音色与声谱图

作者：比的原理

来源：比的学院

1.泛音的种类和多少决定了音色

为什么有人的声音听起来暗，有的人听起来亮？事实上，即使是唱同一个音高，大家的音色也天差地别，而这个差别就在泛音上了。

一般来说泛音越充分的声音越饱满。低频泛音越充分的声音听起来越“厚实”，越“有力”；高频泛音越充分的声音穿透力越强，声音听起来越“亮”，越“尖”；高低频都有并且合理分布的声音，就是比较完美的声音。

在声乐理论里，一般把低频泛音叫低位置共鸣，高频泛音叫高位置共鸣。

2频谱图／声谱图

频谱图/声谱图是描述一个声音是由多少波符合而成的，这是观察泛音的最好办法。我自己做了个软件，如下图：

此图由两部分组成，上半部分为声谱图（Spectrogram），下半部分为频谱图（Spectrum）。

先看上图：横坐标是时间，纵坐标是频率值，同一时间的纵线上存在着数个波，重合而成最终的波。颜色越亮则表示波的振幅越大。混乱的背景都是伴奏，我们只观察人声线。

再看下图：下图反映了上图的某个时间点（上图中的黄线）的频率分布。横坐标为频率，纵坐标为振幅。这个图更有利于直观的观察泛音的成分和强弱。

3.频谱／声谱图是如何制作的

我们都知道原始的声音是波形图，不过原始的波形图并没有太大研究价值，而且事实上也看不出“波形”。因为震动频率太高，比如帕瓦罗蒂的high C，500多的震动频率，表示一秒钟要震动500多次，那肯定是看上去一大坨，类似这样：

放大几十倍之后，大约能看出波形，类似这样：

但无论哪种都不适合研究。

所以音频解析的过程是：取连续采样点，一般是4096个点，考虑到音频文件的采样率一般是44.1k，所以就是取了1/10秒之内的数据。然后对这4096个点作做快速傅里叶变换,就得到了频谱图。频谱图的信息是4096个点，每一个点对应的是这个频率上的振幅。

频谱图反应的是在这个时间点上的频率分布情况。严格的说应该是这1/10秒内的平均情况。来一张典型频谱图，看看跟我的图下部是不是一回事：

将当前时间点的频谱画到声谱图里就得到了瀑布图。画法是：振幅越大的点，用越亮的颜色。

纵坐标是频率，从下到上大约是0到6000。所以一个人唱了个C5，那他的基频就大概是500，第一泛音是1000,第二泛音是1500，画到声谱图上的结果就是从下到上每隔500画一个点，根据振幅有颜色的区别。

随着时间的推移，声谱图会不断向右延伸，这样我们就得到了一段时间内频率分布图。比如一个C5的线在声谱图上水平延续了5秒，那表示该歌手唱了C5五秒。

声谱图上类似“波”的东西是颤音，也就是歌手演唱中不断改变音高，所以自然会不断改变纵坐标。

这是一张wiki的声谱图：

图上出现的水平线有什么意义？水平线表示一个歌手在某个音高上持续了一段时间。越亮的线表示振幅越大，听感上当然就表现为音量大了。

直线就是一个长直音。考察长直音主要看稳定度，整个线越直则这个长音越稳，如果大抖就是破音，如果小抖就是不稳。如果歪了，那就是音准没把握好。

波浪线就是颤音。波浪越大则颤音越大。看颤音也是看稳定度，如果颤的不稳就是气息出现问题，控制不好。

4.如何看共鸣？

看泛音主要看三点：丰富与否、分布情况、泛音的音量。

一般来说，所谓的泛音强弱都是和自己的基频来比的（或者是跟伴奏比）。因为音频文件的音量是可以调的，单纯看泛音大小没多大意义，以基频为参照才比较有实际意义。（低频的共鸣情况取决于元音的类型，每一个元音都有其特定的共鸣特性。一般来说，基频被共鸣强化的情况比较少。）

可以看到，此例中第一泛音巨大（看多了就知道，一般都是第一泛音最大），在3000左右的三个泛音也很强。

另一种观察方法就是和伴奏比，人声线越明显则人声越强，越能穿透伴奏。

来看一个例子：后知后觉对比版

张雨生《后知后觉》清唱“你不辞冰雪”，竟然有如此大的高频泛音，要知道，这可是清唱，中音区，唱高音的时候鼓足了气，有很大的共鸣很正常，但唱低缓的主歌，竟然也能爆出这么大的泛音，只能说张雨生太逆天！

下面，请出阿妹躺枪：

图中竖线为背景音，类似指响的声音

看图就能发现泛音少太多了，听感上也是很显然的，阿妹的音色暗的多，而张雨生的非常清亮。

当然，必须要说明：张雨生占了cd版的优势。不过我们关注的是最终听感，声音经过怎么处理并不是我们关注的重点。这个例子很好的对比了泛音对音色的影响。

5.如何看音准？

我的软件特别加了标准音高线，以及标准的泛音线，所以可以很清楚的看清音准：

蓝色标准线比较暗，大家仔细看。（太亮的话会干扰声音线）

下面有请躺枪天后阿妹展示一下音准不好是什么样的：

很明显，比E5高，越到高频差得越远。（高频会放大差值）

提高1key看看，又低了。这次差得更远。所以可以判定，阿妹唱到了E5 . 5。

再看2个例子：

帕瓦罗蒂大师，堪称全频段制霸了，大家都知道帕瓦罗蒂的C5是无敌的。

磊叔传说中的五百年，也差不多全频段制霸了。

上面的例子可以看出，人声基本都本着标准的“基频／第一泛音（基频的二倍）／第二泛音（基频的三倍）／······”来的。自然界物体振动发声，绝大多数也都是这样的。

---

返回首页