音高

音高（pitch）是听觉系统对声音「高低」的主观属性，它使声音能够按音乐旋律的维度排列；音高与物理频率相关但不等同——音高是心理量，频率是物理量。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

美国国家标准学会（ANSI）将音高定义为「声音的一种听觉属性，按此属性声音可排列在从低到高的标度上」，并明确音高是主观量、不能直接由物理量定义。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|66ANSI S1.1-2013 Acoustical Terminologywebstore.ansi.org前往参考资料 ↓在新标签页中打开}

对于纯音（单一正弦波），音高主要随频率升高而升高，但二者不是线性关系：人耳对频率的感知近似对数关系，频率翻倍对应音高升高一个八度。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高感知存在下限与上限：低于约 20 Hz 的振动通常被感知为离散的「咔嗒」声而非音高；高于约 5 kHz 后音高感知显著变弱，纯音的音高上限大致在 4–5 kHz 附近。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与响度存在相互影响：对同一纯音，提高声压级会使低音听起来更低、高音听起来更高（音高-响度依赖），这一现象在中等强度以上尤为明显。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

音高感知还受音色（频谱结构）影响：同一基频下，改变谐波结构或加入噪声成分会使音高发生偏移，说明音高并非仅由基频决定。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

「缺失基频」（missing fundamental）现象表明，即使基频成分被滤除，人耳仍能感知到对应基频的音高，说明音高由听觉系统从谐波结构中重建，而非简单读取单一频率成分。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

音高的心理物理标度常用「梅尔（mel）」刻度描述：以 1000 Hz、40 dB 纯音为参考点定义为 1000 mel，梅尔刻度在低频近似线性、在高频压缩，反映主观音高与频率的非线性关系。^{77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|99Mel scale — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音乐中音高的表示通常以十二平均律为基准，将八度分为 12 个等比例半音，相邻半音的频率比为 2^(1/12)≈1.05946；A4 常被定为 440 Hz 作为调音参考。^{1010Equal temperament — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1111A440 (pitch standard) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与频率的对应关系并非唯一：不同律制（如纯律、中庸律）下同一音名的频率不同，十二平均律是为转调方便而做的折衷，其大三度等音程与纯律存在可闻偏差。^{1010Equal temperament — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1111A440 (pitch standard) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高感知的「八度等价」现象——频率比为 2:1 的两个音被感知为同一音级——是跨文化的普遍特征，但不同音乐文化对八度内音级的划分方式差异很大。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1212Octave — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高辨别能力存在个体差异：多数人在中频段（约 500–2000 Hz）的频率分辨阈约为 0.2%–0.5%，但受过音乐训练者通常更精细。^{77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

音高是复合感知属性：它同时依赖频率、强度、频谱与时长，短于约数十毫秒的声信号难以形成稳定的音高感知。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

在声学与音频信号处理中，一个周期性声波最基本的频率参数称为基频（fundamental frequency），记作 ω0 或 f0；它对应信号每秒钟重复变化的次数，是描述该信号特征的首要参数之一。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

人对声音频率高低的主观感受在音乐中称为音高（pitch），在普通声学描述中常称为音调；音调的高低由频率决定，频率越高，听感上的音调（音高）越高。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

音乐中音阶的划分是在频率的对数坐标上取等分而得到的，也就是说，音高感知与频率之间近似呈对数关系，而不是线性关系；这正是十二平均律等律制能够用固定频率比来定义音程的基础。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

基频 ω0 的整数倍 n×ω0 称为 ω0 的高次谐波分量，也称泛音（overtone）；一个复合音可以分解为基频与一系列谐波分量的叠加。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

各次谐波具有不同的幅值 An 和相位偏移 ψn，这些谐波成分的幅值与相位分布共同决定了音色（timbre）；因此，即使两个声音基频相同、音高听感一致，只要谐波结构不同，音色就会明显不同。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在音频信号的参数描述中，声波或正弦波由频率 ω0、幅度 An 和相位 ψn 三个重要参数决定，这三个参数分别对应听感上的音调（音高）、音强（响度）与音色三个要素。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

基频与谐波的关系是理解「音高相同而音色不同」现象的关键：基频决定音高，谐波结构决定音色，二者在同一个复合音中同时存在、互不替代。^{1515图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

音高在物理上对应声波的基频：周期性的声压变化每秒钟重复的次数即频率，单位为赫兹（Hz）。对简谐波而言，频率 f 与周期 T 互为倒数（f = 1/T），因此测出周期即可换算频率。^{1717Acoustics — Frequency and pitchbritannica.com前往参考资料 ↓在新标签页中打开}

人耳可听声的频率范围通常记为约 20 Hz 到 20 kHz，这一范围随年龄增长而收窄，高频上限的下降尤为明显；低于 20 Hz 称次声，高于 20 kHz 称超声，二者一般不被感知为音高。^{1717Acoustics — Frequency and pitchbritannica.com前往参考资料 ↓在新标签页中打开|1818Human hearing rangeen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际标准音高 A4 = 440 Hz 由 ISO 16 规定，用作乐器调音与音乐声学测量的参考频率；历史上 A4 曾在约 415 Hz 至 450 Hz 之间浮动，不同时期与地区的乐队音高标准并不统一。^{1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开|2020Concert pitchen.wikipedia.org前往参考资料 ↓在新标签页中打开}

十二平均律中，相邻半音的音高频率比为 2 的 12 次方根（约 1.059463），八度对应频率比恰为 2:1；因此给定参考音高与半音数 n，可由 f = f_ref × 2^(n/12) 算出任意音名的频率。^{1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开}

实际乐音的波形几乎都不是纯正弦，而是由基频与一系列谐波（泛音）叠加而成；谐波频率为基频的整数倍，各次谐波的相对幅度决定了波形的音色，但不改变由基频决定的音高。^{1717Acoustics — Frequency and pitchbritannica.com前往参考资料 ↓在新标签页中打开|55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

当基频成分被削弱甚至缺失时，听者仍可能听到对应基频的音高，这一现象称为缺失基频（missing fundamental）或 residuum 音高，说明音高并非简单由频谱中最强的分量决定。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|2121Missing fundamentalen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与频率并非严格线性对应：听者对音高的主观感受更接近频率的对数，频率翻倍（八度）在听感上表现为等距升高，这正是音乐中用对数刻度（如音分、半音）表示音高的物理依据。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|2222Cent (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

音分（cent）是把一个八度等分为 1200 份的对数单位，1 音分等于 2 的 1200 次方根频率比；它使不同频段上的音程可以用同一尺度比较，是律学与音高测量中的通用单位。^{1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开|2222Cent (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

弦与管的振动频率由系统本身的物理参数决定：理想弦的频率与张力平方根成正比、与线密度平方根成反比、与有效长度成反比；开管与闭管的基频则分别对应不同的边界条件，这解释了乐器为何通过改变长度、张力或指孔来改变音高。^{1717Acoustics — Frequency and pitchbritannica.com前往参考资料 ↓在新标签页中打开|2323Harmonic series (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

温度、湿度与张力漂移会使实际发声频率偏离标称值，管乐器与弦乐器在演出中需要重新调音；这类偏差通常以音分计量，人耳对约 5–10 音分以上的偏差在旋律与和声语境中才较易察觉。^{2222Cent (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开|2323Harmonic series (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高知觉的「高度」对应周期性声波的频率，频率是周期的倒数；对周期波做傅里叶变换，可将其分解为频率成整数比的谐波，其中第一谐音即基音（fundamental）。^{2424【探索25-2】連結科學與藝術──樂器與歌唱背後的物理 - CASE 報科學case.ntu.edu.tw前往参考资料 ↓在新标签页中打开}

乐器发出的乐音具有一个共同的重要特征：它们是周期性的，即振动以重复的模式发生；示波器上小号的波形呈现这种重复模式，而气球爆裂、咳嗽等多数非乐音则呈现锯齿状、不规则的模式，反映频率与振幅的杂乱混合。^{2525Sound: Sound Quality----Institute of Acousticsenglish.ioa.cas.cn前往参考资料 ↓在新标签页中打开}

单一纯频率的声音只由音叉和称为振荡器的电子设备产生；大多数声音是不同频率与振幅的音的混合。^{2525Sound: Sound Quality----Institute of Acousticsenglish.ioa.cas.cn前往参考资料 ↓在新标签页中打开}

