企业官网建设流程全解析

简介：一个基于MATLAB的变声器程序代码包，面向计算机、电子信息工程、数学等专业学生，适合课程设计、期末大作业或毕业设计中的音频信号处理实践。代码兼容MATLAB 2014、2019a、2021a，采用参数化编程，参数调整便捷，注释清晰，便于理解变声原理并自行修改音调、速度等效果。压缩包共含4个文件，包括2个M脚本与2个MP3示例音频：脚本提供算法实现与运行入口，音频用于输入样音测试，整体仅5.82MB。目前已有209人学习或下载。资源内附可直接运行的案例数据，结合原始音频与处理脚本可快速复现变声效果；通过阅读注释还能掌握核心信号处理流程，为后续扩展或二次开发提供基础。

1. 变声器matlab代码能干什么：先把音高、语速和音色分开

从网上下载的变声器matlab代码.zip，多半是课程设计或毕设：几个 .m 文件，读 wav、改采样率、sound 播放。跑通很容易，可把音高拉到两倍再播，得到的不是“另一个人”，而是语速飞快的花栗鼠。问题不在代码，在把变声理解成了单一操作。

变声要处理三个彼此独立的量：基频决定音高，时长决定语速，声道形状决定音色。男变女、机器音，本质是把三者拆开各自搬到目标位置。改音高用重采样或相位声码器，改语速用时间拉伸，改音色要搬移共振峰，实现路径和参数完全不同。网上绝大多数 matlab 教程讲到 FFT 就停了，变声器恰恰是把 FFT、LPC、滤波器设计串起来的一个完整闭环。

这套内容适合两类人：被“变声器源码”吸引、想从“能跑”升级到“能调”的 matlab 新手，以及做语音信号处理、把它当信号处理综合练习的从业者。下面按重采样、相位声码器、共振峰、实时与验证的顺序走。

2. 重采样改音高：变声器matlab代码里最基础的 30 行

2.1 读入音频并先看基频：变声前要有一把“尺子”

拿到任何 wav 第一步不是急着改，而是先摸清现状。常见变声器代码里直接用audioread读整个文件，但很多录音是双声道、带直流偏置的，直接处理会产生低频噗噗声。我一般会先压成单声道，再做一次基频统计，后面的 pitch_ratio 才有个基准值。

[x, fs] = audioread('voice.wav'); if size(x, 2) > 1 x = mean(x, 2); % 双声道压成单声道，变声器按单声道处理更稳 end x = x(:); % 强制转列向量 [f0, t0] = pitch(x, fs); % 基频分析，需要 Audio Toolbox f0 = f0(f0 > 0); % 丢掉静音帧，否则中位数会被大量 0 拉低 disp(['原始基频中位数: ', num2str(median(f0))]);

pitch输出的单位是 Hz，它背后是自相关加窗分段估计，静音段返回 0，所以先过滤再去算中位数。用median而不是mean，是因为语音里有大量清音段（s、f 这些音没有稳定基频），均值会被极端值带偏。这段输出就是你的“尺子”：成年男声基频中位数通常在 100~150 Hz，女声在 180~260 Hz，儿童更高。后面改完再跑一遍这段，对比中位数变化，就知道音高到底动了多少。

2.2 重采样因子换算：pitch_ratio 与时长变化的关系

改音高最直接的做法是重采样。resample(x, p, q)的含义是输出采样数是输入的 p/q 倍，注意这个比例是反直觉的：想让音高变高，得减少采样数。目标音高是原来的 pitch_ratio 倍，输出采样数就要变成原来的 1/pitch_ratio，于是 p/q = 1/pitch_ratio。

pitch_ratio = 1.4; % 目标音高是原来的 1.4 倍 out = resample(x, 1000, round(1000 * pitch_ratio)); % 关键：播放采样率仍是原来的 fs，时长变为原来的 1/pitch_ratio sound(out, fs); audiowrite('pitch_up.wav', out / max(abs(out)), fs);

用 1000 做中间整数，是为了把小数的 pitch_ratio 转成整数参数时保持精度，round(1000 * pitch_ratio)的误差在千分之一以内。注意resample内部带抗混叠滤波器，这比用interp1做线性插值干净得多，后者会在频谱上产生镜频，听感像“含着一口水说话”。播放和写文件时，采样率一律沿用原始 fs，这是整个变调逻辑成立的前提。

2.3 变速副作用：单靠重采样做不出“变调不变速”

上面的表暴露了重采样的硬伤：音高和时长是绑定的。变声最常被要求的两种效果——变调但语速不变、语速变但音调不变——单靠resample都做不到。有人试图用resample改完后再用interp1把时长拉回去，结果两轮插值叠加，频谱混叠和相位错位一起出现，出来的声音像坏掉的收音机。

