
5. 5我们为什么听出高低、强调和语气

一个很实用的模型：先有声源，再经声道滤波，最后变成空气压力随时间起伏。

保持近似同一个音高，连续发「啊——衣——乌」。口型在变，音色在变，但不必改你所唱的那个音。音高与元音的音色，是两个可以分开的维度。

01 · 波形

振得多快，与振得多大。

麦克风先接到的是空气压力随时间的变化。录音把它变成一串数字。图的横轴是时间，纵轴是压力变化或与它成比例的幅度。上下起伏表示正负，不是声音正在升调、降调。

• 波形：横轴是时间。
• 上下是相对振幅，不是音高。

频率 = 1 / 重复一次所需的时间

例如每 5 毫秒重复一次，一秒就重复 200 次，频率是 200 Hz。

真人的元音波形复杂得多，但仍可能看出某种形状在重复。这种整体重复的频率叫基频，记作 F0。不要把复杂波形里每一个小尖峰，都当成一次声带振动。

采样率与基频不是一回事。48,000 Hz 的采样率表示设备每秒记录 48,000 个数；150 Hz 的基频表示声音每秒重复约 150 个周期。这样的录音，每个周期大约有 320 个采样点。

02 · 频谱

谐波的间距，与共振增强的位置。

一个复杂的声音，可以用许多不同频率的正弦成分相加来表示。问「各个频率有多少成分」，得到的就是频谱。

• 波形：横轴是时间。
• 频谱：横轴是频率。

对近似周期的元音，频谱里常出现一列间隔整齐的成分，叫谐波。如果 F0 是 150 Hz，谐波出现在约 150、300、450、600 Hz……的位置。

声道会特别增强其中某些频率区域。这些共振区域的中心频率，依次叫 F1、F2、F3……共振峰。它们与声道形状有关，是区分元音的重要线索。

这里尤其要记住：F0 不是「第零个共振峰」，F1 也不是第一根谐波。它们虽然都用 Hz 表示，却描述不同机制。

一个实用的身体对应是：F1 常与舌位高低、开口程度有关；F2 常与舌位前后等因素有关。但嘴唇形状、声道长度等也会影响它们，不能只凭一个数值就断定嘴里发生了什么。

03 · 声谱图

同一段合成声音：波形 → 声谱图 → F0。

频谱描述一小段声音的频率构成，但说话一直在变化。可以把录音切成许多彼此重叠的小窗口，对每个窗口做一次频谱分析，再把结果按时间排列：一小段波形 → 一列频谱 → 很多列沿时间拼起来 → 声谱图。

• 横轴：时间。
• 纵轴：频率。
• 颜色深浅或明暗：对应时间、频率附近的频谱能量。

1. 看元音段。a、i、u 的能量集中位置不同，但下面的 F0 都保持 150 Hz。这说明「元音变了」不等于「音高变了」。
2. 看 s 段。高频区域有明显能量，F0 却留空。这是一段有声音、但没有稳定声带周期的摩擦噪声。
3. 看静音段。波形和声谱能量都明显减弱。它与「没有 F0、却有摩擦声」的情况不同。
4. 切换分析窗。30 ms 窗更容易分开一条条谐波；5 ms 窗更容易显示时间上的快速变化。

观察时间越长，越容易辨清相近频率；观察时间越短，越容易定位变化发生的时刻。所以同一录音可以生成外观不同、各有用途的声谱图。

还要避免一个直觉陷阱：声谱图上方出现很多能量，并不意味着说话人的音高很高。「s」就是反例；元音的高次谐波也可以达到几千 Hz，而 F0 仍只有一两百 Hz。

F0 曲线是算法的估计结果，不是录音里原本藏着的一根线。把波形向后平移一点，看它与自己有多相似。假如平移 5 ms 后很相似，200 Hz 就是一个可能的 F0。它也可能把一个周期误认成两个，产生 200 → 100 Hz 一类错误。

04 · 音高轨迹

同一个「啊」的三条音高轨迹。

波形里的快慢，到了这张图里，变成了线的位置高低。周期越短，F0 数值越高，听觉上通常表现为音高上升。

在原始波形里，周期越来越短；在 F0 曲线里，数值越来越高；在听觉上，通常表现为音高上升。

严格说，F0 是声学量，音高是听觉体验。两者对普通有声语音关系密切，但不是完全相同的概念。

你可能觉得上升的「啊？」像询问，下降的「啊。」像确认或结束。这是很有用的体验，但不能把某条曲线直接翻译成某种心理状态。

人理解语调时，会同时利用：

• 音高走向：上升、下降、平稳，以及转折在哪里
• 音域：这一段相对说话人平常的声音，是更高、更低，还是变化更大
• 时长与停顿：哪个音节被拉长，哪里停下来
• 强度与音质：声音是否更强、带气声、紧绷或沙哑
• 词句与上下文：对方正在回答、反问、纠正，还是继续说

小王买了红茶。——关注「是谁」。

小王买了红茶。——关注「做了什么」。

小王买了红茶。——关注「买了什么」。

普通话还多一层：字的声调和句子的语调，共同影响最终的 F0。句末字本来的声调、是否轻声、强调落在哪里，都会改变你看到的曲线。「问句必升、陈述句必降」并不成立。

读录音

看见变化。先别下故事。

真正分析录音时，可以用下面这张表约束自己的判断。

录音本身也会影响这些图。麦克风距离、输入增益、自动音量控制、降噪和房间混响，都可能改变测量结果。做对比时，尽量保持设备、距离和处理方式一致。

尤其是「响度」：普通录音的数字幅度，不会自动告诉你现场是多少分贝声压级。没有经过标定，不能把软件显示的强度数值直接当成真实环境的 dB SPL。

最后可以用手机做一组很小的实验，每段两三秒，尽量保持同样的录音距离：

• 发两次「啊」，保持音高相近，一次轻、一次响。预测：主要是幅度和强度改变。
• 发两次「啊」，一次低、一次高。预测：波形周期、谐波间距和 F0 改变。
• 保持同一个音高，发「啊——衣——乌」。预测：共振峰分布改变，F0 可以接近不变。
• 发「啊——丝——啊」。预测：中间仍有声谱能量，但通常没有稳定 F0。
• 用相同的字说「他来了？」和「他来了。」。先听，再比较句末及整句的 F0、时长和强度。

能解释前四组差别，就已经建立了读图的基础；第五组开始把这些声学线索与真实的表达意图联系起来。

核对

先想好，再点。

同样的 F0 仍可以是不同元音。声谱图上方很亮，也不自动等于音高很高。