空气柱（如小号中的空气柱）与钢琴弦都有一个基频，即被激发时最容易振动的频率；对振动空气柱而言，该频率主要由空气柱长度决定，小号的活塞阀用于改变空气柱的有效长度。^{2525Sound: Sound Quality----Institute of Acousticsenglish.ioa.cas.cn前往参考资料 ↓在新标签页中打开}

虽然基音的频率决定音高，但即使基音消失，人们依然能正确知觉音高；另一方面，若声音包含频率严重偏离整数比的非谐泛音，或声波周期性不完美，音高清晰度会偏低，听者不太确定该声音的音高。^{2424【探索25-2】連結科學與藝術──樂器與歌唱背後的物理 - CASE 報科學case.ntu.edu.tw前往参考资料 ↓在新标签页中打开}

决定音色的因素主要有两个：一是声波的时间包络（时域信息），二是声波的频谱成分（频域信息）；研究者常用频谱图分析声音，其横轴为频率、纵轴为强度。^{2424【探索25-2】連結科學與藝術──樂器與歌唱背後的物理 - CASE 報科學case.ntu.edu.tw前往参考资料 ↓在新标签页中打开}

弦乐器（如小提琴）的演奏可分解为能量输入、主要共振体和声波发射体三部分：琴弓摩擦琴弦将能量输入琴弦这一主要共振体，使其持续做周期性振动，再通过琴板将乐音发射出去；擦弦乐器因此可视为一种自激振荡系统。^{2424【探索25-2】連結科學與藝術──樂器與歌唱背後的物理 - CASE 報科學case.ntu.edu.tw前往参考资料 ↓在新标签页中打开}

音高在物理上对应声源的振动频率：物体每秒钟来回振动（或起伏）的次数称为频率，单位为赫兹（Hz），每秒振动一次即 1 Hz。因此频率数值越大，对应的音听起来越高。^{2626全屏显示 专题 章节mooc1.chaoxing.com前往参考资料 ↓在新标签页中打开}

赫兹（hertz，符号 Hz）是国际单位制中频率的导出单位，定义为每秒一个周期，即 1 Hz = 1 s⁻¹；它以德国物理学家海因里希·赫兹（Heinrich Hertz）命名。^{2727SI Brochure: The International System of Units (SI), 9th edition — Table 3 (coherent derived units)bipm.org前往参考资料 ↓在新标签页中打开}

音乐声学中常用「国际标准音」a¹（即小字一组的 a，A4）作为频率计量的参照点，其频率被定为 440 Hz；这一对应关系使音分与赫兹之间可以相互换算，例如十二平均律中 a¹ 记为 900 音分，换算后即 440 Hz。^{2626全屏显示 专题 章节mooc1.chaoxing.com前往参考资料 ↓在新标签页中打开}

把频率换算为音高时，通常以频率比取以 2 为底的对数来度量音程：频率翻倍（比值为 2）对应一个八度，即 1200 音分；因此音分与频率的换算式为 音分 = 1200 × log₂(f₂/f₁)。^{2626全屏显示 专题 章节mooc1.chaoxing.com前往参考资料 ↓在新标签页中打开}

人耳的听阈大致覆盖 20 Hz 到 20 kHz 的频率范围，这一范围随年龄增长而收窄，高频上限的下降尤为明显；低于 20 Hz 称为次声，高于 20 kHz 称为超声，通常不被感知为音高。^{88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

频率与音高并非严格一一对应：音高是人耳对频率的主观感知，受声压级、音色（谐波结构）与持续时间影响，同一频率在不同强度下可能被听成略有差异的音高，这一现象称为音高偏移（pitch shift）。^{88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

对于复合音，人耳感知的音高通常对应基频（fundamental frequency），即使基频能量被削弱或缺失，听者仍可能听到对应基频的音高，这一现象称为「缺失基频」（missing fundamental），说明音高感知并不简单等同于频谱中最强的频率成分。^{88The Psychology of Music (3rd ed.) — Chapter on Pitch Perceptionsciencedirect.com前往参考资料 ↓在新标签页中打开}

音高感知的经典理论是「位置理论」（place theory）：内耳耳蜗的基底膜沿长度方向具有从高频（底部、靠近卵圆窗）到低频（顶部、蜗顶）的连续频率拓扑排列，即 tonotopy（音位拓扑）。不同频率的声音在基底膜上激起不同位置的振动峰值，听觉神经纤维据此「按位置编码」频率。这一组织原则在生理学上已被大量动物实验与人类影像研究证实，是听觉神经科学最稳固的结论之一。^{2929Tonotopic organization of the auditory cortexnature.com前往参考资料 ↓在新标签页中打开|3030The auditory cortex revisited: tonotopy and beyondsciencedirect.com前往参考资料 ↓在新标签页中打开}

位置理论无法单独解释低频音高感知：基底膜在低频端的机械调谐非常宽，人类在约 500 Hz 以下难以仅凭位置分辨频率。为此， Wever 与 Bray 于 1939 年提出「齐射理论」（volley theory / 相位锁定），认为低频时听神经纤维按声波周期同步放电，多根纤维轮流「接力」即可在高于单纤维放电上限的刺激频率下仍保留周期信息。^{3131The mechanism of hearing (Wever & Bray, 1939)psycnet.apa.org前往参考资料 ↓在新标签页中打开|3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开}

相位锁定（phase locking）在哺乳动物听神经中可维持到约 4–5 kHz，但随频率升高迅速衰减；因此齐射理论主要适用于低中频段，高频音高仍须依赖位置信息。现代主流观点是「位置 + 时间」双重机制：低频偏重时间编码，高频偏重位置编码，中频两者并用。^{3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开|3333Pitch perception: a reviewlink.springer.com前往参考资料 ↓在新标签页中打开}

「缺失基频」（missing fundamental）现象是时间理论的关键证据：当复合音中的基频成分被滤除、只保留其谐波时，听者仍听到与基频对应的音高。这说明音高并非简单由「哪个频率的能量最强」决定，而可由谐波间的周期结构（即时间包络的重复率）重建。^{3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开|3434Pitch of the missing fundamentalnature.com前往参考资料 ↓在新标签页中打开}

音高感知的分辨率并非全频段均匀：在中等声压级下，人类对约 1–4 kHz 附近的频率变化最敏感，最小可觉差（JND）可低至约 0.1%–0.3%（即几个音分）；在极低频与极高频端，JND 显著变大。这一「敏感度峰」与耳外道共振及耳蜗力学特性相关。^{3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开|3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开}

音高感知受响度影响，即「音高随强度偏移」（pitch shift with intensity）：对低频纯音，增大声压级通常使感知音高略微下降；对高频纯音则略微上升。该效应幅度不大（通常几十音分以内），但说明音高并非完全独立于其他听觉维度。^{3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开|3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开}

音高感知还受「音高连续性」与「听觉流分离」（auditory stream segregation）影响：当一串音快速交替时，听者会将其分成两条独立的知觉流，此时对单条流内音高的判断会偏离其物理值。这说明音高并非逐音独立测量，而是在时间与分组语境中被整合。^{3232Phase locking of auditory-nerve fibers to tonesasa.scitation.org前往参考资料 ↓在新标签页中打开}

音高与响度并非彼此独立的知觉维度：在同等声压级下，提高频率会显著提升主观响度，这一现象在等响曲线（equal-loudness contours）上被系统刻画。ISO 226:2003 给出的标准等响曲线显示，在 1 kHz 附近人耳最敏感，而在 20–100 Hz 的低频段与 10 kHz 以上的高频段，达到同样响度所需的声压级要高出数十 dB。^{4040Acoustics — Normal equal-loudness-level contours (ISO 226:2003)iso.org前往参考资料 ↓在新标签页中打开}

响度对音高知觉的反向影响被称为「音高偏移」（pitch shift）：对纯音而言，提高声压级会使低频纯音（约 1 kHz 以下）的感知音高下降，而使高频纯音（约 2 kHz 以上）的感知音高上升；在 1–2 kHz 附近这一偏移最小。这一效应由 Stevens 于 1935 年系统报告，通常称为 Stevens 效应。^{4141The relation of pitch to intensitydoi.org前往参考资料 ↓在新标签页中打开}

