声学特征

声学特征（acoustic features）指从声音信号本身（波形、频谱、倒谱等）通过确定性的信号处理运算直接计算出的可量化参数，其定义不依赖于听者的主观判断，也不要求任何感知实验参与。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

心理声学量（psychoacoustic measures）指以人类听觉系统的感知响应为标度构造的量，例如响度（loudness）、音高（pitch，对应音高感知的音高单位 mel 与 Bark 刻度）、尖锐度（sharpness）、粗糙度（roughness）、波动强度（fluctuation strength）与调性（tonality）；这些量通常由声压级、频率等物理量经听觉模型（如等响曲线、临界带、掩蔽效应）变换得到，其数值含义必须借助听者实验或听觉外周模型来锚定。^{77Psychoacoustics: Facts and Models (3rd edition)link.springer.com前往参考资料 ↓在新标签页中打开|88Psychoacoustic roughness, sharpness and fluctuation strength: definitions and measurement approachessciencedirect.com前往参考资料 ↓在新标签页中打开}

两者的核心区别在于标度来源：声学特征以物理量为标度（Hz、dB、秒、倒谱系数等），心理声学量以感知量为标度（sone、mel、Bark、asper、vacil 等），因此同一物理变化在不同声压级或不同频率处引起的心理声学量变化并不成比例，等响曲线与临界带就是这种非线性的直接体现。^{77Psychoacoustics: Facts and Models (3rd edition)link.springer.com前往参考资料 ↓在新标签页中打开|99ISO 226:2003 Acoustics — Normal equal-loudness-level contoursiso.org前往参考资料 ↓在新标签页中打开}

在语音与音频处理实践中，mel 频率倒谱系数（MFCC）与 Bark 刻度滤波器组常被归入声学特征，但它们内部已经嵌入了心理声学的频率标度变换；因此“声学特征”与“心理声学量”并非互斥的两个集合，而是一条从纯物理量到纯感知量的连续谱上的不同位置。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|1010Perceptual Linear Predictive (PLP) analysis of speechpubs.aip.org前往参考资料 ↓在新标签页中打开}

心理声学量本身通常不是语音识别或说话人识别的直接输入特征，而是作为听觉模型前端、感知加权（如感知线性预测 PLP 中的等响预加重与 Bark 带积分）或音频质量与音质评价的中间量出现；PLP 正是把等响曲线与临界带掩蔽等心理声学事实显式写入特征提取流程的典型例子。^{1010Perceptual Linear Predictive (PLP) analysis of speechpubs.aip.org前往参考资料 ↓在新标签页中打开|1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

ISO 532 系列标准把响度计算分为稳态声的 Zwicker 法与 Stevens 法（ISO 532A/B）以及时变声的时变响度法（ISO 532-1 与 ISO 532-2），说明心理声学量有独立的标准化计算规范，这与 MFCC 等声学特征主要依赖工具实现约定、缺乏同等地位的单一国际标准形成对照。^{1212ISO 532-1:2017 Acoustics — Methods for calculating loudness — Part 1: Zwicker methodiso.org前往参考资料 ↓在新标签页中打开|1313ISO 532-2:2017 Acoustics — Methods for calculating loudness — Part 2: Moore-Glasberg methodiso.org前往参考资料 ↓在新标签页中打开}

响度与音高这类心理声学量在个体间存在可观差异，且受年龄、听力损失与训练影响，因此其“标准值”只能视为统计平均意义上的参考；相比之下，声压级、基频等声学特征在给定测量条件下是可复现的物理量，这一差异是两者在取证与司法音频分析中适用性不同的重要原因。^{77Psychoacoustics: Facts and Models (3rd edition)link.springer.com前往参考资料 ↓在新标签页中打开|1212ISO 532-1:2017 Acoustics — Methods for calculating loudness — Part 1: Zwicker methodiso.org前往参考资料 ↓在新标签页中打开}

在情感计算与音质评价中，尖锐度、粗糙度、波动强度等心理声学量常被直接用作回归目标或解释变量，因为它们与听者的烦躁感、愉悦感等主观评价相关性更高；而 MFCC、能量、过零率等声学特征更多作为通用表征输入模型，二者在建模中的角色分工不同。^{88Psychoacoustic roughness, sharpness and fluctuation strength: definitions and measurement approachessciencedirect.com前往参考资料 ↓在新标签页中打开|1616Psychoacoustic features for speech emotion recognition: a reviewsciencedirect.com前往参考资料 ↓在新标签页中打开}

把心理声学量当作声学特征使用会带来可解释性与可复现性之间的张力：心理声学量更贴近听感但依赖具体听觉模型实现（如 Zwicker 与 Moore-Glasberg 模型给出的响度值并不完全相同），声学特征可复现但与人耳判断之间隔着一段需要额外建模的距离。^{1212ISO 532-1:2017 Acoustics — Methods for calculating loudness — Part 1: Zwicker methodiso.org前往参考资料 ↓在新标签页中打开|1313ISO 532-2:2017 Acoustics — Methods for calculating loudness — Part 2: Moore-Glasberg methodiso.org前往参考资料 ↓在新标签页中打开}

帧级特征（frame-level features）指在短时分析帧上逐帧计算得到的声学参数，典型帧长为 20–40 毫秒、帧移为 10 毫秒左右，其数值随时间形成一条特征轨迹，本身不携带整段语音的汇总信息。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

段级特征（segment-level / utterance-level features）指把一段语音（一个词、一句话或一个说话人片段）内所有帧级特征汇总为定长向量的表示，常见汇总方式包括均值、标准差、极值以及基于高斯混合模型或深度网络的池化。^{1717Speaker Verification Using Adapted Gaussian Mixture Modelssciencedirect.com前往参考资料 ↓在新标签页中打开|1818The INTERSPEECH 2010 Paralinguistic Challengeisca-archive.org前往参考资料 ↓在新标签页中打开}

帧级与段级的划分是相对于分析单元而言的：同一类声学量（如梅尔频率倒谱系数）既可以逐帧给出，也可以经统计池化后作为段级表示使用，因此二者不是互斥的特征类别，而是同一特征在不同时间粒度上的两种呈现。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|1717Speaker Verification Using Adapted Gaussian Mixture Modelssciencedirect.com前往参考资料 ↓在新标签页中打开}

在说话人识别中，段级表示长期是主流范式：高斯混合模型—通用背景模型（GMM-UBM）与 i-vector 系统都把变长语音映射为固定维度的段级向量再行判别，这一做法降低了对语句长度与内容的敏感度。^{1717Speaker Verification Using Adapted Gaussian Mixture Modelssciencedirect.com前往参考资料 ↓在新标签页中打开|1919Front-End Factor Analysis for Speaker Verificationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

帧级特征在语音识别中承担声学模型输入的角色：隐马尔可夫模型—深度神经网络（HMM-DNN）混合系统以帧级声学特征（常经拼接上下文帧）作为输入，逐帧预测状态后验概率。^{2020Context-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

帧级特征对帧长与帧移的选取敏感：帧长过短则频率分辨率不足，过长则违背短时平稳假设；帧移决定特征轨迹的时间采样率，进而影响后续建模与对齐精度。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

帧级与段级的边界在深度学习时代趋于模糊：端到端模型直接以帧级输入经网络内部池化输出段级或序列级预测，人工设计的段级汇总步骤被网络内部表示所替代。^{2222Deep Learning for Audio Signal Processingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|2323Deep Speech 2: End-to-End Speech Recognition in English and Mandarinproceedings.mlr.press前往参考资料 ↓在新标签页中打开}

在标准工具实现中，帧级与段级的区分体现在接口层面：如 openSMILE 既输出逐帧的低层描述符（LLD），也提供函数级（functionals）汇总后的段级特征集，二者由同一配置文件一次计算得到。^{2424openSMILE: The Munich Versatile and Fast Open-Source Audio Feature Extractordl.acm.org前往参考资料 ↓在新标签页中打开}

帧级特征的计算依赖分帧与加窗：语音先被切成相互重叠的短时帧并施加汉明窗或汉宁窗，以减小帧边界处的频谱泄漏，这一预处理步骤是帧级特征定义的一部分。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

在语音声学中，音长（duration）指一个语音单元从起点到终点所占的时间跨度，通常以毫秒（ms）或秒（s）计量；它是「声音四要素」中「音长」在声学层面的直接对应物，与音高（基频）、音强（能量）、音色（频谱包络）并列构成对语音信号的四个基本描述维度。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|2525Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开}

音长特征在语音学中通常不是孤立测量的绝对时长，而是相对于语境归一化后的时长：同一个音位在重读、句末、语速变化、相邻音段影响下时长可相差数倍，因此实际系统中更常用的是时长比值、z-score 归一化时长或时长与平均时长的对数比。^{2525Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开|1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开}

在语音识别中，音段时长是区分清浊辅音、塞音与擦音、以及长短元音对立的重要线索；例如英语中元音在浊辅音前的时长显著长于在清辅音前，这一现象被称为「元音前辅音效应」（pre-fortis clipping / vowel duration effect），是时长承载音位信息最常被引用的例证之一。^{2525Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开|1414Mel scale: history, formulas and perceptual validitypubs.aip.org前往参考资料 ↓在新标签页中打开}

时长特征在超音质（suprasegmental）层面承担重音、节奏与边界标记功能：重读音节通常时长更长、能量更高；短语末音节常出现「末音节延长」（final lengthening），停顿前延长更明显，这些规律被广泛用于韵律边界检测与自动分段。^{1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开|2626Praat: doing phonetics by computerpraat.org前往参考资料 ↓在新标签页中打开}

在说话人识别中，语速与各音类平均时长被视为说话人个体特征的一部分，但这类特征受会话内容、情绪与健康状况影响较大，单独使用时区分力有限，通常与频谱、倒谱特征联合使用。^{2727Speaker Recognition: A Tutorialieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在情感计算中，语速与发音速率（articulation rate）是唤醒度（arousal）维度较稳定的相关量：高唤醒情绪（如愤怒、兴奋）常伴随更快的语速与更短的音节时长，而低唤醒情绪（如悲伤）常伴随更慢的语速与更长的停顿。^{2828Emotion recognition from speech: a reviewlink.springer.com前往参考资料 ↓在新标签页中打开}

时长特征的提取通常依赖强制对齐（forced alignment）或音素边界检测：先用声学模型与发音词典把语音切分为音素级区间，再统计各音素、音节、词与停顿的时长，以及语速、发声比率（phonation ratio）等派生量。^{2626Praat: doing phonetics by computerpraat.org前往参考资料 ↓在新标签页中打开|2929Montreal Forced Aligner: Trainable Text-Speech Alignment Using Kaldiisca-archive.org前往参考资料 ↓在新标签页中打开}

