简介PSOLA算法是语音合成与音高变换中的经典技术这套MATLAB代码包围绕其完整处理链路进行了模块化实现适合语音信号处理研究者、工程师及相关专业学生使用。代码覆盖基频检测、有声/无声段判定、候选峰值搜索、分割点计算、加权与重叠添加合成等多个核心环节并附带示例音频文件可直接运行体验各脚本通过主程序串联从输入音频到最终输出构成完整可追踪的处理流程。资源共62个文件其中61个为.m脚本/函数、1个为wav音频压缩包整体仅78KB结构紧凑、便于阅读。目前已有170人学习下载特别适合希望从代码层面理解PSOLA原理、开展语音合成实验或进行算法改进的读者。借助这套实现可以直观观察基频同步分割与重叠添加如何改变语音的节奏和音调也能将不同模块替换或优化灵活适配科研、课程设计或毕业设计等场景。1. 从PSOLA.zip说起为什么语音变调总绕不开基音同步叠加看到 PSOLA.zip 这个文件名大多数人的第一反应是“某个网站分享的变声器”解压之后才发现里面可能是论文代码、半成品脚本或者只在特定 Python 版本下能跑通的 demo。PSOLA 不是一个 App而是 Pitch Synchronous Overlap and Add 的缩写中文叫基音同步叠加。它解决的是语音合成里最棘手的一组矛盾要改变音高就得同时改语速吗要放慢语速就会变成机器人吗PSOLA 把语音按基音周期的节拍切块再重新组织短时波形让音高和时长可以分开控制。音频开发、语音合成、ASR 数据增强的工程师只要愿意花一个下午把代码读透都能把它变成变调器、修音器或前端预处理的核心模块。2. PSOLA的三种实现与选型TD、LPC、频域各在什么时候用先看一个最直觉的做法把采样率从 16000 提高到 32000 再播放声音会高一个八度但语速也快了一倍反过来降低采样率则变成慢速低音。这种“磁带变调”在生产里只适合做效果器。要让主持人语速不变、音高降两度或者让一段人声的音高曲线整体上移但时长严格保持在原样就不能动采样率而要动短时帧的排列顺序。语音的听感由两层构成基频决定音高共振峰包络决定音色。PSOLA 的聪明之处在于它把信号按基音周期切块再改变块与块之间的距离和重叠量而不是去改每一个块的频谱内容。切块的节拍必须和基频同步否则每个块的相位在拼接处“打架”听感上就是咔哒声和梳状滤波这正是 Pitch Synchronous 里 Synchronous 的分量。2.1 重采样调音高错在哪时长和基频被绑在一起普通重采样把整段信号按固定比例拉伸相当于把磁带转速调快调慢。语音信号里基频和音节时长是同一个时间轴上的产物重采样必然同时改变两者。PSOLA 的思路是先把语音拆成“与基频对齐”的短时帧然后让帧在时间轴上的密度变密音高变高或变疏音高变低而帧本身不缩放。这样共振峰包络基本不动基频却按目标比例偏移语速由帧的总数决定。这一步拆解是整个算法的核心。有人试图用相位声码器phase vocoder做同样的事但帧长固定会引入相位漂移憋不住呼吸声和摩擦音而 PSOLA 的帧长跟随基频变化天然保留发声时的节奏信息所以至今在语音合成和修音工具里仍是主力算法。2.2 TD-PSOLA 的完整工作流程最常见的复现版本是时域 PSOLA即 TD-PSOLA它的标准流程分五步基音检测对信号分帧用自相关或 YIN 算法估计每一帧的基频 F0得到一条随时间变化的基频曲线。生成同步标记 pitch mark在每一个基音周期内找一个波形峰值或过零位置作为切分锚点。加窗分帧以每个 pitch mark 为中心取长度为 23 个基音周期的汉宁窗把信号截成一系列带窗短时帧。重排按目标音高比例重新计算合成 mark 的位置升调时帧与帧靠得更近降调时拉得更开变速时则直接复制或跳过若干帧。重叠相加所有短时帧按新位置叠加起来因为窗和窗之间有重叠需要除以重叠权重做幅度补偿。TD-PSOLA 计算量小实时性高但变调范围超过±4 个半音后共振峰结构会被过度压缩或拉伸声音出现明显的“小矮人”或“大怪物”感。2.3 三种 PSOLA 分支对比与选型LPC-PSOLA 先把语音分解成声道滤波器和激励源只对激励源做 PSOLA再经过 LPC 合成滤波恢复声道信息共振峰保持得更好变调范围可以拉到±8 个半音。频域 PSOLA 在短时傅里叶变换后的频谱上操作平滑度好但相位一致性难保证实际产品里单独用它并不多更多是作为频域修音的前置步骤。实现分支原理侧重点适用场景典型缺陷常见工具TD-PSOLA时域短时帧重排语音合成、小范围变调、实时效果大调幅失真、共振峰偏移Praat、Dio 引擎LPC-PSOLA激励源与声道分离歌唱合成、大范围变调合成音明显LPC阶数敏感STRAIGHT、WORLDFD-PSOLA频域幅度与相位处理离线修音、乐句级处理相位漂移、颤音不自然各类 DAW 内置工具选型上课程设计和快速原型用 TD-PSOLA 最容易跑通产品里做歌声合成LPC-PSOLA 底子更稳纯变速不变调的活不如直接看 WSOLA它和 PSOLA 同属重叠相加家族只是缺少基音同步这一步。