对复合音（尤其是谐波丰富的乐音）而言，响度变化引起的音高偏移通常远小于纯音，且方向与幅度取决于各谐波成分的相对强度变化；因此 Stevens 效应在音乐听觉中的实际可闻度有限，但在精确的音高匹配实验中仍可稳定测出。^{4141The relation of pitch to intensitydoi.org前往参考资料 ↓在新标签页中打开|4242Psychoacoustics: Facts and Models (3rd edition)link.springer.com前往参考资料 ↓在新标签页中打开}

音高与响度的交互在「音高辨识」任务中表现为响度线索的干扰：当刺激的频谱包络随强度变化时，听者可能把响度变化误判为音高变化。听觉外周（耳蜗基底膜）的压缩非线性是这一交互的主要来源之一，因为基底膜对低强度声的增益大于高强度声，导致不同强度下兴奋模式的位置发生偏移。^{4242Psychoacoustics: Facts and Models (3rd edition)link.springer.com前往参考资料 ↓在新标签页中打开}

在音乐声学与心理声学中，响度对音高的影响还与「音高强度」（pitch strength）相关：音高强度指一个声音听起来「有多像有明确音高」，它随谐波数、频率位置和声压级而变。低音区与极高音区的音高强度较弱，此时响度、音色等线索对音高判断的权重相对上升。^{4343Pitch strength and pitch saliencedoi.org前往参考资料 ↓在新标签页中打开}

在音乐实践与音高在音乐中的表示中，响度—音高交互意味着：同一音符在不同力度（dynamics）下，其感知音高可能有细微差异，尤其对低频乐器（如低音提琴、大号）更为明显；这也是为什么管弦乐调音通常以中等力度、在 1 kHz 附近的中音区为参照。^{4040Acoustics — Normal equal-loudness-level contours (ISO 226:2003)iso.org前往参考资料 ↓在新标签页中打开|4141The relation of pitch to intensitydoi.org前往参考资料 ↓在新标签页中打开}

绝对音感（absolute pitch，AP）通常被定义为：在没有任何外部参考音的情况下，对单独呈现的音作出音乐音名（如 C、D、E）命名的能力；相对音感（relative pitch，RP）则是以某个参照音为基准，判断音与音之间音程或音高关系的能力。二者构成音乐音高认知的两条基本路径。^{4444絶対音感保有者の音楽的音高認知過程kaken.nii.ac.jp前往参考资料 ↓在新标签页中打开|4545音乐人和非音乐人的音高记忆研究-《第七届中国音乐家协会音乐心理学学会学术研讨会论文集》（2021）-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

宫崎谦一在 1998 年度日本学术振兴会（KAKENHI）课题「絶対音感保有者の音楽的音高認知過程」（课题编号 09610073）中，以日本与波兰的音乐专业学生为被试，比较了绝对音感持有者与非持有者在旋律再认任务上的表现。^{4444絶対音感保有者の音楽的音高認知過程kaken.nii.ac.jp前往参考资料 ↓在新标签页中打开}

该实验采用「标准旋律以 C 大调记谱呈现、比较旋律以三种不同调性听觉呈现」的范式：非绝对音感被试借助相对音高信息，在比较旋律处于任何调性时都能以相近的准确度判断两条旋律是否相同；而绝对音感持有者在乐谱调性与听觉调性一致时正确率高，不一致时判断变得不准确。^{4444絶対音感保有者の音楽的音高認知過程kaken.nii.ac.jp前往参考资料 ↓在新标签页中打开}

在中文音乐心理学文献中，音高记忆被界定为「在音乐中能够正确识别音具体高度的记忆能力」，并被作为研究绝对音高感与相对音高感记忆机制的切入点；相关研究同时关注绝对音高感在大脑中的表现。^{4545音乐人和非音乐人的音高记忆研究-《第七届中国音乐家协会音乐心理学学会学术研讨会论文集》（2021）-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

绝对音感与相对音感并非互斥：前者解决「这是哪个音」，后者解决「这个音与那个音相距多远、在调性中处于什么位置」。音乐实践中的音高辨认、移调、和声听辨主要依赖相对音感，而绝对音感提供的是与参照无关的绝对命名。^{4444絶対音感保有者の音楽的音高認知過程kaken.nii.ac.jp前往参考资料 ↓在新标签页中打开|4545音乐人和非音乐人的音高记忆研究-《第七届中国音乐家协会音乐心理学学会学术研讨会论文集》（2021）-知网阅读read.cnki.net前往参考资料 ↓在新标签页中打开}

国际谱（international pitch notation）是用字母 A–G 加升、降号与八度数字来标记音高的记谱体系，其中中央 C 记作 C4，A4 通常对应 440 Hz。^{4646Scientific pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开|4747Pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际谱的八度编号以 C 为分界：C4 到 B4 属同一八度，C5 是比 C4 高一个八度的 C，因此相邻同名音（如 C4 与 C5）频率比为 2:1。^{4646Scientific pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开|1010Equal temperament — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音名体系存在两套并行的八度编号传统：以中央 C 为 C4 的「科学音高记法」（scientific pitch notation），以及以中央 C 为 C3 的 MIDI 编号传统（MIDI 音高 60 对应中央 C）。两者相差一个八度，混用时容易造成误解。^{4747Pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在十二平均律下，国际谱中相邻半音（如 C4 与 C♯4）的频率比为 2 的 12 次方根，约 1.05946；因此 A4=440 Hz 时，A♯4/B♭4 约为 466.16 Hz。^{1010Equal temperament — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际谱的字母音名与唱名（do–re–mi）并非一一对应：唱名是首调体系下的相对音级名称，而字母音名是固定音高名称；在固定唱名法（fixed do）中 C 才固定唱作 do。^{4646Scientific pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开|4848Solmizationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际谱用升号（♯）、降号（♭）、重升（𝄪）、重降（𝄫）与还原号（♮）表示变化音；同一音高可有等音异名，如 C♯4 与 D♭4 在十二平均律中频率相同。^{4646Scientific pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开|1010Equal temperament — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际谱中的八度编号在历史上曾有多种写法（如 Helmholtz 记法用大写/小写字母与撇号区分八度），现代科学音高记法以数字下标统一表示，便于计算与编程处理。^{4747Pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开|4949Helmholtz pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在音乐信息检索与音频编程中，国际谱音名常与 MIDI 音高编号互相转换：MIDI 60 = C4（科学音高记法），MIDI 69 = A4 = 440 Hz，转换公式为 f = 440 × 2^((m−69)/12)。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际谱的字母音名源自中世纪唱名体系（圭多·达雷佐的 ut–re–mi–fa–sol–la），后经演变固定为 A–G 七个字母，这一历史脉络在音乐理论文献中有明确记载。^{4848Solmizationen.wikipedia.org前往参考资料 ↓在新标签页中打开|4949Helmholtz pitch notationen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在音乐声学与音乐理论中，八度（octave）指两个音的基频之比为 2:1 的音程关系；当两个音的频率呈这一比例时，听感上它们被视为「同一个音名」在不同高度上的重复，这是音高表示体系中最基本的等价关系。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

十二平均律（12-tone equal temperament）把一个八度等分为 12 个半音，每个半音的频率比为 2 的 12 次方根（约 1.059463）；因此相邻两个半音之间的音分值为 100 音分，一个八度恰为 1200 音分。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

在 MIDI 标准中，音高以整数音符号（note number）量化表示，以十二平均律为基准，每个整数对应一个半音；中央 C 被规定为第 60 号音符号，数值每加 1 表示升高一个半音，每减 1 表示降低一个半音。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

MIDI 规定音符号的取值范围为 0–127，共 128 个音，上下都超出了标准钢琴键盘的 88 个音，以便满足一般音乐创作的需要。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

为便于音乐家识读，MIDI 音符号常被转写为音名表示法：用 C、D、E、F、G、A、B 七个字母加 0–7 表示八个八度，并用升号（#）与降号（b）表示变化音；例如比中央 C 高半个音的 61 号音可写作 C#3（不同厂商对八度编号的起始约定可能不同，此处为其中一种常见写法）。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

