基于十二平均律与ADSR包络的Matlab音乐合成实现

简介：这份基于Matlab的音乐合成大作业源码与文档包，适用于高校信号处理、计算机音乐或MATLAB编程相关课程的期末设计，也适合需要参考完整项目思路的学习者。资源已通过本地编译运行，评审分达98分，难度适中，内容经助教审定，可直接作为课程设计或大作业的参照方案。压缩包共49个文件、约48.9MB，核心为20个m脚本文件，涵盖音符生成、旋律编排、播放控制等完整流程；另含12张程序运行效果图、3个wav示例音频、5个json配置及mat文件，便于观察数据结构和调试结果；附带的pdf与md文档对项目背景、实现逻辑和操作方式做了说明，fig文件则保存了可视化界面。目前已有124人学习下载。通过这份资源，使用者能清晰理解从乐谱解析到波形合成、再到播放输出的全链路实现，并可根据注释与文档快速修改参数、替换曲目，对掌握Matlab音频处理技巧和提升综合编程能力都有实际帮助。

1. 同样是 Matlab 音乐合成大作业，为什么有人 95 有人 75

最典型的低分实现是先把 1 到 7 写进一个数组，再用 for 循环逐个sin播放，最后能听出旋律就交卷。这种写法不是不能运行，而是把音高、时值、音色全部揉在了一个循环里：换一首歌要改代码，换一个音色要改代码，参数为什么是这个数也说不清楚。课程大作业评到 95 分以上，通常不是旋律选得多复杂，而是代码结构把“音高怎么算、单音怎么发、整曲怎么拼、文档怎么证”拆开了。这篇内容就按这条路线完整过一遍：从十二平均律的频率映射开始，写一个带 ADSR 包络的单音合成函数，再组织整首旋律和配套文档，最后处理采样率、削波和听感微调。适合正在做 Matlab 音乐合成大作业的本科生，也适合想看看合成函数怎么写才算有工程感的熟手。

2. 十二平均律与音符频率生成的 Matlab 实现：先把音高算准

2.1 音乐合成里真正要建模的三个量

计算机合成音乐，最底层只需要三个量：音高对应基频频率，时值对应持续时长，力度对应振幅大小。拿高分的大作业源码一般都把这三件事拆成独立函数：一个负责音符到频率的映射，一个负责生成单个音符的波形，一个主脚本负责按乐谱组装。多写两个函数看似绕远，但调试时能单独验证每一层，答辩时也能明确说出模块之间的接口，这就是工程感和脚本感的区别。

采样率是第四个隐藏参数。它不直接出现在乐谱里，但决定时间轴怎么离散化。写代码前先定一个fs，比如 44100Hz 或 22050Hz，后面所有函数都共用这个变量，不要在每个函数里散落写 8000、16000。采样率不一致是合成音乐最常见的低级错误，声音会变调，而且极难排查。

2.2 用 midi2freq 一次算出整段旋律的频率

十二平均律里，每升高一个半音，频率乘以 2 的 1/12 次方。国际通用基准是 A4 等于 440Hz。把 MIDI 音符号 69 定义为 A4，其余音符号与频率的关系就是一个幂函数：

function f = midi2freq(midi_note, ref_freq, ref_midi) % midi_note 可以是标量，也可以是向量 % ref_freq 是基准音频率，默认 A4 = 440Hz % ref_midi 是基准音对应的 MIDI 编号，默认 69 if nargin < 2 ref_freq = 440; end if nargin < 3 ref_midi = 69; end f = ref_freq * 2.^((midi_note - ref_midi) / 12); end

逻辑说明：2.^用的是点乘方，因为midi_note可能是向量，需要对每个元素单独求幂；如果写成2^((midi_note - ref_midi) / 12)，Matlab 会尝试矩阵幂运算，输入向量时直接报错。函数里用nargin设置默认值，调用者只传一个参数也能工作，这属于 MATLAB 函数式编程里值得保留的习惯。

各参数含义如下表：

调用方式可以直接传入一句旋律的 MIDI 编号数组：

melody_midi = [60, 62, 64, 62, 60, 60, 62]; freqs = midi2freq(melody_midi);

这就是《小星星》前两句的音高序列。把乐谱存成 MIDI 编号而不是直接存频率，好处是转调时只需要整体加减一个数：全部加 12 就是高八度，全部减 2 就是降一个全音，不用重新计算频率表。我在写大作业时会专门用一个变量保存整个旋律的 MIDI 序列，频率只在使用时换算，这样报告里写“转调实验”也更容易演示。

2.3 常用音符的 MIDI 编号与频率对照表

做文档说明时，放一张对照表比放一大段公式直观得多。下表按 A4=440Hz 计算：

注意这张表只对 440Hz 基准成立。如果用 442Hz 或 432Hz 调音，表中所有值都会整体平移，所以不要在文档里硬背频率，直接写midi2freq的计算结果更稳妥。

