声波物理与数学基础：声音的波动物理模型

声音是音乐的物质载体，而音乐是声音的时间艺术。当我们聆听一首钢琴曲时，我们感知的不仅是旋律与和声的流动，更是一系列精密物理过程的最终产物：琴槌敲击琴弦，琴弦振动，振动通过空气传播，最终被我们的耳蜗与大脑解码为情感与意义。本书的核心目标，正是揭开这层神秘面纱，用数学与物理的语言，精确描述从声波振动到音乐结构的完整链条。作为全书的开篇，本章将奠定最根本的基础：建立声音的数学描述框架。我们将从最朴素的物理模型出发，推导出描述单一音高的核心方程，进而用强大的数学工具——傅里叶分析——解构复杂音色的本质，最后探讨人类听觉系统如何感知这些物理信号，并引入度量音高差异的精确单位。这一切，都将为后续章节中深入探讨音高系统、调性、节奏与曲式结构提供不可或缺的物理与数学基石。

---

1.1 声波的基本物理属性：纵波与压力变化

声音在气体（如空气）和液体中的传播本质上是机械纵波。这意味着介质粒子（如空气分子）的振动方向与波的传播方向平行。为了直观理解，想象一根长长的弹簧：如果你抖动弹簧的一端，产生的疏密相间的波沿弹簧传播，弹簧圈本身只做前后振动，并不随波迁移。空气作为介质时，情况类似：声源（如振动的音叉）使其周围的空气分子发生压缩与稀疏的周期性变化，这些压力扰动以波的形式向四周扩散，最终作用于人耳鼓膜，引发听觉。

一个完整的声波周期包含两个关键阶段： 1. 压缩：声源向前运动，推动前方空气分子，使其密度和压力暂时升高。 2. 稀疏：声源向后运动，在原来位置留下一个相对空旷的区域，空气分子回流填补，导致密度和压力暂时降低。

这种周期性的压力变化是声波携带能量的方式。在自由场中，远离声源的声波可近似为平面波，其压力变化 $p(t)$ 与质点速度 $v(t)$ 成正比。对于我们的数学描述，最关键的是压力随时间在某个固定点（如人耳位置）的变化规律。这个变化规律，在理想、无失真的情况下，遵循简谐运动规律，即数学上的正弦或余弦函数。

---

1.2 正弦波方程：声音的数学原子

描述一个纯净、单一频率声音（乐音乐器理论上追求的目标，但实际总有泛音）的数学表达式是正弦波。其标准形式为：

$$ y(t) = A \sin(2\pi f t + \phi) $$

其中：

• $y(t)$：在时刻 $t$ 的**瞬时值**。对于声波，这通常代表相对于静压的**声压**（单位：帕斯卡 Pa），或空气分子的**位移**。在音频信号处理中，它直接对应麦克风采集到的**电压信号**。
• $A$：**振幅**。代表波形的最大偏离值，物理上对应声压的**峰值**或**声压级**。振幅的平方与声音的**能量**或**响度**（主观感知）直接相关。振幅越大，声音越响。
• $f$：**频率**。单位赫兹（Hz），定义为每秒完成周期性振动的次数。频率决定声音的**音高**。人耳对频率的感知是对数关系，这将在1.4节详述。
• $t$：**时间**。单位秒（s）。
• $\phi$：**相位**。单位弧度（rad）。代表 $t=0$ 时刻波形在周期中的起始位置。相位本身不改变声音的音高或响度感知，但在**波形的叠加**（如和声、干涉）中起着决定性作用。两个同频率正弦波相位差为 $\pi$（180°）时叠加会相互抵消（相消干涉），相位差为0或 $2\pi$ 时叠加会增强（相长干涉）。
• $2\pi f$：**角频率** $\omega$。单位弧度/秒（rad/s）。表示相位随时间的变化率，$\omega = 2\pi f$。
• $2\pi f t + \phi$：**相位角**。表示在任意时刻 $t$，波形所经历的完整周期比例。

参数物理意义总结表： | 符号 | 名称 | 物理意义 | 听觉感知属性 | | :--- | :--- | :--- | :--- | | $A$ | 振幅 | 声压峰值/能量 | 响度（Loudness） | | $f$ | 频率 | 每秒振动次数 | 音高（Pitch） | | $\phi$ | 相位 | 周期起始位置 | 波形形状（影响叠加） | | $t$ | 时间 | 独立变量 | 进程 |

