基音泛音音调音色
声音本质是声能，产生于物体振动，可以是拨动（琴弦）、敲击（琴槌）、摩擦（弓毛）、气流冲击（声带）等多种激发方式。声波是机械波，在空气中以纵波形式传播，也可在液体、固体中传播——真空不传声，是因为缺少传递振动的弹性介质。由场中声波以球面波向外扩张，声强按距离平方反比下降，距离每增加一倍，声压级约下降 6dB。这是近场衰减的主体。介质黏滞性、热传导（合称经典吸收）与分子弛豫吸收把有序声能不可逆地转为热能。其衰减系数与频率平方成正比——频率升高 10 倍，吸收系数增大 100 倍。
- 频率：发声体每秒完成的周期性振动次数，单位为赫兹（Hz）。直接决定音调高低，频率越高感知到的音调越高，频率越低感知到的音调越低。声基频通常落在 85 Hz ~ 255 Hz 区间，泛音成分可延伸至 16k Hz 以上。
- 基频：复合声波中频率最低的周期性分量（F0），通常也是能量占比最高的成分。人耳会优先捕捉这个最低频率，直接决定我们感知到的核心音高，哪怕基频能量被大幅削弱，听觉仍会通过泛音列“脑补”出对应的音高。
- 谐波：按频率是否为基频整数倍切分。第 n 次谐波频率 = n × F0，其中基频 = 第 1 次谐波。
- 泛音：按是否高于基音切分，指基音以上的分量。序号起点不同：常规约定 第 1 泛音 = 2F0 = 第 2 次谐波，即泛音序号 = 谐波序号 − 1。
- 偶次谐波：频率为基频的 2、4、6…倍，听感温暖圆润，是电子管话放、磁带饱和重点强化的成分，能大幅弱化 TTS 人声的机械冰冷感。
- 奇次谐波：频率为基频的 3、5、7…倍，适量添加可提升人声穿透力，过量则会导致音色刺耳、发硬，数字硬削波会大量生成这类谐波。
- 复合音：由基音和泛音列叠加形成的复杂声波，自然界中几乎所有乐音（人声、常规乐器声）都属于复合音，不存在绝对纯净的单频纯音。复合音的波形形态由泛音叠加规则决定，是我们能区分不同声源的物理基础。
非谐波
非谐波：人声不是纯周期信号，还包含很多非周期性、非整数倍频率的成分。
- 摩擦噪声：发/s/、/f/、/th/等清辅音时，气流通过声道缝隙产生的类白噪成分，集中在 2 - 10kHz 高频段，是咬字清晰度的关键来源。
- 瞬态脉冲成分：发/b/、/p/、/d/等爆破音时产生的短时高频冲击，决定了咬字的力度感，过度压缩会直接导致音头变软、咬字发糊。
- 呼吸声与气声：声带闭合不完全时产生的宽带嘶声、气息感。真实人声自然带有的气流扰动声，分布在全频段，适量保留能大幅提升人声的真实感，避免 TTS 音色过于“干净”而显机械。
- 互调失真成分：人声不同频率成分互相调制产生的非整数倍频率产物，适量的模拟设备互调失真能增加音色厚度，过量则会引入浑浊感。
- 环境噪声与录音噪声：房间反射、麦克风底噪、喷麦、齿音过强等也会进入人声频谱。
共振峰
共振峰：声带产生的声源信号经过声道时（口腔、咽腔、鼻腔等），对某些频段选择性增强，形成共振峰。共振峰不是新产生的频率，而是频谱包络上的能量集中区。
- 共振峰的稳定性：共振峰位置由声道形状与长度决定，同一人、同一元音、同一口型下相当稳定，不受基频线性影响；但它会随喉位高低（唱高音时喉头上移）、协同发音、语速发生数个百分点的小幅漂移。
- 人声共振峰：通常有5个核心共振峰，其中前3个对语音辨识度影响最大：
- 第一共振峰（F1） 200 - 1000Hz，由开口度（舌位高低）决定，开口越大 F1 越高；
- 第二共振峰（F2） 1000 - 2000Hz，由舌位前后与唇形圆展决定，舌位越靠前 F2 越高；
- 第三共振峰（F3） 2000 - 3500Hz。
- F1/F2 的比值关系决定发的是哪个元音；F3 及以上更多体现个人嗓音特征与卷舌音。
- 鼻辅音会在约 2500Hz 附近出现额外共振峰。
- 歌手共振峰：由训练使喉头降低、喉室及咽腔下部扩张、杓状会厌襞收窄而形成的一个不受音高与元音影响的额外共振峰，常见于 2800–3400Hz（或者 2500–3000Hz），作用是让歌声穿透管弦乐队。
音色