3. 带 ADSR 包络的 Matlab 音符合成函数：从响到像乐器

3.1 ADSR 每个阶段解决听感上的哪个问题

裸的sin波从头到尾振幅恒定，听起来是电子蜂鸣器，不是乐器。要让声音“像什么”，关键在包络。ADSR 是 Attack、Decay、Sustain、Release 四个阶段的缩写：Attack 是起音时间，决定声音从零到峰值的速度；Decay 是峰值回落到延音电平的时间；Sustain 是按住音符期间维持的电平；Release 是松开后声音衰减到零的时间。

这四个参数直接决定音色方向。A 取很短时声音干脆，接近钢琴、吉他这类敲击乐器；A 拉到 0.1 秒以上就有弦乐缓慢“拉起来”的感觉。D 阶段决定音符的敲击分量，D 越大，音头越圆。S 设成 1 就是管风琴那种按住一直不衰减的效果，S 设成 0 就接近打击乐。R 在课程作业里经常被忽略，但它恰恰是消除爆音的关键：Release 让波形在结尾平滑归零，拼接下一音时不会因为电平跳变产生咔哒声。

3.2 一个可复用的 adsr_tone 函数

把单音合成封装成一个独立函数，输入频率、时长、采样率和 ADSR 参数，输出一段带包络的波形。这是整个大作业源代码里的核心模块：

function s = adsr_tone(freq, dur, fs, A, D, S, R) % 生成单音：正弦载波 x ADSR 包络 % freq: 基频(Hz) % dur: 音符总时长(s) % fs: 采样率(Hz) % A/D/R: attack, decay, release 时长(s) % S: sustain 电平，取值 0~1 n = round(dur * fs); t = (0:n-1) / fs; x = sin(2 * pi * freq * t); na = max(1, round(A * fs)); nd = max(1, round(D * fs)); nr = max(1, round(R * fs)); sustain_len = n - na - nd - nr; if sustain_len < 0 % 音符太短，压缩 decay 给 release 留空间 nd = max(1, floor((n - na - nr) / 2)); sustain_len = n - na - nd - nr; end env = zeros(1, n); env(1:na) = linspace(0, 1, na); pos = na; env(pos+1:pos+nd) = linspace(1, S, nd); pos = pos + nd; if sustain_len > 0 env(pos+1:pos+sustain_len) = S; pos = pos + sustain_len; end if pos < n env(pos+1:n) = linspace(S, 0, n - pos); end s = x .* env; s = s / max(abs(s)) * 0.8; end

逻辑说明：包络的每个阶段都用linspace生成，而不是用ones和zeros硬拼接，目的是保证相邻两段的端点连续。数字音频里，端点跳变会产生高频分量，听感就是爆音。函数里还处理了一个边界：当音符时值很短，A、D、R 之和超过总时长时，压缩 decay 长度来保证 release 存在，否则env会出现索引越界或全零段。这个边界处理是答辩时老师最喜欢问的点之一。

末尾归一化到 0.8 而不是 1.0，是因为后面多个音叠加时，峰值可能超过 1，提前留出余量可以避免最终削波。如果每个音都先归一到 1，再叠加，混音结果几乎必然 clip。

参数推荐起始值：

3.3 拼接音符时别把 click 也拼进去

单音函数写好后，最容易翻车的地方是拼接。常见误用是把两段波形直接用[y1, y2]连起来，如果前一段结尾没有归零，拼接点就有电平跳变，听感上是“哒”的一声。处理方法是保证每个音符的包络最后都落到零，也就是 release 参数必须大于零。休止符确实可以用补零实现，但只能加在完整的音符之后；如果音符本身没弹完就硬接下一音，截断产生的毛刺比休止符缺位更明显。

这里有一个更容易忽略的问题：拼接循环里不要每拼一个音就整体归一化一次。每次s / max(abs(s))会把弱音也拉满，力度信息全丢。正确做法是每个音内部只控制包络和力度系数，所有音都拼完后再整体限幅。

4. 结构化编排整首旋律与配套文档：源代码和答辩各占一半

4.1 用 struct 数组写乐谱而不是塞进一堆全局变量

主脚本里逐句写mix = [mix, adsr_tone(...)]也能跑，但换一首歌就要从头改代码。把乐谱定义成一张“音符表”，每个音符包含 MIDI 编号、时值、力度，代码就变成了纯粹的数据驱动：

notes = struct('midi', {60, 62, 64, 62, 60, 60, 62}, ... 'dur', {0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 1.0}, ... 'vel', {0.9, 0.8, 0.8, 0.8, 0.8, 0.7, 0.9}); fs = 44100; mix = zeros(1, 0); for k = 1:numel(notes) f = midi2freq(notes(k).midi); s = adsr_tone(f, notes(k).dur, fs, 0.01, 0.15, 0.6, 0.2); mix = [mix, s * notes(k).vel]; end mix = mix / max(abs(mix)); sound(mix, fs);