半音是十二平均律中最小的音高间隔单位，也是西方调性音乐记谱与乐器键盘布局的基本步长；两个半音构成一个全音，十二个半音构成一个八度。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

音分（cent）是把半音再作对数细分的单位，1 个半音 = 100 音分，1 个八度 = 1200 音分；音分使不同律制之间的音高差异可以用统一的线性尺度比较，例如纯律大三度与十二平均律大三度之间约相差 14 音分。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

在乐谱表示层面，八度关系通过谱号、加线与八度记号（8va / 8vb）来体现，而半音关系通过升号、降号与还原号等变化音记号来体现；这些记号只规定相对的音高位置，其绝对频率则由所采用的律制与调音标准（如 A4 = 440 Hz）决定。^{5050基本音乐信息与音色选择 - 中音 - 中国数字音乐的开拓者www2.centrmus.com前往参考资料 ↓在新标签页中打开}

A4（也称 A440）指频率为 440 Hz 的音，是中央 C 上方那个 A 音，被广泛承认为音乐音高的国际参考标准。^{5151Time and Frequency from A to Znist.gov前往参考资料 ↓在新标签页中打开}

美国国家标准与技术研究院（NIST）自 1936 年起通过短波电台 WWV 播发 440 Hz 标准音，目前可在每小时的第 2 分钟听到；其姊妹台 WWVH 则在每小时第 1 分钟播发。这一持续近九十年的广播实践，使 A440 成为可被无线电溯源的物理参考，而不仅是乐谱上的约定。^{5151Time and Frequency from A to Znist.gov前往参考资料 ↓在新标签页中打开}

在十二平均律下，以 A4=440 Hz 为锚点即可推得全部音级频率：上行一个八度频率加倍（A5=880 Hz），下行一个八度减半（A3=220 Hz），相邻半音之间频率比为 2 的 12 次方根（约 1.05946）。因此标准音的选择会整体平移整套音高体系，而不改变音程关系。^{5151Time and Frequency from A to Znist.gov前往参考资料 ↓在新标签页中打开}

钢琴调音是标准音高在实践中的典型应用：调音师以 A440 为基准，用听觉完成频率校准，再据此扩展至整个键盘。这说明标准音高既是声学量，也是可操作、可传递的调律程序起点。^{5151Time and Frequency from A to Znist.gov前往参考资料 ↓在新标签页中打开}

十二平均律（twelve-tone equal temperament，12-TET）把一个八度均分为十二个半音，相邻两音的频率比恒为 2 的 12 次方根（约 1.059463），因此任意半音在音程上完全等价，可以自由转调而不改变音程结构。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|5353Tuning and Temperament: A Historical Surveyarchive.org前往参考资料 ↓在新标签页中打开}

十二平均律的数学基础在中国明代由朱载堉在《律学新说》（1584 年）中系统给出，他通过珠算开方求得十二次等程律的数值，比欧洲早约半个世纪；欧洲方面，西蒙·斯蒂文在 16 世纪末、梅森在 1636 年的《Harmonie universelle》中给出了等程律的数学表述。^{5454朱载堉与十二平均律ihns.ac.cn前往参考资料 ↓在新标签页中打开|5555Marin Mersenne, Harmonie universellegallica.bnf.fr前往参考资料 ↓在新标签页中打开}

十二平均律并非唯一被广泛使用的律制：纯律（just intonation）以简单整数频率比定义音程，五度相生律（Pythagorean tuning）以 3:2 五度链生成音阶，二者在常用音程上比十二平均律更接近谐波关系，但无法在所有调上保持同一音程结构。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|5656Musical temperamenten.wikipedia.org前往参考资料 ↓在新标签页中打开}

十二平均律的代价是除八度外所有音程都偏离纯律的简单整数比：纯五度（3:2，约 701.955 音分）在十二平均律中为 700 音分，大三度（5:4，约 386.314 音分）为 400 音分，偏差分别约为 2 音分和 14 音分，后者常被称为「大三度的粗糙感」。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|5656Musical temperamenten.wikipedia.org前往参考资料 ↓在新标签页中打开}

十二平均律的标准化与钢琴的普及密切相关：19 世纪调律技术、制造工艺与音乐教育体系共同推动了十二平均律在西方乃至全球的支配地位，20 世纪后它成为国际通行的音高标准基础，与 A4=440 Hz 的音高标准配合使用。^{5353Tuning and Temperament: A Historical Surveyarchive.org前往参考资料 ↓在新标签页中打开|1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开}

在十二平均律下，音高与频率的换算关系为 f = f_ref × 2^(n/12)，其中 n 为相对参考音的半音数；以 A4=440 Hz 为参考，中央 C（C4）约为 261.63 Hz，A5 为 880 Hz。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开}

十二平均律并非没有替代方案：20 世纪以来，作曲家与理论家探索了 19 平均律、24 平均律（四分音）、31 平均律等扩展体系，以及非西方音乐中的斯伦德罗（slendro）与佩洛格（pelog）等非十二平均律音阶，说明「十二」是历史与制度选择而非声学必然。^{5656Musical temperamenten.wikipedia.org前往参考资料 ↓在新标签页中打开|5959Microtonal musicbritannica.com前往参考资料 ↓在新标签页中打开}

十二平均律的「等程」性质使键盘乐器得以用同一套键位演奏所有调，这一制度性优势是其取代各种良律与纯律实践的关键原因，而非其在听觉上绝对优于其他律制。^{5353Tuning and Temperament: A Historical Surveyarchive.org前往参考资料 ↓在新标签页中打开|5757Well temperamenten.wikipedia.org前往参考资料 ↓在新标签页中打开}

纯律（just intonation）是一种以简单整数频率比来定义音程的调音体系：最核心的比例如纯五度 3:2、纯四度 4:3、大三度 5:4、大六度 5:3、小二度 16:15 等，其频率比分子分母都很小，因而在听觉上协和度很高。^{6060Just intonationen.wikipedia.org前往参考资料 ↓在新标签页中打开|6161Pythagorean tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开}

纯律的实践基础是自然泛音列：第 2、3、4、5、6 泛音之间的频率比依次给出八度（2:1）、纯五度（3:2）、纯四度（4:3）与纯律大三度（5:4），因此纯律音程可视为对泛音列低阶分音的模仿。^{6060Just intonationen.wikipedia.org前往参考资料 ↓在新标签页中打开|2323Harmonic series (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

五度相生律（Pythagorean tuning）是只使用 3:2 纯五度（及其转位 4:3 纯四度）与 2:1 八度作为生成音程的调音体系：从某一基准音出发，连续向上（或向下）叠加纯五度，再把结果折回同一八度内，即可得到全部十二个音级。^{6161Pythagorean tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开|6262Pythagorean commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

五度相生律生成的大三度由四个纯五度（即 (3/2)^4 折回八度）得到，其频率比约为 81:64（约 407.82 音分），比纯律大三度 5:4（约 386.31 音分）宽约 21.5 音分，这一差额被称为「同音差」（syntonic comma，约 81/80）。^{6161Pythagorean tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开|6363Syntonic commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

五度相生律在十二次相生后不能精确回到出发音：十二个纯五度叠加后折回八度，比七个八度高出约 23.46 音分，这一残差称为「毕达哥拉斯差」（Pythagorean comma，约 531441/524288），它意味着十二平均律之外的自然律制必然存在「狼五度」或无法闭合的问题。^{6161Pythagorean tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开|6262Pythagorean commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

纯律在转调时同样无法自洽：若以某一调的主音为基准建立纯律音阶，则其他调上的三度、五度会偏离纯律比值，出现「狼音程」；因此纯律更适合固定调性或持续音（drone）为主的音乐实践，而不便于自由转调。^{6060Just intonationen.wikipedia.org前往参考资料 ↓在新标签页中打开|6363Syntonic commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在西方音乐史中，五度相生律可追溯至毕达哥拉斯学派，纯律的理论表述则与文艺复兴时期对三度和六度协和性的重新认识相关；两者都早于十二平均律成为主流，并在合唱、弦乐与早期键盘乐器调律中留下实践痕迹。^{2323Harmonic series (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开|6262Pythagorean commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在当代实践中，纯律与五度相生律并未被十二平均律完全取代：无伴奏合唱、巴洛克弦乐、部分早期键盘乐器调律以及印度古典音乐、中东木卡姆等非西方体系，仍在不同程度上使用或参照纯律/五度相生律的音程关系。^{2323Harmonic series (music)en.wikipedia.org前往参考资料 ↓在新标签页中打开|6363Syntonic commaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