音色（Timbre），又称音品，是声音的三大属性之一（另外两个是响度和音调）。它是我们听觉系统用来区分具有相同音高（音调）和响度的不同声音的特性。例如：当小提琴和钢琴演奏同一个“中央C”音符时，尽管它们的基频（音高）和振幅（响度）完全相同，我们依然能瞬间分辨出哪个是琴弦拉奏的，哪个是琴槌敲击的。这种独特的听觉“指纹”就是音色。简而言之，单纯的基音（正弦波）听起来是单调乏味、没有个性的。正是由于泛音列的复杂组合以及声音的时间动态，才赋予了乐器和人声特有的感染力和辨识度。
音色主要由声音的频谱结构决定。自然界中几乎不存在单纯的简谐振动（单一频率的正弦波），绝大多数乐器和人声发出的都是复杂的复合波。
- 基频与基波：物体振动时，频率最低、振幅通常最大的成分称为基频，它决定了我们听到的音高。
- 泛音与谐波：在基频之上，物体还会同时产生一系列频率为基频整数倍的高频振动。在物理学中，这些被称为谐波；在音乐声学中，被称为泛音。
- 音色的来源：不同乐器由于材料、结构及发声方式不同，其产生的泛音数量、频率分布以及相对强度（振幅）截然不同。正是这些泛音以不同比例叠加在基音上，形成了独特的波形，赋予了声音丰富的色彩。
除了频谱结构，音色还受声音随时间变化的特性影响，这被称为时间包络（ADSR）。
- 它描述了声音从产生到消失的过程：起音（Attack）、衰减（Decay）、延音（Sustain）和释音（Release）。
- 例如：钢琴的声音是“敲击”出来的，起音极快且随后衰减；而小提琴的声音是“拉奏”出来的，起音较平滑且可以持续维持。这种时间上的动态差异也是我们分辨音色的重要依据。
音域
人发出的声音是一种复合音，由基音和泛音共同组成。基音：是指声带整体振动产生的、频率最低的振动。它决定了我们听到的声音的音高（Pitch）。例如，女性声音的基音频率通常在 200 - 300 Hz之间，男性则在 80 - 150 Hz之间。泛音：是指声带除了整体振动外，其分段振动产生的一系列频率更高的振动。泛音不决定音高，但决定了声音的音色（Timbre），也就是我们常说的“共鸣”。这些共鸣由咽喉、口腔、胸腔、鼻腔等腔体共同作用形成。
人的音域是指一个人能够发出的从最低音到最高音的范围。通过专业训练，这个范围可以得到拓宽。人声的总音域（从最低男低音到最高花腔女高音）大约跨越五个到五个半八度，频率范围大致在 64 Hz 至 2048 Hz 之间。在音乐中，人声通常被划分为以下主要声部，其自然音域的频率范围大致如下：
男低音：82 ～ 392 Hz；男中音：123 ～ 493 Hz；男高音：164 ～ 698 Hz。
女低音：123 ～ 493 Hz；女中音：220 ～ 698 Hz；女高音：220 ～ 1100 Hz。
人耳能够感知的声音频率范围大约是 20 Hz ～ 20,000 Hz（20K Hz）。人耳对不同频率的敏感度是不同的。通常认为，人耳对 2000 Hz ～ 5000 Hz 的频率范围最为敏感。这个范围恰好包含了人类语言中大部分用于辨识语义的辅音信息，因此对语言清晰度至关重要。
- 人声的能量主要集中在中低频区域，大约在 100 Hz ～ 3000 Hz（3K Hz）之间。这个频段决定了声音的厚度和主体轮廓。而人声低音主要在低频 100 Hz 以下。
- 人声的清晰度、可懂度和明亮感主要由中高频决定，关键频段大约在 2000 Hz（2K Hz）～ 6000 Hz（6K Hz）。
- 2K Hz - 5K Hz：这个范围极大地影响语音的清晰度和可懂度。如果不足，声音会显得含糊；如果过强，则会感觉刺耳。
- 5K Hz 以上：这个频段主要影响声音的“空气感”和细节，如齿音（s, sh等）。它并非由“星状细胞”接收，而是由内耳的毛细胞负责。随着年龄增长或长期暴露在噪音中，毛细胞会受损，导致对高频声音（尤其是4K Hz以上）的感知能力下降，从而影响对语音细节的分辨。
在音频处理中，为了提升人声的清晰度和听感，通常会特别关注中高频段。例如，适度提升 2K Hz - 6K Hz 的频率可以让人声更突出、更清晰。同时，也会使用压缩器控制动态，使用均衡器切除不必要的低频噪音（如 80Hz 或 100Hz 以下），或衰减导致声音浑浊的中低频（如 300 - 500 Hz），以获得更干净、专业的声音效果。