提示：任何只靠“重采样 + 补时长”的组合，本质上都没有解耦音高和语速。解耦要靠短时傅里叶变换域上的相位处理，也就是第三章的相位声码器。

另一个实际问题是性能。resample的 q 参数很大时内部滤波会显著变慢，对一首三分钟的歌全量处理很吃亏。调试阶段建议用audioread('voice.wav', [1 2*fs])只读前两秒，参数调好再处理整段。

3. 相位声码器：变声器matlab代码不丢语速的核心

3.1 STFT 帧、hop 与相位传播

相位声码器的基础是把语音切成重叠的短帧，每帧做 FFT，然后调整合成时的帧移。先定义三个量：帧长 N、分析帧移 H、合成帧移 Hout。时间拉伸系数 alpha 就是 Hout/H。相邻分析帧之间，同一个频点 k 的相位理论上应该增加2*pi*k*H/N，但由于窗函数截断和语音非平稳性，实际增量会有偏差。

相位声码器要做的，是把“分析相位增量”和“目标相位增量”之间的差包络到主值区间后补回去，再按 Hout 累加。写成伪代码就是：合成相位 = 上一帧合成相位 + Hout 对应的自然增量 + 包络后的相位残差。这一步看起来只是中学三角函数的计算，实际上它决定了合成语音有没有“金属味”。不做相位修正、直接对帧做 overlap-add，谐波之间会互相抵消，声音发虚、发颤。

帧参数的选择直接决定质量。N=1024、H=256 意味着 75% 重叠，频率分辨率约 43 Hz（@44.1 kHz），对 80~300 Hz 的语音基频来说够用。N 再大会把瞬态抹平，N 太小则低频谐波站不稳。

3.2 可直接跑的时间拉伸函数

这段函数是很多变声器源码里pvoc的简化版，不依赖istft，老版本 matlab 也能跑。新版 Signal Processing Toolbox 里已经有现成的istft，但在理解原理这件事上，自己写循环更划算：

function y = pv_stretch(x, alpha) % 相位声码器时间拉伸：alpha > 1 变慢，alpha < 1 变快 N = 1024; H = 256; % 帧长与分析帧移 win = hann(N, 'periodic'); x = [zeros(N,1); x(:); zeros(N,1)]; % 首尾补零，避免边缘帧能量塌陷 nf = floor((length(x) - N) / H); specA = zeros(N, nf); for m = 1:nf % 分析阶段：逐帧 FFT seg = x((m-1)*H+1 : (m-1)*H+N) .* win; specA(:,m) = fft(seg); end Hout = round(alpha * H); % 合成帧移 ylen = nf * Hout + N; y = zeros(ylen, 1); wsum = zeros(ylen, 1); half = N/2 + 1; phi = angle(specA(1:half, 1)); % 初始合成相位 omega = 2*pi*(0:half-1)' * H / N; % 相邻分析帧的自然相位增量 pos = 1; for m = 1:nf % 合成阶段：相位累积 + OLA Cur = specA(1:half, m); if m > 1 dphi = angle(Cur) - angle(specA(1:half, m-1)) - omega; dphi = mod(dphi + pi, 2*pi) - pi; % 卷绕到 (-pi, pi] phi = phi + omega * (Hout/H) + dphi; end newspec = abs(Cur) .* exp(1i*phi); fullspec = [newspec; conj(newspec(end-1:-1:2))]; % 补共轭对称 frame = ifft(fullspec); idx = pos : pos+N-1; y(idx) = y(idx) + real(frame) .* win; wsum(idx) = wsum(idx) + win.^2; % 归一化累积 pos = pos + Hout; end y = y ./ max(wsum, 1e-10); % 抑制除以零 y = y(N+1 : end-N); % 去掉补零 end

参数上最值得琢磨的是dphi那两行。mod(dphi + pi, 2*pi) - pi把相位差限制在 ±π 之间，这一步跳过了，叠加时帧间相位就会互相打架。abs(Cur)保留原幅度谱，幅度谱在相邻帧之间变化小，这也是相位声码器能在音质上胜过直接 OLA 的根本原因。alpha 超过 2 后，单帧相位信息不足以支撑大拉伸，语音会明显变“糊”，这是方法本身的边界。

