谐波（harmonics）

前级话放（Mic Preamp）‌、饱和效果器（Saturation）、激励器（Exciter）、失真效果器（Distortion）、变压器（Transformer）这几类音频插件，因为打破了线性系统的叠加原理，即“输出信号不再与输入信号保持严格的比例关系”，所以都属于非线性音频系统，人声被它们处理后，会产生新的频率成分。

• 新生谐波：单频信号通过非线性系统后，产生基频整数倍的新成分，如 2f、3f、4f。
  • 特点：偶次谐波偏温暖、圆润；奇次谐波偏硬朗、有颗粒感；阶数越高越粗糙。
  • 量级：前级话放和变压器，在常规电平时通常很低，往往只有 0.01% ～ 0.05% 量级，过载后才显著上升。饱和器、失真器可明显控制。
  • 影响：适量让 TTS 人声更厚、更顺滑或更有穿透力；过量会刺耳、发沙。
• 次谐波与低频扩展：产生低于基频的分量，或通过算法合成低频增强成分。
  • 特点：不是基频整数倍，常见于低频扩展、强不对称失真。
  • 量级：常规人声处理中较少；仅在特定激励器、低频扩展或重度失真时明显。
  • 影响：适量增加胸腔感；过量会让低频发浑。
• 互调产物：多个频率通过非线性系统时，产生和频、差频及组合频率，如 f1±f2、2f1−f2。
  • 特点：常不落在基频整数倍上，比谐波更容易听出“脏感”。
  • 量级：前级话放和变压器，常规使用下较低。饱和器在轻驱动时通常很少；失真器、多频信号、总线饱和时明显增多。
  • 影响：轻微时增加密度；过量会让元音发糊、齿音变脏、人声分离度下降。
• 交互耦合成分：已产生的谐波、互调产物再次通过非线性环节，生成二级、三级新成分。
  • 特点：具有累积性，处理链越长越复杂。
  • 量级：单插件轻处理时较少；多插件串联、高驱动、总线处理时快速累积。
  • 影响：合理串联更丰满；堆叠过多会发糊、发脏。
• 动态包络改变：非线性使不同电平被不同程度压缩或整形，瞬态、延音和响度关系变化。
  • 特点：不一定产生明显新频率，但会改变时间形态。
  • 量级：饱和器、失真器、部分前级话放较明显；变压器和激励器通常较弱。
  • 影响：人声更“实”、更靠前；过度会损失咬字冲击力。
• 直流偏移：波形整体偏离零点，输出出现非零直流分量。
  • 特点：本身多不可闻，但会破坏后续处理的对称性。
  • 量级：通常较弱；非对称失真、单端饱和、数字建模偏差时更明显。
  • 影响：可能导致压缩检测失准、削波更不对称；一般可用极低频高通处理。
• 混叠与量化噪声：数字非线性产生的超奈奎斯特成分折返成可听杂散，量化误差也会形成相关噪声。
  • 特点：常呈金属毛刺、砂纸感、数字碎屑；过采样可明显抑制。
  • 量级：不开启 ‌oversampling （过采样）且驱动较大时明显；开启过采样后，通常可压到很低。
  • 影响：轻微时增加质感；过量会让齿音、气声变脏，TTS 人声更易显假。
• 调制噪声 / 寄生调制边带：信号包络、噪声底与非线性环节互相调制，产生围绕原始频率的边带。
  • 特点：不是稳定谐波峰，而是随动态变化的细碎旁瓣。
  • 量级：常规使用时通常较弱；驱动加大、侧链滤波不足或调制饱和时会增强。
  • 影响：适量增加空气感；过量会让气声变散、齿音发毛。

按插件类型的“数量级”速记：

• Mic Preamp：常规电平时谐波和互调都很低，主要贡献是轻微包络变化；过载后失真明显上升。
• Saturation：谐波可控、互调在轻驱动时较少，过载后互调和混叠风险明显增加。
• Exciter：高频谐波较明显，但直流偏移、互调通常较弱；混叠取决于是否过采样。
• Distortion：谐波、互调、直流偏移、混叠风险整体最高，最容易产生大量新成分。
• Transformer：优质变压器常规使用下失真很低，以低次偶次谐波为主；磁芯饱和后失真才会明显增大。