很多教程把 WSOLA 和 PSOLA 混着叫调参思路相通但别在产品文档里写错名字。3. 用NumPy手写一个可跑的TD-PSOLA从基音标记到重叠相加README 里最简单的一句话是“修改 pitch 而不改变 duration”但实际代码至少要完成基音检测、pitch mark 生成、加窗分帧、重排、重叠相加五件事。下面这套代码基于 NumPy 和 SciPy输入固定为单声道 16bit PCM WAV16kHz 或 48kHz 均可为控制篇幅省略了语音端点检测但保留了完整的变调链路。3.1 基音检测自相关为什么是教材默认做法先写基音检测。YIN 算法理论上更准但参数阈值多作为验证代码容易引入额外变量。自相关对平稳浊音段足够稳定而且每一步出错都有明确的物理含义滞后对应的延迟就是基音周期。import numpy as np from scipy.io import wavfile def detect_pitch_float(x, sr, fmin60, fmax400): frame_len int(sr * 0.04) # 40 ms 分析帧 hop_len int(sr * 0.02) # 20 ms 帧移 min_lag int(sr / fmax) # 最高基频对应的最小滞后 max_lag int(sr / fmin) # 最低基频对应的最大滞后 out np.zeros(len(x), dtypefloat) for start in range(0, len(x) - frame_len, hop_len): seg x[start:start frame_len] seg seg - np.mean(seg) energy np.dot(seg, seg) if energy 1e-8: continue corr np.correlate(seg, seg, full)[frame_len - 1:] corr corr / energy idx np.argmax(corr[min_lag:max_lag 1]) min_lag if corr[idx] 0.3: # 归一化自相关太低视为清音 continue f0 sr / idx out[start:start hop_len] f0 # 清音段线性插值补洞避免后续 pitch mark 断裂 nz np.nonzero(out)[0] if len(nz) 1: out[:nz[0]] out[nz[0]] out[nz[-1] 1:] out[nz[-1]] out np.interp(np.arange(len(x)), nz, out[nz]) return out代码里的fmin/fmax直接决定了搜索范围这是第一个必调参数。fmax设太大会把高频噪声的短周期误判成基频fmin设太小则容易落入半周期误判。归一化自相关用能量做分母消除了不同帧音量差异对峰值判断的干扰。阈值 0.3 不是绝对标准联调时要看有多少帧落在这个阈值外。3.2 pitch mark 生成与加窗分帧有了逐样本的基频曲线下一步生成 pitch mark。最常见的错误是直接拿整数采样点作为标记正确做法是在每个预测周期附近搜索波形绝对值的局部峰值让标记对齐到真实的声门脉冲位置。def find_marks(x, sr, f0): marks [] state 0.0 i 0 while i len(x): period sr / max(f0[i], 1.0) state 1 if state period: # 累积到一个基音周期 center int(i) half int(0.5 * period) lo max(0, center - half) hi min(len(x), center half) # 在半个周期范围内找最大绝对值点作为声门脉冲位置 marks.append(int(np.argmax(np.abs(x[lo:hi])) lo)) state 0.0 i 1 return np.array(marks)state是累加器每经过一个基音周期就放一个 mark。half决定搜索窗口大小如果窗口太大可能选中相邻周期的峰值太小则捕获不到主脉冲。基频曲线抖动较大时marks 的间距会忽长忽短这种情况先对f0做中值滤波再训 mark 生成别在 mark 之后再做平滑。3.3 变调重排与加权叠加分帧和叠加是本算法的核心直接决定输出是“干净的人声”还是“水下电话音”。