企业官网建设流程全解析

给一段干声升两个半音，导出来一听：音高确实上去了，可总时长一点没变，跟着伴奏唱也对得上拍。这就是「变调不变速」。但音频本来只是时间轴上的一条波形，把音高改了、时长却不许动，工具究竟动了哪里？

底层原理：音高藏在周期里，时长藏在周期个数里

在波形上，音高由相邻波谷之间的间隔决定，也就是周期长度；而一段音频的总时长，取决于这段时间里塞进了多少个周期。核心就变成对「单个周期的长度」和「周期的个数」分别下手：改变单个周期的长度能改音高，却会连带改变总时长；改变周期的个数能改时长，又不直接动音高。两者相互牵制，所有算法路线本质上都是在回答同一个问题——改了周期之后，怎么把时长补回来。

时域里直接硬切割会留下断点，所以工程上普遍先做一次短时傅里叶变换（STFT），把波形切成逐帧的频谱（典型帧长 20-40ms，帧移取帧长的四分之一），再在时频平面上操作。帧长决定频率分辨率，帧移决定时间分辨率，这是一对天然矛盾，也决定了后面每条路线的精度上限。

三条路线：把音高和时长拆开的三种做法

路线一：重采样加时间伸缩——最省算力的两段式

先整体重采样改变音高，得到的文件同时被变速了，再用时间伸缩算法（WSOLA、Elastique 这类）把时长拉回来。

优点是实现简单、几乎不引入频域伪影；缺点是时间伸缩本身会模糊瞬态，鼓点和爆破音的锐利边缘被抹平。伸缩在 1.2 倍以内还能接受，超过 1.5 倍就能明显听出「拖沓感」。

路线二：PSOLA——沿基音周期切段再重排

PSOLA（Pitch Synchronous Overlap and Add，基音同步叠加）跳过了「先变调再补时长」的迂回：先在波形上标出每个基音周期的起止（pitch marks），再按音高需求复制或丢弃周期，最后用交叠相加把接缝平滑掉。周期变密就是升调，变疏就是降调，而总时长基本不变。

它的死穴有两处。一是标注精度：pitch marks 只要偏 0.5ms，叠加处就会出现相位不连续，听感上是「咯噔」一声。二是清辅音：像 s、f 这类摩擦音没有稳定周期，PSOLA 的切段逻辑在它们身上失效，出来的就是颗粒状噪声。所以它最适合素材里有明确基频的音段，比如独唱人声。

路线三：相位声码器——在频域搬移谱包络

相位声码器（Phase Vocoder）把 STFT 之后的频谱做幅值重排：拉伸或压缩频谱包络来改音高，再单独修正相位来保持帧间连贯。因为操作对象是频谱而不是波形周期，理论上可以独立控制音高与共振峰（Formant）。

代价是相位修正只是近似。高频段的相位误差会累积，形成类似梳状滤波的金属感（phasiness），齿音和摩擦音部分尤其明显。想压住共振峰漂移，还要在频谱上做倒谱分析（Cepstral Analysis），把声道包络近似地剥出来——注意是近似，频谱上并没有一条清晰的线区分哪段是基频、哪段是共振峰。

把流程拆成两步

理解了三条路线，操作路径反而简单：先把人声和伴奏分开，再单独对人声变调，最后合回去。这样变调只作用于有明确基频的那一轨，正是 PSOLA 和相位声码器各自擅长的场景。

在线调音工具 ：上传本地文件、分离出人声轨、在变调环节控制半音数，改完直接试听对比。不必装软件，打开就能用，比在多个软件之间来回倒腾省事。需要说明的是，它处理的是你上传的本地音频文件，不支持粘贴链接在线解析；上传的文件 24 小时后自动删除。

收尾：先想清楚在动哪一层，再拧参数

「变调不变速」听起来像魔法，拆开看只是把周期长度和周期个数两件事分开处理，再用不同的算法补回接缝。真正决定成败的不是把某个滑块拉到多少，而是素材里有几轨、你要动的又是哪一轨。想明白这一层，参数往往调两遍就到位；想不明白，再怎么试也只是在三种伪影之间来回换。