3.3 时间拉伸与重采样组合：任意音高且不改变时长

相位声码器只负责“变时长不动音高”，要“变调不动语速”，组合这两章的工具即可：先用真空带声码器拉伸 alpha 倍，再用resample把采样数压回原来的量级。拉伸把时长拉长，重采样把时长压回去的同时把音高抬上来：

alpha = 1.4; % 目标音高比例，也是时间拉伸因子 slow = pv_stretch(x, alpha); % 语速变慢，音高不变 y = resample(slow, 1000, round(1000 * alpha)); % 压缩回原时长，音高升高 1.4 倍 sound(y, fs);

这里resample的因子是 1000/(1000×alpha)，也就是 1/alpha，和第二章里的方向相反，因为pv_stretch已经先把时长变长了。两步合起来，输出的时长约等于输入，基频变为 alpha 倍。这套“先拉伸再压缩”的两步法，是课程设计和开源变声器代码里最常见的音高偏移实现，比直接在频域搬移谱线稳定得多。

第二行值得单独记：相位声码器本身就能做到变速不变调，这是它相对重采样最核心的卖点。第三行顺序反过来的做法适合想先改音色再校正时长的场景，但相位声码器对非语音信号（比如打击乐）效果很差，瞬态会被相位累积拖成混响尾巴，做音乐素材时要谨慎。

4. 共振峰搬移：让变声器matlab代码从“音高变了”到“人变了”

4.1 只改音高为什么像花栗鼠

把基频中位数从 120 Hz 抬到 200 Hz，听起来却不像女声，而是像动画片里的角色。原因是共振峰没动。频谱图上，谐波是一根根竖线，间距等于基频；共振峰是包络线上的鼓包，由声道形状决定。男人和女人的声道长度差大约 15%~20%，这个长度差直接映射到共振峰位置：F1 大概在 500 Hz 附近，F2 在 1500 Hz 附近，女人的普遍比男人的高 15%~20%。

重采样改音高时，竖线整体平移，但包络的鼓包还留在原地。结果就是谐波和共振峰的“相对关系”被破坏了，大脑收到的是“一个喉咙没变的生物在发高音”——这正是花栗鼠效果的来源。所以专业变声器里，音高和共振峰永远是分开调的两个旋钮，pitch_ratio 管“多高”，共振峰因子 gamma 管“像谁”。

4.2 用 LPC 抽出声道形状：lpc 与 freqz 看共振峰

线性预测编码（LPC）是拿声道建模最便宜的手段。它的假设是：当前语音采样可以由过去 p 个采样的线性组合预测出来，预测误差就是声门激励。预测误差信号叫残差，滤波器系数 a 的幅度响应就是声道包络。lpc一行就能把声源和声道解耦，这也是为什么多数变声器源码里都有 LPC 相关函数的根本原因。

xd = resample(x, 16000, fs); % 先统一降到 16k，LPC 估计更稳 xd = xd - mean(xd); % 去直流，防止低频能量污染包络 p = 18; % LPC 阶数：16k 采样常用 16~20 [a, g] = lpc(xd, p); % a 是声道逆滤波器系数，g 是增益 [H, F] = freqz(g, a, 512, 16000); figure; plot(F, 20*log10(abs(H))); % 谱包络，鼓包就是共振峰

为什么要先降到 16 kHz？44.1 kHz 采样下语音能量集中在 8 kHz 以下，高频段几乎全是噪声和齿音，LPC 会把阶数浪费在拟合噪声上。降到 16 kHz 后，p 取 18 就能覆盖前四五个共振峰。阶数太低（小于 12），F1 和 F2 会糊成一个鼓包；太高（大于 30）会出现一堆假峰，搬移时把噪声也放大了。经验公式是 p ≈ fs/1000 + 4，16k 采样取 20 以内都合理。

4.3 频率轴缩放搬移共振峰：interp1 与最小相位重建

搬移共振峰的本质，是改变声道滤波器的频率响应，而不是改变残差的基频。常规做法是把包络的频轴整体做缩放：gamma 大于 1，包络上的鼓包整体往高频移，声音变“女生”；小于 1 则整体下压。频轴缩放后直接反变换会得到非因果滤波器，所以要先做最小相位化，把幅度谱转成对应的因果冲激响应，这一步是“能出声”和“能听”的分界线。