现代钢琴普遍采用十二平均律（equal temperament）调律：把一个八度均分为十二个半音，相邻半音的频率比为 2 的 1/12 次方，约 1.059463。这样任何调上的音程比例都相同，代价是除八度外所有音程都偏离纯律/自然律的整数频率比。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|6464Musical tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开}

钢琴调律的实践标准是「拉伸」（stretch）：由于钢琴弦存在刚度（inharmonicity），泛音频率高于理想整数倍，调律师会把低音区调得比理论值更低、高音区调得更高，使八度与泛音听起来协和。因此钢琴上实际听到的音高并不严格等于十二平均律的理论频率。^{6565Piano tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开|6666Inharmonicityen.wikipedia.org前往参考资料 ↓在新标签页中打开}

国际标准化组织在 ISO 16 中把标准音高（concert pitch）定为 A4 = 440 Hz，该标准最初于 1975 年发布，是当代乐器制造与调律的参考基准。^{1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开}

A4 = 440 Hz 并非历来如此，也不是全球唯一实践：历史上各地各时期的参考音高差异很大，巴洛克时期常见约 415 Hz 的室内音高标准，而当代部分欧洲乐团（如使用「高音高」的维也纳爱乐等）实际调音略高于 440 Hz。^{2020Concert pitchen.wikipedia.org前往参考资料 ↓在新标签页中打开|1111A440 (pitch standard) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

调律师用音准仪或听觉拍音（beating）判断音准：当两个音的频率比接近简单整数比时，二者叠加产生的拍频趋近于零，听觉上最协和；调律即通过调整弦张力使特定音程的拍频达到目标值。^{6565Piano tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开|6767Beat (acoustics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

钢琴音准会随温湿度变化而漂移，因此专业演奏与录音场合通常要求演出前调律，音乐厅与录音棚常维持相对稳定的温湿度以减缓走音。^{6868Piano maintenanceen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在十二平均律下，纯五度（频率比 3:2 ≈ 1.5）被压缩为 2 的 7/12 次方 ≈ 1.4983，纯大三度（5:4 = 1.25）被扩张为 2 的 4/12 次方 ≈ 1.2599，这是平均律「各调皆可、各调皆不纯」的具体代价。^{5252Equal temperamentbritannica.com前往参考资料 ↓在新标签页中打开|6464Musical tuningen.wikipedia.org前往参考资料 ↓在新标签页中打开}

基频估计（fundamental frequency estimation，常简称 F0 估计）的目标是从一段声学信号中推断出发声体或声源的振动基频；对周期性信号而言，基频是波形重复的最小周期所对应的频率，其倒数为基音周期（pitch period）。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音与音乐声学中，基频估计与「音高提取」（pitch extraction）常被混用，但严格说二者并不等同：音高是听觉系统的心理声学属性，音高的心理声学所讨论的感知现象（如缺失基频）说明，即使信号中基频分量被移除，听者仍可能感知到对应音高，因此基频估计只是音高感知的必要线索之一，而非充分条件。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|2121Missing fundamentalen.wikipedia.org前往参考资料 ↓在新标签页中打开}

时域方法中最经典的是自相关法（autocorrelation）：计算信号与其自身延迟版本的相似度，自相关函数在延迟等于基音周期处出现峰值，由峰值位置反推基频。该方法计算简单、对宽带噪声有一定鲁棒性，但在基音周期不是采样间隔整数倍时会出现峰值偏移，且对幅度变化敏感。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|6969YIN, a fundamental frequency estimator for speech and musicasa.scitation.org前往参考资料 ↓在新标签页中打开}

为缓解自相关法的倍频与半频错误，研究者提出了多种改进，例如对自相关函数做归一化（如 YIN 算法使用的累积均值归一化差分函数），或采用平均幅度差函数（AMDF）及其变体；YIN 由 de Cheveigné 与 Kawahara 于 2002 年提出，是语音基频估计中被广泛引用的基准方法之一。^{6969YIN, a fundamental frequency estimator for speech and musicasa.scitation.org前往参考资料 ↓在新标签页中打开}

频域方法利用周期性信号在频谱上呈现谐波梳状结构的性质：谐波频率近似为基频的整数倍，因此可通过检测谐波间隔、倒谱（cepstrum）峰值或谐波积谱（harmonic product spectrum）来估计基频。倒谱法把对数幅度谱再做一次傅里叶变换，基音周期在倒谱域表现为一个显著峰，对声道滤波的影响有一定抑制作用。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7070Fundamental frequency estimation — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

统计与模型方法把基频估计表述为最大似然或贝叶斯推断问题：给定观测频谱，寻找使似然最大的基频候选，或对基频的后验分布做推断。这类方法能显式建模谐波幅度、噪声与缺失基频，但计算量通常高于纯时域方法。^{7070Fundamental frequency estimation — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

多音高估计（multi-pitch estimation）指同时估计多个声源各自的基频，是音乐转录与和弦分析的核心子问题；与单音高估计相比，它面临谐波重叠、声源数未知与八度歧义等额外困难，常用方法包括迭代谱减法、概率潜变量模型与非负矩阵分解类方法。^{7171Multi-pitch estimation — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在评估层面，基频估计的常用指标包括原始基频轨迹的均方根误差、以及以 50 音分（半音的百分之五十）为容差的粗估准确率（raw pitch accuracy）与细估准确率（fine pitch accuracy）；不同论文采用的容差与清浊音判定口径不完全一致，跨研究比较时需注意。^{7272A comparison of pitch tracking algorithmssciencedirect.com前往参考资料 ↓在新标签页中打开}

基频估计的典型难点包括：八度错误（把二次谐波误判为基频或反之）、清浊音边界判定、基频快速变化时的跟踪滞后，以及强噪声或混响环境下的可靠性下降；这些难点在语音与音乐两类信号上的表现并不相同。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|6969YIN, a fundamental frequency estimator for speech and musicasa.scitation.org前往参考资料 ↓在新标签页中打开}

在工程实践中，基频估计常与音高的测量与提取中的其他环节配合：先做分帧与加窗，再逐帧估计基频，最后用动态规划或平滑滤波把逐帧结果串成连续的音高轨迹；这一流水线在语音合成、歌声分析与乐器调音等应用中反复出现。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7070Fundamental frequency estimation — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

频谱分析（spectral analysis）与自相关（autocorrelation）是两类最常用的基频（f0）估计思路：前者在频域中寻找谐波结构，后者在时域中寻找波形自身的周期性重复。^{7373Manfred R. Schroeder - In this paper we compare four different pitch tracking algorithms - autocorrelation, cepstrum, harmonic product spectrum, and a ...ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自相关法通过计算信号与其自身延迟版本的相似度来检测周期性：当延迟量等于一个基音周期时，自相关函数出现峰值，峰值位置即对应基频的倒数。^{7373Manfred R. Schroeder - In this paper we compare four different pitch tracking algorithms - autocorrelation, cepstrum, harmonic product spectrum, and a ...ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在含噪环境中，单一时间窗内的自相关峰值可能对应错误的倍频或分频，因此实际系统通常把每个时间窗内的候选 f0 在若干帧（如 10 帧）上保存下来，再用 Viterbi 搜索选出全局最优的基频轨迹。^{7373Manfred R. Schroeder - In this paper we compare four different pitch tracking algorithms - autocorrelation, cepstrum, harmonic product spectrum, and a ...ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Schroeder 等人的比较研究把自相关、倒谱（cepstrum）、谐波乘积谱（harmonic product spectrum）以及基于调制谱的新方法放在同一框架下评估其在噪声环境中的适用性，说明自相关并非孤立使用，而是与频域方法互为补充。^{7373Manfred R. Schroeder - In this paper we compare four different pitch tracking algorithms - autocorrelation, cepstrum, harmonic product spectrum, and a ...ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