新生谐波

• 前级话放（Mic Preamp）：‌
  • 电子管建模款：以‌2次偶次谐波‌为主，少量3次奇次谐波，高次谐波占比极低。
  • 变压器耦合款：2次谐波占主导，叠加适量3次谐波，谐波集中在 200 - 800Hz 低中频段。
  • 晶体管/运放款：谐波量极少，仅残留极微量低次奇次谐波，整体接近透明。
  • ‌谐波特点‌：谐波生成与输入增益深度强绑定，信号峰值越大谐波占比越高，失真随电平渐进式增加，不会突然出现硬削波毛刺，能自然增厚人声胸腔共鸣，让干声更贴近听者。
• 饱和效果器（Saturation）：
  • 电子管风格：以2次、4次等低次偶次谐波为核心，3次谐波占比很低。
  • 磁带风格：偶次谐波为主，叠加少量3次奇次谐波，谐波分布更均匀覆盖中低频。
  • 晶体管风格：3次、5次奇次谐波占比提升，偶次谐波占比相应降低。
  • ‌谐波特点‌：全频段非线性生成谐波，附带 2dB 左右的软压缩效果，能柔化人声瞬态、降低峰值因子，不会引入刺耳高次谐波，是人声中频补厚度的核心工具。
• 激励器（Exciter）：
  • 核心谐波‌：以‌5次、7次及以上的高频奇次谐波‌为主，可人工选择性生成少量偶次谐波做音色平衡，谐波集中在 6kHz - 12kHz 高频段。
  • ‌谐波特点‌：通过旁链选频路径单独生成谐波，不处理中低频原始信号，生成的谐波与基音严格保持整数倍关系，专门提升人声高频空气感和穿透力，不会放大底噪和呼吸声。
• 失真效果器（Distortion）：
  • 硬削波类：大量3次、5次、7次及以上的高次奇次谐波，谐波序列无明显衰减。
  • 软失真类：奇次谐波为主，叠加少量偶次谐波，高次谐波能量随频率升高逐步衰减。
  • ‌谐波特点‌：谐波生成无频段选择性，全信号硬折叠产生大量互调失真，听感粗糙有侵略性，仅适合摇滚、电子等人声风格做极端染色，过量使用会完全破坏人声自然度。
• 变压器（Transformer）：
  • ‌核心谐波‌：以丰富的‌2次、4次偶次谐波‌为主，深度驱动下才会产生少量3次奇次谐波，几乎没有7次以上的高次谐波。
  • ‌谐波特点‌：谐波生成具有频率依赖性，低频信号更容易触发磁芯饱和产生谐波，附带自然的低频压缩感，轻微滚降极高频消除数字刺耳感，能给人声增加“粘稠”的整体粘合度，不会改变原始人声的基础音色平衡。

在音频处理中，对人声“谐波”（harmonics）处理方式主要有三种：

• 重排型‌：仅调整原始信号已有谐波的相对电平、相位、时域分布，全程无额外非线性生成。例如：频率均衡（EQ）、动态均衡、相位调整、去齿音、共振抑制等。它只“整理”已存在的谐波，不生成新的谐波。
• ‌附带型：‌核心功能并非生成谐波，谐波是硬件模拟（非线性处理）过程中自然产生的副产物。
  • 压缩器：VCA（干净、透明）、光学/LA-2A（慢、柔和、偶次染色）、FET/1176（快、带晶体管式失真、增加咬字边缘）、Tube 型（Warmth）。压缩本身不生成新频率，但任何模拟建模的增益级都会带入谐波。
  • 限制器：本质是极端压缩 + 削波，谐波副产品最多，放在人声链末端时最容易让齿音变硬。
  • 调制类（Chorus、Flanger、Phaser、ADT）：严格来说它们产生的是边带而非谐波，属于“非谐波性”成分，这也是它们一听就很“效果器”的原因。用在人声上宜少量、宜放在发送轨。
  • 空间类（Reverb、Delay）：线性混响本身不产生谐波，但板式/磁带/电子管建模的混响和磁带延迟会带来自身的谐波染色与高频损耗，常被用来给已经“太干净”的数字人声补有机感。
• 生成型‌：以主动生成全新谐波为核心设计目标，通过算法/非线性电路定向构造目标频率的泛音分量。它可以直接生成原始信号不存在的泛音分量，快速补足厚度和穿透力。例如：饱和器、激励器、次谐波合成、声码器等。