这里用汉宁窗窗长取 2 个周期保证重叠相加时权重平滑。变调比例用半音数换算factor 2^(semitones/12)。from scipy.signal import get_window def psola_shift(x, sr, marks, semitones): factor 2.0 ** (semitones / 12.0) y np.zeros_like(x, dtypefloat) wsum np.zeros_like(x, dtypefloat) for i, m in enumerate(marks): # 当前帧的基音周期首尾帧用相邻标记距离近似 if i 0: period marks[1] - m elif i len(marks) - 1: period m - marks[i - 1] else: period 0.5 * (marks[i 1] - marks[i - 1]) half int(1.0 * period) win_len int(2.0 * period) 1 win get_window(hann, win_len, fftbinsFalse) start m - half if start 0 or start win_len len(x): continue new_m int(m / factor) # 升调后合成标记向原点收缩 out_start new_m - half if out_start 0 or out_start win_len len(x): continue y[out_start:out_start win_len] x[start:start win_len] * win wsum[out_start:out_start win_len] win eps 1e-8 return y / np.maximum(wsum, eps)主流程调用只需要三行python -c from scipy.io import wavfile; from psola_demo import *; sr,xwavfile.read(in.wav); xx/32768.0; f0detect_pitch_float(x,sr); marksfind_marks(x,sr,f0); outpsola_shift(x,sr,marks,7); wavfile.write(out.wav,sr,(out*32767).astype(int16))参数变化对听感的影响可以用一张表记住参数建议范围影响明显度越界表现窗长周期倍数2.02.5高太短出现金属音太长共振峰模糊重叠权重归一化必须开启高音量起伏、呼吸感丢失基频搜索 fmin60 Hz男声/ 150 Hz女声中过低出现八度错误基频搜索 fmax400 Hz女声/ 350 Hz男声中过高放大噪声周期semitones 步长-44 为宜高超出范围共振峰失真这段代码对清音段的处理比较粗暴直接沿用了前一帧的周期补洞所以气流摩擦音在输出里会有轻微“风噪声”。工程级实现需要在清音段改为固定窗长、关闭 pitch 同步再和浊音段平滑交接。4. PSOLA输出发闷或发尖窗长、重叠和基频范围的调参排错代码能跑通和听感能过关是两码事。TD-PSOLA 最常见的问题是“发闷”“发尖”“电音感”这些现象背后通常集中在三个参数上窗长倍数、重叠权重、基频搜索范围。调参的顺序也基本固定先确认基频曲线没有断帧再动窗长最后才动重叠和半音数。4.1 三个必调参数窗长、重叠率、基频上下限窗长以“基音周期的倍数”为单位而不是固定采样点数。原因也很直接同一个人说“啊”和“说”基频变了周期也变了固定窗长在低音段可能覆盖 4 个周期、在高音段只剩 1.5 个周期频谱泄漏特征完全不同。把窗长设成 2 个周期相当于对每个声门脉冲做一次对称加窗兼顾了脉冲分辨率和相邻帧重叠率。重叠率在这里由合成 mark 的密度决定升调后 new_m 变密帧与帧天然重叠更多wsum 数组的数值会更大如果不做归一化音量会随音高升高而膨胀。所以重叠权重归一化不是锦上添花而是保证能量守恒的必要步骤。代码里y / np.maximum(wsum, eps)就是做这件事。基频上下限是最容易被忽略的硬参数。很多 demo 直接把 fmin/fmax 设成 60/400拿到童声或老年男性语音就出问题。童声基频可能到 500 Hz老年男性低音可到 50 Hz超范围的帧会被自相关误判为半周期或双周期pitch mark 间距随即错乱听感就是偶发的“蹦音”。调试时把f0曲线逐帧打印出来和频谱图叠在一起看哪个区间的检测值跳变超过一个八度就先把范围缩小。