发声时也在场的外激扫频：唇端阻抗分离如何同时拿下共振频率与带宽

英文题目：Mesure des résonances du conduit vocal pendant la production de sons voisés : expérimentation sur maquettes

会议身份：conference:jep:2026:conference-paper-id:launet26_jep

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#时频分析 #发声与构音 #语音 #音频分离

评分：5.6/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.9/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Alice Launet：机构信息未能从会议 PDF 纯文本可靠映射
• Fabrice Silva：机构信息未能从会议 PDF 纯文本可靠映射
• Philippe Guillemain：机构信息未能从会议 PDF 纯文本可靠映射
• Nathalie Henrich Bernardoni：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入是唇部麦克风记录的混合声，其中外部扫频激励经声道滤波的响应与合成声门源经同一声道滤波的浊音相互叠加，输出是前四个声道共振的频率与带宽，难点在于浊音谐波与激励响应在频域重叠且存在源滤波器交互导致直接估计失真。方法链分三步：先在唇部注入同步扫频并采集混合声与纯浊音参考，其输出为待分离的唇部记录；再用高阶小波啁啾变换重建扫频幅相调制并剔除浊音谐波，其输出为净化的扫频响应；最后经闭口校准解卷积得到唇部响应并做复平面模态分析提取频率与带宽。与线性预测共振峰估计不同，该机制不依赖谐波包络反推传递函数而是直接测量外部激励滤波结果，故在高基频下仍可分辨共振并给出可靠带宽。在静态/a/体模测量条件下，分离后R4的带宽指标为283.0±2.5 Hz，高于无浊音参考Hlips的带宽指标209 Hz。该结论适用边界受限于静态单元音体模与合成激励，在共振与基频重合及低基频密集谐波下误差显著增大且尚未验证活体变构型与连续语音外推。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

为什么发声时的声道共振这么难测准？

这篇技术解读的输入是作者提供的法文会议论文正文与官方原图像素，目标是让刚进入语音音乐音频领域的研究生能够核对条件并复述方法，必须保留的关键信息包括仿体形状与材料、激励与采集参数、校准与分离流程、参考共振数值以及误差成立的基频与强度条件，输出则按学习依赖从任务到复现逐步展开。

初学者先要建立的直觉是，声道共振是声道几何与壁面损耗决定的声学谐振，每个共振有两个数，一个是中心频率，说明哪里最容易响，另一个是带宽，说明这个响亮有多尖锐或多宽缓，带宽直接与能量损耗有关。平时从麦克风录到的语音是声门源经过声道滤波再辐射的结果，看到的谱包络峰通常叫共振峰，在源滤波器相互作用可以忽略时它近似指向共振，但在歌唱、高音和强声时源与滤波器会相互牵拉，近似就不再可靠。

更麻烦的是语音本身是谐波线谱，基频越高谐波越稀疏，包络上只有离散采样点，线性预测这类只看语音的方法容易把估计值吸到最强的谐波上，而不是真正的共振中心，对带宽的估计则更不稳定。所以问题不是换一个更大的模型就能解决，而是观测方式本身缺信息，需要在发声的同时从外部再给一声已知探测信号，直接问声道在各个频率上如何响应。

已有路线各解决了什么，又留下了什么？

第一条路线是基于语音信号的共振峰分析，典型做法是用线性预测及其变体从语音波形估计声道传递函数，再读出前几个峰的频率与带宽。这条路线的优点是不需要额外硬件、保持自然发声，缺点在原文引用的多项研究中已经明确，精度依赖基频，高音嗓音不可靠，带宽尤其不可靠。

第二条路线是在唇端加外部激励直接测声学响应，代表性工作是在唇端注入体积速度激励并在附近用麦克风记录，这样即使不看语音谐波也能看到声道对已知激励的滤波，优点是直接且不改变咬字，缺点是一旦同时发声，嗓音谐波会叠加在扫频响应上形成尖峰，直接反卷积会被污染。原文的方法正好落在第二条路线上，但增加了一个关键环节，就是在反卷积之前先做基于高阶小啁啾变换的信号分离与扫频调制重建，目的是把嗓音成分去掉后再估计响应。