这四类插件的核心差异，本质是‌谐波生成在功能中的优先级、生成逻辑和音色取向完全不同‌，从“附带谐波”到“主动生成谐波”形成了清晰的梯度，直接决定了人声处理中的人工感、动态保留度和适用场景。

• ‌同源性‌：四者都属于非线性谐波生成类工具，都能给原始信号添加新的频率分量，从 Preamp 到 Distortion 是谐波生成占比逐步提升的连续光谱。
• ‌核心分界点‌：Preamp 的谐波是“附带产物”，Saturation 的谐波是“自然模拟的核心功能”，Exciter 的谐波是“选频人工合成的核心功能”，Distortion 的谐波是“彻底重塑波形的唯一目标”。
• ‌人声处理优先级‌：常规自然向人声处理，优先用 Preamp 打底，再用 Saturation 补厚度，最后用 Exciter 提清晰度，全程避开过量 Distortion，就能把人工感降到最低。

听感归属

谐波与基频相干，听感上会被"归到"那个频段。 2×、3× 是整数倍、与基频锁相，人耳把它当成那段声音的音色（泛音），而不是一个新音符。于是主观上就是"这一段变暖了"，尽管物理能量铺到了频段之外的高处。

• “相干”与“锁相”（物理基础）
  • 整数倍关系：假设你用 Orra Tube 给一个 100Hz 的贝斯音做饱和处理。
    • 基频（主音符）：100Hz。
    • 电子管产生的谐波：
      2次谐波：100Hz × 2 = 200Hz
      3次谐波：100Hz × 3 = 300Hz
      4次谐波：100Hz × 4 = 400Hz
  • 相位关系（Phase）：因为它们是整数倍，它们每振动一次，都会与基频同时在波形的起点（零交叉点）重合。
    • 100Hz 振动 1 圈时，200Hz 刚好振动完 2 圈，它们同时回到起点。
    • 100Hz 振动 1 圈时，300Hz 刚好振动完 3 圈，它们也同时回到起点。
    • 这种“永远同时回到起点”的现象，就是锁相。它在波形上表现为一种极其稳定的重复周期。
• 归属频段（大脑的欺骗）
  • 大脑的“基频追踪”机制（Fundamental Tracking）：这些物理上原本存在于 200Hz、300Hz 的泛音列能量，在主观上被大脑打包，算作了 100Hz 这个音符的一部分。
  • 缺失基频效应（Missing Fundamental）：如果你把 100Hz 的基频完全切掉，只留下 200Hz、300Hz、400Hz，你的大脑依然会脑补出 100Hz 的音高！因为你听到的频率组合在“暗示”大脑基频的存在。
• 听感上：“这段变暖了”而不是“多了一个新音符”
  • 如果频率不是整数倍，或者没有锁相。假设你给 100Hz 的信号加了一个 150Hz 和 220Hz 的非整数倍频率：大脑无法在它们之间找到完美的数学规律。大脑就会判定：“这是两个不同的声音叠在一起了。”
  • 听感上，你会觉得“旁边多了一个音符”，或者感到不协和、粗糙、刺耳（这就是“拍音”和“失谐”）。

Orra Tube：因为电子管产生的是完美的 2次、3次谐波：

• 物理能量确实铺到了 200Hz、300Hz 这些更高的频段。但因为它们与 100Hz 完美锁相，被大脑当成是 100Hz 的“自带色彩”。
• 2次谐波（高一个八度）给基频加了厚度；4次谐波（高两个八度）给基频加了光泽。
• 主观听感就是：“这个 100Hz 的低音变得更温暖、更饱满了。”

总谐波失真（THD）

总谐波失真（THD）是‌所有谐波分量的总有效值与基波有效值的比值‌，常用百分比或 dB 表示，THD = 0.1% ≈ −60 dB，就代表所有新增谐波的总能量是原始基波能量的 0.1%。谐波分为偶次谐波（2/4/6倍基频）和奇次谐波（3/5/7倍基频），人耳天然对偶次谐波接受度极高，听感圆润温暖；对奇次谐波极其敏感，过量会直接产生刺耳的毛刺感。