4.2 听感异常的归因与定位听感现象最可能原因优先检查项金属音、电话味窗长太短频谱泄漏将窗长从 2.0 提到 2.5 个周期声音发闷、失去唇齿感窗长太长共振峰被平均窗长降到 1.82.0并检查高频段成分偶发“蹦音”或音高跳变fmin/fmax 范围不当打印基频曲线找八度跳变点音量随音高忽大忽小缺少重叠权重归一化检查 wsum 是否参与除法句尾拖沓、收不住清音段沿用了浊音周期清音段改为固定窗长重排时跳过 mark定位时先不要急着调窗长用频谱软件打开原始音频和输出音频看 3 kHz 以上的能量是否被削平。能量掉了就是窗长问题能量还在但音高不准就是基频检测问题。这两个方向靠耳朵很难分辨但频谱一拉就真相大白。4.3 常见代码坑zip解压后的PSOLA为什么跑不起来网盘或 GitHub 上下载的 PSOLA.zip解压后最常见的三个跑不起来原因一是代码里的wavfile.read返回的是整型数组直接除以 32768 之前忘了转 float变频时溢出成全零二是把resample当变调用改变了采样率导致时长变化三是缺少依赖包scipy.signal.get_window在旧版 SciPy 里要写成scipy.signal.hann版本一换就报错。从 zip 包安装时常见做法是解压到与入口脚本相同的目录直接 import 同目录模块而不是一股脑扔进 site-packages。依赖装不上就先用pip install scipy numpy装基础库别急着装最新的 dev 版本PSOLA 这类算法代码对 NumPy 版本不算敏感但对 API 变更相当敏感。跑出波形后先用np.abs(out).max()检查是否超过 1.0超过就把输出除以最大绝对值再写文件避免astype(int16)静默截断。5. 用parselmouth验证PSOLAPraat的基音同步算法做生产级对照自写的 NumPy 版 TD-PSOLA 适合学习和小批量离线处理但要作为产品级验证可以直接用 Praat 的 PSOLA 实现做对照。parselmouth 是 Praat 的 Python 绑定提供Sound.to_manipulation()接口把音高曲线和时长曲线分离改完直接合成回音频是验证自己算法最省事的参照系。import parselmouth snd parselmouth.Sound(input.wav) man snd.to_manipulation() pt man.get_pitch_tier() shift 1.5 # 基频乘 1.5约等于升 7 个半音 for i in range(len(pt.times)): v pt.get_value_at_index(i 1) if v 0: pt.set_value_at_index(i 1, v * shift) man.get_sound().save(out_praat.wav, parselmouth.SoundFileFormat.WAV)get_pitch_tier()返回的数值只在有声段有定义清音段可能为 0 或不存在所以循环里必须跳过非正值否则静音段被放大后会引入爆破音。Praat 内部用的也是基音同步重叠相加但它的 mark 对齐和相位补偿比教材代码细致得多适合当“标准答案”用来验证自己的输出。对照验证建议固定三组指标。一是时长误差用len(音频) / sr对比输入输出误差应小于 0.5%超过说明重叠相加时发生了窗丢弃。二是基频中位数偏移用to_pitch()提取输出基频曲线取有声段中位数和输入中位数乘 shift 后的期望值对比偏差应小于 3%。三是高频段能量比分别计算 38 kHz 频带能量输出不应比输入衰减超过 6 dB否则就要回头查窗长。pitch_in parselmouth.Sound(input.wav).to_pitch().selected_array[frequency] pitch_out parselmouth.Sound(out_praat.wav).to_pitch().selected_array[frequency] print(in median:, np.median(pitch_in[pitch_in 0])) print(out median:, np.median(pitch_out[pitch_out 0]))建议把这组对照脚本固定成一个verify_psola.py每次调完窗长或基频范围就跑一遍。Praat 的输出不一定是最终成品但它是衡量“基频和时长解耦是否成功”的标尺。下次拿到产品级变调需求先对原始音频做一次 Praat 对照把基频中位数和时长偏差打印出来这两列数字就是你和需求方之间的验收基线。本文还有配套的精品资源点击获取 PSOLA语音变调算法详解：基音同步叠加的三种实现与NumPy手写实战