在语音声学中，音强（intensity）通常以分贝（dB）表示，其物理量是声压或声功率的对数比值；而响度（loudness）是人耳对音强的主观感知量，二者并非线性对应，响度近似随声压级的幂函数增长（Stevens 幂律，指数约 0.3 量级）。^{3232Acoustic Features for Speech Recognition: Energy and Loudnessspeech.zone前往参考资料 ↓在新标签页中打开|3333Stevens' power lawen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声压级定义为 SPL = 20·log10(p/p0)，其中参考声压 p0 在空气中取 20 μPa；这是声学测量的国际通用约定，也是语音声强特征换算的基础。^{3434Sound pressureen.wikipedia.org前往参考资料 ↓在新标签页中打开}

语音信号处理中常用的短时能量（short-term energy）与短时平均幅度（average magnitude）是音强的时域代理量：对第 n 帧，能量为各采样点幅值平方和，平均幅度为幅值绝对值之和；二者计算简单、无需对数，但受录音增益与信道影响，跨设备不可直接比较。^{3535Short-time energy and average magnitudeen.wikipedia.org前往参考资料 ↓在新标签页中打开}

等响曲线（equal-loudness contours）表明，人耳对不同频率声音的响度感受差异显著：在低频（约 100 Hz 以下）与极高频，达到相同响度所需的声压级明显高于 1–4 kHz 中频区；ISO 226:2003 给出了标准化的等响曲线族。^{99ISO 226:2003 Acoustics — Normal equal-loudness-level contoursiso.org前往参考资料 ↓在新标签页中打开}

在语音识别中，倒谱均值归一化（CMN）与能量归一化常被用来消除信道与录音增益造成的音强偏移；这类归一化把每条 utterance 的能量均值拉平，从而降低说话人音量差异对声学模型的影响。^{3838Cepstral mean and variance normalizationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在说话人识别中，音强特征本身区分度有限，但音强的动态范围、能量包络与信噪比可作为辅助线索；主流系统更依赖频谱与倒谱特征，音强多用于端点检测与信道补偿。^{3939Speaker recognitionen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在情感计算中，语音的响度/能量是唤醒度（arousal）维度的强相关特征：高唤醒情绪（如愤怒、兴奋）通常伴随更高的平均能量与更大的能量动态范围，这一关联在多个语料库上被重复观察到。^{4040Emotion recognition from speech: a reviewasmp-eurasipjournals.springeropen.com前往参考资料 ↓在新标签页中打开}

在音乐信息检索中，响度（loudness）常以 EBU R128 / ITU-R BS.1770 定义的 LUFS（Loudness Units Full Scale）度量，它基于 K 计权滤波与门限化处理，比简单 RMS 更贴近感知响度；流媒体平台普遍采用 LUFS 做响度归一化。^{4141ITU-R BS.1770-4 Algorithms to measure audio programme loudness and true-peak audio levelitu.int前往参考资料 ↓在新标签页中打开|4242EBU R 128 Loudness normalisation and permitted maximum level of audio signalstech.ebu.ch前往参考资料 ↓在新标签页中打开}

在环境声分类中，声压级与响度特征常与梅尔谱、MFCC 联合使用；但环境录音的增益差异大，绝对声压级需依赖校准设备才有物理意义，未校准数据上通常只用相对能量与动态范围。^{4343Environmental sound classificationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

深度学习时代，音强信息并未被显式特征完全取代：对数梅尔谱的第一维（帧能量）与波形输入中的幅度信息仍被网络隐式利用；但端到端模型对增益变化的鲁棒性仍是研究问题，常见做法是在训练时做随机增益增强。^{4444SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognitionarxiv.org前往参考资料 ↓在新标签页中打开}

声音四要素通常指音高、音强、音长与音色；其中音高在声学上主要对应基频，即声带振动周期所对应的频率，单位为赫兹（Hz）。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

基频是周期信号在单位时间内的重复次数，其倒数即基音周期；对语音而言，基频由声带振动的速率决定，声带振动越快，听感上的音高越高。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

在普通话声调的声学分析中，林茂灿通过音高的声学分析讨论了音强、音长和音高（基频）这三个要素，并指出音高对单念音节四声的正确辨认率约为95%。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

林茂灿的实验结论认为，音高是辨认普通话声调的充分而又必要的征兆，调型段里的音高模式是四声的最小信息单元。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

基频的提取依赖浊音段的周期性，清音段与静音段没有可靠的基频值，因此基频轨迹通常只在有声帧上有效，并需配合清浊判决使用。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

在语音韵律描写中，基频曲线常被分解为语调基线与重音起伏两部分；汉语语调研究即借助音高（基频）的声学分析来讨论声调与语调的关系。^{4545探索语调本质——《汉语语调实验研究》书评_成果推介-中国社会科学院语言研究所ling.cass.cn前往参考资料 ↓在新标签页中打开}

在语音学与声学的通行框架里，「声音四要素」指音高、音强、音长与音质（音色）；前三个要素分别主要对应基频、幅度/声压级与时长，而音质/音色对应的是频谱包络与时间包络等「除音高、响度、时长之外」的听觉属性，因此它无法用单一标量刻画。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|4747ANSI/ASA S1.1-2013: Acoustical Terminologywebstore.ansi.org前往参考资料 ↓在新标签页中打开}

音色（timbre）的经典定义来自美国国家标准学会（ANSI）声学术语标准：音色是听者据以判断两个具有相同响度与音高的声音「不相同」的那种属性；该定义被后续心理声学与音乐声学研究广泛沿用。^{4747ANSI/ASA S1.1-2013: Acoustical Terminologywebstore.ansi.org前往参考资料 ↓在新标签页中打开|4848Timbre - Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音色的物理相关物是多维的：频谱能量分布（含谐波结构与共振峰位置）、频谱包络随时间的变化、起音与衰减的时间包络、以及噪声成分与调制特性，都会改变听感上的音色；因此「音色=频谱」是一种过度简化。^{4747ANSI/ASA S1.1-2013: Acoustical Terminologywebstore.ansi.org前往参考资料 ↓在新标签页中打开|1414Mel scale: history, formulas and perceptual validitypubs.aip.org前往参考资料 ↓在新标签页中打开}

在语音声学中，音质（voice quality）常被专门用来指发声类型，如气声、紧喉、嘎裂声等，其声学相关物包括谐波噪声比（HNR）、频谱倾斜、以及开商等声门参数；这与音乐声学中广义的「音色」用法并不完全重合，术语混用是该领域常见的歧义来源。^{4949Voice Quality: The Laryngeal Articulator Modelcambridge.org前往参考资料 ↓在新标签页中打开|3030Perception of vowel duration and spectral cues in speechsciencedirect.com前往参考资料 ↓在新标签页中打开}

共振峰（formant）频率是刻画元音音色的核心声学参数：F1 与舌位高低相关、F2 与舌位前后相关，这一对应关系是语音学中较为稳固的结论；但把共振峰直接等同于「音色」会忽略声源—滤波器模型中声源特性（如声门脉冲形状）对音色的贡献。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|5050Acoustic Theory of Speech Productiondegruyter.com前往参考资料 ↓在新标签页中打开}

梅尔频率倒谱系数（MFCC）之所以在语音与音色建模中长期流行，部分原因在于倒谱把声源（基频谐波结构）与滤波器（声道包络）在倒谱域上分离，低阶倒谱系数主要携带声道包络信息，从而与音色感知的相关性较高。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5151Cepstral analysis technique for automatic speaker verificationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在工程实践中，常用一组可解释的声学描述子近似音色：频谱重心、频谱滚降、频谱通量、过零率、谐波噪声比、以及基于频谱对比度的能量分布等；这些描述子被广泛用于音乐信息检索与环境声分类的特征集（如 MPEG-7 音频描述工具与 Essentia、librosa 等工具库）。^{5353MPEG-7 Audio and Beyond: Audio Content Indexing and Retrievalwiley.com前往参考资料 ↓在新标签页中打开|5454librosa: Audio and Music Signal Analysis in Pythonlibrosa.org前往参考资料 ↓在新标签页中打开}

「音质」与「音色」在中文语境中常被混用，但在声学测量上二者指向不同层面：音质更多涉及声音的保真度、清晰度与噪声/失真程度（如信噪比、总谐波失真），音色则指声音的辨识性特征；把二者当作同义词会导致指标选择上的混淆。^{4848Timbre - Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|5555Acoustics — Measurement of room acoustic parameters (ISO 3382 series)iso.org前往参考资料 ↓在新标签页中打开}

音色与音高、响度并非完全独立：在基频或声压级变化时，听者感知到的音色也会改变（例如高频能量随响度增长而更突出），因此「四要素相互独立」只是一种便于分析的近似，而非严格的感知事实。^{4747ANSI/ASA S1.1-2013: Acoustical Terminologywebstore.ansi.org前往参考资料 ↓在新标签页中打开|1414Mel scale: history, formulas and perceptual validitypubs.aip.org前往参考资料 ↓在新标签页中打开}

短时能量（short-time energy）是语音信号时域分析中最基本的特征之一：它把连续信号按帧切分，对每一帧内样本的平方求和（或求平均），从而得到一个随时间变化的能量序列，反映该短时窗内信号振幅的强弱。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

短时能量的计算通常与分帧、加窗两个步骤绑定：帧长一般取 20–30 ms 量级，帧移小于帧长以形成重叠，窗函数（矩形窗或汉明窗）用于抑制帧边界处的截断效应；窗长越短，能量曲线的时间分辨率越高，但对基音周期的平滑能力越弱。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在浊音/清音判别中，短时能量是一个有效的区分量：浊音段（声带振动、周期性强）的短时能量与短时幅度普遍较高，而清音段（如摩擦音、爆破音）的能量明显偏低，因此能量常被用作浊音段检测的第一道判据。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

短时能量与短时幅度（short-time magnitude，即帧内样本绝对值之和）在浊清判别上给出高度一致的结论，但两者并不等价：能量对大幅度样本更敏感（平方放大），幅度则对小幅噪声更稳健，实际系统中常二者并用或择一以控制计算量。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

短时能量单独使用时对增益变化和录音电平敏感，同一段语音在不同麦克风增益下能量绝对值差异很大，因此工程上常改用对数能量、归一化能量，或与过零率、自相关等特征联合判决，而不是依赖单一阈值。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

短时能量是语音端点检测（VAD）与自动切分的经典基础特征：通过设定自适应或双门限阈值，可以把语音段从静音与背景噪声中分离出来，这一做法在 20 世纪 70—80 年代的端点检测方法中即已确立，并沿用至今。^{5656Short-time energy, magnitude, zero crossing rate and autocorrelation measurement for discriminating voiced and unvoiced segments of speech signalsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

过零率（zero-crossing rate, ZCR）指一段离散时间信号在给定分析窗内相邻采样点符号发生变化的次数，通常再除以窗长或采样点数归一化为比率，是时域中最简单、计算代价最低的声学特征之一。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

在语音信号处理中，过零率通常以「短时平均过零率」的形式使用：先对信号分帧加窗，再逐帧统计符号变化次数，从而得到随时间变化的过零率轨迹，与短时能量、短时平均幅度并列构成帧级时域特征集。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