理解这种继承关系很重要，后文所有关于闭口校准、扫频速率、窗长与共振一致误差的讨论，都是为了解决外部激励路线在有嗓音条件下的可用性，而不是另起一套语音识别系统。

本文要回答的具体问题是什么？

本文的具体任务可以表述为，在保持发声的条件下，能否从唇端测到可用于读出前 4 个声道共振频率与带宽的频率响应。输入是两类同时存在的声信号，一类是待测的扫频激励经过激励链路与声道后的声压，另一类是合成声门源经过同一声道后的嗓音声压，两者在唇外麦克风处叠加。输出是校正后的唇端频率响应，以及进一步用模态分析读出的每个共振的频率与带宽。

评价方式不是听感或识别率，而是估计值与无嗓音参考测量之间的一致性，包括频率差与带宽差随基频与发声强度的变化。初学者容易误以为只要扫频够响就能盖住嗓音，原文的思路更细致，扫频确实选了比白噪声更高效的宽带形式以获得足够声级，但真正保证精度的是分离与校准，因为共振附近的幅度起伏很大，嗓音在共振一致时会变强，简单提高扫频声级并不能解决谐波尖峰与大幅度调制带来的估计偏差。

方法全景：一个样本如何走完输入到输出？

先沿着一个发声样本走一遍全流程。仿体保持静态的/a/形状，声门端送入合成声门流，唇端同时送入持续 1 秒的扫频，麦克风在唇端附近记录两者混合后的声压。处理时先对记录做小啁啾分析，如果是闭口校准记录就不做嗓音分离，如果是开口发声记录就启用分离，重建出扫频成分的时间波形。接着对重建波形做针对扫频特性的反卷积并做时域加窗，只保留线性滤波部分，排除放大器与压缩腔可能产生的谐波失真。

最后把开口结果除以闭口结果做校正，假设除声道外其余链路在两种条件下相同，相除后剩下的就是声道贡献主导的唇端响应。读共振时再对该响应做模态分析，在复平面上把每个共振看作一段圆弧，圆的直径对应模态幅度，沿圆走的速度对应频率与带宽，从而读出频率与带宽。

下面这张流程图把上述两条测量支路与汇合校正讲得最清楚，上路是闭口校准，下路是开口测量，中间是是否分离与反卷积，最右是相除校正，读图时注意箭头方向就是数据流向。

看图路径： 1. 先找到上下两路：上路闭口校准不做分离，下路开口测量按需做分离；2. 再看两路各自经过小啁啾重建与反卷积后汇入右侧校正框；3. 最后确认校正框写的是开口谱除以闭口谱得到唇端响应

论文图 4。原论文 Figure 4：“Schéma illustrant les principales étapes de la mesure des résonances du conduit vocal, à partir d’une excitation acoustique par sinus glissant aux lèvres, suivi d’une analyse en…”。

这张图的关键是理解为什么要有两路。单独看开口记录无法区分链路染色与声道谐振，单独看闭口记录又没有声道信息，只有在相同激励链路假设下相除，才能把公共链路约掉。分离模块放在反卷积之前而不是之后，也是全景中最值得复述的一点，因为污染发生在反卷积的输入端，必须先提纯扫频调制，再做除法，否则谐波尖峰会被反卷积放大并带入最终响应。

组件一：仿体、激励链路与采集如何搭建？

实验对象不是真人，而是一个长 16 厘米的静态声道仿体，代表/a/的咬字构形，几何改自已有文献，内壁覆盖一厘米厚的硅胶以模拟壁面损耗，外加 50 厘米见方的有机玻璃障板。仿体用生物相容光敏树脂立体光刻打印，这种做法的好处是形状固定可重复，缺点是不能动，结论不能直接推广到连续说话时的时变声道。声门端通过压缩腔加约 3 毫米毛细管送入合成声门源，模型为经典声门流模型，基频从 90 赫兹到 1100 赫兹顺序扫描并叠加半音幅度、5 赫兹的颤音，每段合成信号持续 1.5 秒。