频谱分析法的核心假设是：准周期信号的频谱由基频及其整数倍谐波构成，因此可以通过检测谐波间距或谐波序列的公共间隔来反推 f0；谐波乘积谱即把频谱按不同倍频压缩后相乘，以强化基频处的能量。^{7373Manfred R. Schroeder - In this paper we compare four different pitch tracking algorithms - autocorrelation, cepstrum, harmonic product spectrum, and a ...ieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

语音与音乐信号中的音高检测（pitch detection / pitch tracking，又称基频估计 F0 estimation）指从单声道或多声道音频波形中估计随时间变化的基频轨迹；它与「音高感知」不同，检测算法输出的是物理量 F0，而人耳感知到的音高还受谐波结构、响度与掩蔽影响，二者在音高的心理声学层面并不总是一一对应。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高检测方法通常分为三大类：时域方法（如自相关、YIN、倒谱类）、频域方法（如谐波求和、基于 STFT 的峰值跟踪）以及统计/学习型方法（如基于隐马尔可夫模型的轨迹建模与近年的神经网络方法）；时域方法计算量小、对周期性强的信号有效，频域方法对噪声与多声部更稳健，学习型方法在低信噪比与语音上通常表现更好但依赖训练数据。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|6969YIN, a fundamental frequency estimator for speech and musicasa.scitation.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（CMNDF）与抛物线插值来降低自相关方法的倍频/半频错误，是语音与音乐基频估计中被广泛引用的基准方法之一。^{6969YIN, a fundamental frequency estimator for speech and musicasa.scitation.org前往参考资料 ↓在新标签页中打开}

在语音领域，音高检测的评测长期以 Keele 与 Sondhi 等构建的语音数据库为参照，并常用「粗估准确率」（gross pitch error，通常以 20% 相对误差为阈值）与「细估准确率」两项指标；不同算法在干净语音上可达 90% 以上的粗估准确率，但在噪声、混响与多人语音条件下会显著下降。^{7474Pitch detection algorithm — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7575Fundamental frequency — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在音乐领域，多音高检测（multi-pitch detection）比单音检测困难得多：复调音乐中多个基频与谐波相互重叠，同一谐波可能属于不同音符，因此需要借助谐波模板、稀疏编码或深度网络进行分离；MIREX（Music Information Retrieval Evaluation eXchange）自 2000 年代中期起设有音频旋律提取与多音高估计任务，是该领域最常被引用的公开评测。^{7676MIREX — Music Information Retrieval Evaluation eXchangemusic-ir.org前往参考资料 ↓在新标签页中打开|7777CREPE: A Convolutional Representation for Pitch Estimationarxiv.org前往参考资料 ↓在新标签页中打开}

对音乐信号，音高检测常与「音符起始检测」（onset detection）和「节拍跟踪」联合使用：先定位音符事件，再在事件窗口内估计稳定基频，从而得到音符级音高序列；这一流程在自动记谱（automatic music transcription）系统中是标准做法。^{7676MIREX — Music Information Retrieval Evaluation eXchangemusic-ir.org前往参考资料 ↓在新标签页中打开|7878Onset detection — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

语音的音高检测还须处理「清音/浊音判决」（voicing decision）：清音段（如 /s/、/f/）没有周期性基频，算法若强行输出 F0 会产生大量虚假轨迹，因此多数系统将浊音判决与基频估计作为联合任务，并以 voiced/unvoiced 错误率单独评估。^{7474Pitch detection algorithm — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7575Fundamental frequency — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高检测的输出通常以「帧级 F0 轨迹」表示，帧长与帧移（hop size）是可调参数：语音常用 10 ms 帧移以匹配音素变化速率，音乐则常用 5–10 ms 以捕捉快速音符；帧移过大会平滑掉颤音与滑音，过小则增加计算量与抖动。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7474Pitch detection algorithm — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在评价指标上，除粗估/细估准确率外，还常用「基频轨迹的均方根误差（RMSE，单位 Hz 或音分）」与「轨迹连续性」指标；由于音高感知近似对数，以音分（cent）为单位的误差比赫兹更符合听觉意义，1 个半音等于 100 音分。^{7474Pitch detection algorithm — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7575Fundamental frequency — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

语音与音乐的音高检测在工程上共享大量底层技术，但评价目标不同：语音关注浊音段的 F0 轨迹与语调轮廓（用于音高在语言与语音中的作用中的声调分析），音乐关注离散音符的音高与音准，因此同一算法在两个领域的排行榜上表现并不可直接比较。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|7676MIREX — Music Information Retrieval Evaluation eXchangemusic-ir.org前往参考资料 ↓在新标签页中打开}

在音乐声学与心理声学的通行表述中，音高上升（上行旋律、上行音程、音高随时间升高）常与「积极、明亮、向上、振奋」的情绪评价相联系，音高下降则常与「消极、沉重、低落」相联系；这一方向性联想在西方调性音乐的分析传统与跨文化听感研究中都被反复记录。^{7979Garuda - Garba Rujukan Digitalgaruda.kemdiktisaintek.go.id前往参考资料 ↓在新标签页中打开}

实证研究显示，音高（pitch）与响度（dynamics）是影响听者对音乐片段情绪特征判断的两个主要声学维度：在受控听音测试中，改变音高走向会系统性地改变受试者对同一段钢琴音乐的情绪标注，专业钢琴家与非专业听者在总体趋势上一致。^{7979Garuda - Garba Rujukan Digitalgaruda.kemdiktisaintek.go.id前往参考资料 ↓在新标签页中打开}

音高与空间—身体隐喻之间存在跨通道一致性（congruence）：上行音高更易与「向上」的动作方向、更高的空间位置以及更积极的效价相匹配，下行音高则与「向下」相匹配；这种音高—运动方向的一致性被认为是音高上升引发积极情绪联想的机制之一。^{8080正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

西方音乐理论长期把大调式与「明亮、欢快」、小调式与「暗淡、忧伤」绑定，这套联想在 18—19 世纪的调性体系与情感学说（Affektenlehre）中被系统化，并经由音乐教育反复强化，成为跨文化研究中最常被检验的「音高—情绪」假设之一。^{8181Affektenlehre and the Doctrine of Affectionsoxfordmusiconline.com前往参考资料 ↓在新标签页中打开}

对亚马逊孤立族群 Tsimane' 的实地实验发现，受试者对西方大调/小调片段的正负情绪判断与西方受试者不一致，且对「协和/不协和」的偏好也弱于西方样本，提示音高—情绪的某些联想是文化暴露的产物而非先天普遍。^{8383The Tsimane' and the cross-cultural perception of consonance and musical emotionnature.com前往参考资料 ↓在新标签页中打开}

在音高维度上，跨文化一致性较高的是「高音—唤醒度/积极」与「低音—低沉/庄重」的方向性联想：多项跨语言研究观察到，高音常与明亮、轻、小、活跃等概念关联，低音与暗、重、大、威严关联，这一映射在音乐与语言韵律中都能复现。^{8484Pitch and emotion: Cross-linguistic evidence for a shared high–low mappingtandfonline.com前往参考资料 ↓在新标签页中打开}

个体差异方面，音乐训练会改变音高情绪知觉：受过训练的听者对细微音高偏离（intonation）与调式色彩的辨别更敏感，其情绪评级也更依赖调式线索；而未受训练者更多依赖音区、响度与节奏等粗粒度线索。^{8585Musical training and the perception of pitch and emotion in musiconline.ucpress.edu前往参考资料 ↓在新标签页中打开}

失歌症（amusia，俗称「音痴」）个体在音高方向辨别与音程识别上存在稳定缺陷，其音乐情绪反应更多依赖节奏与音色而非音高结构，这为「音高线索对情绪贡献可分离」提供了天然实验证据。^{8686Congenital amusia and the perception of music and emotionacademic.oup.com前往参考资料 ↓在新标签页中打开}

绝对音高（absolute pitch）能力者在音高—情绪联结上并未表现出与相对音高者质的差异，但其对特定调性（如 D 大调、降 D 大调）的情绪色彩报告更稳定、更具个人一致性，说明个体差异部分来自长期听觉经验形成的「调性—情绪」个人词典。^{8787Absolute pitch and the emotional connotations of musical keysonline.ucpress.edu前往参考资料 ↓在新标签页中打开}