过零率与信号的频谱重心存在粗略的对应关系：在正弦型信号中过零率直接反映频率，因此对宽带噪声或清音段，过零率偏高；对以低频为主的浊音段，过零率偏低。这一性质使过零率常被当作频谱内容的廉价时域代理。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

在语音端点检测中，短时平均过零率常与短时能量或短时平均幅度联合使用：能量用于判定浊音段，过零率用于捕捉能量弱但高频成分丰富的清音段，二者结合可减少把清音误判为静音的情况。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

范瑜在1989年《电讯技术》发表的端点检测方案中，明确以短时平均幅度或能量与短时平均过零率作为特征参数，用于孤立字识别中起始点与终止点的判别，以减少非实时系统的计算量并提高识别精度。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

过零率对采样率与窗长高度依赖：同一段信号在不同采样率或不同帧长下计算出的过零率数值不可直接比较，跨语料、跨系统的过零率数值需在相同前端配置下才有意义。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

在深度学习时代，过零率仍作为低层描述符保留在通用音频特征工具中，常与谱特征拼接后送入分类器，但其单独作为判别特征的能力有限，更多承担辅助与可解释性角色。^{5757语音信号端点检测的程序实现-电讯技术1989年02期-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

自相关函数把一段信号与自身的延迟副本逐点相乘再求和，衡量信号在不同延迟下与自身的相似程度；对周期为 T0 的准周期信号，自相关在延迟为 T0 的整数倍处出现峰值，因此峰值位置可以直接读作基频周期的估计。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|5858A pitch determination algorithm based on subharmonic-to-harmonic ratioresearchgate.net前往参考资料 ↓在新标签页中打开}

在短时分析框架下，自相关通常在以帧长为窗口、帧移为步长的分帧信号上逐帧计算，常用无偏或加窗归一化形式；窗口长度需至少覆盖两个基频周期，否则低基频（长周期）说话人的基频会被系统性高估。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|5959Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

自相关法估计基频的核心困难是「倍频/半频错误」：强二次谐波会使自相关在 T0/2 处出现与 T0 处相当的峰，导致基频被估成真实值的两倍；反之，当基频分量弱于谐波时又可能把真实周期误判为其整数倍。^{5858A pitch determination algorithm based on subharmonic-to-harmonic ratioresearchgate.net前往参考资料 ↓在新标签页中打开|6060A comparative performance study of several pitch detection algorithmsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

为抑制倍频错误，实践中普遍采用中心削波（center clipping）预处理：先减去或削去低于某阈值的幅度，再对削波后的信号做自相关，使弱基频成分相对增强、共振峰影响被压低。^{5858A pitch determination algorithm based on subharmonic-to-harmonic ratioresearchgate.net前往参考资料 ↓在新标签页中打开|6161A pitch extraction algorithm based on center clipping and autocorrelationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

直接自相关计算量为每帧 O(N²)，实际系统多用 FFT 实现：先求功率谱，再做逆 FFT 得到自相关，把复杂度降到 O(N log N)；这一等价关系是「基于 FFT 的自相关」在基频估计中被广泛采用的原因。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|6262The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modified periodogramsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

为消除声道（共振峰）对自相关的调制，常用线性预测（LPC）残差或倒谱代替原始信号再做自相关/峰值搜索；LPC 残差自相关与倒谱法在清浊判决和基频轨迹平滑度上通常优于原始信号自相关。^{6060A comparative performance study of several pitch detection algorithmsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|6363Cepstrum pitch determinationpubs.aip.org前往参考资料 ↓在新标签页中打开}

自相关峰值本身可作为清浊音判决的置信度量：归一化自相关最大值低于阈值时判为清音/无声，高于阈值时判为浊音并取对应延迟为基频周期；阈值需按信噪比和录音条件调整，没有普适常数。^{5858A pitch determination algorithm based on subharmonic-to-harmonic ratioresearchgate.net前往参考资料 ↓在新标签页中打开|5959Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

在噪声和混响条件下，原始自相关法的基频估计错误率显著上升，因为噪声会抬高非周期延迟处的相关值、混响会引入虚假周期性；因此现代系统多改用 YIN、SWIPE 等改进算法或神经网络基频跟踪器。^{6464YIN, a fundamental frequency estimator for speech and musicpubs.aip.org前往参考资料 ↓在新标签页中打开|6565A sawtooth waveform inspired pitch estimator for speech and music (SWIPE)pubs.aip.org前往参考资料 ↓在新标签页中打开}

YIN 算法在自相关基础上引入累积均值归一化差分函数（CMNDF），用差分而非乘积度量相似性并对累计误差做归一化，在多个基准上比朴素自相关明显降低倍频错误率；但其阈值与搜索范围仍需按任务调参。^{6464YIN, a fundamental frequency estimator for speech and musicpubs.aip.org前往参考资料 ↓在新标签页中打开}

自相关法给出的基频是逐帧的短时估计，帧长与帧移的选择直接决定基频轨迹的时间分辨率与平滑度：帧长过短会丢失低基频周期性，帧移过大则无法跟踪快速声调变化。^{4646Speech and Audio Signal Processing: Processing and Perception of Speech and Music (2nd ed.)wiley.com前往参考资料 ↓在新标签页中打开|5959Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

在语音识别中，基频轨迹常与能量、过零率一起构成韵律特征，用于声调语言（如汉语普通话）的声调建模；自相关是这类前端最常用的基频提取手段之一。^{5959Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

频谱（spectrum）描述信号在频率轴上的幅度与相位分布，对离散时间信号通常由离散傅里叶变换（DFT）给出；工程上最常用的是快速傅里叶变换（FFT）算法，它把长度为 N 的 DFT 的计算复杂度从 O(N²) 降到 O(N log N)。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开}

功率谱（power spectrum）是频谱幅度平方（或等价地，自相关序列的傅里叶变换，即维纳–辛钦定理），它丢弃相位信息，只保留各频率分量的能量分布，因此对相位失真、时移不敏感，是语音与音频分析中最常用的频域表示。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开|55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开}

在语音处理中，短时傅里叶变换（STFT）是构造频谱与功率谱的标准手段：把长信号切成 20–40 ms 的短帧（常用帧长 25 ms、帧移 10 ms），逐帧加窗后做 FFT，得到时间–频率二维表示；帧长决定时间分辨率与频率分辨率的折中，这一折中受不确定性原理约束，无法同时任意提高。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|6868Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开}

加窗是短时频谱分析的必要步骤，常用窗包括矩形窗、汉宁窗（Hanning）、汉明窗（Hamming）与布莱克曼窗；窗函数的主瓣宽度与旁瓣衰减相互制约，主瓣越窄频率分辨力越高但频谱泄漏越严重，反之亦然。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开|6868Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开}

功率谱的估计分为非参数方法与参数方法两大类：非参数方法以周期图（periodogram）及其改进——巴特利特法、韦尔奇法（Welch，分段平均）为代表；参数方法以基于全极点模型的线性预测（LPC）谱估计和最大熵方法为代表，前者在语音编码与共振峰估计中尤为常用。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开|55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开}

周期图是功率谱的有偏且非一致估计：其期望随数据长度增加收敛到真谱，但方差不随数据长度减小，因此单段周期图估计的起伏始终很大；韦尔奇法通过分段、加窗、重叠与平均来降低方差，代价是频率分辨率下降。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开}

倒谱（cepstrum）被定义为对数频谱的逆傅里叶变换，其自变量称为倒频率（quefrency），单位与时间相同；实倒谱可只取对数幅度谱的逆变换（实倒谱），也可保留相位构成复倒谱。倒谱把卷积关系转化为加性关系，因而能把激励源（声门脉冲串）与声道滤波（共振峰包络）在倒频域上分离。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

梅尔频率倒谱系数（MFCC）在倒谱计算前引入梅尔刻度滤波器组，把线性频率映射到近似人耳感知的非线性刻度，再对滤波器组对数能量做离散余弦变换（DCT）取前若干维；这一流程在 1980 年代由 Davis 与 Mermelstein 系统提出，此后长期是语音识别与说话人识别的主流前端特征。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|6969Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

功率谱与倒谱特征对加性噪声敏感：对数运算会把低能量频带中的噪声放大，因此实际系统常在取对数前做谱减、在倒谱域做均值归一化（CMN）与倒谱均值方差归一化（CMVN），或改用对噪声更稳健的倒谱均值归一化与 RASTA 滤波。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|6969Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

频谱与功率谱本身是高维表示，直接作为特征维度高且冗余；倒谱通过 DCT 去相关并集中能量于低阶系数，起到降维与去相关的作用，这也是倒谱特征相对原始对数谱的主要工程优势之一。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|6969Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

频谱与功率谱的数值实现需注意归一化与单位约定：不同库对 FFT 的缩放（是否除以 N）、单边谱的能量补偿（除直流与奈奎斯特分量外乘 2）、以及功率谱取 10log10 还是 20log10 的处理并不一致，跨工具比较数值时必须先对齐这些约定。^{6767The Scientist and Engineer's Guide to Digital Signal Processingdspguide.com前往参考资料 ↓在新标签页中打开|7171scipy.signal.spectrogram / scipy.signal.welch — SciPy v1.13.0 Reference Guidedocs.scipy.org前往参考资料 ↓在新标签页中打开}

共振峰（formant）指语音信号短时频谱包络上的局部极大值，在声学语音学中通常被解释为声道（咽腔、口腔、鼻腔）作为声学滤波器时的共振频率；元音的音色差异主要由最低两个共振峰 F1 与 F2 的频率位置决定。^{7272Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开}

在源-滤波器（source-filter）模型中，声带振动产生准周期激励，声道被视为级联的共振腔，其共振频率即极点；共振峰的带宽与阻尼相关，而零点（anti-formant）常由鼻腔分支或侧腔引起，表现为频谱包络上的局部极小。^{7272Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开|7373Linear Prediction: A Tutorial Reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

F1 与舌位高低（开口度）负相关：舌位越高、口腔越闭合，F1 越低；F2 与舌位前后相关：舌位越靠前，F2 越高。这一对应关系是元音舌位图（vowel quadrilateral）声学解释的基础。^{7474Acoustic analysis of vowel formants: a tutorialasa.scitation.org前往参考资料 ↓在新标签页中打开}

共振峰估计的经典方法包括倒谱法（cepstral analysis）、线性预测编码（LPC）求极点、以及基于频谱平滑的峰值拾取；LPC 通过全极点模型逼近声道传递函数，其极点可直接换算为共振峰频率与带宽。^{7373Linear Prediction: A Tutorial Reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7575Speech and Audio Signal Processing: Processing and Perception of Speech and Musicwiley.com前往参考资料 ↓在新标签页中打开}

LPC 阶数选择直接影响共振峰估计：阶数过低会合并相邻共振峰，阶数过高会引入虚假极点；对 8 kHz 采样的语音，常用阶数在 8–12 之间，对 16 kHz 采样则常取 12–16 或更高。^{7373Linear Prediction: A Tutorial Reviewieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7575Speech and Audio Signal Processing: Processing and Perception of Speech and Musicwiley.com前往参考资料 ↓在新标签页中打开}

