人声素材变速参数：0.9-1.3 倍最自然，超过就变调刺耳

一、问题的起点：为什么是 0.9–1.3 倍

1.1 一条经验法则的技术溯源

在播客剪辑、有声书制作、语音合成数据增强等场景中，“0.9–1.3 倍”几乎是一条口口相传的默认区间。它并非凭空而来。早期语音合成系统在拼接单元时发现，当时间尺度偏离原速超过约 30% 时，拼接点处的相位不连续会显著增强，产生可闻的“咔哒”或“金属感”。这一现象在 1990 年代 TD-PSOLA（Time-Domain Pitch-Synchronous Overlap-Add）的工程实践中被反复记录，并逐渐固化为经验边界。

本文评述：这条经验法则的价值在于它捕捉到了一个真实的物理边界，但它的表述过于粗糙。0.9–1.3 倍并非某个算法固有的“安全阈值”，而是相位误差累积速率与人类听觉相位敏感度之间博弈的结果。理解这一点，才能解释为什么不同算法、不同素材、不同语速下这条边界会浮动。

1.2 人类听觉对时间与音高的分离感知

人类听觉系统对“时间尺度”和“音高”的感知在相当程度上是分离的。语音信号中，基频（F0）决定音高感知，而语速、音节时长决定时间感知。TSM 的核心目标就是：改变时间尺度而不改变音高，或按需同时改变两者。这一目标在信号处理上等价于在保持频谱包络（共振峰）与基频结构的前提下，重新排列短时帧的时间位置。

问题在于，短时帧的重新排列必然破坏帧间相位关系。当变速比例接近 1 时，破坏轻微；当比例远离 1 时，破坏累积，听觉系统开始感知为音色失真、混响感增强或“机器人化”。这构成了 0.9–1.3 倍区间的生理与心理声学基础。

1.3 变速与变调的耦合关系

需要区分两个概念：变速不变调（TSM）与变速变调（resampling）。简单重采样（如把 44.1kHz 音频按 48kHz 播放）会同时改变时长和音高，比例互为倒数。而 TSM 算法试图解耦二者。工程中常见的误区是：用重采样做“变速”，结果音高偏移，人声变得尖利或低沉。本文讨论的“0.9–1.3 倍最自然”特指 TSM 场景下的不变调变速。

关键区分：变速不变调（TSM）与变速变调（resampling）是两条完全不同的技术路径。前者依赖相位处理，后者只是采样率映射。混淆二者是许多“变速后刺耳”问题的根源。

二、理论主线：相位一致性与共振峰守恒

2.1 短时傅里叶变换框架下的时间尺度修改

TSM 的主流实现建立在短时傅里叶变换（STFT）框架上。信号被分帧、加窗、变换到频域，在频域进行相位调整与帧间插值，再逆变换回时域。设分析帧移为 Ha，合成帧移为 Hs，则变速比例 α = Hs / Ha。当 α < 1 时加速，α > 1 时减速。

相位声码器的核心公式是相位传播（phase propagation）：对每个频点 k，第 i 帧的合成相位由前一帧合成相位加上瞬时频率与帧移的乘积得到。这一过程本质上是相位外推，外推步长越大，误差越大。当 α 偏离 1 越远，外推步长与真实相位演化越不匹配，相位一致性被破坏。

2.2 相位一致性：为什么它是听感自然度的核心

相位一致性（phase coherence）指相邻帧、相邻频点之间相位关系的保持程度。在语音中，浊音段的周期性结构对相位高度敏感。若相位关系被破坏，即使幅度谱完全正确，重建信号也会出现瞬态模糊、预回声、金属感等失真。

Laroche 与 Dolson 在 1999 年的经典工作中指出，相位声码器的“相位锁定”（phase locking）——将相邻频点的相位绑定到频谱峰值——能显著改善瞬态与音色。本文评述：相位锁定是 0.9–1.3 倍区间内保持自然度的关键技术之一，但它并非万能。当变速比例超出约 1.3 倍时，即使相位锁定也难以补偿帧间时间跨度增大带来的共振峰漂移。

