变声器Matlab代码实战：重采样、相位声码器与共振峰控制

简介：变声器Matlab代码包面向计算机、电子信息工程、数学等专业的大学生，主要服务课程设计、期末大作业和毕业设计中的音频变声课题，可帮助读者快速获得一套可运行、可修改的算法实现，规避自行编写时常见的参数混乱与调试困难。压缩包共4个文件，包含2个m脚本和2个mp3音频样例，整体体积仅5.82MB；m脚本分别承担核心变声处理与辅助控制逻辑，采用参数化编程，关键参数可方便更改，mp3样例则用于输入输出效果试听。代码注释明细、结构清晰，从音频读取、变声处理到结果播放保存的完整流程均有体现，并附带案例数据，直接运行即可看到效果。对初学信号处理与MATLAB编程的读者尤其友好，可作为理解变声器基本原理的实践入口。目前已有209人学习下载，适合作为课程实训或毕业设计的直接参考。

1. 变声器Matlab代码到底在改什么

解压一个叫“变声器matlab代码.zip”的文件包，最常见的状态是：README 里写着直接运行 main.m，运行完发现声音只是快了一点，或者高了一点，和“男声变女声”“变成机器人”的预期差得很远。问题通常不在代码抄没抄对，而在变声这件事本质上是在同时操纵三个量：基频、时长和音色。基频决定音高，时长决定语速，音色里的共振峰位置决定声音像谁。三者的组合才是“变声器”，单独调一个只是“变速器”或“变调器”。本文按一条离线语音变声的常见技术路线展开：先用 resample 理解音高位移，再用相位声码器把变调与变速解耦，最后用滤波和测试信号把效果调出层次。适合刚拿到代码包、正在找入口的学生，也适合想从效果反推算法的 DSP 工程师。

2. 从重采样入手：先跑通一条Matlab变声代码

要读懂代码包里的.m文件，先要理解数字音频里的音高放在哪里。一个频率为 f0 的周期信号，在采样率 fs 下每个周期占 fs/f0 个采样点。比如 fs=44100、f0=200Hz，那每个周期大约 220 个点。若把这些点之间的时间关系压缩，让每个周期只占 150 个点，再按原来的 fs 播放，周期在时间轴上变短，听到的音高就会上升。这就是重采样做变声的基本逻辑。

2.1 重采样为什么能改变音高，但也会改变语速

直接在 Matlab 里做这件事，不需要训练任何模型，也不需要 Audio Toolbox。核心就两行：用重采样把信号变到“虚拟采样率”，然后用原始采样率播放。

这里的量要分清：resample(x, p, q)会把输入采样率变成原来的p/q倍，而不是把采样率字段写进 WAV 文件。我们要做的是让输出信号在按原 fs 播放时音高变成目标倍数，所以实际上要构造一个“虚拟采样率”：

• 输入采样率：fs
• 目标虚拟采样率：fs / pitchRatio

然后用resample把数据采样率从 fs 变成 fs/pitchRatio。播放时仍然传 fs，时间轴被压缩，音高就升上去了。

[x, fs] = audioread('speech.wav'); % 读入 wav if size(x, 2) > 1 x = mean(x, 2); % 双声道先合并成单声道 end x = x / max(abs(x)); % 归一化，避免后面出现削波 semitones = 7; % 升 7 个半音，约 1.5 倍 pitchRatio = 2^(semitones / 12); % 半音数与频率倍数的换算 [num, den] = rat(1 / pitchRatio, 1e-3); % 把小数转成近似整数分数 y = resample(x, num, den); % 输出信号采样率约为 fs/pitchRatio player = audioplayer(y, fs); % 播放器仍按原始 fs 播放 playblocking(player); audiowrite('pitch_up.wav', y, fs); % 写回 wav，采样率参数仍写 fs

rat(1 / pitchRatio, 1e-3)的作用是把1/pitchRatio转成两个小的整数，因为resample需要整数重采样因子，纯小数不能直接传进去。例如升 12 个半音时pitchRatio=2，1/pitchRatio正好是1/2，重采样后点数减半；按原 fs 播放时音高高一倍，时长也缩成一半。

2.2 半音数比倍数更符合听感

直接把pitchRatio写成 1.5 也能跑，但音乐和语音里更常用“半音”来表达变调幅度。人耳对频率的感知接近对数刻度，升 200Hz 到 400Hz 和升 1000Hz 到 2000Hz 听起来是同样的“八度跨度”，所以变声参数建议用半音数，而不是频率倍数。