逻辑说明：struct('midi', {...}, 'dur', {...})的写法创建了一个长度为 7 的结构体数组，每个元素是一个音符。notes(k).midi取第 k 个音符的音符号，notes(k).dur取时值。这种组织方式下，乐谱和合成逻辑完全分离，演示时改notes数组的内容就能换歌，不需要动合成函数。

拼接用[mix, s]在数据量小的时候完全够用。课程作业通常只有几十个音符，总样本数在几十万量级，Matlab 的拼接开销可以忽略。不要为了性能写复杂的预分配逻辑，代码可读性更重要。

遇到休止符时，不要跳过，否则后面的音符会提前出现。可以在结构体数组里增加一个'rest'字段，遇到时执行mix = [mix, zeros(1, round(rest_dur * fs))]，这样节拍才准。

4.2 文档说明的章节与评分点对照

文档占大作业分数的一半，甚至更多。95 分以上的报告通常不需要长篇大论，但每一章都要能回答一个具体的“为什么”：

文档里至少放两张图：一张plot(t, s)的时域波形图，一张abs(fft(s))的频谱图。这两张图能让老师一眼看出你理解“包络在时域上改变振幅、基频决定频谱峰值位置”这两个基本点。对 95 分以上的作业，工程感往往就体现在这种地方。

4.3 源代码打包前的文件组织

按 zip 提交时，文件组织本身就是第一印象。建议结构如下：

src/ main.m % 入口，定义乐谱并调用合成函数 midi2freq.m % 音符到频率映射 adsr_tone.m % 单音合成，带 ADSR 包络 play_melody.m % 可选，封装整曲生成流程 doc/ 报告.pdf 参数实验记录.md README.md

大作业不需要复杂的包管理，所有.m文件放在同一目录下即可。注意文件名必须和函数名一致，主脚本不要用中文文件名。Matlab 对中文路径支持不稳定，文件路径里带中文时，sound或audiowrite可能无声报错，这也是源码包最常见的问题之一。

5. 音乐合成播放前的最后一公里：采样率、削波与听感微调

5.1 用三个命令判断成品音频能不能交

交作业前先输出一份 WAV 文件，并检查两个指标：

audiowrite('result.wav', mix, fs); info = audioinfo('result.wav'); fprintf('时长 %.2fs，峰值 %.3f\n', info.Duration, max(abs(mix)));

audiowrite默认按 16 位 PCM 写入，超过 0.999 的样本会被硬削波，播放时出现失真。因此检查max(abs(mix))是否显著小于 1 是必不可少的步骤。info.Duration用来核对总时长是否等于所有音符时值加上休止符的和，如果偏短，多半是某个音符被截断了。

5.2 加一个不出戏的颤音：先频率调制再积分相位

给长音加颤音能让听感自然不少。常见误用是直接写成sin(2 * pi * inst_freq .* t)，这在数学上是错的，因为瞬时频率不能直接乘时间求相位，正确做法是对瞬时频率做积分。Matlab 里用cumsum实现最方便：

vib_freq = 5.5; % 颤音频率，接近人声自然颤音 vib_depth = 0.005; % 频偏比例，0.5% 即可 inst_freq = freq * (1 + vib_depth * sin(2 * pi * vib_freq * t)); phase = 2 * pi * cumsum(inst_freq) / fs; wave = sin(phase);

cumsum(inst_freq) / fs本质上是相位对时间的离散积分，结果再用2 * pi缩放得到弧度相位。vib_depth不宜超过 0.02，否则音高漂移会明显跑调。对低音区 0.5% 已经足够，对高音区可以适当降到 0.003。

5.3 混响用一条延迟线就能有空间感

最简单有效的空间感来自一条带反馈的延迟线，也就是 comb filter 的最简形态：

delay = round(0.06 * fs); % 60ms 延迟 wet = zeros(1, numel(mix) + delay); wet(1:numel(mix)) = mix; wet(delay+1:end) = wet(delay+1:end) + 0.35 * mix; wet = wet / max(abs(wet));

这段代码把原信号延迟 60ms 后以 0.35 的系数叠加回原信号，相当于一次早期反射。参数不要调大：延迟超过 100ms 会变成明显的回声，反馈系数超过 0.5 会出现金属感共振。作为答辩试听 demo，这个效果足够说明你理解“反射和混响在时域上就是对原信号的延迟叠加”。

本文还有配套的精品资源，点击获取