2.3 共振峰守恒：音色不变的另一半

共振峰（formant）是声道滤波器的谐振峰，决定元音音色与说话人身份感。TSM 过程中，若帧间插值导致频谱包络被拉伸或压缩，共振峰位置偏移，人声会听起来“变味”——男性变女性化、女性变童声化，或反之。

共振峰守恒要求：在改变时间尺度的同时，频谱包络的峰值位置保持不变。这需要将频谱分解为包络（envelope）与激励（excitation）两部分分别处理。源-滤波器模型（source-filter model）为此提供了理论框架：激励携带基频与相位，包络携带共振峰。变速时只调整激励的时间结构，包络保持不动。

2.4 误差累积的定量视角

设单帧相位外推误差为 ε，帧数为 N，则累积误差近似为 N·ε（在无校正时）。变速比例 α 越大，合成帧移 Hs 越大，单帧外推步长越大，ε 随之增大。同时，为覆盖同样时长的信号，帧数 N 也随 α 变化。两者共同作用，使总误差随 |α−1| 超线性增长。

下表为模拟数据，用于说明误差随变速比例的增长趋势（模拟数据，基于相位声码器误差模型的简化计算，非实测）：

注：上表为模拟数据，用于说明趋势，不代表任何特定算法的实测值。实际误差取决于算法、窗长、帧移、素材特性等因素。

三、算法谱系：从 TD-PSOLA 到神经相位建模

3.1 时域方法：TD-PSOLA 与 WSOLA

TD-PSOLA 是最早广泛应用的基频同步叠加方法。它先检测基音周期，在基音同步点上分帧，通过重复或丢弃整周期来实现变速。由于整周期重复/丢弃保持了周期内的波形结构，浊音段的相位一致性天然较好。其局限在于：需要准确的基频检测，对清音和瞬态处理不佳，且变速比例过大时周期重复会产生“颤音”感。

WSOLA（Waveform Similarity Overlap-Add）则通过搜索最相似的波形段进行叠加，避免了对基频检测的依赖。它在 0.9–1.3 倍区间内表现稳健，计算量适中，是许多实时变速工具的基础。本文评述：WSOLA 的相似性搜索本质上是一种局部相位对齐，它在小比例变速时有效，但搜索窗口有限，大比例变速时相似段可能跨越多个基音周期，导致对齐失效。

3.2 频域方法：相位声码器及其改进

相位声码器（Phase Vocoder）由 Flanagan 与 Golden 于 1966 年提出，是频域 TSM 的基石。其基本流程为：STFT → 相位传播 → 逆 STFT。标准相位声码器存在“相位散失”（phase smearing）问题，导致瞬态模糊和混响感。

改进方向主要有三：相位锁定（Laroche & Dolson, 1999）、瞬态检测与重置（Driedger & Müller, 2014）、以及相位梯度堆叠（Průša & Søndergaard, 2017）。相位梯度堆叠通过积分相位梯度来重建相位，在保持瞬态和减少混响方面表现突出，已成为当前开源实现（如 librosa、pyrubberband）的重要选项。

3.3 神经网络方法：从相位预测到端到端变速

近年来，基于深度学习的 TSM 方法快速涌现。一类思路是用神经网络预测相位，替代传统相位传播。例如，PhaseNet 类模型直接从幅度谱预测相位，在语音重建任务中取得优于 Griffin-Lim 的效果。另一类思路是端到端变速：将变速视为条件生成任务，输入原始语音与目标时长，直接生成变速后波形。

2023 年以来，基于扩散模型（diffusion model）和神经声码器（neural vocoder）的变速方案开始出现。这类方法在极端变速比例下仍能保持较好音色，但计算成本高，且可能引入“生成伪影”。本文评述：神经方法并未推翻 0.9–1.3 倍的经验边界，而是把边界向外推移。在 1.3–1.8 倍区间，神经方法可能比传统方法更自然；但在 2 倍以上，任何方法都难以完全避免音色劣化，因为信息本身已被过度压缩或拉伸。