共振峰估计在鼻音、塞音爆破段与低信噪比条件下不稳定：鼻音引入的极点-零点对会使 F1 附近出现额外峰，而爆破段的短时非平稳性使短时傅里叶分析的平稳假设失效，因此这些音段的共振峰轨迹常需人工校正或鲁棒算法。^{7272Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开|1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开}

Praat 的 Burg 法与自相关法共振峰跟踪、以及 ESPS/Waves+ 等工具提供的 LPC 根求解，是语音研究中广泛使用的共振峰提取实现；不同实现与参数设置在相同语音上可能给出可观的数值差异。^{7676Praat: doing phonetics by computer — Formant analysisfon.hum.uva.nl前往参考资料 ↓在新标签页中打开|7777ESPS/Waves+ formant tracking documentationentropic.com前往参考资料 ↓在新标签页中打开}

共振峰轨迹被广泛用于发音语音学、语音合成（如共振峰合成器 Klatt 合成器）与病理语音评估；在自动语音识别中，原始共振峰估计因对说话人和协同发音敏感，通常不作为主特征，而是与倒谱特征结合或用于发音归一化。^{7878Software for a cascade/parallel formant synthesizerasa.scitation.org前往参考资料 ↓在新标签页中打开|7979Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开}

共振峰频率随说话人生理尺度变化，成人男性、女性和儿童的共振峰整体呈系统性偏移，这一偏移主要由声道长度差异导致，常通过声道长度归一化（VTLN）或共振峰归一化来补偿。^{7979Fundamentals of Speech Recognitionpearson.com前往参考资料 ↓在新标签页中打开|8080Speaker recognition using formant featuresieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

梅尔频率倒谱系数（Mel-frequency cepstral coefficients，MFCC）由 Davis 与 Mermelstein 于 1980 年在《IEEE Transactions on Acoustics, Speech, and Signal Processing》上发表，最初用于单音节词识别，其设计目标是用少量系数刻画语音短时功率谱的包络。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

MFCC 的计算流程通常为：对语音帧做预加重与加窗，计算离散傅里叶变换得到功率谱，用一组在梅尔刻度上等间隔分布的三角滤波器组对功率谱加权求和，取对数后再做离散余弦变换（DCT），保留前若干维系数；这一流程在语音处理教材与工具文档中被一致描述。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

梅尔刻度是一种模拟人耳对频率非线性感知的映射，常见近似公式为 m = 2595·log10(1 + f/700)，其中 f 以赫兹为单位；该公式出自 O'Shaughnessy 的语音处理著作，并被 HTK 等工具文档沿用。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|8282Speech Communication: Human and Machineworldcat.org前往参考资料 ↓在新标签页中打开}

在 MFCC 中，离散余弦变换起到去相关与能量压缩的作用：对数滤波器组能量经 DCT 后，低阶倒谱系数集中了谱包络信息，高阶系数更多反映激励源的快速变化；因此常丢弃高阶系数以抑制基频与噪声的影响。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开}

MFCC 的典型配置为 20–40 个三角滤波器、12–13 维倒谱系数，并常附加一阶差分（delta）与二阶差分（delta-delta）以补足动态信息；HTK 与 Kaldi 等工具默认或示例配置均落在这一范围内。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|8383The Kaldi Speech Recognition Toolkitkaldi-asr.org前往参考资料 ↓在新标签页中打开}

MFCC 最初为语音识别设计，后被广泛移植到说话人识别、情感计算、音乐信息检索与环境声分类等任务；在这些任务中它常作为基线特征，与其它特征拼接使用。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|8585Fundamentals of Music Processing: Audio, Analysis, Algorithms, Applicationslink.springer.com前往参考资料 ↓在新标签页中打开}

MFCC 对加性噪声与卷积信道失真缺乏不变性，常需配合倒谱均值归一化（CMN）、倒谱均值方差归一化（CMVN）或谱减等补偿手段使用；这些补偿方法在说话人识别与语音识别中被系统研究。^{8383The Kaldi Speech Recognition Toolkitkaldi-asr.org前往参考资料 ↓在新标签页中打开|8686Cepstral mean and variance normalization for robust speech recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

MFCC 的实现细节（滤波器数量、频率范围、是否去均值、是否做能量替换等）在不同工具间并不统一，导致同一语音在不同工具下提取的 MFCC 不可直接比较；这一现象在跨工具复现实验时被反复指出。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|8383The Kaldi Speech Recognition Toolkitkaldi-asr.org前往参考资料 ↓在新标签页中打开}

频谱质心（spectral centroid）是信号幅度谱在频率轴上的加权平均，权重取各频点的幅度值，物理上可理解为频谱的“重心”位置，单位为赫兹。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开}

频谱质心常被用作音色的亮度（brightness）指标：频谱能量越向高频集中，质心越高，听感上越“明亮”；反之能量集中于低频时质心偏低。^{8989The Timbre Toolbox: Extracting audio descriptors from musical signalsasa.scitation.org前往参考资料 ↓在新标签页中打开}

在语音分析中，频谱质心与发音方式相关：擦音、塞擦音等噪声段因高频能量丰富而质心较高，元音与鼻音等浊音段质心较低，因此该特征常被用于清浊判别和音素分类。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开|1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开}

频谱带宽（spectral bandwidth）通常定义为频谱关于质心的二阶中心矩，即各频点幅度加权后到质心距离平方的均方根，用以刻画频谱能量围绕质心的分散程度。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开}

频谱质心与带宽对采样率和分析频带范围敏感：同一信号在不同采样率或不同上限截止频率下计算，质心与带宽的数值会明显不同，因此报告这两个特征时必须同时说明采样率与频带范围。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开}

在音乐信息检索中，频谱质心是最常用的音色描述子之一，常与频谱滚降、频谱通量、频谱平坦度一起构成帧级音色特征集，用于乐器识别、音乐流派分类和音频相似度检索。^{8989The Timbre Toolbox: Extracting audio descriptors from musical signalsasa.scitation.org前往参考资料 ↓在新标签页中打开|9090Music Information Retrieval — Feature extraction overviewismir.net前往参考资料 ↓在新标签页中打开}

频谱质心与带宽都是逐帧计算的短时特征，通常先对信号分帧、加窗（如汉明窗），再对每帧做离散傅里叶变换取幅度谱后计算；帧长与窗函数的选择会直接影响特征的时间分辨率与数值稳定性。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开}

频谱质心对加性噪声和信道失真较为敏感：背景噪声会抬高高频能量从而系统性抬升质心估计，因此在噪声环境下直接使用原始质心值做分类容易产生偏差，常需先做降噪或改用相对/归一化版本。^{1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开|9292Robust speaker recognition in noisy conditions — feature analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在说话人识别中，频谱质心与带宽通常不作为单独的主特征，而是作为帧级声学特征向量中的辅助维度，与梅尔频率倒谱系数等倒谱特征拼接使用；其单独区分说话人的能力有限。^{9292Robust speaker recognition in noisy conditions — feature analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|9393Speaker recognition — feature extraction and modeling (tutorial)isca-speech.org前往参考资料 ↓在新标签页中打开}

MPEG-7 标准将频谱质心（AudioSpectrumCentroid）与频谱分布特征纳入其低层音频描述子体系，用于音色与音频内容的标准化描述，说明这两个特征在标准化层面已有明确定位。^{9494ISO/IEC 15938-4:2002 — Information technology — Multimedia content description interface — Part 4: Audioiso.org前往参考资料 ↓在新标签页中打开}

频谱质心与带宽的数值高度依赖频谱幅度是否取对数、是否做归一化以及是否剔除静音帧，不同预处理流程下同一段音频的质心可相差数倍，因此文献间直接比较绝对值意义有限。^{8888Speech and Audio Processing — Spectral Features (lecture notes)cs.cmu.edu前往参考资料 ↓在新标签页中打开}

声压级（Sound Pressure Level, SPL）以分贝为单位，定义为声压 p 与参考声压 p₀ 之比取常用对数再乘 20，即 L_p = 20·log₁₀(p/p₀)；空气中参考声压 p₀ 通常取 20 μPa，对应人耳在 1 kHz 附近的听阈。^{9595Acoustics — Terminology (ISO 80000-8:2020, Quantities and units — Part 8: Acoustics)iso.org前往参考资料 ↓在新标签页中打开|9696Sound pressure level — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声压级是客观物理量，而响度（loudness）是与之对应的人耳主观感知量；两者并非线性关系，声压级加倍（+10 dB）在感知上约对应响度翻倍，这一关系由 Stevens 的幂律描述，即响度 ∝ (声压)^0.3 量级。^{9797Stevens' power law — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|9898Loudness — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

等响曲线（equal-loudness contours）刻画了不同频率下达到相同主观响度所需的声压级，最早由 Fletcher 与 Munson 于 1933 年测得；ISO 226 标准后来基于 Robinson–Dadson 数据与多实验室重测结果对其进行了修订，现行版本为 ISO 226:2003。^{9999Equal-loudness contour — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|99ISO 226:2003 Acoustics — Normal equal-loudness-level contoursiso.org前往参考资料 ↓在新标签页中打开}

为把响度感知纳入声学特征，学界提出了多种响度模型：Stevens 的幂律给出稳态声的响度—声压级关系；Zwicker 的响度模型基于临界频带与特定响度（specific loudness）积分；Moore–Glasberg 模型进一步引入听觉滤波器的非对称与频率相关特性，被 ITU-R BS.1387（PEAQ）等感知音频质量标准采用。^{9898Loudness — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|100100ITU-R BS.1387-2 Method for objective measurements of perceived audio qualityitu.int前往参考资料 ↓在新标签页中打开}

A 计权（A-weighting）是对声压级按 40 phon 等响曲线做频率加权得到的单值评价量，记为 dB(A)，广泛用于环境噪声评价与职业噪声暴露限值；但 A 计权在低频段衰减很强，对低频成分显著的声音（如风机、音乐低频）会低估其主观响度与危害。^{3636A-weightingen.wikipedia.org前往参考资料 ↓在新标签页中打开|101101IEC 61672-1 Electroacoustics — Sound level meters — Part 1: Specificationswebstore.iec.ch前往参考资料 ↓在新标签页中打开}

在语音与音频特征提取中，常用短时能量或短时 RMS 作为响度的廉价代理，但这类时域能量特征未做频率加权，与感知响度之间存在系统性偏差；更贴近感知的做法是先经 A 计权或等响滤波，再计算分帧能量。^{102102Short-time energy — Speech Processing (Rabiner & Schafer, Theory and Applications of Digital Speech Processing)pearson.com前往参考资料 ↓在新标签页中打开|103103Speech Processing for Machine Learning: Filter banks, Mel-Frequency Cepstral Coefficients (MFCCs) and What's In-Betweenhaythamfayek.com前往参考资料 ↓在新标签页中打开}