简介PSOLA算法是语音合成与音高变换中的经典技术这套MATLAB代码包围绕其完整处理链路进行了模块化实现适合语音信号处理研究者、工程师及相关专业学生使用。代码覆盖基频检测、有声/无声段判定、候选峰值搜索、分割点计算、加权与重叠添加合成等多个核心环节并附带示例音频文件可直接运行体验各脚本通过主程序串联从输入音频到最终输出构成完整可追踪的处理流程。资源共62个文件其中61个为.m脚本/函数、1个为wav音频压缩包整体仅78KB结构紧凑、便于阅读。目前已有170人学习下载特别适合希望从代码层面理解PSOLA原理、开展语音合成实验或进行算法改进的读者。借助这套实现可以直观观察基频同步分割与重叠添加如何改变语音的节奏和音调也能将不同模块替换或优化灵活适配科研、课程设计或毕业设计等场景。1. 从PSOLA.zip说起为什么语音变调总绕不开基音同步叠加看到 PSOLA.zip 这个文件名大多数人的第一反应是“某个网站分享的变声器”解压之后才发现里面可能是论文代码、半成品脚本或者只在特定 Python 版本下能跑通的 demo。PSOLA 不是一个 App而是 Pitch Synchronous Overlap and Add 的缩写中文叫基音同步叠加。它解决的是语音合成里最棘手的一组矛盾要改变音高就得同时改语速吗要放慢语速就会变成机器人吗PSOLA 把语音按基音周期的节拍切块再重新组织短时波形让音高和时长可以分开控制。音频开发、语音合成、ASR 数据增强的工程师只要愿意花一个下午把代码读透都能把它变成变调器、修音器或前端预处理的核心模块。2. PSOLA的三种实现与选型TD、LPC、频域各在什么时候用先看一个最直觉的做法把采样率从 16000 提高到 32000 再播放声音会高一个八度但语速也快了一倍反过来降低采样率则变成慢速低音。这种“磁带变调”在生产里只适合做效果器。要让主持人语速不变、音高降两度或者让一段人声的音高曲线整体上移但时长严格保持在原样就不能动采样率而要动短时帧的排列顺序。语音的听感由两层构成基频决定音高共振峰包络决定音色。PSOLA 的聪明之处在于它把信号按基音周期切块再改变块与块之间的距离和重叠量而不是去改每一个块的频谱内容。切块的节拍必须和基频同步否则每个块的相位在拼接处“打架”听感上就是咔哒声和梳状滤波这正是 Pitch Synchronous 里 Synchronous 的分量。2.1 重采样调音高错在哪时长和基频被绑在一起普通重采样把整段信号按固定比例拉伸相当于把磁带转速调快调慢。语音信号里基频和音节时长是同一个时间轴上的产物重采样必然同时改变两者。PSOLA 的思路是先把语音拆成“与基频对齐”的短时帧然后让帧在时间轴上的密度变密音高变高或变疏音高变低而帧本身不缩放。这样共振峰包络基本不动基频却按目标比例偏移语速由帧的总数决定。这一步拆解是整个算法的核心。有人试图用相位声码器phase vocoder做同样的事但帧长固定会引入相位漂移憋不住呼吸声和摩擦音而 PSOLA 的帧长跟随基频变化天然保留发声时的节奏信息所以至今在语音合成和修音工具里仍是主力算法。2.2 TD-PSOLA 的完整工作流程最常见的复现版本是时域 PSOLA即 TD-PSOLA它的标准流程分五步基音检测对信号分帧用自相关或 YIN 算法估计每一帧的基频 F0得到一条随时间变化的基频曲线。生成同步标记 pitch mark在每一个基音周期内找一个波形峰值或过零位置作为切分锚点。加窗分帧以每个 pitch mark 为中心取长度为 23 个基音周期的汉宁窗把信号截成一系列带窗短时帧。重排按目标音高比例重新计算合成 mark 的位置升调时帧与帧靠得更近降调时拉得更开变速时则直接复制或跳过若干帧。重叠相加所有短时帧按新位置叠加起来因为窗和窗之间有重叠需要除以重叠权重做幅度补偿。TD-PSOLA 计算量小实时性高但变调范围超过±4 个半音后共振峰结构会被过度压缩或拉伸声音出现明显的“小矮人”或“大怪物”感。2.3 三种 PSOLA 分支对比与选型LPC-PSOLA 先把语音分解成声道滤波器和激励源只对激励源做 PSOLA再经过 LPC 合成滤波恢复声道信息共振峰保持得更好变调范围可以拉到±8 个半音。频域 PSOLA 在短时傅里叶变换后的频谱上操作平滑度好但相位一致性难保证实际产品里单独用它并不多更多是作为频域修音的前置步骤。实现分支原理侧重点适用场景典型缺陷常见工具TD-PSOLA时域短时帧重排语音合成、小范围变调、实时效果大调幅失真、共振峰偏移Praat、Dio 引擎LPC-PSOLA激励源与声道分离歌唱合成、大范围变调合成音明显LPC阶数敏感STRAIGHT、WORLDFD-PSOLA频域幅度与相位处理离线修音、乐句级处理相位漂移、颤音不自然各类 DAW 内置工具选型上课程设计和快速原型用 TD-PSOLA 最容易跑通产品里做歌声合成LPC-PSOLA 底子更稳纯变速不变调的活不如直接看 WSOLA它和 PSOLA 同属重叠相加家族只是缺少基音同步这一步。