拓展阅读：librosa 的 time_stretch 与 phase_vocoder 实现文档：librosa.effects.time_stretch；Rubber Band 库的相位声码器说明：breakfastquay.com/rubberband。

四、0.9–1.3 倍区间内的工程参数路径

4.1 窗长与帧移的选择

窗长（window length）与帧移（hop size）是 TSM 最基础也最关键的参数。窗长决定频率分辨率与时间分辨率的权衡：窗越长，频率分辨率越高，但时间分辨率越低，瞬态处理越差。对于人声，常用窗长为 20–40 ms（约 1024–2048 点 @ 44.1kHz），帧移为窗长的 1/4 到 1/2。

在 0.9–1.3 倍区间内，建议帧移不超过窗长的 1/4，以给相位传播留出足够重叠。若帧移过大，即使变速比例接近 1，也可能出现相位不连续。本文评述：帧移与变速比例应联合优化，而非独立设置。一个实用规则是：合成帧移 Hs 不宜超过窗长的 1/3。

4.2 相位锁定与瞬态保护

在 0.9–1.3 倍区间，开启相位锁定通常能提升自然度，尤其是对浊音段。瞬态保护（transient preservation）则对辅音、爆破音至关重要。常见做法是检测瞬态帧，在瞬态处重置相位或采用时域拼接。

具体操作路径：

1. 对输入人声做 STFT，窗长 2048，帧移 512（@44.1kHz）。
2. 计算频谱通量（spectral flux），标记瞬态帧。
3. 对非瞬态帧启用相位锁定，锁定带宽设为 ±2 个频点。
4. 对瞬态帧重置相位传播，改用波形相似叠加。
5. 逆 STFT，做重叠相加，归一化。

4.3 共振峰保护策略

在 0.9–1.3 倍区间，共振峰漂移通常不严重，但若素材本身音色敏感（如女高音、童声），仍需保护。方法是将频谱包络与激励分离：用倒谱法或 LPC 估计包络，变速时只调整激励帧位置，包络保持不变。开源工具中，WORLD 声码器提供了较完善的包络-激励分离与变速支持。

4.4 典型工具参数对照

五、超出区间：劣化机理与听感证据

5.1 加速超过 1.3 倍：信息压缩与瞬态丢失

当 α > 1.3（加速）时，合成帧移大于分析帧移，帧间需要“跳过”部分内容。若跳过的是浊音周期，会导致基频结构不完整；若跳过的是瞬态，会导致辅音模糊。听感上表现为“含糊”“吞字”“金属感”。

从信息论视角看，加速本质上是在时间轴上压缩信息。语音的冗余度有限，过度压缩必然丢失区分性特征。1.3 倍附近，压缩率约 23%，多数语音仍可保持可懂度；超过 1.5 倍，可懂度开始明显下降。

5.2 减速超过 0.9 倍：重复与混响感

当 α < 0.9（减速）时，帧间需要重复或插值。重复整周期会产生“颤音”（warble），插值则可能产生“混响感”（reverberation）。这是因为重复/插值破坏了原始的时间包络，使能量在时间上扩散。

本文评述：减速比加速更容易被听觉系统察觉为“不自然”，因为人类语音的时间包络（attack/decay）对感知至关重要。减速时，辅音的爆破特性被拉长，听起来像“慢放磁带”。

5.3 变调刺耳的生理声学解释

“超过就变调刺耳”这一表述需要拆解。在 TSM 场景下，音高不应改变。但若算法失效（如共振峰漂移被误听为音高变化），或用户实际使用了重采样，音高会偏移。音高偏移超过约 3% 时，多数听众能察觉；超过 6% 时，会感到“走音”。

刺耳感（harshness）通常与高频能量增强、频谱失衡有关。变速算法若在 2–5 kHz 区间引入额外能量，会增强刺耳感。这一区间恰是语音清晰度与齿音的关键频段。