注意，这里每一行都附带“时长变化”。这是因为重采样只做了一件事：改变每个周期占的采样点数，并没有能力把“音高”和“语速”分开。如果你只想让音高变、语速不变，下一章的相位声码器才是正路。

2.3 为什么直接重采样听起来像小黄人

重采样之所以被很多入门代码采用，是因为它简单、稳定、不依赖额外工具箱。但它的代价是：不仅仅基频移动了，整个频谱都被拉伸，共振峰也跟着移动。共振峰是声道对声音的滤波作用形成的，它决定了我们觉得一个声音是成年男性、小孩还是卡通角色。重采样把基频和共振峰一起移动，所以升调多了以后，声音会显得“幼态”，也就是俗称的小黄人效果。

如果做直播音效，小黄人效果反而是优势。但如果目标是声音转换，希望“把 A 的声音变成 B 的音色但仍然是自然人声”，就必须绕开纯重采样，或者用滤波做共振峰补偿。下一步先解决音高和语速的解耦问题。

3. 相位声码器实现：变声器的变速与变调解耦

相位声码器是很多变声器代码的核心。它工作在频域，把语音分成互相重叠的短帧，做 FFT 后保留每一帧的幅度谱和相位谱。合成时改变帧与帧之间的间距，就能在不改变音高的情况下改变时长；反过来，先用重采样改变音高，再用相位声码器把时长拉回原样，就得到“变调但不变速”的效果。

3.1 为什么用相位声码器而不是逐点插值

时域里的简单时间伸缩，比如线性插值，会让波形周期变长或变短，结果是音高也跟着变，达不到独立控制。PSOLA 思路也很常见，但需要先可靠地检测每个基音周期标记，对噪声、清音段和低信噪比录音比较敏感。相位声码器不需要显式检测基频，只要 STFT 参数选得合理，对一般语音都能工作，所以更适合作为代码包里的第一版实现。

它的核心是相位累加。假设分析帧间隔是hopA，某一频率分量在相邻帧之间实际前进的相位，和理想正弦前进的相位之差可以用来估计“瞬时频率”。合成帧间隔改成hopS后，用这个瞬时频率乘以hopS，就能让每个频率分量在时间拉伸后仍然保持原来的音高。

3.2 在Matlab里实现一个可复用的相位声码器函数

下面这段代码可以直接保存成pvTimeStretch.m，作为整个变声脚本的时间伸缩模块。参数上先固定nfft=2048、hopA=256，后面再解释怎么调。

function y = pvTimeStretch(x, alpha) % 相位声码器时间伸缩 % alpha > 1 表示放慢，< 1 表示加快；音高不变 nfft = 2048; hopA = 256; hopS = round(hopA * alpha); % 合成帧间隔 win = 0.5 - 0.5 * cos(2 * pi * (0:nfft-1)' / nfft); x = x(:); N = length(x); outLen = round(alpha * N); % 目标输出长度 frameCount = ceil(N / hopA); % 覆盖到最后一个采样点 allocLen = (frameCount - 1) * hopS + nfft; y = zeros(allocLen, 1); wsum = zeros(allocLen, 1); k = (0:nfft/2).'; binPhase = 2 * pi * hopA * k / nfft; % 理想正弦的分析帧相位增量 prevAnaPhase = zeros(nfft/2 + 1, 1); prevSynPhase = zeros(nfft/2 + 1, 1); for m = 0:frameCount-1 idxA = m * hopA + 1 : min(m * hopA + nfft, N); seg = zeros(nfft, 1); seg(1:length(idxA)) = x(idxA); seg = seg .* win; X = fft(seg); X = X(1:nfft/2 + 1); mag = abs(X); phi = angle(X); if m > 0 delta = mod(phi - prevAnaPhase - binPhase + pi, 2*pi) - pi; else delta = zeros(size(phi)); end synPhase = prevSynPhase + binPhase * (hopS / hopA) ... + delta * (hopS / hopA); Y = mag .* exp(1i * synPhase); frame = real(ifft([Y; conj(Y(end-1:-1:2))], nfft)); idxS = m * hopS + 1 : m * hopS + nfft; y(idxS) = y(idxS) + frame .* win; wsum(idxS) = wsum(idxS) + win .^ 2; prevAnaPhase = phi; prevSynPhase = synPhase; end y = y ./ max(wsum, 1e-6); y = y(1:min(outLen, length(y))); % 裁剪到目标长度 end