很多教程把 WSOLA 和 PSOLA 混着叫调参思路相通但别在产品文档里写错名字。3. 用NumPy手写一个可跑的TD-PSOLA从基音标记到重叠相加README 里最简单的一句话是“修改 pitch 而不改变 duration”但实际代码至少要完成基音检测、pitch mark 生成、加窗分帧、重排、重叠相加五件事。下面这套代码基于 NumPy 和 SciPy输入固定为单声道 16bit PCM WAV16kHz 或 48kHz 均可为控制篇幅省略了语音端点检测但保留了完整的变调链路。3.1 基音检测自相关为什么是教材默认做法先写基音检测。YIN 算法理论上更准但参数阈值多作为验证代码容易引入额外变量。自相关对平稳浊音段足够稳定而且每一步出错都有明确的物理含义滞后对应的延迟就是基音周期。import numpy as np from scipy.io import wavfile def detect_pitch_float(x, sr, fmin60, fmax400): frame_len int(sr * 0.04) # 40 ms 分析帧 hop_len int(sr * 0.02) # 20 ms 帧移 min_lag int(sr / fmax) # 最高基频对应的最小滞后 max_lag int(sr / fmin) # 最低基频对应的最大滞后 out np.zeros(len(x), dtypefloat) for start in range(0, len(x) - frame_len, hop_len): seg x[start:start frame_len] seg seg - np.mean(seg) energy np.dot(seg, seg) if energy 1e-8: continue corr np.correlate(seg, seg, full)[frame_len - 1:] corr corr / energy idx np.argmax(corr[min_lag:max_lag 1]) min_lag if corr[idx] 0.3: # 归一化自相关太低视为清音 continue f0 sr / idx out[start:start hop_len] f0 # 清音段线性插值补洞避免后续 pitch mark 断裂 nz np.nonzero(out)[0] if len(nz) 1: out[:nz[0]] out[nz[0]] out[nz[-1] 1:] out[nz[-1]] out np.interp(np.arange(len(x)), nz, out[nz]) return out代码里的fmin/fmax直接决定了搜索范围这是第一个必调参数。fmax设太大会把高频噪声的短周期误判成基频fmin设太小则容易落入半周期误判。归一化自相关用能量做分母消除了不同帧音量差异对峰值判断的干扰。阈值 0.3 不是绝对标准联调时要看有多少帧落在这个阈值外。3.2 pitch mark 生成与加窗分帧有了逐样本的基频曲线下一步生成 pitch mark。最常见的错误是直接拿整数采样点作为标记正确做法是在每个预测周期附近搜索波形绝对值的局部峰值让标记对齐到真实的声门脉冲位置。def find_marks(x, sr, f0): marks [] state 0.0 i 0 while i len(x): period sr / max(f0[i], 1.0) state 1 if state period: # 累积到一个基音周期 center int(i) half int(0.5 * period) lo max(0, center - half) hi min(len(x), center half) # 在半个周期范围内找最大绝对值点作为声门脉冲位置 marks.append(int(np.argmax(np.abs(x[lo:hi])) lo)) state 0.0 i 1 return np.array(marks)state是累加器每经过一个基音周期就放一个 mark。half决定搜索窗口大小如果窗口太大可能选中相邻周期的峰值太小则捕获不到主脉冲。基频曲线抖动较大时marks 的间距会忽长忽短这种情况先对f0做中值滤波再训 mark 生成别在 mark 之后再做平滑。