在人声的后期处理中，使用虚拟麦克风或前置话放时，总谐波失真（THD）数值越低，声音越纯净；而刻意引入的轻微失真，则能赋予声音独特的质感（即“染色”）。

• 追求高保真与纯净还原（透明风格）：如果你的后期处理目标是原汁原味地还原人声细节，不改变麦克风原有的音色，那么 THD 数值越低越好。
  • 推荐标准：THD 通常应控制在< 0.1%（-60 dB）甚至< 0.01%（-80 dB）。
  • 听感表现：在这个范围内，人耳几乎无法察觉失真，声音非常纯净、线性度高，能够完整保留人声的微弱细节和泛音。专业级的“透明话放”通常采用这一标准。
• 追求复古质感与音色美化（染色风格）：如果你希望为人声增加一些温暖、丰富的质感，或者模拟老式设备的复古音色，那么可以接受甚至刻意引入一定的 THD。
  • 推荐标准：THD 数值可能会在 0.5%（-46 dB）- 5%（-26 dB）之间。
  • 听感表现：这种失真属于“良性艺术染色”。特别是以偶次谐波（如二次谐波）为主的失真，会让人声听起来更“温暖”、“丰富”。电子管（胆机）或变压器话放正是通过这种可控的谐波失真来塑造复古音色的。
• 人声旁白黄金区域：要让旁白的声音褪去冷硬的“数字味”，转变为富有质感、亲切且专业的“广播级”声音，核心在于引入“良性艺术染色”。
  • 黄金数值区间：0.5%~ 2%（约-46 dB到-34 dB）。对于旁白而言，将 THD 控制在这个区间是最合适的。
  • 听感表现：在这个范围内，如果产生的主要是偶次谐波（如二次谐波）。这种失真不会破坏声音的清晰度，反而能像“滤镜”一样，填补数字录音中干瘪的高频，让人声听起来更“温暖”、“丰富”且“饱满立体”。
  • 广播级特质：它赋予了声音一种恰到好处的“厚度”和“磁性”，听起来像是经过了顶级电子管（胆机）或变压器话放的润色，非常适合讲故事、纪录片或商业广告旁白。
  • 低于 0.1%（-60 dB 以下）：声音过于干净、线性。虽然保真度高，但缺乏情感温度和模拟设备的空气感。
  • 高于 5%（-26 dB 以上）：失真开始喧宾夺主，声音容易变得发糊、粗糙，甚至出现刺耳的奇次谐波，这会严重破坏旁白最需要的“清晰度”和“可懂度”。
• 需要避免的劣质失真：无论追求何种风格，都需要区分“良性染色”与“劣质失真”：
  • 如果 THD > 10%（-20 dB），或者产生了过多的奇次谐波（如三次谐波），失真将变得明显可闻。
  • 这种劣化会导致声音发糊、粗糙、刺耳，掩盖人声细节，属于电路缺陷或过度处理，在后期制作中应尽量避免。

THD数值与听感的对应逻辑细化：

• <0.01%（-80dB）：完全透明的极致线性状态，没有任何可感知的谐波染色，100% 保留原始干声的所有细节，是专业“透明话放”的标准参数，适合需要原汁原味还原人声本底的录音场景。
• 0.1% - 0.5%：极淡的谐波染色，人耳几乎无法直接察觉，但已经能轻微消除数字音频的冰冷感，是现代高端固态话放的主流参数区间。
• 0.5% - 2%：人声旁白的黄金区间，如果谐波以二次偶次谐波为主，完全不会破坏咬字清晰度，只会给人声增加恰到好处的厚度和磁性，完美复刻广播级电子管话放的润色质感，是纪录片、商业广告旁白的首选参数。
• 2% - 5%：复古染色区间，谐波占比提升，温暖感进一步增强，适合爵士、流行等人声风格，过量使用会轻微模糊人声细节，不适合对清晰度要求极高的旁白场景。
• 10%：劣质失真区间，如果奇次谐波又占比大幅升高，声音会快速变得发糊、粗糙、刺耳，直接掩盖人声咬字细节，属于后期处理中必须规避的严重劣化。

人声处理的避坑核心要点：THD 的“数值”只是参考，‌谐波类型的优先级远高于总数值‌：哪怕总 THD 只有 1%，如果奇次谐波占比过高，依然会出现刺耳的金属感；哪怕总 THD 达到 3%，如果以偶次谐波为主，听感依然会非常温润自然。这也是电子管话放的THD数值普遍高于固态话放，但听感更受欢迎的核心原因。