代码里最关键的是delta的计算。它把当前帧相位和上一帧相位之差，减去该频点由帧移hopA造成的“预期相位增量”，剩下的就是真实频率偏离理想频率的部分。合成时把delta按hopS/hopA缩放，得到新的相位增量。这保证了时间轴被拉伸或压缩时，各频率分量不会发生音高漂移。

3.3 组合调用：重采样加相位声码器实现变调不变速

有了时间伸缩模块，变声器主函数就短很多了。先把音高通过重采样改变，此时语速也变了，再用相位声码器把时长恢复。注意第二个参数必须是pitchRatio，因为重采样后时长变成了原来的1/pitchRatio，正好需要拉伸pitchRatio倍。

function y = voiceChanger(x, fs, semitones) % 变调不变速的核心函数 % semitones 为正数时升调，负数时降调 pitchRatio = 2^(semitones / 12); [num, den] = rat(1 / pitchRatio, 1e-3); xShift = resample(x, num, den); % 第一步：改变音高 y = pvTimeStretch(xShift, pitchRatio); % 第二步：恢复语速 y = y / (max(abs(y)) + eps); end

这个组合里，resample负责把基频移动到目标位置，pvTimeStretch负责把时长拉回。如果只需要慢放或快放，可以跳过resample，直接调用pvTimeStretch(x, speed)，这时音高不变，语速改变。

3.4 相位声码器的必调参数

nfft、hopA、alpha是影响结果最明显的三个参数。默认参数在大多数 44.1kHz 语音上能工作，但遇到低沉男声或剧烈变调时需要调整。

如果处理的是男低音，建议把nfft加到 4096，否则 80Hz 附近的基频可能落在两个频点之间，导致最后的合成音出现“电流声”。反过来，如果是电话录音或已经经过压缩的语音，nfft保持 2048 就够了。

4. 共振峰与滤波参数：把变声器代码调出不同音色

上一章完成了“变调不变速”，但如果你实际听一下，声音仍然带着明显的电子感。原因还是共振峰。重采样把频谱整体拉伸，共振峰跟着移动，所以升调后声道的“长度”也变了，听起来像一个变小的人。要得到更自然的变声，需要处理共振峰，或者至少用滤波去重新塑形音色。

4.1 共振峰才是声音像不像的关键

语音学里有个概念叫声道长度，成年男性、女性、小孩的声道长度不同，共振峰位置也不同。重采样变调会把整个频谱拉伸，相当于让一个成年男性的声道变成小孩的声道。如果这是刻意要的卡通效果，没问题；但如果你要让“沉稳大叔”变成“温柔御姐”，必须是基频升高、声道长度相对保留，而不是简单把频谱整体上移。

精确做法是对频谱包络做频移：估计共振峰位置，把包络往低频或高频搬，再和新的基频参数合成。常见做法是用 LPC 或倒谱做包络估计，然后对系数做频率弯折。大多数代码包里不会完整实现这一步，而是用一组参数 EQ 来补听感。我们这里给一个可直接套用的峰值 EQ。

function y = peakingEQ(x, fs, Fc, gaindB, Q) % 峰值EQ滤波器 % Fc：中心频率，gaindB：提升/衰减 dB，Q：滤波器宽度 A = 10^(gaindB / 40); w0 = 2 * pi * Fc / fs; alpha = sin(w0) / (2 * Q); b0 = 1 + alpha * A; b1 = -2 * cos(w0); b2 = 1 - alpha * A; a0 = 1 + alpha / A; a1 = -2 * cos(w0); a2 = 1 - alpha / A; b = [b0, b1, b2] / a0; a = [a0, a1, a2] / a0; y = filter(b, a, x); end

这个滤波器的逻辑是：在Fc附近形成一个可控制的峰或谷，gaindB为正时提升，为负时衰减，Q控制峰的宽窄。放在变声链的最后一级，等于在相位声码器合成完后给语音包一层“新的声道”。