六、听感评测：方法、指标与数据

6.1 主观评测方法

主观评测是 TSM 质量评估的金标准。常用方法包括：MUSHRA（MUlti-Stimulus test with Hidden Reference and Anchor）、ABX 测试、以及 MOS（Mean Opinion Score）。MUSHRA 适合多系统对比，ABX 适合两系统细微差异检测。

评测时需控制变量：同一素材、同一播放设备、同一音量、同一听音环境。建议至少 10 名听音者，其中一半有音频工程背景。

6.2 客观指标

常用客观指标包括：

• MCD（Mel-Cepstral Distortion）：衡量频谱包络失真，值越低越好。
• F0 RMSE：衡量基频轨迹偏差，用于检测变调。
• PESQ / POLQA：语音质量感知评估，适用于语音场景。
• ViSQOL：开源音频质量指标，对 TSM 失真较敏感。

6.3 模拟评测数据示例

下表为模拟数据，用于说明不同变速比例下主观评分与客观指标的变化趋势（模拟数据，非实测）：

注：上表为模拟数据，仅用于说明趋势，不代表任何特定系统或素材的实测结果。

七、故障排查与实战配置表

7.1 常见问题与排查路径

7.2 实战配置建议

针对不同场景，推荐配置如下：

• 播客/有声书（0.95–1.1 倍）：WSOLA 或相位声码器，开启相位锁定，帧移 1/4 窗长。
• 语音合成数据增强（0.9–1.1 倍）：WORLD 或 TD-PSOLA，保持共振峰，F0 不变。
• 音乐人声（1.0–1.3 倍）：Rubber Band，开启 formant preservation，瞬态保护。
• 极端变速（>1.5 倍）：考虑神经方法，或分段处理，避免单次大比例变速。

八、前沿预判：神经相位与端到端变速

8.1 神经相位建模的进展

2022–2024 年，多项工作探索用神经网络替代传统相位传播。例如，基于 GAN 的相位预测、基于扩散模型的相位生成，以及基于 Transformer 的相位建模。这些方法在语音重建和 TSM 中展现出潜力，尤其在极端变速比例下。

本文评述：神经相位建模的优势在于它能学习数据驱动的相位先验，而非依赖手工设计的传播规则。但其泛化性、实时性和可控性仍是挑战。短期内，神经方法更可能与经典方法混合使用，而非完全替代。

8.2 端到端变速的可行性

端到端变速将 TSM 视为条件生成任务：输入原始语音和目标时长，输出变速后语音。这类方法理论上可以绕过相位处理的显式建模，直接从数据中学习时间尺度变换。但挑战在于：如何保证音高不变、如何控制音色、如何处理任意时长目标。

笔者认为，端到端变速在特定领域（如语音合成、语音转换）可能率先落地，但在通用音频后期中，经典方法因其可控性、低延迟和可解释性，仍将长期占据主流。

8.3 对 0.9–1.3 倍边界的重新审视

随着算法进步，0.9–1.3 倍的边界可能会向外扩展。但边界的存在有其物理基础：信息压缩/拉伸的极限、听觉系统的敏感度、以及相位一致性的数学约束。本文评述：边界可以推移，但不会消失。理解边界背后的机理，比记住边界数值更重要。

九、结论与操作清单

9.1 核心结论

1. 0.9–1.3 倍是 TSM 场景下的经验安全区间，其技术基础是相位一致性与共振峰守恒的联合约束。
2. 区间内，主流算法（WSOLA、相位声码器、TD-PSOLA）均可获得可接受的自然度；区间外，劣化加速。
3. 参数调优应围绕窗长、帧移、相位锁定、瞬态保护、共振峰保护展开。
4. 神经方法正在推移边界，但尚未取代经典方法。

9.2 操作清单

• 确认使用 TSM 而非重采样。
• 优先在 0.9–1.3 倍区间内完成变速。
• 窗长 20–40 ms，帧移 ≤ 窗长 1/4。
• 开启相位锁定与瞬态保护。
• 对音色敏感素材启用共振峰保护。
• 变速后做 ABX 或 MUSHRA 听感验证。
• 极端变速需求考虑分段处理或神经方法。