唇端激励链路由声卡、普通音频放大器、压缩腔、直径 4 毫米长 1 米的加强软管组成，软管经过加强以减少管壁振动辐射，激励送到离唇口很近的位置。记录用 1/4 英寸测量麦克风，采样率 44.1 千赫兹，32 位浮点存储，麦克风靠近注入点同时拾取扫频响应与嗓音。

共振 × 共振峰： 共振指声道本身作为声学滤波器的物理谐振特性，由几何形状与损耗决定频率与带宽；共振峰指从语音信号包络上看到的谱峰，是源滤波器假设下对共振的近似观测。二者搭配的理由是发声时只能直接看到共振峰，但想推断声道需要排除声源谐波与源滤耦合的影响，组合意义在于用外部激励直接测共振来校准和补充只看语音的共振峰估计。

初学者要记住仿体实验的逻辑，静态已知形状提供了一个可以反复测量的真值环境，无嗓音时的唇端响应给出参考共振，有嗓音时的测量再与它比较，才能把方法是好是坏归因到分离与估计，而不是归因到咬字变了。

组件二：扫频、校准与小啁啾分离如何配合？

扫频是频率随时间线性增加的正弦，覆盖 80 赫兹到 5500 赫兹，持续 1 秒，因此扫频速率为每秒 5420 赫兹。这种信号比白噪声更适合，因为能量集中在瞬时频率附近，容易做到不被嗓音掩蔽，同时已知的时间频率规律让反卷积可以设计专用逆滤波并加窗取线性部分。校准的思想是先测唇端封口时的响应作为分母，再测开口时的响应作为分子，相除突出声道。开口又分无嗓音与有嗓音两种，无嗓音用于建参考，有嗓音用于考验分离。

分离用的是高阶小啁啾变换，它把短时傅里叶的固定频率原子换成可滑动频率的原子，并用高斯窗及其导数同时估计幅度与相位调制，高斯窗有效宽度取 3 倍标准差为 39 毫秒，对应高斯能量约 95%。按扫频速率换算，一个分析窗内扫过的频率宽度约为 210 赫兹，这直接决定了低基频时窗内可能同时装下多个嗓音谐波，分离会变难。

扫频激励 × 反卷积： 扫频激励负责在 80 赫兹到 5500 赫兹宽带内依次注入已知频率随时间线性变化的体积速度信号，保证每个频点都有足够信噪比而不被嗓音淹没；反卷积负责利用扫频已知的变化规律把放大器、压缩腔、软管与房间等链路滤波作用去除，只留下声道贡献。二者搭配是因为扫频的可预测性让链路失真可以被建模扣除，组合后得到的是更接近声道本身的唇端频率响应。

小啁啾变换 × 源分离： 小啁啾变换负责把短时傅里叶的固定频率原子推广为频率随时间滑动的原子，并用高斯窗及其导数重建扫频经过声道滤波后的幅度和相位调制；源分离负责在时频面上把轨迹倾斜的扫频脊与近似水平的嗓音谐波脊区分开并压制后者。二者搭配是因为扫频与嗓音在时频斜率上不同，组合意义是先在变换域提纯扫频再做反卷积，避免谐波尖峰直接污染响应估计。

闭口校准 × 开口测量： 闭口校准负责在唇端封口条件下记录激励链路本身的响应，作为基准分母；开口测量负责在唇端开放并可加嗓音条件下记录包含声道谐振的响应，作为分子。二者搭配的假设是除声道外其余链路在 2 次测量中基本相同，组合时用开口谱除以闭口谱相除校正，从而突出声道对扫频的滤波作用。

把 3 组关系连起来复述就是，扫频给可预测性，反卷积用可预测性去链路染色，闭口给公共链路基准，开口给声道信息，小啁啾给时频斜率差异下的提纯工具，四者缺一都会让谐波尖峰或链路染色留到最后一步。

