谈谈语音识别与人声的物理原理，以及真声假声头声混声等概念

~ 继续最近的话题。知乎有不少语音识别的文章，但主要是黑箱子端对端，没涉及背后的物理过程。

其实，人类的发声过程很有意思，在此我们从物理的第一性原理谈谈这些问题，也可以更好地理解唱歌中涉及的各种名词。

1. 频谱，与元音、辅音的来源

声音来自于振动。重要的方法是频谱分析（傅里叶分析），就是把声音拆成各个频率组分：

那么请看下面的三张频谱图，来自于我写的微信小程序“声音精灵”，大家在微信可以搜到：

这是“MA”音（竖格对应的频率是20到20000Hz）：

这是“MI”音：

这是“MU”音：

这几个音的音高（基频，对应的是红圈标记的峰中最左边的峰）差不多，都是130Hz左右，但为什么我们可以分辨出是不同的音？其实是来自于声音的共振峰（formant）的位置区别。

这里的元音A在700Hz和1400Hz特别高，元音I在2000Hz和3500Hz特别高，元音U的峰不明显（因为对应的频率比较低）。大家感兴趣可以测测自己的共振峰频率，每个人会不一样，但都会差不多。

如下图所示，共振峰的区别，是因为我们在发不同元音时，会灵活地变动各个腔体的体积和形状，从而改变共振的情况，塑造出想要的频谱。这一切都是我们下意识完成的，可见人的发声是可以千变万化的。

声带本身振动产生的频谱，是很简单的，但经过腔体的塑造就可以形成不同的元音，甚至不同的音色。

上面分析的是元音。辅音是如何来的呢？辅音是来自于发声在时间上的变化，需要在声谱图（spectrogram）才能看见，熟手可以直接从声谱图看出在说什么：

语音识别，自然也可以在这样的声谱图上完成。不过算声谱图的计算量比较大，所以大家会用一些偷懒的方法，或者直接在原始波形上进行识别。

2. 真声，假声，头声，混声，边缘化，咽音，闭合

各种唱歌的发声概念，在频谱图上也有清晰的反应。小程序“微信精灵”有一个“真实度”评分，反应的就是泛音的多少。

通常来说，真实度越高，发声的质量就越高。当然，有时我们也会用偏假的声音实现特殊的感情效果。

真声的特点是泛音多（高峰多），频率低。推荐大家体会一下把真实度唱到2以上的感觉，这可以称为较好的“胸声”，通常需要稍大一些的音量才能做到，请离手机远一些，保证录音的音量不超限：

假声的特点是泛音少（高峰少），所以“真实度”低。例如，这是纯假声的高音“A”，只有基频和“A"的共振峰较高：

如果更高一些，就连“A”的共振峰都消失了，“真实度”极低，因为共振峰必须是基频的倍数，659*2已经超过了“A”对应的共振峰的高度：

怎么把假音变得更“实”？前面说过，“i”对应的共振峰很高，所以许多初级高音爱好者会研究把“i”这个音加进假声，让声音更“实”。这属于声带的边缘化技术。例如这是一个加了“i”的假声，在后面的峰翘起来：

边缘化的极端情形是“咽音”，听上去有点像唱戏，民族唱法会用到，在流行歌中也可以适量加。不过，虽然这些方法会令假声“实”一些，但还是显得尖锐，单靠这些方法是无法实现混声。

混声，是练声的重要目标，可以让高音仿佛没有换声点，而且音色优美纯净又有厚度，例如近年林俊杰的混声技术很好，李健轻唱的音色也是混声。

举例，在下面的视频中，从40秒开始的高音的部分，林俊杰的声音非常顺滑，令女声的声音都相对显得粗糙了，这就是典型的混声。

混声高音的频谱如下图，泛音和真声一样丰富（有多个很高的峰），而且频率可以很高（这是安卓机录的，可以看到两端的高低音被砍掉了，建议大家用iPhone录音）：

优质的混声，“真实度”评分可以达到2以上。如果你能做到，就一定是“闭合”高手。

因为混声的发声原理是通过气流的伯努利效应、肌肉的控制、腔体的配合，将声带几乎闭合，让嗓子成为像笛/管一般的乐器。乐器的特点就是泛音丰富，声音悠扬动听。

听上去简单，实际是很有难度的。如果你能做到，会有“在嗓子里找到了一个支点的感觉”，然后在没到换声点的时候就可以转成混声，从而可以轻松地直接通过换声点，实现音色的统一，且音色的听感很好。

比混声简单的是头声。头声的频率更高，泛音没那么丰富，但也不错：

最后还有哨音（海豚音）。哨音也是通过闭合实现，如果看频谱是假声，不过这可能只是因为基频太高，所以难以出现共振峰。哨音的频率可以高破天际：

3. 总结

以上我们介绍了常用的发声知识。大家可在微信搜索“声音精灵”小程序，直观地了解自己的发声属于什么类型，发声的质量如何。

未来还会加入AI辅助练声，和更多有趣的功能（例如与歌手/他人的声音比对，与歌曲比对，找到问题所在）。大家如果觉得好用，请多多推荐给朋友吧。

---

谈谈语音识别与人声的物理原理，以及真声假声头声混声等概念视频