談談語音識別與人聲的物理原理，以及真聲假聲頭聲混聲等概念

來自專欄技術備忘錄29 人贊了文章

繼續最近的話題。知乎有不少語音識別的文章，但主要是黑箱子端對端，沒涉及背後的物理過程。

其實，人類的發聲過程很有意思，在此我們從物理的第一性原理談談這些問題，也可以更好地理解唱歌中涉及的各種名詞。

1. 頻譜，與母音、輔音的來源

聲音來自於振動。重要的方法是頻譜分析（傅里葉分析），就是把聲音拆成各個頻率組分：

那麼請看下面的三張頻譜圖，來自於我寫的微信小程序「聲音精靈」，大家在微信可以搜到：

這是「MA」音（豎格對應的頻率是20到20000Hz）：

這是「MI」音：

這是「MU」音：

這幾個音的音高（基頻，對應的是紅圈標記的峰中最左邊的峰）差不多，都是130Hz左右，但為什麼我們可以分辨出是不同的音？其實是來自於聲音的共振峰（formant）的位置區別。

這裡的母音A在700Hz和1400Hz特別高，母音I在2000Hz和3500Hz特別高，母音U的峰不明顯（因為對應的頻率比較低）。大家感興趣可以測測自己的共振峰頻率，每個人會不一樣，但都會差不多。

如下圖所示，共振峰的區別，是因為我們在發不同母音時，會靈活地變動各個腔體的體積和形狀，從而改變共振的情況，塑造出想要的頻譜。這一切都是我們下意識完成的，可見人的發聲是可以千變萬化。

聲帶本身振動產生的頻譜，是很簡單的，但經過腔體的塑造就可以形成不同的母音，甚至不同的音色。

上面分析的是母音。輔音是如何來的呢？輔音是來自於發聲在時間上的變化，需要在聲譜圖（spectrogram）才能看見，熟手可以直接從聲譜圖看出在說什麼：

語音識別，自然也可以在這樣的聲譜圖上完成。不過算聲譜圖的計算量比較大，所以大家會用一些偷懶的方法，或者直接在原始波形上進行識別。

2. 真聲，假聲，頭聲，混聲，邊緣化，咽音，閉合

各種唱歌的發聲概念，在頻譜圖上也有清晰的反應。小程序「微信精靈」有一個「真實度」評分，反應的就是泛音的多少。

通常來說，真實度越高，發聲的質量就越高。當然，有時我們也會用偏假的聲音實現特殊的感情效果。

真聲的特點是泛音多（高峰多），頻率低。推薦大家體會一下把真實度唱到2以上的感覺，這可以稱為較好的「胸聲」，通常需要稍大一些的音量才能做到，請離手機遠一些，保證錄音的音量不超限：

假聲的特點是泛音少（高峰少），所以「真實度」低。例如，這是純假聲的高音「A」，只有基頻和「A"的共振峰較高：

如果更高一些，就連「A」的共振峰都消失了，「真實度」極低，因為共振峰必須是基頻的倍數，659*2已經超過了「A」對應的共振峰的高度：

怎麼把假音變得更「實」？前面說過，「i」對應的共振峰很高，所以許多初級高音愛好者會研究把「i」這個音加進假聲，讓聲音更「實」。這屬於聲帶的邊緣化技術。例如這是一個加了「i」的假聲，在後面的峰翹起來：

邊緣化的極端情形是「咽音」，聽上去有點像唱戲，民族唱法會用到，在流行歌中也可以適量加。不過，雖然這些方法會令假聲「實」一些，但還是顯得尖銳，單靠這些方法是無法實現混聲。

混聲，是練聲的重要目標，可以讓高音彷彿沒有換聲點，而且音色優美純凈又有厚度，例如近年林俊傑的混聲技術很好，李健輕唱的音色也是混聲。

舉例，在下面的視頻中，從40秒開始的高音的部分，林俊傑的聲音非常順滑，令女聲的聲音都相對顯得粗糙了，這就是典型的混聲。