音频变速，伴奏放慢到 0.75 倍练琴，音色为什么发糊？时间伸缩与相位声码器的三个失真

吉他手扒 solo，把整段放慢到 0.75 倍。速度是降下来了，可镲片从「叮」变成一片沙，钢琴的起音像被吸进去，人声尾音带上一股金属味；再往 0.5 倍走，鼓组彻底散架，重音找不到位置。软件明明标着「变速不变调」，为什么音色还是被改写了？

破除误解：变速不变调不是把波形拉长

直觉上，慢放就是把波形横向拉长，音高不变是因为「只动了时间轴」。这个理解错了两处。

第一，波形拉长必然改变周期长度，周期一变，音高就跟着变。要在时长变化的同时保持周期不变，只能改周期的数量——复制一些周期，或者丢掉一些周期。

第二，复制和丢弃都不是无损操作。波形在拼接点上未必连续，相位一跳，谐波结构就被破坏。所谓「变速不变调」，本质是用一层统计模型去猜「这个周期该复制几次、下一段该从哪里接」，猜错的部分就是失真。

底层原理：时域拼接与相位声码器

时间伸缩有两条主流路线。

时域路线是 OLA / WSOLA：在波形上按相似度找拼接点，把相邻段重叠相加。它保留原始相位，瞬态友好；代价是周期性强的素材会出现重影，拼接点处理不好会有轻微的相位跳变。

频域路线是相位声码器（phase vocoder）：先做 STFT，逐帧估计每个频带的瞬时频率，再按伸缩因子 α 推进相位，最后逆变换合成。

φ(m+1, k) = φ(m, k) + α · ω_k · H

ω_k 是第 k 个频带的中心频率，H 是帧移，α 是时间伸缩因子。α = 0.75 表示放慢到 0.75 倍：帧与帧之间的相位走得慢一些，用更多帧覆盖同样长的时间。

这条公式对「稳定的正弦」非常准。问题在于，真实音乐里有一大半能量并不符合「一个频带一个正弦」这个假设——瞬态不是，混响不是，镲片不是。三个失真都从这条假设的裂缝里长出来。

失真一：瞬态被摊开成一段斜坡

起音（attack）只有几毫秒，频谱是宽带的，相位是整齐的。相位声码器按帧处理，1024 点、44.1kHz 下一帧约 23ms，比整个起音还长。

起音落在两三帧里，每帧都按自己的相位推进重新合成，结果同一个起音被「唱」了两三遍，叠在一起变成一段有斜坡的爬升。

听感上的变化很具体：鼓从「打」变成「推」，钢琴从「敲」变成「按」，贝斯的手指噪声变成一声呼。

α 越小越明显。0.9 倍还能忍，0.75 倍开始糊，0.5 倍基本没有瞬态可言。这也是练琴放慢到 0.5 倍时节拍感先崩的原因——不是速度问题，是起音位置被抹平后，重音不再清晰。

缓解只有两条路：换时域算法，或者分段处理，把鼓点密集的段落切短，每段单独伸缩，别让一次长伸缩把整个时间轴算一遍。

失真二：相位不相干带来的金属味

相位声码器假设每一帧里、每个频带只有一个正弦分量。真实的混响尾音、合唱人声、弦乐群奏，一个频带里同时挤着好几个分量，相位各不相同。

帧间做相位推进时，这些分量被强行按同一个 ω_k 往前推，误差逐帧累积。合成时相邻帧重叠相加，误差表现为频带内的干涉：某些频率被加强，某些被抵消，形成周期性的梳状起伏。

听感就是那股金属味或者水声，尤其在混响尾巴上——正常应该是平滑衰减，处理后变成一串有节奏的抖动。工程上把这种失真叫 phasiness，缓解手段是相位锁定（phase locking）：以谱峰为锚，让峰附近的频带共享同一个相位推进量，牺牲一点频率精度换相位连续性。

失真三：宽带噪声被节奏化

镲片、气声、齿音、呼吸，这些成分没有稳定谐波，频谱是连续的。相位声码器把它们当成一堆靠得很近的正弦，每个都按自己的 ω_k 推进，合成后相对相位被打乱，能量在时间轴上重新分布。

结果就是噪声从「持续的沙」变成「有节奏的沙」：一串跟着帧率走的脉冲。帧移 256 点、44.1kHz 下大约每秒 172 帧，听感像轻微的门限抖动。

这条失真没法靠调 α 解决，只能减少处理次数——一次伸缩，别叠第二次。先变速再变调，等于把同一段素材过了两遍相位重建，金属味会成倍累积。

正确做法：把变速放在分离之后

顺序一般要反过来：先分离，再只对伴奏做时间伸缩，人声不动。

原因很直接。人声对相位失真最敏感，一点点 phasiness 就听得出电音味；伴奏里的鼓和贝斯对起音敏感，但对相位不敏感，容忍度高得多。两条轨的容忍度不同，就该分开处理，而不是整曲一起过一遍。

在 AIFooler 里，先上传本地文件做多轨分离，拿到伴奏轨后单独进变速或变调环节，人声轨保持原样。

认知收尾

时间伸缩的失真不是 bug，是「用正弦模型描述非正弦信号」的必然结果。知道哪类素材在哪个倍率上会坏、坏在哪一层，比继续找一个万能倍率更实用。参数表能省试错，但省不掉判断。