ITU-R BS.1770 定义了节目响度（program loudness）的测量算法：对各声道信号做 K 计权（K-weighting，由高架滤波与高通滤波级联构成），再计算门限化的均方能量并取对数，单位为 LUFS；该标准及其后续修订（BS.1770-4）已成为广播与流媒体响度规范化的基础。^{4141ITU-R BS.1770-4 Algorithms to measure audio programme loudness and true-peak audio levelitu.int前往参考资料 ↓在新标签页中打开|104104Loudness, K-weighted, relative to full scale — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

EBU R 128 在 ITU-R BS.1770 的基础上规定了广播节目目标响度为 −23 LUFS、真峰值上限为 −1 dBTP，并引入响度范围（LRA）指标；流媒体平台则普遍采用更宽松的目标值（如 −14 LUFS 量级），导致跨平台响度标准并不统一。^{4242EBU R 128 Loudness normalisation and permitted maximum level of audio signalstech.ebu.ch前往参考资料 ↓在新标签页中打开|105105Loudness war — Wikipedia (streaming platform loudness targets)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

响度与声压级特征在语音情感识别中被用作唤醒度（arousal）维度的相关线索：较高能量与较高响度通常与高唤醒情绪（如愤怒、兴奋）相关联，但该关联受录音增益、信道与说话人个体差异影响，单独使用可靠性有限。^{107107The INTERSPEECH 2009 Emotion Challengeisca-archive.org前往参考资料 ↓在新标签页中打开|1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开}

在说话人识别中，倒谱均值归一化（CMN）与特征域增益归一化被用来抑制信道与录音电平差异，从而降低声压级波动对识别性能的影响；这从侧面说明原始能量类特征对信道与增益高度敏感。^{108108Cepstral mean and variance normalization — Wikipedia (feature normalization in speaker recognition)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

ISO 532 系列标准规定了响度的计算办法：ISO 532-1:2017 给出 Zwicker 方法与 1/3 倍频程方法，ISO 532-2:2017 给出 Moore–Glasberg 时变响度方法，为响度特征的标准化计算提供了依据。^{109109ISO 532-2:2017 Acoustics — Methods for calculating loudness — Part 2: Moore-Glasberg methodiso.org前往参考资料 ↓在新标签页中打开|106106ISO 532-1:2017 Acoustics — Methods for calculating loudness — Part 1: Zwicker methodiso.org前往参考资料 ↓在新标签页中打开}

音高感知的声学基础是基频（F0），即声带振动的重复率；人耳对周期性声音的“高”“低”感受大体随基频单调上升，但两者并非线性对应：在 100–1000 Hz 区间，主观音高大致随基频的对数增长，因此音乐与语音分析中常用半音、mel 或 ERB 尺度而非线性赫兹刻度来描述音高。^{110110Pitch (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开|111111Pitch perceptionen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高感知并不等于基频测量：当基频成分被滤除、只保留其谐波时，听者仍能听到与缺失基频对应的音高，这一现象称为“缺失基频”（missing fundamental）或残余音高，说明听觉系统会从谐波间隔中重建周期性。^{112112The perception of pitchen.wikipedia.org前往参考资料 ↓在新标签页中打开|113113Neuromagnetic evidence for a pitch processing center in human auditory cortexpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

音高感知的分辨率随频率与时长变化：在 1 kHz 附近，正常听力听者可分辨约 0.2%–0.3% 的基频变化（约 3–5 Hz），而在低频与高频两端分辨率下降；极短声（数十毫秒以内）的音高会变得模糊，说明音高提取需要一定的积分时间。^{111111Pitch perceptionen.wikipedia.org前往参考资料 ↓在新标签页中打开|115115Pitch discriminationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音中，音高感知主要对应声调语言里的声调（如普通话四声）与语调轮廓；基频曲线的走向、斜率与范围是声调识别与情感韵律分析的核心声学线索，但基频本身受说话人声道长度与性别影响，需做说话人归一化后才能跨人比较。^{116116Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|117117Prosody (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与响度、音色存在感知交互：在相同声压级下，低频纯音听起来比中频纯音更轻；改变谐波结构（音色）也会轻微改变所感知的音高，这类交互使“音高”难以用单一物理量完全刻画。^{111111Pitch perceptionen.wikipedia.org前往参考资料 ↓在新标签页中打开|9898Loudness — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

工程上常用的音高特征包括逐帧基频轨迹、浊音/清音判决、半音或 ERB 刻度上的音高直方图，以及由基频派生的 jitter（周期扰动）与 vibrato 参数；这些特征在说话人识别与情感识别中被广泛使用，但基频提取在噪声、清音段与低音区仍易出现倍频/半频错误。^{118118YIN, a fundamental frequency estimator for speech and musicpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开}

临界带宽（critical bandwidth，CB）指听觉系统中一个窄带内各频率成分会相互掩蔽、超出该带宽后掩蔽效应不再明显增加的带宽，是听觉滤波器频率选择性的度量；在语音与音频分析中，它被用来把线性频率轴映射到更接近耳蜗基底膜位置的非线性刻度上。^{121121Critical Bandwidthen.wikipedia.org前往参考资料 ↓在新标签页中打开|122122Mel scaleen.wikipedia.org前往参考资料 ↓在新标签页中打开}

巴克尺度（Bark scale）由 Zwicker 于 1961 年提出，以“巴克”（Bark）为单位把可听频率范围划分为 24 个临界频带，1 Bark 约等于一个临界带宽；第 1 个频带覆盖约 0–100 Hz，随频率升高带宽逐渐增大，到高频端单个频带可达数千赫兹。^{121121Critical Bandwidthen.wikipedia.org前往参考资料 ↓在新标签页中打开|123123Bark scaleen.wikipedia.org前往参考资料 ↓在新标签页中打开}

Bark 频率与线性频率之间的常用近似映射为 z = 13·arctan(0.00076·f) + 3.5·arctan((f/7500)²)，其中 f 以 Hz 计、z 以 Bark 计；该式在 0–8 kHz 范围内与主观测得的临界频带边界吻合较好，是语音处理中最常被引用的解析形式。^{123123Bark scaleen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音识别中，Bark 尺度最典型的用途是构造巴克滤波器组：在 Bark 轴上等间隔布置三角滤波器，再对功率谱加权求和并取对数，得到巴克频带能量；这一结构是感知线性预测（PLP）分析的前端步骤之一，PLP 在 Bark 滤波器组之后还引入等响度预加重与强度—响度幂律压缩。^{124124Perceptual Linear Predictive (PLP) analysis of speechasa.scitation.org前往参考资料 ↓在新标签页中打开|55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开}

梅尔尺度与巴克尺度都是模拟听觉频率选择性的非线性刻度，但二者并非同一映射：梅尔刻度在 1 kHz 以下近似线性、以上近似对数，而巴克刻度直接源自临界频带实验；在相同频带数下，两者给出的低频分辨率与高频压缩程度不同，因此基于梅尔滤波器组与巴克滤波器组提取的特征不可直接互换。^{122122Mel scaleen.wikipedia.org前往参考资料 ↓在新标签页中打开|8181A study of formant and cepstral features for speaker identificationisca-speech.org前往参考资料 ↓在新标签页中打开}

常用的语音与音频工具库对 Bark 尺度提供直接支持：例如 Librosa 提供频率与 Bark 刻度互转及巴克滤波器组生成函数，HTK 与 Kaldi 的 PLP 实现则内置了固定的 Bark 频带边界表，便于复现经典特征。^{124124Perceptual Linear Predictive (PLP) analysis of speechasa.scitation.org前往参考资料 ↓在新标签页中打开}

基频（fundamental frequency，F0）是声带振动的最低模态频率，在语音声学中对应听觉上的音高（pitch）感知，是韵律与超音质特征中最核心的参数之一。^{126126Speech and Audio Processing / 语音信号处理（基频与音高相关章节）link.springer.com前往参考资料 ↓在新标签页中打开}

基频轨迹（F0 contour）指基频随时间变化的曲线，通常以帧为单位逐帧估计，帧长多在 10–40 ms 量级，帧移常见为 5–10 ms；轨迹的形态（上升、下降、平台、起伏）承载语调、声调与重音信息。^{126126Speech and Audio Processing / 语音信号处理（基频与音高相关章节）link.springer.com前往参考资料 ↓在新标签页中打开|127127A Robust Algorithm for Pitch Tracking (RAPT)sciencedirect.com前往参考资料 ↓在新标签页中打开}

基频轨迹的提取方法大致分为时域法（如自相关、AMDF、YIN）、频域法（如倒谱、谐波积谱）与统计/模型法（如基于 HMM、深度网络的音高跟踪）；不同方法在清浊音判决、倍频/半频错误与噪声鲁棒性上表现差异明显。^{127127A Robust Algorithm for Pitch Tracking (RAPT)sciencedirect.com前往参考资料 ↓在新标签页中打开|128128YIN, a fundamental frequency estimator for speech and musicpubs.aip.org前往参考资料 ↓在新标签页中打开}

YIN 算法由 de Cheveigné 与 Kawahara 于 2002 年提出，通过累积均值归一化差分函数估计基频，是语音与音乐分析中被广泛引用的时域基频估计方法之一。^{128128YIN, a fundamental frequency estimator for speech and musicpubs.aip.org前往参考资料 ↓在新标签页中打开}

在声调语言（如汉语普通话）中，基频轨迹的走向与相对高低是区分词义的必要线索；普通话四声的调型可概括为高平、中升、降升与全降，其声学实现主要体现为 F0 曲线的形状与调域。^{129129The phonology of standard Chinese (声调与基频相关章节)global.oup.com前往参考资料 ↓在新标签页中打开}

基频轨迹的绝对数值受说话人性别、年龄与个体声带尺寸影响很大，成人男性典型基频约在 85–180 Hz，成人女性约在 165–255 Hz，因此跨说话人比较时通常需要做说话人内归一化（如转换为半音、ERB 或 z-score）。^{126126Speech and Audio Processing / 语音信号处理（基频与音高相关章节）link.springer.com前往参考资料 ↓在新标签页中打开|130130Voice and Speech Processing / 语音与音频处理（基频范围与归一化）ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

基频轨迹的常见派生特征包括：F0 均值、F0 范围、F0 标准差、F0 斜率、F0 抖动（jitter）与清浊音比例；这些量在情感计算与说话人识别中常被用作韵律层面的表征。^{126126Speech and Audio Processing / 语音信号处理（基频与音高相关章节）link.springer.com前往参考资料 ↓在新标签页中打开|107107The INTERSPEECH 2009 Emotion Challengeisca-archive.org前往参考资料 ↓在新标签页中打开}

基频轨迹的估计在清音段、静音段与强噪声条件下容易失效，产生倍频（octave）与半频（subharmonic）错误；因此多数工具在输出 F0 的同时给出清浊音判决或置信度，并需要后处理平滑。^{127127A Robust Algorithm for Pitch Tracking (RAPT)sciencedirect.com前往参考资料 ↓在新标签页中打开|128128YIN, a fundamental frequency estimator for speech and musicpubs.aip.org前往参考资料 ↓在新标签页中打开}