本研究训练了什么，没有训练什么？

本研究没有训练神经网络，也没有学习声学模型权重，不存在梯度下降、训练集划分、验证早停或参数冻结更新的问题，不能把无训练理解为系统输出天然确定，重复测量仍受噪声与摆放影响。真实计算过程是信号处理与拟合，分为调用、估计与拟合 3 类。调用的是已有合成与分析工具，包括合成声门源的经典模型、基于线性预测的共振峰分析接口、针对扫频的同步扫频反卷积方法，以及作者前期论文中的高阶小啁啾重建方法。

估计的是每个记录的唇端频率响应，路径是小啁啾重建扫频波形，再反卷积，再开口除以闭口。拟合的是模态参数，用复平面圆拟合从响应曲线读频率与带宽，线性预测一侧则通过搜索共振峰个数与分析窗长的组合，使前两个共振峰频率相对参考误差最小来选参。每个录音重复 5 次用于检查处理重复性，这里的重复是同一条件下多次采集与处理，不是交叉验证。

缺项也要明确，原文没有报告分离阈值如何自适应、反卷积窗的具体起止、模态圆拟合的置信度公式，也没有报告计算耗时与实时性，这些都不能从方法名称推定。

实验条件：测什么、和谁比、公平性在哪里？

实验要测的是有嗓音条件下重建的唇端响应与无嗓音参考之间的一致性，比较对象有 3 类。第一类是同一仿体无嗓音时的唇端响应，它提供参考共振频率与带宽。第二类是有嗓音但不做分离直接反卷积的结果，用于显示谐波污染有多严重。第 3 类是只看嗓音的线性预测共振峰估计，用于显示传统方法在高基频与带宽上的局限。

公平性来自同仿体、同话筒位置、同激励链路与同批基频扫描，嗓音强度分三档，分别对应日常对话、公众演讲与中等歌唱，在基频 147 赫兹处标为 62、70 与 75 分贝声压级。基频覆盖从低到高的大范围，线性预测对比时横轴从约 87 赫兹延伸到 880 赫兹以上。指标方向很直观，频率差与带宽差越接近零越好，相对误差越小越好，共振峰估计线越贴近参考虚线越好。

下面先用一张参数表把最容易抄错的激励与采集条件固定下来，表中每一格数字与单位都来自原文连续句，裸值不擅自加单位，带单位的写法保留原文空格习惯，读表时重点核对扫频范围、速率、窗宽与强度三档是否与自己复现一致。

上表把复现时最关键的可运行条件收拢在一处，好处是任何误差讨论都可以回到同一套激励与窗参数，代价是它还不能替代结果表，真正的方法收益要用下一节的共振误差与共振峰对比来证明。需要特别提醒的是强度三档只在 147 赫兹处标定，不同基频处唇端实际声压会随共振一致而起伏，不能把标定值当成全基频恒定值。

主结果：分离后响应与参考有多接近？

先看无嗓音、有嗓音未分离、分离后重建 3 条唇端响应的对照。上方面板是唇端频率响应，下方面板是声门到唇的传递函数估计，未分离曲线上出现多个窄而高的嗓音谐波尖峰，分离后曲线几乎贴回无嗓音曲线，峰谷位置一致。

看图路径： 1. 先对照上下面板：上面是三种唇端响应，下面是声门到唇的传递函数；2. 再看无嗓音曲线与分离后重建曲线是否在峰谷处重合；3. 最后看未分离的含嗓音曲线上突出的窄尖峰位置

论文图 2。原论文 Figure 2：“En haut : réponses en fréquence aux lèvres sur une mesure sans voisement (Hlips), avec voisement sans séparation (Hvoice lips ) et avec séparation Hsep lips).”。

这张图要这样读，上面的纵轴是唇端响应幅度，下面的纵轴是传递函数分贝值，横轴都是频率。先确认图例中 3 条唇端曲线的身份，再看分离后虚线与无嗓音黑线的重合度，最后看未分离青色曲线上孤立的尖峰，这些尖峰就是后文误差的主要来源。下面这张同构形的幅值与相位图进一步确认，相位在共振附近的快速变化也被还原，说明重建的不只是幅度包络。

