音高提取是怎么做的？找声音的起伏

哼一句歌，手机里的修音软件能把每个音的高低画成一条曲线；跟唱打分、自动修音、变声特效，背后都先要做同一件事：把声音的起伏一帧一帧量出来——这就是音高提取。AI 要理解一段音频里「谁在什么时刻到了哪个音」，第一步就是这项基础工作。它的核心任务是逐点求出基频、连成曲线，这篇讲清机制：基频是什么、追踪怎么完成、跑调检测怎么靠它实现，以及哪类声音最容易让它犯难；音高与时长分开处理的另一门技术，见变调不变速一篇。

起伏的来源：基频决定音高

先弄清声音里的「高低」从哪来。声带、琴弦振动时有一个基本频率，每秒振多少次，听感上就是这个音的高低——唱 do 与唱 mi，差别就在基频数值。基频之外，声音里还叠着大量倍频与共振成分，它们决定音色，不改变高低判断的主线。音高提取的任务因此很明确：在时间轴上逐点求出基频数值，连成一条随时间起伏的曲线。这条曲线是音频的「旋律地图」，修音、转谱、跟唱打分读的都是它。想看懂声音的频率结构怎么被呈现，频谱图一篇有直观的展开。

追踪怎么做：一帧一帧找周期

具体怎么求？音频先切成几十毫秒一帧，逐帧判断。时域的办法是找周期：人声的浊音波形有明显的重复单元，算法在波形里量出相邻两个重复单元的间隔，间隔的倒数就是基频。频域的办法是把一帧做频谱分析，在频谱里找间隔均匀的谱峰序列。两条路各有软肋：波形法怕噪声干扰，频域法怕倍频「骗人」——两倍频处的峰更亮时，算法可能把音高报高八度。所以实用的实现往往两路并用、互相校验，再加一道平滑：人声的音高不会一帧一跳变，前后帧结果连起来看，突变过大的按异常帧处理。跑完整段音频，就得到一条完整的音高曲线。

跑调检测：对着标准线比偏差

唱歌打分是音高提取最出圈的应用，机制并不神秘。先拿到歌曲的标准音高线——原唱逐帧的基频曲线或者曲谱的音符序列，再把演唱者的曲线叠上去逐段比较：偏离多少个半音、偏了多久、是滑音还是硬伤，都能量化成分数。跑调的判断因此有了客观依据：该到的音没到、到了但晃得厉害，曲线上一目了然。自动修音走的是同一条路，只是方向相反：提取出你的音高，量出与标准音的偏差，再把偏差搬回去，机制见自动修音一篇。提取的准头决定修音的上限，提取错半个音，修出来就差半个音。

难点在哪：重叠、气声与突变

音高提取的失手区也有规律。一是多声重叠：人声叠着伴奏，乐器也在发同频段的音，算法要先把人声从混合里择出来才能谈准确，这属于源分离的活。二是气声与假声：气声几乎没有清晰的周期，波形找不出重复单元，基频报告常常空缺或抖动。三是快速滑音：从一个音滑向另一个音的瞬间，帧内频率一直在变，任何一帧的单一数值都概括不了。工程上的应对是分场景调参：语音场景容忍抖动、按有声无声标注；唱歌场景对滑音段做细分处理。想亲手看看曲线长什么样，可以让豆包找一个在线音高分析工具的入口，把「为什么假声测不准」丢给 DeepSeek 展开解释，再拿一段自己的哼唱对照本文的难点清单听一遍。

音高提取速查

• 任务：逐帧求出基频，连成随时间起伏的音高曲线
• 两路：时域找波形周期，频域找谱峰间隔，互为校验
• 平滑：人声不会一帧一跳，突变过大的帧按异常处理
• 跑调检测：演唱曲线对照标准线，量偏差定分数
• 失手区：多声重叠、气声假声、快速滑音

音高提取快问快答

• 音高提取和变调是一回事吗？：两者是先后关系。提取是「量出」曲线，变调是「改动」信号，量准了才改得准；两件事怎么各管一段，见变调不变速一篇的拆解。
• 为什么清唱比带伴奏测得准？：混合信号里乐器与人声在同一频段纠缠，提取前通常要先做人声分离，分离质量直接决定曲线质量，清唱没有这道干扰。
• 提取结果里为什么有的帧没有数值？：那些帧被判定为无周期成分——气声、摩擦音、静音段都算，标注为无声帧，属于正常结果，不代表工具坏了。