年龄与发育因素构成另一层个体差异：婴幼儿对协和音程的偏好出现较早，但对大调/小调情绪标签的掌握需要数年文化学习，说明「音高—情绪」的部分成分是发展中被文化塑造的。^{8989Development of pitch and emotion perception in infancy and childhoodonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

声调语言（tonal language）指依靠音节上相对音高的高低或升降来区分词义的語言；同一个音节序列配上不同的音高曲线，可以对应完全不同的词。最常被引用的例子是汉语普通话的「妈／麻／马／骂」，四字声母韵母相同，仅靠声调区分。^{9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调语言在世界语言中并不罕见：据估计，约六到七成的语言是声调语言，主要集中在撒哈拉以南非洲、东亚与东南亚，以及部分美洲原住民语言中；而绝大多数欧洲语言（如英语、法语、德语）不是声调语言。^{9191Tonal languagebritannica.com前往参考资料 ↓在新标签页中打开}

声调语言可粗分为「曲线声调」（contour tone）与「平调／音高重音」（register tone / pitch accent）两类：前者如汉语普通话，音高随时间起伏，升降曲线本身承载区别；后者如约鲁巴语，主要靠相对音高等级（高、中、低）区分，曲线变化是次要的。^{9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

汉语普通话有四个基本声调加一个轻声：阴平（高平，55）、阳平（中升，35）、上声（低降升，214）、去声（全降，51），轻声不标固定调值。这些调值通常用赵元任创制的五度制（1–5 表示相对音高）标记。^{9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|9292Standard Chinese phonology — tonesen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调的「调值」是相对音高而非绝对频率：同一说话人不同次发音、不同说话人之间，绝对基频可以相差很大，但声调范畴的感知依赖音节内部的相对音高变化以及说话人的音域归一化。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|9393Intonation (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调在语流中会发生「变调」（tone sandhi）：汉语普通话最典型的是两个上声相连时前一个变为阳平（如「你好」读作 ní hǎo），此外「一」「不」的变调也属常见规则。变调是音系层面的规则性变化，而非自由变异。^{9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|9292Standard Chinese phonology — tonesen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调与语调（intonation）会相互作用：句末语调的升降会叠加在词调之上，使实际基频曲线偏离孤立音节的调值；汉语疑问句的句末上升常与词调叠加，形成「调上加调」的复合曲线。^{55Pitch (music) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|9393Intonation (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调语言在语音合成与语音识别中需要显式建模基频（F0）曲线：早期拼接式合成依赖调型模板，现代神经端到端系统则从文本或音素序列直接预测 F0；对声调语言而言，F0 预测的准确性直接影响可懂度与自然度。^{9595Speech synthesisen.wikipedia.org前往参考资料 ↓在新标签页中打开}

声调语言并非只分布在亚洲：约鲁巴语、豪萨语等非洲语言，以及部分美洲原住民语言（如纳瓦特尔语的某些变体）都具有声调系统；因此「声调语言＝亚洲语言」是一种常见误解。^{9191Tonal languagebritannica.com前往参考资料 ↓在新标签页中打开|9090Tone (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

语调（intonation）指说话时音高在语句层面上的起伏模式，它把音高变化组织成覆盖整个短语或句子的轮廓，而不是单个音段上的声调。韵律（prosody）是更上位的概念，除音高外还涵盖时长、响度与节奏，语调是韵律中最主要、研究最充分的音高维度。^{9696Intonationoxfordre.com前往参考资料 ↓在新标签页中打开|9797Prosody (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音学中，语调通常被分析为一系列音高重音（pitch accent）与边界调（boundary tone）的组合，这一描写框架源自 Pierrehumbert 1980 年的博士论文提出的自主音段—节律（Autosegmental-Metrical）模型，后来发展为 ToBI 标注系统。^{9898The Phonology and Phonetics of English Intonation (PhD dissertation, MIT, 1980)dspace.mit.edu前往参考资料 ↓在新标签页中打开}

英语中最常被引用的语调功能区分是「降调表陈述、升调表疑问」这一粗略概括；但实际语料显示升调也大量用于陈述句（如确认、列举未完），降调也用于疑问句（如特殊疑问句），因此语调与句法的对应是概率性的而非一一对应。^{9797Prosody (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|9999Information Structure and Prosodyoxfordre.com前往参考资料 ↓在新标签页中打开}

语调承担「信息结构」标记功能：说话人通常把新信息或对比焦点放在音高重音上，把已知信息处理为去重音（deaccented）成分，这一现象在英语、德语、荷兰语等语言中都有实验证据。^{9999Information Structure and Prosodyoxfordre.com前往参考资料 ↓在新标签页中打开|100100Prosodic Structure and Its Phonetic Implementationlink.springer.com前往参考资料 ↓在新标签页中打开}

语调还承担语用与情感功能：同一句话用不同音高轮廓说出，可以表达陈述、疑问、反讽、惊讶、不耐烦等不同言语行为或态度，听者对这一点的识别在跨语言实验中具有相当高的一致性。^{9797Prosody (linguistics)en.wikipedia.org前往参考资料 ↓在新标签页中打开|101101Question Intonation in Cross-Linguistic Perspectiveannualreviews.org前往参考资料 ↓在新标签页中打开}

声调语言（如汉语普通话、泰语、约鲁巴语）中，词汇层面的音高（声调）与语句层面的语调会叠加在同一音高曲线上，形成「声调—语调叠加」问题；普通话中句末语调主要表现为音高范围的压缩或整体下倾，而非简单替换声调。^{102102Intonation in Mandarin Chinesejstor.org前往参考资料 ↓在新标签页中打开|102102Intonation in Mandarin Chinesejstor.org前往参考资料 ↓在新标签页中打开}

「下倾」（declination）指语句音高随说话进程整体缓慢下降的趋势，是跨语言普遍观察到的韵律现象；它与局部音高重音叠加，因此在分析语调时必须先剥离下倾基线，否则会把下倾误读为降调。^{9696Intonationoxfordre.com前往参考资料 ↓在新标签页中打开|9898The Phonology and Phonetics of English Intonation (PhD dissertation, MIT, 1980)dspace.mit.edu前往参考资料 ↓在新标签页中打开}

韵律边界（prosodic boundary）在语音上常伴随边界前音节延长、边界处音高重置（pitch reset）和停顿，这些线索帮助听者切分句法结构；音高重置是其中与音高直接相关的核心线索。^{100100Prosodic Structure and Its Phonetic Implementationlink.springer.com前往参考资料 ↓在新标签页中打开}

音高（pitch）与音色（timbre）是听觉的两个相互独立的维度：音高对应声音基频的高低，音色则是在音高与响度都相同时仍能区分两个声音的听觉属性。美国国家标准学会（ANSI）把音色定义为「使听者能够判断两个具有相同响度与音高的声音不相同的属性」，这一定义被心理声学与音频工程界广泛沿用。^{103103American National Standard Acoustical Terminology (ANSI S1.1-1994)webstore.ansi.org前往参考资料 ↓在新标签页中打开|104104Timbre (music) — Encyclopaedia Britannicabritannica.com前往参考资料 ↓在新标签页中打开}

音色主要由声音的频谱包络（各次谐波的相对幅度）与时间包络（尤其是起音瞬态）决定，而不是由基频决定；因此同一音高上不同乐器可以产生截然不同的音色，而同一乐器在不同音高上仍保持可辨识的音色家族特征。^{104104Timbre (music) — Encyclopaedia Britannicabritannica.com前往参考资料 ↓在新标签页中打开}

对周期复合音而言，听觉系统能从缺失基频的分音序列中「补出」基频对应的音高，这一现象称为缺失基频（missing fundamental）或残存音高（residue pitch）。它说明音高感知并不单纯依赖耳蜗对基频位置的分析，而涉及中枢对谐波间隔的周期性提取。^{77Pitch perception — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|105105The case of the missing fundamental: A review of the residue pitchpubs.aip.org前往参考资料 ↓在新标签页中打开}

音色与音高在感知上并非完全正交：音色维度的变化（如频谱重心、谐波结构改变）会系统性地影响音高判断，产生所谓「音色—音高交互」；例如同一基频下，频谱重心较高的声音常被判断为略高。^{105105The case of the missing fundamental: A review of the residue pitchpubs.aip.org前往参考资料 ↓在新标签页中打开|106106Timbre — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在音乐声学与合成领域，音高通常以基频（F0）量化，音色则用频谱包络、共振峰与 ADSR 包络等参数描述；加法合成、减法合成与 FM 合成正是通过分别控制谐波结构与包络来独立操纵音高与音色的典型手段。^{107107Sound synthesis — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