gamma = 1.2; % >1 共振峰上移（偏女声），<1 下移 K = 2048; Hw = freqz(g, a, K, 16000); % 取复数包络，后面要保留相位信息 f_axis = linspace(0, 8000, K).'; % 包络频轴整体缩放：原频率 f 的鼓包被搬到 f*gamma 处 f_warp = min(f_axis / gamma, 8000); mag_warp = interp1(f_axis, abs(Hw), f_warp, 'linear', abs(Hw(end))); % 最小相位重建：对对数谱做 ifft，再把非因果部分的系数翻倍 c = real(ifft(log(mag_warp + eps))); c(2:end) = 2 * c(2:end); % 最小相位化 h_new = real(ifft(exp(fft(c)))); h_new = h_new(1:256); % 截断成 256 点 FIR 滤波器 % 残差激励保留基频信息，用新声道滤波器重建 resid = filter(a, 1, xd); y_f = fftfilt(h_new, resid); y_f = y_f / max(abs(y_f)); audiowrite('formant_shift.wav', y_f, 16000);

interp1的最后一个参数abs(Hw(end))是频轴超出 8 kHz 时的兜底值，不写的话会填充 NaN，整段输出变静音。最小相位化那句c(2:end) = 2*c(2:end)是倒谱域的常规操作，把倒谱系数翻倍等价于把零点和极点归到单位圆内。截断到 256 点是为了控制 FIR 长度，太长低频会共振发闷，太短（小于 64）包络细节丢失。

4.4 三参数组合：男变女、女变男的实际取值与翻车点

组合顺序也影响结果。常见做法是先做第二章的重采样把音高抬上去，此时共振峰也被连带搬动了，再用 LPC 估一次包络、把 gamma 拉回目标位置。这相当于“先把整体抬起来，再把喉咙的形状单独修回去”，比反过来先搬共振峰再调音高更不容易引入金属感。gamma 超过 1.4 后，高频增益会明显抬升，齿音和气流声被放大，听起来像加了激励器的电子音——这是共振峰搬移的听感边界。

5. 把变声器matlab代码接到麦克风和文件：实时框架、参数与验证

5.1 从 wav 到麦克风：audioDeviceReader 的最小实时框架

离线处理只能做文件到文件，想对着麦克风实时变声，需要换一套 I/O 接口。Audio Toolbox 里audioDeviceReader负责从声卡拉音频块，audioDeviceWriter负责推给播放设备。下面这段是能跑的最小循环：

adr = audioDeviceReader('SampleRate', fs, 'SamplesPerFrame', 1024); adw = audioDeviceWriter('SampleRate', fs); disp('开始变声，Ctrl+C 退出'); while true in = adr(); % 取一帧 1024 点 out = realtime_shift(in, fs, 1.2); % 按帧做变调 adw(out); drawnow; end

这里的坑在于，第三章的pv_stretch是整个文件级的处理，不能直接塞进 1024 点的帧里。实时场景需要维护一个长度约 3 到 4 帧的重叠缓冲，每次只处理中间部分再滑窗，这等于把相位声码器改成流式 OLA 版本。只做重采样的话延迟很低，但音高和时长还是绑定的。实测 1024 帧长在 44.1 kHz 下设备缓冲约 23 ms，处理耗时通常在 5 ms 以内，声音基本感觉不到延迟。

5.2 三个必调参数与听感对照表

调试顺序我一般是固定的：先动 pitch_ratio 找到“性别感”，再动 gamma 找到“人感”，最后动帧长解决“糊涂”或“发虚”。每次只改一个参数，用 5.3 的频谱图确认，而不是靠耳朵一遍遍试听——人耳对音色的记忆只有几秒，来回切换时很容易误判。

5.3 用频谱图和基频轨迹验证变声效果

调参之后别急着验收，先把验证脚本跑一遍。基频中位数能确认 pitch_ratio 是否真的生效，频谱图能同时看出谐波间距和共振峰包络的位置变化：

[f0x, ~] = pitch(x, fs); [f0y, ~] = pitch(y, fs); fprintf('原始基频中位: %.1f Hz\n', median(f0x(f0x>0))); fprintf('变声后基频中位: %.1f Hz\n', median(f0y(f0y>0))); figure('Position', [100 100 900 600]); subplot(2,1,1); spectrogram(x, hann(512), 384, 1024, fs, 'yaxis'); title('原始语音'); subplot(2,1,2); spectrogram(y, hann(512), 384, 1024, fs, 'yaxis'); title('变声后');

读图时看两处：横向的亮线是谐波，相邻亮线间距应接近原始基频乘上 pitch_ratio；纵向的暗色鼓包包络是共振峰，鼓包位置应朝 gamma 方向整体平移。如果基频中位数达标但包络鼓包没动，就是只做了第二章没做第四章的典型症状。最后检查max(abs(y))，保持在 0.9 以下，超过 1.0 的削波会额外引入高频刺音。整套验证脚本固定下来后，每次调参都能量化对比，远比一边改 pitch_ratio 一边反复试听来得快。

本文还有配套的精品资源，点击获取