4.2 把变声链串起来：升调加共振峰补偿

假设目标是“偏明亮的少年音”，可以升 9 个半音，然后在中高频加一点亮度，在低频压掉一点浑浊感：

[x, fs] = audioread('input.wav'); if size(x, 2) > 1 x = mean(x, 2); end x = x / max(abs(x)); y = voiceChanger(x, fs, 9); % 先变调不变速 y = peakingEQ(y, fs, 1400, 3, 1.2); % 提亮中高频 y = peakingEQ(y, fs, 280, -2, 1.0); % 减少低频浑浊 y = y / (max(abs(y)) + eps); audiowrite('bright_voice.wav', y, fs);

1400Hz是元音共振峰常见的集中区域，提升 2 到 4dB 就能明显感觉到声音“亮”起来，但超过 6dB 容易变成刺耳的金属声。280Hz附近的低频对男声来说是胸腔共鸣区，适度衰减会让声音更轻快。

4.3 参数速查表

不同目标角色不需要每次都从头试，下面这组起点参数可以直接套。

滤波只是快速补救。如果要做严格的声音转换，应该在基频重映射之后，再对频谱包络做独立的共振峰搬移。代码包里如果同时有f0检测和共振峰估计函数，建议优先走那条路。EQ 这种方案胜在稳定，任何一段语音都能跑，不容易爆音。

5. 用扫频信号和语谱图验收变声器Matlab代码

效果参数调完之后，耳朵会骗人，频率计不会。变声器最容易犯的错是：听感觉得“好像变细了”，实际基频并没有到目标半音数，只是共振峰被 EQ 推高了。因此验收时先拿单频正弦波测变调精度，再看语谱图确认基频和共振峰确实发生了预期移动。

5.1 用正弦波验证变调比例

先生成一个 220Hz 的纯音，套用变声代码，然后看输出主频是不是落在理论值附近。220Hz 升 7 个半音的理论值是：

fs = 44100; t = (0:fs-1)' / fs; x = 0.3 * sin(2 * pi * 220 * t); y = voiceChanger(x, fs, 7); [pxx, f] = periodogram(y, hann(length(y)), [], fs); [~, idx] = max(pxx); expected = 220 * 2^(7/12); fprintf('expected %.2f Hz, detected %.2f Hz\n', expected, f(idx));

输出如果不是 311Hz 附近，而是 300Hz 或者 330Hz，问题几乎都出在rat(1/pitchRatio, 1e-3)的近似误差上。把容差改到1e-5可以更准，但重采样因子会变大，计算变慢。对语音来说，几个音分的偏差可以接受，正弦波测试只是用来确认方向没反。

5.2 用语谱图看基频和共振峰

真正的人声不是单频，语谱图比波形更直观。横向亮条是共振峰，纵向亮纹是基频周期。重采样变调会让横向亮条和纵向亮纹一起上移；相位声码器只改变纵向亮纹的间距，横向共振峰位置基本不变。

figure; subplot(2, 1, 1); spectrogram(x, hann(512), 256, 2048, fs, 'yaxis'); title('original'); subplot(2, 1, 2); spectrogram(y, hann(512), 256, 2048, fs, 'yaxis'); title('after voiceChanger');

对比两幅图时，先看低频第一条横向亮条。如果它已经让整段亮条整体抬高，说明共振峰被重采样带走了。接下来再用peakingEQ把特定频段拉回来，每改一次参数就重新看一次语谱图，比反复播放试听更容易定位问题。

5.3 批量处理一段语音目录

最后一个实用技巧是把变声脚本包装成批处理循环。变声器代码包里通常有很多测试 wav，手工一个个跑既不安全也不可复现。建议输出到独立目录，不覆盖原始文件：

mkdir('out'); files = dir(fullfile('voice', '*.wav')); for i = 1:numel(files) [x, fs] = audioread(fullfile(files(i).folder, files(i).name)); y = voiceChanger(x, fs, 7); % 如果角色效果需要，可以在这一步追加 peakingEQ y = peakingEQ(y, fs, 1400, 2, 1.2); audiowrite(fullfile('out', files(i).name), y, fs); end

批量处理时最好把semitones和滤波参数都提到脚本头部作为变量，这样调试完一组参数后，整个语料库能一次性重出。遇到某个 wav 特别爆音时，单独降一下该文件的max(abs(y))归一化门限就够了，不需要改主算法。voiceChanger函数里已经做了归一化，所以批量场景下最该关注的是 EQ 增益，超过 6dB 时先怀疑削波，再怀疑相位声码器参数。

本文还有配套的精品资源，点击获取