看图路径： 1. 先看上幅值面板中分离后曲线与无嗓音虚线的重合程度；2. 再看下相位面板在共振附近的快速跳变是否也被还原；3. 最后定位低频段未分离曲线上残留的嗓音尖峰

论文图 5。原论文 Figure 5：“Réponses en fréquence aux lèvres pour la maquette /a/ (même notations que Fig. 2).”。

这张图上幅是幅度，下幅是相位，横轴为频率。重点观察分离后橙色实线与无嗓音黑色虚线在 5 个可见谐振结构处的重合，以及低频段未分离青色曲线的残留尖峰。相位面板的跳变对齐很重要，因为模态拟合同时依赖幅度和相位走速，只有两者都对，频率与带宽才可信。

下面这张原表给出无嗓音参考的定量锚点，是后文一切差值比较的分母，读数时注意频率与带宽的单位都是赫兹，4 个共振从低到高依次排列。

比较问题是分离后估计的 4 个共振是否回到参考，公平条件是同仿体同链路，指标是频率差与带宽差越小越好。

表中参考值显示第一到第四共振频率依次约为 664、1185、2809 与 3887 赫兹，带宽依次约为 103、97、202 与 209 赫兹。主要收益是前 4 个共振在宽基频范围内仍可识别，分离后高频共振几乎不受嗓音影响。具体代价在正文文字中有明确报告，非共振一致区第一共振频率精度约 10%，第二共振约 5%，前两个带宽约 30%，共振一致时第一共振频率误差可达 30%，带宽可达 100%，且模态置信度下降。未胜出项也要点名，第三第四共振带宽残差仍有约 10% 与 35%，说明强阻尼共振的模态拟合本身就有局限，不能全归因于分离。

反证与对比：什么时候误差变大，传统方法差在哪里？

误差随基频的变化是本文最重要的反证。把基频从低扫到高时，当基频或其倍频靠近声道共振会出现共振一致，唇端嗓音强度被放大，尤其是第一共振与基频一致时最明显，第一共振与二三倍频一致时也有较弱放大。非一致区误差较小，一旦进入一致区，幅度调制非常陡，分离要在保调制与去嗓音之间权衡，重建质量下降。基频超过某个共振后，该共振的估计误差会迅速变小，因为嗓音能量主要在低频，高频共振不再被谐波直接污染。

第二共振受影响小于第一共振，原因正是它落在所扫基频范围之外，只受到 2 倍频一致的影响。低基频端是另一个困难区，谐波间隔小，39 毫秒窗内约 210 赫兹宽度可能装下多个谐波，基频低于 210 赫兹时分离不充分。强度越大嗓音越强，分离也越难，这解释了高强度档在一致区误差更大的现象。

传统线性预测共振峰的对比更能说明互补性。下图上为共振峰一，下为共振峰二，实线是估计，虚线是参考。

看图路径： 1. 先看上图共振峰一估计线围绕第一共振参考虚线的摆动与高频上漂；2. 再看下图共振峰二估计线的大幅振荡与个别极端跳点；3. 最后对照横轴基频从低到高时偏离加剧的趋势

论文图 7。原论文 Figure 7：“Fréquences des formants vocaux F1 (en haut) et F2 (en bas) obtenus par estimation formantique pour dif- férentes fréquences fondamentales de voix (trait plein) et valeurs de…”。

读图时先看低基频段实线基本贴住虚线，再看约 120 赫兹后开始围绕参考振荡，最后看基频高于 440 赫兹后估计不可靠，甚至把基频本身误作第一共振峰。共振峰二的振荡更大，个别基频处出现极端跳点。带宽估计在全基频都不可靠。这组对比支持的判断是，只看语音的方法在高音与带宽上先天吃亏，而外部激励加分离的方法在高基频仍可用。

下面用一张文字证据表把关键定量结论收拢，表中比较的是可运行的分离重建策略与传统共振峰策略，事后最优或理论上限不充当收益，读表时注意区分频率相对误差与带宽相对误差的不同含义。