在语音中，音高由声带振动频率（F0）决定，而音色（音质）主要由声道共振峰结构决定；两者在语音学上分别对应韵律（prosody）与音段（segment）层面的信息，这一区分是语音合成与语音识别特征工程的基础。^{108108Pitch (speech) — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开|109109Formant — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与音色的分离在听觉场景分析（auditory scene analysis）中具有功能意义：听者依靠共同的基频与谐波结构把不同声源「分组」，从而在合奏或嘈杂环境中追踪单个乐器或说话人。^{110110Auditory scene analysis — Wikipediaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

音高与音量（响度）在知觉上相互独立，但在物理与生理层面彼此耦合：声压级的变化会改变听者对音高的判断，这一现象称为「音高—响度交互」。对纯音而言，当声压级升高时，低频率纯音（约 500 Hz 以下）的感知音高会略微下降，而高频率纯音（约 2 kHz 以上）的感知音高会略微上升；在 1–2 kHz 附近音高对响度最不敏感。^{113113Pitch perception and the effect of intensityasa.scitation.org前往参考资料 ↓在新标签页中打开|114114The effect of loudness on pitch: A reviewsciencedirect.com前往参考资料 ↓在新标签页中打开}

音高—响度交互的经典测量方法是 Stevens（1935）的「音高匹配」实验：先给受试者一个固定强度的参考纯音，再让其在另一强度下调整比较音的音高，直到主观音高与参考音相同。结果显示，强度从约 30 dB 增至 80 dB 时，低频纯音的匹配音高可下降数个百分点，高频纯音则上升数个百分点。^{113113Pitch perception and the effect of intensityasa.scitation.org前往参考资料 ↓在新标签页中打开|113113Pitch perception and the effect of intensityasa.scitation.org前往参考资料 ↓在新标签页中打开}

对复合音（尤其是含低频基频的谐波复合音），响度对音高的影响通常小于对纯音的影响，因为听者主要依据谐波结构（尤其是低频分辨谐波）判断音高，而基频周期性的时间编码相对稳健。因此「响度改变音高」的效应在音乐实践中更多表现为音色与音强的联动，而非音级本身的漂移。^{114114The effect of loudness on pitch: A reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|113113Pitch perception and the effect of intensityasa.scitation.org前往参考资料 ↓在新标签页中打开}

在音乐声学与律制讨论中，音高与音量常被并列为声音的「主观属性」：音高对应基频与谐波结构，音量对应声压级与声强，音色对应频谱包络与时间包络。三者并非一一映射到单一物理量，而是多维知觉空间中的不同维度；例如同一基频下改变声压级，音色感知也会随之变化。^{115115Fundamentals of Musical Acousticsglobal.oup.com前往参考资料 ↓在新标签页中打开|116116The Science of Soundpearson.com前往参考资料 ↓在新标签页中打开}

在语音学中，音高（基频 F0）与音量（强度）是韵律的两个独立参数：声调语言（如汉语普通话）主要用 F0 轮廓区分词汇意义，而重音与焦点则常同时涉及 F0 升高、时长延长与强度增大。因此「提高音量」在语音中往往伴随音高上升，但二者在声学上可分离，实验语音学通常分别测量 F0 与强度（dB）。^{117117Acoustic Phoneticsmitpress.mit.edu前往参考资料 ↓在新标签页中打开|118118The phonetics of tone and intonationacademic.oup.com前往参考资料 ↓在新标签页中打开}

在心理声学测量中，等响曲线（equal-loudness contours，ISO 226:2003）描述了人耳对不同频率纯音达到相同主观响度所需的声压级；该曲线表明人耳对 2–5 kHz 最敏感，对低频与极高频较不敏感。这意味着同一物理声压级下，不同频率成分的「可听音量」不同，从而间接影响复合音中哪些谐波主导音高判断。^{4040Acoustics — Normal equal-loudness-level contours (ISO 226:2003)iso.org前往参考资料 ↓在新标签页中打开|113113Pitch perception and the effect of intensityasa.scitation.org前往参考资料 ↓在新标签页中打开}

在音频工程与音乐制作中，音高与音量常通过不同工具处理：音高修正（pitch correction）改变基频与共振峰，动态处理（压缩、限幅）改变响度；两者在信号层面可独立操作，但过度压缩会改变瞬态与频谱包络，从而被听者感知为音色甚至音高稳定性的变化。^{120120Pitch correction and dynamic processing in music productionaes.org前往参考资料 ↓在新标签页中打开}

在音乐声学标准中，音高的参考标准（如 A4 = 440 Hz，ISO 16:1975）与响度的参考标准（如录音电平、监听声压级）分属不同规范体系；实践中「标准音高」的约定与「标准监听音量」的约定互不替代，但二者共同构成音乐制作与回放链路的校准基础。^{1919ISO 16:1975 Acoustics — Standard tuning frequency (Standard musical pitch)iso.org前往参考资料 ↓在新标签页中打开|121121Recommendation ITU-R BS.1770: 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}

音高与音长是听觉的两个独立维度：音高主要由声波的基频决定，音长（时长）指一个声音事件在时间上的持续长度。二者在知觉上可分离——同一音高可以持续不同时长，同一时长也可以承载不同音高，因此心理声学把它们视为两个正交的属性维度。^{122122Pitch: Neural Coding and Perceptionlink.springer.com前往参考资料 ↓在新标签页中打开}

在音乐声学中，音高与音长共同构成一个音符最基本的两个参数：音高决定它在音阶中的位置，音长决定它在节拍网格中占据的时间跨度。乐谱记谱法用符头在五线谱上的垂直位置表示音高、用符头形状与符尾表示音长，正是这两个维度的图形化编码。^{123123The Science of Musical Soundworldcat.org前往参考资料 ↓在新标签页中打开}

极短的声音难以产生明确的音高感。心理声学研究表明，当声刺激短于约数十毫秒时，听者倾向于听到「咔嗒」声而非有调音高；要形成稳定的音高知觉，通常需要若干个周期的能量积累，这一时间下限随频率升高而缩短。^{122122Pitch: Neural Coding and Perceptionlink.springer.com前往参考资料 ↓在新标签页中打开|124124The Perception of Short Tones and the Role of Duration in Pitch Perceptionasa.scitation.org前往参考资料 ↓在新标签页中打开}

音长会影响音高的辨别精度：在同等条件下，较长的音通常比极短的音更容易被准确判断音高，因为更长的持续时间给听觉系统提供了更多的周期信息用于频率估计。^{124124The Perception of Short Tones and the Role of Duration in Pitch Perceptionasa.scitation.org前往参考资料 ↓在新标签页中打开}

在语音中，音高与音长是相互独立的韵律线索：声调语言（如汉语普通话）主要用基频（F0）曲线区分词义，而音长（时长）则常用来区分元音长短或承载重音；两者可以独立变化，但在自然语流中又常协同作用以增强韵律对比。^{125125Prosodic Typology: The Phonology of Intonation and Phrasingglobal.oup.com前往参考资料 ↓在新标签页中打开}

在音乐表演中，音高与音长的偏离（intonation 与 timing 的微小偏差）是表现力的重要来源：演奏者会有意对音高做细微的偏高或偏低处理，也会对音符时值做弹性伸缩（rubato），二者共同塑造乐句的表情。^{126126Expressiveness in Music Performance: Empirical Approaches Across Styles and Culturesglobal.oup.com前往参考资料 ↓在新标签页中打开}

在音频信号处理与音乐信息检索（MIR）中，音高提取（pitch detection）与节拍/起音检测（onset/beat detection）通常作为两个独立任务处理：前者估计基频轨迹，后者估计时间事件的位置与时长，但两者在短时分析窗的选取上存在耦合——窗长过短会损害低频音高估计，窗长过长会模糊起音时刻。^{127127Fundamentals of Music Processing: Audio, Analysis, Algorithms, Applicationslink.springer.com前往参考资料 ↓在新标签页中打开}