Praat 是由 Paul Boersma 与 David Weenink 开发的语音分析软件，其 Sound: To Pitch 功能基于自相关方法估计基频轨迹，并提供多种参数（如 pitch floor、ceiling、voicing threshold）供用户调节，是语音学与声学特征研究中被广泛使用的工具之一。^{119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开}

COVAREP 是一个开源的语音特征提取工具箱，提供包括基频轨迹、清浊音判决、jitter、shimmer 等在内的多种声学与韵律特征，常用于情感计算与说话人识别研究。^{132132COVAREP — A collaborative voice analysis repository for speech technologiesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

语速通常以单位时间内的音节数或词数来度量，常见单位是音节/秒或词/分钟；在语音学与语音技术中，更常用的规范化指标是发音速率（articulation rate），即排除停顿后的单位时间音节数，以及言语速率（speaking rate），即包含停顿在内的整体速率。两者在同一个说话人身上可以相差很大，因此报告语速时必须说明采用的是哪一种口径。^{134134Speaking rate and articulation rate: definitions and measurementcambridge.org前往参考资料 ↓在新标签页中打开|119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开}

节奏在声学上并非单一参数，而是由音节时长分布、重音位置、元音与辅音时长对比、停顿模式共同体现的时间结构。测量节奏的经典做法是对相邻音节或元音区间时长做归一化后统计其变异程度，其中相邻元音区间时长差的标准差（常记为 ΔV）与归一化配对变异指数（nPVI）是使用最广的两个指标。^{135135Rhythm typology: nPVI and the stress-timing / syllable-timing distinctionjournals.sagepub.com前往参考资料 ↓在新标签页中打开|3030Perception of vowel duration and spectral cues in speechsciencedirect.com前往参考资料 ↓在新标签页中打开}

nPVI（归一化配对变异指数）由 Low、Grabe 与 Nolan 提出，用于量化相邻音节（或元音）时长之间的相对差异，数值越高表示时长变化越大、节奏越趋向“重音计时”，数值越低表示各音节时长越均匀、越趋向“音节计时”。该指标已成为跨语言节奏对比研究的标准工具之一。^{135135Rhythm typology: nPVI and the stress-timing / syllable-timing distinctionjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

在声学特征工程中，语速类特征通常包括：整段语音的平均音节速率、发音速率、静音段占比（停顿比例）、平均停顿时长、最长停顿时长、以及基于能量或清音检测得到的浊音段时长统计。这些特征在说话人识别与情感识别中被广泛用作超音质（supra-segmental）特征。^{119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开|1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开}

语速与节奏特征对说话人识别有实际贡献，但其区分力弱于倒谱类特征（如 MFCC），且容易受到说话人情绪状态、健康状况与录音场景的干扰；因此在现代系统中它们通常作为与频谱特征融合的辅助线索，而非单独使用的判别依据。^{1515On the perceptual relevance of mel-frequency cepstral coefficientssciencedirect.com前往参考资料 ↓在新标签页中打开|136136Re-evaluating the rhythm class hypothesis with large speech corporaisca-archive.org前往参考资料 ↓在新标签页中打开}

节奏与语速特征在音乐信息检索中对应速度（tempo）与节拍（beat）的估计问题，常用方法包括起始点检测后做自相关或梳状滤波以估计节拍周期；这与语音中的语速估计在信号处理层面有相通之处，但时间尺度相差一个数量级以上。^{9292Robust speaker recognition in noisy conditions — feature analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

提取语速与节奏特征高度依赖音节或音素边界切分，切分误差会直接传播到时长统计中；在缺乏强制对齐结果时，工程上常用能量包络的峰值检测或基于清浊音判决的近似方法，其精度明显低于基于声学模型强制对齐的结果。^{134134Speaking rate and articulation rate: definitions and measurementcambridge.org前往参考资料 ↓在新标签页中打开|119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开}

开源工具方面，Praat 提供音节切分、时长标注与节奏脚本（如基于脚本计算 nPVI、ΔV 等指标）的能力，是语音节奏研究中最常用的工具之一；openSMILE 则在其声学特征集中内置了基于能量与清浊音判决的语速与停顿类特征，可直接用于情感识别与副语言分析。^{119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开|137137openSMILE: the Munich versatile and fast open-source audio feature extractorgithub.com前往参考资料 ↓在新标签页中打开}

韵律（prosody）在语音学中通常指跨越音段以上的组织性特征，包括音高、时长、响度及其在音节、词、短语层面的模式；超音质特征（suprasegmental features）指不附着于单个音段、而覆盖多个音段或更大单位的那类属性，重音与语调是其中两个核心范畴。^{117117Prosody (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

重音（stress/accent）在声学上并非单一参数，而是由音高、时长、强度与音质（元音饱满度）多线索共同实现；不同语言对线索的依赖权重不同，例如英语中时长与音高对词重音感知贡献较大，而部分语言更依赖音高或元音质量。^{138138Stress (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

在声学特征工程中，重音检测常用的特征包括：音节级基频（F0）的峰值与斜率、音节时长、能量（RMS/对数能量）、以及基于音节对齐的时长比（如该音节时长与局部平均时长之比）。^{119119Praat: doing phonetics by computerfon.hum.uva.nl前往参考资料 ↓在新标签页中打开}

语调（intonation）指音高在话语层面的走向模式，其声学载体是基频（F0）轮廓；F0 轮廓的建模通常包括对 F0 的提取、清浊判定、八度跳变修正，以及用分段线性或多项式、或离散化（如基频重音/边界调）方式参数化。^{139139Pitch (F0) extraction and intonation analysisen.wikipedia.org前往参考资料 ↓在新标签页中打开}

ToBI（Tones and Break Indices）是英语语调标注的通行框架，用音高重音（H*、L* 及其变体）、短语重音与边界调（H-、L-、H%、L%）等符号描述语调事件，并标注韵律边界强度；该框架后来被推广到多种语言，形成各自的 ToBI 变体。^{140140ToBI (Tones and Break Indices)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音合成与语音识别中，重音与语调信息常被表示为离散符号（如重音标签、边界调标签）与连续声学参数（F0、时长）两套表示，二者之间的映射是韵律建模的核心问题之一。^{141141Speech synthesis — Prosodyen.wikipedia.org前往参考资料 ↓在新标签页中打开}

重音与语调的声学实现存在显著的跨语言与跨方言差异，因此不存在一套通用的、可直接移植的重音/语调声学特征参数；同一组 F0 与时长特征在不同语言上的判别力可能相差很大。^{138138Stress (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|140140ToBI (Tones and Break Indices)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

在情感计算与副语言研究中，重音与语调特征常被用作韵律层面的表征，例如 F0 的统计量（均值、方差、范围、斜率）、重音密度、语调轮廓的升降模式等，用于区分陈述与疑问、以及不同情绪状态。^{143143Emotion recognition in speech — acoustic/prosodic featuresen.wikipedia.org前往参考资料 ↓在新标签页中打开}

F0 提取本身是重音与语调特征计算中的主要误差来源之一：清浊误判、八度错误与噪声环境下的跟踪失败会直接污染语调轮廓，因此在计算语调特征前通常需要做清浊判定与平滑/插值处理。^{139139Pitch (F0) extraction and intonation analysisen.wikipedia.org前往参考资料 ↓在新标签页中打开}

预加重是语音信号短时分析前的常见第一步：用一个一阶高通滤波器 H(z)=1−αz⁻¹ 对信号做差分，等价于 y(n)=x(n)−αx(n−1)，其目的是补偿语音频谱在高频段因声门激励与口唇辐射而自然衰减的能量，使高频共振峰的动态范围与低频段更接近，便于后续统一分析。^{144144CN120123474A - 一种面向大学第二外语教学的aigc赋能辅助系统及实现方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

预加重系数 α 的常用取值在 0.95 至 0.97 之间；α 越接近 1，高通滤波器的转折频率越低、高频提升越强，α=0.95 与 α=0.97 分别对应约几十赫兹量级的转折点，实际取值需与采样率匹配。^{144144CN120123474A - 一种面向大学第二外语教学的aigc赋能辅助系统及实现方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

分帧的依据是语音的短时平稳性假设：在 10–30 ms 的短时间隔内，声道形状近似不变，因此可以把连续语音切成相互重叠的短段，逐帧提取特征；帧长通常取 20–30 ms，帧移通常取帧长的一半左右（约 10 ms），重叠是为了避免帧边界处的信息丢失并保证特征轨迹平滑。^{144144CN120123474A - 一种面向大学第二外语教学的aigc赋能辅助系统及实现方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

加窗在分帧之后进行，即把每一帧乘以一个两端平滑衰减到零的窗函数，以抑制帧被硬截断所产生的频谱泄漏与旁瓣；常用的窗函数包括矩形窗、汉宁窗与汉明窗，其中汉明窗因第一旁瓣衰减较大而在语音特征提取中最常用。^{144144CN120123474A - 一种面向大学第二外语教学的aigc赋能辅助系统及实现方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

分帧加窗会引入固有的时频权衡：帧越长频率分辨率越高但时间定位越模糊，帧越短时间分辨率越高但频谱估计方差越大；此外，加窗会削弱帧两端样本的权重，因此相邻帧必须重叠，重叠率的选择直接影响特征序列的时间分辨率与计算量。^{144144CN120123474A - 一种面向大学第二外语教学的aigc赋能辅助系统及实现方法 - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

短时傅里叶变换（Short-Time Fourier Transform, STFT）是语音与音频特征提取流程中的核心环节：它先对信号分帧、加窗，再对每一帧做离散傅里叶变换，从而把一维时域波形转换为随时间变化的频谱表示。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开}

STFT 的数学定义为 X(m,ω)=Σ_{n} x(n)w(n−mR)e^{−jωn}，其中 w(n) 为窗函数，R 为帧移（hop size），m 为帧序号；窗长与帧移共同决定时间分辨率与频率分辨率的折中。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|146146The STFT, Sinusoidal Models, and Speech Processinglink.springer.com前往参考资料 ↓在新标签页中打开}

在语音处理实践中，STFT 的典型参数为：采样率 16 kHz、窗长 25 ms（400 点）、帧移 10 ms（160 点）、窗函数取汉明窗（Hamming window）；这一组参数在 HTK、Kaldi 等工具链的默认配置中广泛出现。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|147147Kaldi: A Toolkit for Speech Recognitiongithub.com前往参考资料 ↓在新标签页中打开}

STFT 的时间分辨率与频率分辨率受不确定性原理约束：窗长越长，频率分辨率越高但时间分辨率越低；窗长越短则相反。因此不存在同时在时间和频率上任意精细的 STFT 表示。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|146146The STFT, Sinusoidal Models, and Speech Processinglink.springer.com前往参考资料 ↓在新标签页中打开}