3.3 变调重排与加权叠加分帧和叠加是本算法的核心直接决定输出是“干净的人声”还是“水下电话音”。这里用汉宁窗窗长取 2 个周期保证重叠相加时权重平滑。变调比例用半音数换算factor 2^(semitones/12)。from scipy.signal import get_window def psola_shift(x, sr, marks, semitones): factor 2.0 ** (semitones / 12.0) y np.zeros_like(x, dtypefloat) wsum np.zeros_like(x, dtypefloat) for i, m in enumerate(marks): # 当前帧的基音周期首尾帧用相邻标记距离近似 if i 0: period marks[1] - m elif i len(marks) - 1: period m - marks[i - 1] else: period 0.5 * (marks[i 1] - marks[i - 1]) half int(1.0 * period) win_len int(2.0 * period) 1 win get_window(hann, win_len, fftbinsFalse) start m - half if start 0 or start win_len len(x): continue new_m int(m / factor) # 升调后合成标记向原点收缩 out_start new_m - half if out_start 0 or out_start win_len len(x): continue y[out_start:out_start win_len] x[start:start win_len] * win wsum[out_start:out_start win_len] win eps 1e-8 return y / np.maximum(wsum, eps)主流程调用只需要三行python -c from scipy.io import wavfile; from psola_demo import *; sr,xwavfile.read(in.wav); xx/32768.0; f0detect_pitch_float(x,sr); marksfind_marks(x,sr,f0); outpsola_shift(x,sr,marks,7); wavfile.write(out.wav,sr,(out*32767).astype(int16))参数变化对听感的影响可以用一张表记住参数建议范围影响明显度越界表现窗长周期倍数2.02.5高太短出现金属音太长共振峰模糊重叠权重归一化必须开启高音量起伏、呼吸感丢失基频搜索 fmin60 Hz男声/ 150 Hz女声中过低出现八度错误基频搜索 fmax400 Hz女声/ 350 Hz男声中过高放大噪声周期semitones 步长-44 为宜高超出范围共振峰失真这段代码对清音段的处理比较粗暴直接沿用了前一帧的周期补洞所以气流摩擦音在输出里会有轻微“风噪声”。工程级实现需要在清音段改为固定窗长、关闭 pitch 同步再和浊音段平滑交接。4. PSOLA输出发闷或发尖窗长、重叠和基频范围的调参排错代码能跑通和听感能过关是两码事。TD-PSOLA 最常见的问题是“发闷”“发尖”“电音感”这些现象背后通常集中在三个参数上窗长倍数、重叠权重、基频搜索范围。调参的顺序也基本固定先确认基频曲线没有断帧再动窗长最后才动重叠和半音数。4.1 三个必调参数窗长、重叠率、基频上下限窗长以“基音周期的倍数”为单位而不是固定采样点数。原因也很直接同一个人说“啊”和“说”基频变了周期也变了固定窗长在低音段可能覆盖 4 个周期、在高音段只剩 1.5 个周期频谱泄漏特征完全不同。把窗长设成 2 个周期相当于对每个声门脉冲做一次对称加窗兼顾了脉冲分辨率和相邻帧重叠率。重叠率在这里由合成 mark 的密度决定升调后 new_m 变密帧与帧天然重叠更多wsum 数组的数值会更大如果不做归一化音量会随音高升高而膨胀。所以重叠权重归一化不是锦上添花而是保证能量守恒的必要步骤。代码里y / np.maximum(wsum, eps)就是做这件事。基频上下限是最容易被忽略的硬参数。很多 demo 直接把 fmin/fmax 设成 60/400拿到童声或老年男性语音就出问题。童声基频可能到 500 Hz老年男性低音可到 50 Hz超范围的帧会被自相关误判为半周期或双周期pitch mark 间距随即错乱听感就是偶发的“蹦音”。调试时把f0曲线逐帧打印出来和频谱图叠在一起看哪个区间的检测值跳变超过一个八度就先把范围缩小。