人类发声机制与源-滤波模型在语音合成中的应用-AI智能范式网

人类发声机制与源-滤波模型在语音合成中的应用

周晓农·2026-09-02·阅读 22 GEO检测（免费）

语音合成源-滤波模型声带振动

|难度：普通|阅读约 7 分钟

1. 人类发声机制与源-滤波模型解析

人类发声是一个精密的生理物理过程。当我们需要发出声音时，肺部呼出的气流通过气管到达喉部，引起声带振动。这种振动产生的声波经过咽腔、口腔和鼻腔的共振调制后，最终形成我们听到的语音。整个过程可以分为三个关键环节：

呼吸系统提供气流动力
喉部声带产生基础振动
声道共鸣腔塑造最终音色

1.1 声带振动原理详解

声带是位于喉部的两片弹性黏膜组织，其振动特性决定了声音的基本频率（即音高）。当气流通过声门时，根据伯努利原理，气流速度增加导致压力降低，使声带被吸向中线位置。当声带闭合时，下方气压增大又将声带推开，形成周期性振动。

这个过程中有几个关键参数：

声带张力：由喉部肌肉控制，张力越大振动频率越高（男声平均120Hz，女声平均220Hz）
声门气流：肺部呼出气流速度影响声带振动幅度（即音量大小）
声带质量：成年男性声带较长较厚，振动频率较低；儿童和女性声带较短较薄，频率较高

注意：声带振动并非完美的正弦波，而是包含丰富谐波的复杂波形，这对语音音色至关重要。

1.2 声道共鸣机制剖析

声道是指从声门到嘴唇的整个空腔，包括咽腔、口腔和鼻腔。这个可变的共鸣腔对不同频率的声波产生选择性放大或衰减，形成不同的元音和辅音特征。

声道的主要调制方式包括：

舌位变化：改变口腔前部容积，影响高频共振（如/i/和/u/的区别）
软腭升降：控制鼻腔是否参与共鸣（鼻音与非鼻音的区别）
唇形变化：改变声道的终端阻抗（如圆唇元音/y/）

典型的声道频率响应曲线会显示多个明显的共振峰（Formant），前三个共振峰（F1-F3）的位置基本决定了元音的音色特征。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 源-滤波模型的数学表达与实现

源-滤波模型将人类发声过程抽象为信号处理系统，为语音合成技术奠定了理论基础。这个模型的核心思想是将声源（声门）和滤波器（声道）分离考虑，大大简化了语音分析和合成的复杂度。

2.1 模型的数学表达

完整的源-滤波模型可以用以下公式表示：

x(n) = e(n) * h(n) + r(n)

其中：

e(n)：激励信号（声门波）
h(n)：声道脉冲响应
r(n)：辐射效应（主要影响高频衰减）
- 表示卷积运算

对于数字信号处理，我们通常使用离散时间表示。声道的传递函数可以用全极点模型近似：

H(z) = G / (1 - Σa_k z^{-k})

其中G是增益系数，a_k是线性预测系数（LPC），通常通过自相关法或协方差法求得。

2.2 激励信号的类型与生成

根据发音类型的不同，激励信号e(n)可分为三类：

准周期脉冲序列（浊音）：

由声带振动产生

可用 Rosenberg 声门波模型近似：

code复制g(n) = 0.5[1 - cos(πn/N1)] , 0 ≤ n < N1
       cos[π(n-N1)/(2N2)] , N1 ≤ n < N1+N2
       0 , 其他

其中N1/N2控制开合相比例

白噪声（清音）：
- 用于无调辅音如/s/、/f/
- 可通过伪随机数生成器实现
混合激励（气嗓音）：
- 浊音与噪声的叠加
- 常见于某些语言的特殊发音

2.3 声道参数的估计方法

声道特性h(n)的参数估计主要有两种途径：

线性预测编码（LPC）：
- 通过自相关法求解Yule-Walker方程
- 典型阶数10-16（对应采样率8-16kHz）
- 计算复杂度低，实时性好
倒谱分析：
- 对语音信号做DFT→取对数→IDFT
- 低频部分对应声道特性
- 对基频误差更鲁棒

下表比较了两种方法的优缺点：

方法	优点	缺点
LPC	计算简单，参数少	对基频敏感
倒谱	更准确，抗噪性好	计算量较大

3. 源-滤波模型在语音合成中的应用

3.1 传统合成技术实现

基于源-滤波模型的语音合成系统通常包含以下模块：

文本分析：
- 文本规范化（数字、缩写等）
- 分词与韵律预测
- 音素序列生成
声学参数生成：
- 基频轨迹生成
- 时长调整
- 频谱参数预测
波形合成：
- LPC合成器
- 共振峰合成器
- 混合激励合成

典型的LPC合成流程示例：

python复制def lpc_synth(excitation, lpc_coeffs):
    # excitation: 激励信号
    # lpc_coeffs: LPC系数数组
    order = len(lpc_coeffs)
    synth_signal = np.zeros(len(excitation))
    for n in range(len(excitation)):
        for i in range(1, order+1):
            if n-i >= 0:
                synth_signal[n] += lpc_coeffs[i-1] * synth_signal[n-i]
        synth_signal[n] += excitation[n]
    return synth_signal

3.2 现代神经网络合成系统

虽然现代TTS系统多采用端到端架构，但源-滤波思想仍被融入：

WaveNet：将声道建模为条件概率分布
LPCNet：结合传统LPC与神经网络
Glow-TTS：显式建模激励与滤波器

以LPCNet为例，其创新点在于：

用神经网络预测LPC残差
保持传统LPC的低计算量优势
合成质量接近WaveNet

实操建议：在资源受限场景（如嵌入式设备）中，LPCNet架构是理想选择。

4. 常见问题与解决方案

4.1 合成语音不自然问题排查

问题现象	可能原因	解决方案
金属感重	LPC阶数过低	增加LPC阶数（12→16）
爆破杂音	激励脉冲太陡	平滑声门波导数
鼻音失真	鼻腔耦合不当	调整极点对位置
基频跳跃	帧过渡不平滑	动态插值参数

4.2 实际应用中的调优技巧

针对不同性别/年龄的调整：
- 男性：降低基频（80-150Hz），增加F1带宽
- 女性：提高基频（180-250Hz），增强高频共振峰
- 儿童：更高基频（250-400Hz），缩短声道长度
情感表达增强：
- 愤怒：提高基频和强度
- 悲伤：降低基频和语速
- 惊喜：增大基频动态范围
实时性优化：
- 采用分帧处理（20-30ms/帧）
- 使用定点数运算
- 预计算码本

4.3 进阶改进方向

个性化建模：
- 基于少量样本的声道适配
- 迁移学习调整网络参数
多语言支持：
- 语言特有音素集
- 韵律模式切换
环境鲁棒性：
- 噪声条件下的参数补偿
- 远场语音增强

在实际项目中，我们通常会先录制目标说话人的样本语音，通过逆滤波分析获取个性化的声门波和声道参数。一个实用的技巧是让发音人在录音时交替发长元音/a/、/i/、/u/和/s/、/m/等典型音素，这样可以全面覆盖各种发音状态下的参数空间。