分帧时相邻帧之间通常存在重叠（overlap），重叠比例由窗长与帧移之比决定；50%–75% 的重叠是语音特征提取中的常见选择，用于避免帧边界处的信息丢失并平滑帧间过渡。^{66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

加窗的作用是抑制帧两端的不连续性所造成的频谱泄漏（spectral leakage）；矩形窗主瓣最窄但旁瓣最高，汉明窗与汉宁窗则以展宽主瓣为代价换取更低的旁瓣。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|146146The STFT, Sinusoidal Models, and Speech Processinglink.springer.com前往参考资料 ↓在新标签页中打开}

STFT 的输出为复数谱，其幅度平方 |X(m,ω)|² 称为功率谱或谱图（spectrogram）；梅尔滤波器组、MFCC、PLP 等后续特征均在功率谱或幅度谱的基础上继续计算。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

STFT 的频域采样点数为 N（N 为 DFT 点数），当 N 大于窗长时需在帧尾补零；补零可以提高频谱的显示密度，但并不增加真实的频率分辨率。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|146146The STFT, Sinusoidal Models, and Speech Processinglink.springer.com前往参考资料 ↓在新标签页中打开}

在深度学习时代，STFT 常被直接作为可微前端：对数梅尔谱图与原始 STFT 幅度谱被送入卷积神经网络或 Transformer，取代了手工设计的 MFCC 流水线；这一转变在语音识别与音频分类任务中均有体现。^{133133Deep Learning for Audio Signal Processing (基频与端到端建模相关章节)ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7070wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representationsarxiv.org前往参考资料 ↓在新标签页中打开}

STFT 的帧长选择在语音识别中通常与音素尺度匹配（约 20–30 ms），而在音乐信息检索中常使用更长的窗（如 46 ms 以上）以更好地分辨谐波结构；这一差异反映了不同任务对时频分辨率的偏好。^{5454librosa: Audio and Music Signal Analysis in Pythonlibrosa.org前往参考资料 ↓在新标签页中打开}

STFT 本身是可逆的：在满足完全重构条件（窗函数满足 COLA 条件且帧移合适）时，可通过重叠相加（overlap-add）或加权重叠相加法由 STFT 系数重建原信号。^{145145Discrete-Time Signal Processing (3rd Edition)pearson.com前往参考资料 ↓在新标签页中打开|146146The STFT, Sinusoidal Models, and Speech Processinglink.springer.com前往参考资料 ↓在新标签页中打开}

在语音特征提取的典型流水线中，特征归一化通常紧接在帧级声学特征计算之后、分类器或声学模型之前进行，其目的是削弱信道、录音设备与说话人个体差异带来的加性偏移和乘性畸变，使训练集与测试集的特征分布更接近。^{150150A Tutorial on Text-Independent Speaker Verificationasp-eurasipjournals.springeropen.com前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

倒谱均值归一化（CMN）是最常用的加性失真补偿方法之一：对每句话的倒谱特征逐维减去该句在时间轴上的均值，从而去除信道卷积引入的固定偏移；其扩展倒谱均值与方差归一化（CMVN）进一步除以标准差，同时补偿乘性失真。^{150150A Tutorial on Text-Independent Speaker Verificationasp-eurasipjournals.springeropen.com前往参考资料 ↓在新标签页中打开|151151Cepstral Mean and Variance Normalizationkaldi-asr.org前往参考资料 ↓在新标签页中打开}

CMN 的经典实现依赖整句统计量，属于离线（句子级）归一化，需要看到完整语音段才能计算均值；在流式识别场景中通常改用滑动窗均值归一化或基于历史统计的在线归一化，以引入可控的延迟换取因果性。^{151151Cepstral Mean and Variance Normalizationkaldi-asr.org前往参考资料 ↓在新标签页中打开|152152Online Cepstral Mean Normalization for Streaming Speech Recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

除句子级统计外，倒谱域还常用谱减、RASTA 滤波等方法来抑制信道与背景噪声；RASTA 通过对倒谱轨迹做带通滤波，抑制变化缓慢的信道分量和变化过快的噪声分量，其效果与 CMN 有互补性。^{153153RASTA Processing of Speechieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

特征降维的经典手段是主成分分析（PCA）与线性判别分析（LDA）：PCA 在无监督条件下寻找方差最大的正交方向，LDA 则利用类别标签寻找类间散度与类内散度之比最大的投影方向，后者在说话人识别与电话语音识别中常被用于压缩特征维数并提升可分性。^{154154Pattern Classification (2nd Edition)wiley.com前往参考资料 ↓在新标签页中打开|1717Speaker Verification Using Adapted Gaussian Mixture Modelssciencedirect.com前往参考资料 ↓在新标签页中打开}

在隐马尔可夫模型—高斯混合模型（HMM-GMM）时代，特征空间与模型空间的线性变换被系统化：异方差线性判别分析（HLDA）在降维的同时对每个高斯分量建模不同的类内协方差，最大似然线性变换（MLLT）则用于对特征做全局去相关，二者常与 LDA 串联使用。^{1717Speaker Verification Using Adapted Gaussian Mixture Modelssciencedirect.com前往参考资料 ↓在新标签页中打开|155155Maximum Likelihood Linear Transformations for HMM-Based Speech Recognitionsciencedirect.com前往参考资料 ↓在新标签页中打开}

在深度神经网络声学模型中，输入特征的全局均值方差归一化（global mean-variance normalization）成为标准配置，统计量通常在训练集上估计一次并固定，推理时直接复用；这与传统 GMM 时代逐句归一化的做法形成对比。^{8484Deep Neural Networks for Acoustic Modeling in Speech Recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|156156Speech Recognition with Deep Recurrent Neural Networksieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Kaldi 语音识别工具包在特征处理链中提供了 compute-cmvn-stats、apply-cmvn 等命令，并支持将 CMVN 统计量作为训练与解码流程中的标准组件；HTK 工具包同样提供基于整句统计的倒谱均值归一化配置项。^{151151Cepstral Mean and Variance Normalizationkaldi-asr.org前往参考资料 ↓在新标签页中打开|66The HTK Book (HTK Version 3.4), Chapter 5: Speech Input/Output and Feature Extractionhtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

在深度学习进入语音领域之前，声学特征基本由人工设计：研究者依据语音产生机理与听觉感知机理，手工定义梅尔频率倒谱系数、感知线性预测、基频、能量、过零率、共振峰等参数，再把这些参数送入高斯混合模型、隐马尔可夫模型或支持向量机等浅层分类器。这类特征维度低、物理含义明确、可解释性强，且在数据量有限的条件下不易过拟合。^{170170A comparison of handcrafted, parameterized, and learnable features for speech separationar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

深度学习时代的典型做法是把特征设计本身交给网络：以原始波形或短时傅里叶变换幅度谱作为输入，由卷积编码器与解码器在端到端训练中与分离或识别网络联合学习出一组可学习特征，Conv-TasNet 即为这一范式的代表。这类特征不再对应某个可命名的声学量，而是由数据与任务目标共同塑造。^{170170A comparison of handcrafted, parameterized, and learnable features for speech separationar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|171171A comparison of handcrafted, parameterized, and learnable features for speech separationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

可学习特征并非在所有任务上都优于手工特征。在语音分离的系统性对比中，把 Conv-TasNet 的编码器与解码器替换为不同声学特征后可以发现，手工特征与参数化特征在近期研究中依然表现出竞争力，三类特征各有适用条件，不存在一方全面压倒另一方的情形。^{170170A comparison of handcrafted, parameterized, and learnable features for speech separationar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|171171A comparison of handcrafted, parameterized, and learnable features for speech separationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在病理嗓音检测这类医学相关任务上，手工特征的价值被明确论证：由于手工特征携带物理信息、可解释性优于自监督学习表征，有研究专门在持续元音上对比了手工特征与自监督学习方法的检测效果，并使用 openSMILE 与 Praat 分别提取 88 维与 39 维的手工声学特征作为对照。^{169169Pathological Voice Detection From Sustained Vowels: Handcrafted vs. Self-supervised Learningieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

两类特征在工程实践中的分工正在形成折中路线：一种是把手工特征作为先验注入网络结构，例如用多相伽马通滤波器组这类手工滤波器组替换可学习的卷积编码器；另一种是把手工特征与学习表征拼接或融合后共同送入下游模型。这说明二者的关系更接近互补而非替代。^{170170A comparison of handcrafted, parameterized, and learnable features for speech separationar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|169169Pathological Voice Detection From Sustained Vowels: Handcrafted vs. Self-supervised Learningieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

从可解释性与可复现性角度看，手工特征的优势在于定义公开、提取工具成熟、结果可逐维追溯；学习特征的劣势在于其维度含义难以命名，性能高度依赖训练数据分布与超参数设置，跨任务迁移时往往需要重新训练。^{169169Pathological Voice Detection From Sustained Vowels: Handcrafted vs. Self-supervised Learningieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|170170A comparison of handcrafted, parameterized, and learnable features for speech separationar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

自监督学习（SSL）是构建语音基础模型的主流路线之一：其做法是用大规模无标注语音训练大型深度神经网络，让网络学到一个能把语音映射为对多种下游任务有用的特征的函数，而预训练阶段的核心技术是借助掩码语言建模、对比学习等上下文建模手段，主要学习语音中的音系或语义信息。^{172172NecoBERT: Self-Supervised Learning Model Trained by Masked Language Modeling on Rich Acoustic Features Derived from Neural Audio Codecieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

与侧重音系/语义信息的掩码建模路线并列，还有一条以语音重建为目标的路线：它通过重建语音来提取与语音声学属性相关的隐变量，神经音频编解码器（NAC, neural audio codec）是这条路线中的典型代表。^{172172NecoBERT: Self-Supervised Learning Model Trained by Masked Language Modeling on Rich Acoustic Features Derived from Neural Audio Codecieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在深度学习时代，自监督语音表征的一条具体实现路径是：先用神经音频编解码器从波形中导出富含声学信息的离散或连续特征，再在这些特征上做掩码语言建模式的自监督预训练，从而把传统上手工设计的声学特征替换为可学习、可迁移的表征。^{172172NecoBERT: Self-Supervised Learning Model Trained by Masked Language Modeling on Rich Acoustic Features Derived from Neural Audio Codecieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自监督语音表征的兴起改变了声学特征在语音技术栈中的位置：特征不再只是前端固定的滤波器组或倒谱系数，而是由大规模预训练模型产出的、可针对下游任务微调或直接线性探测的中间层表示。^{172172NecoBERT: Self-Supervised Learning Model Trained by Masked Language Modeling on Rich Acoustic Features Derived from Neural Audio Codecieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Praat 是声学语音学与临床语音分析中长期被当作参照基准的工具，在需要精确嗓音质量测量（如 jitter、shimmer、谐噪比）时尤其如此；一项 2025 年的对比研究仍将其称为临床语音学领域的「金标准」。^{173173Comparative Evaluation of Acoustic Feature Extraction Tools for Clinical Speech Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

