#01　试着合成母音

参考先行者的制作过程，生成母音貌似有两种思路：

• 以正弦波为起点，将不同振幅的正弦波叠加起来模拟泛音列。

• 以噪声为起点，用滤波器把噪声塑造成接近人声的频谱形状。

我觉得两者的主要区别在于非倍频成分的处理。

对噪声滤波时一般不会把非倍频成分抑制到接近无，

而这些成分可能会使生产的音色更接近人，也可能会影响音色的统一性（待考证）。

要说共同点的话，那就是两者都需要真实人声频谱作为参考。

我的做法是：

• 一、分析自己的母音频谱，提取泛音列的幅值系数

• 二、根据系数，生成正弦波，叠加生成母音的「模板」

• 三、在模板的基础上用滤波器进行音色的细致调整

第一、第二步在 Matlab 中进行，第三步在宿主软件中进行。

如图所示，这是一个音高为 C4 的母音あ的部分频谱，横轴网格为泛音列：

可以看到在倍频的位置是有明显的针状突起的。

纵轴的单位不重要，绝对数值大小也不重要。

获取系数之后就可以进入生成的步骤了。

我写了简单程序用于生产母音模板片段，有优化空间，仅供参考：

我想设计一个比较中性的音色，

参考日语元音图，简单选取了经典男女共振峰 F1、F2 各自的中点为设计值：

以及，F3不改动，保持模板的3200Hz左右。

F4是一个比较体现音色特征的参数，不随发生状态改变，目标调整到4200Hz左右。

接下来的工作转移到宿主中进行。

• 调整输出片段的包络，画出接近真人发声的音头、音尾淡入淡出。

• 参考设计的共振峰数值，用滤波器调整频率成分

• 加混响与轻微噪声模拟语尾息

到这一步基本算是完成了。

检查时频图时注意到，合成母音在全频段都有比较明显的谐波，

这不太符合人声的特征。

对比资料，如图，可以看到あ以外的母音都有比较明显的空白频段：

い在 1000Hz~2600Hz 是近乎空缺的，え的 1000Hz~200Hz 也是类似的表现；

う的 2000Hz~3000Hz 成分较弱，お的1500Hz~3000Hz表现类似。

还观察到所有元音在4000Hz~6000Hz中的某处处会出现空白，

此处似乎属于梨状窝的反共振峰？

这个反共振峰男女都有，似乎男性表现得更显著。

参考上述数据，再次使用滤波器削减部分频段。

最终得到了这样一个文件：_あ_い_う_え_お.wav

国内多半打不开，所以我传了一份网盘，草（……

评价：

• 听感较闷，有高频缺失感

实际上从设计开始就可以预料到高频缺失的情况

正弦波序列只包含到64次谐波，频率上限大约为261×64=16704 (Hz)，

相比人类听觉上限20000Hz，确实缺了一大段。

但从活人素材里提取的谱在5kHz以上已经很弱了，

和噪声的起伏差距不大，有自然好，但对音色塑造不起关键作用，

总之谐波次数取到几还是看个人感觉吧……！