上表的主要收益是把方法的适用边界讲清，非一致与高基频是优势区，一致区与极低基频是代价区。反例是即使分离成功，带宽在一致区仍可能大幅偏离，复现时不能只报频率不报带宽，也不能只挑非一致基频报喜。

limits：哪些结论不能推广？

第一个限制是对象单一，只有一个静态/a/仿体，没有其他元音，没有时变咬字，也没有真人声带与壁面振动，16 厘米长度与硅胶厚度都是特定选择，换形状后共振位置与带宽都会变。第二是时长不匹配，扫频用 1 秒，合成嗓音用 1.5 秒，这对静态仿体可行，但连续说话与歌唱的稳态时间远短于此，原文也把缩短测量时间列为未来工作。第三是链路假设，校正假设除声道外其余链路在闭口与开口时相同，实际中障板衍射、房间混响与软管位置都可能微变。

第四是参数缺项，线性预测的峰数与窗长是按前两峰误差搜索选优，不同选参会改变传统基线强弱，模态圆拟合的阈值与置信度计算没有完整公开。第五是统计口径，每条件重复 5 次只验证处理重复性，没有报告跨天、重装配或多人摆放的方差，也没有做显著性检验。第六是资源声明缺失，原文没有绑定并通过验证的代码、模型或数据资源，不得声称已公开可用，本次也未能确认可达，只能按论文文字与图像复现，不能一键运行。

复现先做什么，需要哪些超参数与信息条件？

复现的第一步是做回静态无嗓音参考。按 16 厘米/a/几何打印仿体并贴一厘米硅胶，加 50 厘米障板，用 80 到 5500 赫兹、1 秒、每秒 5420 赫兹的扫频测开口无嗓音响应，再测闭口响应，相除得到参考，用复平面圆拟合读出 4 个共振，核对是否接近 664、1185、2809、3887 赫兹与 103、97、202、209 赫兹，差得远先查话筒距离、软管加强与房间反射，而不是先调分离。第二步是加合成嗓音，基频从 90 到 1100 赫兹扫描并加半音 5 赫兹颤音，强度先在 147 赫兹处标到 62、70、75 分贝声压级三档，再全基频记录开口有嗓音数据与纯嗓音数据。

第三步是跑小啁啾分离，高斯窗有效宽度取 39 毫秒，反卷积用同步扫频专用逆滤波并加窗取线性部分，闭口不分离，开口按需分离，最后相除得到重建响应。第四步是同模态拟合读频率与带宽，画出随基频的误差曲线，检查非一致区第一频率约 10%、第二约 5%、带宽约 30% 是否再现，再检查一致区误差放大与置信度下降是否再现。第五步是跑线性预测对照，用搜索选出峰数与窗长，对比高基频发散。

还需补的验证包括换元音、缩短扫频、真人小声量测试，以及报告每次重装配的方差与计算耗时，这些在原文中尚未给出，复现报告中应单独列为待验证。

何时值得尝试，一句话收束？

当研究问题需要同时知道声道共振频率与带宽，尤其涉及高音歌唱、强声或源滤耦合时，值得尝试这种唇端扫频加分离的直接测量，因为它在传统共振峰发散的高基频区仍能给出可用估计，且对高频共振几乎不受嗓音干扰。当只有日常低音对话且只关心前两个频率时，传统线性预测已够用，不必搭建压缩腔与校准链路。

常见误解有 3 个，一是把共振峰等同于共振，忽略了高音与强声下的耦合偏差，二是把扫频够响等同于不用分离，忽略了谐波尖峰与共振附近陡峭调制的相互作用，三是把静态仿体结论直接当成真人结论，忽略了时变咬字与壁面振动。收束成可操作的一句就是，先用闭口校准固定链路，再用小啁啾提纯扫频，最后用模态圆同时读频率与带宽，并在报告中把共振一致与低基频处的代价与传统方法的边界一起给出，这样的结果才经得起核对。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 5 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 jep-2026 论文汇总