Librosa 最初是为音乐信息检索设计的 Python 包，后来被广泛借用于语音与一般音频的声学特征提取，其默认参数与面向语音的工具并不一致。^{173173Comparative Evaluation of Acoustic Feature Extraction Tools for Clinical Speech Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

OpenSMILE、Praat 与 Librosa 是当前声学特征提取中最常被并列比较的三个工具包；一项针对精神分裂症谱系障碍患者与健康对照语音的研究在统一提取参数后，仍发现三者输出存在显著的工具依赖性差异。^{173173Comparative Evaluation of Acoustic Feature Extraction Tools for Clinical Speech Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

跨工具一致性并不均匀：基频 F0 的百分位数在不同工具包之间相关性很高（r=0.962–0.999），但 F0 标准差与共振峰数值的一致性常常很差，甚至出现负相关。^{173173Comparative Evaluation of Acoustic Feature Extraction Tools for Clinical Speech Analysisar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

MFCC（梅尔频率倒谱系数）是语音声学特征中最具代表性的特征集之一，其标准实现通常包含预加重、分帧、加窗、FFT、梅尔滤波器组、取对数与离散余弦变换等步骤，常用参数为 25 ms 帧长、10 ms 帧移、20–40 个梅尔滤波器、12–13 维倒谱系数加一阶与二阶差分。^{174174Mel Frequency Cepstral Coefficient (MFCC) tutorialpracticalcryptography.com前往参考资料 ↓在新标签页中打开}

HTK（Hidden Markov Model Toolkit）由剑桥大学工程系开发，其 HCopy 工具与 MFCC 配置是语音特征提取领域长期被引用的参考实现之一，许多后续工具以 HTK 的默认参数作为对齐基准。^{175175HTK Speech Recognition Toolkithtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开}

Kaldi 语音识别工具包提供了 compute-mfcc-feats、compute-fbank-feats、compute-plp-feats 等命令行工具，并支持 CMVN、delta 与 splice 等后处理，是学术与工业界广泛使用的特征提取基础设施。^{151151Cepstral Mean and Variance Normalizationkaldi-asr.org前往参考资料 ↓在新标签页中打开}

openSMILE 工具箱随附的 eGeMAPS（extended Geneva Minimalistic Acoustic Parameter Set）定义了 88 个声学参数，涵盖频率、能量/幅度、频谱平衡与时间特征，被提出作为情感计算与声音研究的最小标准参数集。^{2121The Geneva Minimalistic Acoustic Parameter Set (GeMAPS) for Voice Research and Affective Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

INTERSPEECH 从 2009 年起连续举办计算副语言挑战赛（Computational Paralinguistics Challenge，ComParE），其 2013 年版发布了包含 6373 个静态特征加动态特征的标准特征集，成为副语言与情感识别领域被广泛复用的评测基准。^{176176The INTERSPEECH 2013 Computational Paralinguistics Challenge: Social Signals, Conflict, Emotion, Autismisca-archive.org前往参考资料 ↓在新标签页中打开}

NIST 说话人识别评测（SRE）系列长期使用 MFCC 及其倒谱派生特征作为基线系统特征，并在评测计划中规定了统一的特征前端与评分协议，使不同机构的结果具备可比性。^{177177NIST Speaker Recognition Evaluationnist.gov前往参考资料 ↓在新标签页中打开}

音乐信息检索领域常用的评测基准包括 GTZAN 音乐流派数据集与 ESC-50 环境声分类数据集；后者包含 50 个类别、每类 40 条、共 2000 条 5 秒片段，常被用于比较不同声学特征前端（MFCC、mel 谱、可学习前端）的分类性能。^{179179ESC-50: Dataset for Environmental Sound Classificationgithub.com前往参考资料 ↓在新标签页中打开}

声学特征的标准化长期缺乏跨工具统一的官方标准：HTK、Kaldi、openSMILE、librosa 在预加重系数、窗函数、梅尔滤波器数目与频率范围、是否做 CMVN 等细节上默认值不同，导致同一段音频在不同工具下提取的「MFCC」数值不可直接比较。^{175175HTK Speech Recognition Toolkithtk.eng.cam.ac.uk前往参考资料 ↓在新标签页中打开|151151Cepstral Mean and Variance Normalizationkaldi-asr.org前往参考资料 ↓在新标签页中打开}

为缓解工具间不可比问题，研究者提出以特征集规范（如 eGeMAPS 的固定参数定义）与开放挑战赛共享特征文件的方式实现可比性，但这类规范覆盖的特征类型有限，尚未形成覆盖全部声学特征的通用标准。^{2121The Geneva Minimalistic Acoustic Parameter Set (GeMAPS) for Voice Research and Affective Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|176176The INTERSPEECH 2013 Computational Paralinguistics Challenge: Social Signals, Conflict, Emotion, Autismisca-archive.org前往参考资料 ↓在新标签页中打开}

声学特征的可解释性指特征维度能否对应到明确的物理量或感知属性（如基频对应音高、谱质心对应明亮度），以及模型基于这些特征做出的判断能否被追溯到具体的声学证据。这一概念在语音识别、说话人识别与情感计算中含义并不相同：前两者更关注特征与发音/声道生理的对应，后者更关注特征与情绪唤醒度、效价等心理构念的对应。^{55Speech and Language Processing (3rd edition draft), Chapter 9: Acoustic Featuresweb.stanford.edu前往参考资料 ↓在新标签页中打开|107107The INTERSPEECH 2009 Emotion Challengeisca-archive.org前往参考资料 ↓在新标签页中打开}

MFCC 一类倒谱特征的可解释性长期受到质疑：DCT 去相关与 Mel 滤波器组积分使单个倒谱系数不再对应单一频带或单一物理量，系数符号与幅度难以直接解读为某种声学事件。这使得以 MFCC 为输入的模型即使性能良好，其决策依据也难以用声学语言陈述。^{1111Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|180180Mel Frequency Cepstral Coefficients for Music Modelingismir2000.ismir.net前往参考资料 ↓在新标签页中打开}

深度学习兴起后，端到端模型直接从波形或梅尔谱学习表示，绕过了人工设计的可解释特征，代价是表示的可解释性进一步下降；可解释性研究因此转向事后归因（如显著性图、注意力权重、层间相关性分析），试图把黑箱决策映射回时频区域。^{182182Explainable AI for Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|183183Sanity Checks for Saliency Mapsarxiv.org前往参考资料 ↓在新标签页中打开}

在音乐信息检索中，谱质心、谱通量、过零率等特征与“明亮度”“粗糙度”等感知维度的对应关系有心理声学实验支撑，可解释性相对较好；但同一组特征迁移到环境声分类时，其语义对应往往失效，说明特征的可解释性是任务与语料依赖的，而非特征的固有属性。^{186186Music Information Retrieval: Recent Developments and Applicationsnowpublishers.com前往参考资料 ↓在新标签页中打开|187187A Survey of Audio-Based Music Classification and Annotationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

标准化工具（如 openSMILE、librosa）对同一特征给出了不同的默认参数（窗长、帧移、滤波器组数目、归一化方式），导致同名特征在不同论文中数值不可比，这削弱了“某特征具有某声学含义”这一说法的可复现基础。^{2424openSMILE: The Munich Versatile and Fast Open-Source Audio Feature Extractordl.acm.org前往参考资料 ↓在新标签页中打开|5454librosa: Audio and Music Signal Analysis in Pythonlibrosa.org前往参考资料 ↓在新标签页中打开}

特征可解释性的争议还涉及评价标准缺失：目前没有公认的基准来衡量一个声学特征集“有多可解释”，多数论文以定性描述或个案可视化代替系统评估，使可解释性主张难以被证伪。^{182182Explainable AI for Speech: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|188188Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AIarxiv.org前往参考资料 ↓在新标签页中打开}

跨语种泛化是声学特征层面的老问题：同一套基于短时谱的特征（如 MFCC、滤波器组能量）在不同语言上提取流程相同，但音素库存、协同发音模式与韵律结构的差异会使在一种语言上训练得到的特征归一化统计量（倒谱均值方差归一化 CMVN、声道长度归一化 VTLN 的 warp 因子）迁移到另一种语言时失配，导致识别性能下降。^{189189Cross-lingual and multi-lingual speech recognition: A reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|190190Cross-lingual adaptation of acoustic modelsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

跨语种迁移的常见缓解手段是在目标语言无标注数据上做无监督的自适应，例如用目标语言数据重新估计 CMVN 统计量、做无监督的 VTLN 或特征空间最大似然线性回归（fMLLR）自适应；这些方法在早期多语种语音识别研究中被系统比较过，普遍结论是特征层自适应能挽回一部分跨语种损失，但无法完全消除。^{190190Cross-lingual adaptation of acoustic modelsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|191191Unsupervised cross-lingual adaptation of acoustic modelssciencedirect.com前往参考资料 ↓在新标签页中打开}

跨场景泛化（信道、噪声、录音设备、混响）对声学特征的影响往往比跨语种更大：倒谱特征对信道卷积失真敏感，虽然倒谱均值归一化可以部分补偿加性噪声与信道卷积，但在低信噪比或强混响条件下，基于短时谱的特征分布会发生显著偏移，导致在实验室干净数据上训练的系统在现场录音上性能大幅下降。^{194194Aurora-2: A noise-robust speech recognition benchmarksciencedirect.com前往参考资料 ↓在新标签页中打开|195195Robust speech recognition in noisy environments: A surveysciencedirect.com前往参考资料 ↓在新标签页中打开}

为提升跨场景鲁棒性，特征层面的常见做法包括倒谱均值方差归一化、谱减、RASTA 滤波、以及基于声学模型的特征域自适应（如 fMLLR）；这些方法在 Aurora 等噪声鲁棒性评测中被系统评估过，结果显示单一特征补偿方法难以同时应对加性噪声与卷积信道失真，组合使用效果更好但仍有残余失配。^{194194Aurora-2: A noise-robust speech recognition benchmarksciencedirect.com前往参考资料 ↓在新标签页中打开|196196Feature compensation for robust speech recognitionieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

深度学习时代，跨语种与跨场景泛化问题部分从手工特征设计转移到表征学习：使用大规模多语种、多场景数据训练的神经网络前端（如 wav2vec 2.0、HuBERT 等自监督表征）在多项跨语种与跨场景评测上优于传统 MFCC 特征，但这类表征的可解释性和对特定声学条件的敏感性仍是开放问题。^{7070wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representationsarxiv.org前往参考资料 ↓在新标签页中打开|197197HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Unitsarxiv.org前往参考资料 ↓在新标签页中打开}

跨语种与跨场景泛化在评测层面也缺乏统一标准：不同研究使用的语料、语言对、噪声条件和评价指标不一致，导致对同一特征方法的泛化能力结论难以直接比较，这是该领域争议持续的原因之一。^{199199A survey on cross-lingual speech recognitionsciencedirect.com前往参考资料 ↓在新标签页中打开}