4.2 听感异常的归因与定位听感现象最可能原因优先检查项金属音、电话味窗长太短频谱泄漏将窗长从 2.0 提到 2.5 个周期声音发闷、失去唇齿感窗长太长共振峰被平均窗长降到 1.82.0并检查高频段成分偶发“蹦音”或音高跳变fmin/fmax 范围不当打印基频曲线找八度跳变点音量随音高忽大忽小缺少重叠权重归一化检查 wsum 是否参与除法句尾拖沓、收不住清音段沿用了浊音周期清音段改为固定窗长重排时跳过 mark定位时先不要急着调窗长用频谱软件打开原始音频和输出音频看 3 kHz 以上的能量是否被削平。能量掉了就是窗长问题能量还在但音高不准就是基频检测问题。这两个方向靠耳朵很难分辨但频谱一拉就真相大白。4.3 常见代码坑zip解压后的PSOLA为什么跑不起来网盘或 GitHub 上下载的 PSOLA.zip解压后最常见的三个跑不起来原因一是代码里的wavfile.read返回的是整型数组直接除以 32768 之前忘了转 float变频时溢出成全零二是把resample当变调用改变了采样率导致时长变化三是缺少依赖包scipy.signal.get_window在旧版 SciPy 里要写成scipy.signal.hann版本一换就报错。从 zip 包安装时常见做法是解压到与入口脚本相同的目录直接 import 同目录模块而不是一股脑扔进 site-packages。依赖装不上就先用pip install scipy numpy装基础库别急着装最新的 dev 版本PSOLA 这类算法代码对 NumPy 版本不算敏感但对 API 变更相当敏感。跑出波形后先用np.abs(out).max()检查是否超过 1.0超过就把输出除以最大绝对值再写文件避免astype(int16)静默截断。5. 用parselmouth验证PSOLAPraat的基音同步算法做生产级对照自写的 NumPy 版 TD-PSOLA 适合学习和小批量离线处理但要作为产品级验证可以直接用 Praat 的 PSOLA 实现做对照。parselmouth 是 Praat 的 Python 绑定提供Sound.to_manipulation()接口把音高曲线和时长曲线分离改完直接合成回音频是验证自己算法最省事的参照系。import parselmouth snd parselmouth.Sound(input.wav) man snd.to_manipulation() pt man.get_pitch_tier() shift 1.5 # 基频乘 1.5约等于升 7 个半音 for i in range(len(pt.times)): v pt.get_value_at_index(i 1) if v 0: pt.set_value_at_index(i 1, v * shift) man.get_sound().save(out_praat.wav, parselmouth.SoundFileFormat.WAV)get_pitch_tier()返回的数值只在有声段有定义清音段可能为 0 或不存在所以循环里必须跳过非正值否则静音段被放大后会引入爆破音。Praat 内部用的也是基音同步重叠相加但它的 mark 对齐和相位补偿比教材代码细致得多适合当“标准答案”用来验证自己的输出。对照验证建议固定三组指标。一是时长误差用len(音频) / sr对比输入输出误差应小于 0.5%超过说明重叠相加时发生了窗丢弃。二是基频中位数偏移用to_pitch()提取输出基频曲线取有声段中位数和输入中位数乘 shift 后的期望值对比偏差应小于 3%。三是高频段能量比分别计算 38 kHz 频带能量输出不应比输入衰减超过 6 dB否则就要回头查窗长。pitch_in parselmouth.Sound(input.wav).to_pitch().selected_array[frequency] pitch_out parselmouth.Sound(out_praat.wav).to_pitch().selected_array[frequency] print(in median:, np.median(pitch_in[pitch_in 0])) print(out median:, np.median(pitch_out[pitch_out 0]))建议把这组对照脚本固定成一个verify_psola.py每次调完窗长或基频范围就跑一遍。Praat 的输出不一定是最终成品但它是衡量“基频和时长解耦是否成功”的标尺。下次拿到产品级变调需求先对原始音频做一次 Praat 对照把基频中位数和时长偏差打印出来这两列数字就是你和需求方之间的验收基线。本文还有配套的精品资源点击获取