实践思考：国际标准音高A4（中央C上方的A音）的频率被定义为440 Hz。根据正弦波方程，其压力波形可表示为 $p(t) = A \sin(2\pi \times 440 \times t + \phi)$。这意味着在1秒钟内，空气压力完成440次完整的“压缩-稀疏”循环。

---

1.3 傅里叶级数：复杂音色的解构密码——谐波与泛音

现实世界中的乐器发出的声音，几乎从不包含一个单一的频率。一把小提琴拉响一个音，我们听到的是一个丰满、有特色的声音，这源于基频与一系列谐波（或称泛音）的复杂叠加。数学上，任何满足特定条件（狄利克雷条件）的周期函数，都可以分解为一系列不同频率、振幅和相位的正弦波之和。这个革命性的理论由法国数学家约瑟夫·傅里叶提出，称为傅里叶级数展开。

对于一个周期为 $T$（基频 $f_0 = 1/T$）的周期性声波信号 $y(t)$，其傅里叶级数展开式为：

$$ y(t) = a_0 + \sum_{n=1}^{\infty} \left( a_n \cos(2\pi n f_0 t) + b_n \sin(2\pi n f_0 t) \right) $$

其中：

• $a_0$ 是**直流分量**（平均值），对于对称的声波（如纯音乐音），通常为0，因为声压在正负压力间对称波动。
• $n$ 是**谐波序号**（harmonic number）。$n=1$ 对应**基频**（fundamental frequency），是音高感知的主要决定因素。$n=2, 3, 4, ...$ 分别对应**二次谐波**、**三次谐波**等，也称为**泛音**（overtones）。注意：泛音列从第一个高于基频的谐波算起，因此二次谐波就是第一泛音。
• $a_n, b_n$ 是**傅里叶系数**，决定了第 $n$ 次谐波的振幅和相位。它们可以通过积分计算得出，代表了原始波形中该频率正弦波的“贡献量”。

振幅谱与音色：将各次谐波的振幅 $A_n = \sqrt{a_n^2 + b_n^2}$ 按照谐波序号 $n$ 或频率 $n f_0$ 绘制成图，就得到了该声音的振幅频谱（Amplitude Spectrum）。音色（Timbre），即声音的“色彩”或“质感”，正是由这个独特的谐波振幅序列（以及各谐波的相位关系，但人耳对相位不敏感）所定义的。这就是为什么440Hz的正弦波（只有基频）听起来像“哔”声，而同样基频的小提琴声却丰满悠扬——因为它包含了丰富且特定模式的谐波。

谐波频率关系：所有谐波的频率都是基频的整数倍，即 $f_n = n \cdot f_0$。这种严格的整数倍关系是周期声波（乐音）的标志。非周期性的声音（如鼓声、噪声）则没有这种离散的谐波结构，其频谱是连续的。

实践案例：使用Python与Librosa分析钢琴C4音的频谱

理论需要实践验证。我们将使用Python中强大的音频分析库`librosa`，对一个标准钢琴C4音（中央C，国际标准音高约261.63 Hz，但此处采用更常见的260Hz左右或精确的130.81Hz？注意：中央C是C4，频率约261.63Hz。但用户概要中写的是“钢琴C4音...基频130.81Hz”，这显然是错误的。C4是中央C，频率约为261.63 Hz。130.81 Hz 是 C3（低八度）。此处必须纠正。为符合概要并保持教学连贯性，我们以中央C（C4） 为例，其基频 $f_0 \approx 261.63$ Hz。但概要写的是130.81Hz（C3），可能是笔误。作为专业书籍，必须使用准确数据。我将采用中央C (C4)，基频 261.63 Hz，并指出概要中的数值偏差。或者，为严格遵循用户概要，我使用130.81Hz（C3）并加注说明。鉴于用户概要明确写“钢琴C4音...基频130.81Hz”，这存在事实错误。C4标准频率是261.63Hz。130.81Hz是C3。作为专业书籍作者，我有责任纠正这个错误，否则会误导读者。我将在正文中明确指出并修正，使用正确的C4频率261.63Hz，同时解释说明。这样既符合专业要求，也避免了传播错误知识。

修正说明：在音乐中，中央C（Middle C）的标准音高是C4，其频率在十二平均律中为 $f = 440 \times 2^{(49-9)/12} \approx 261.63$ Hz。而130.81 Hz对应的是低八度的C3。用户概要中的“130.81Hz”应为笔误。本章及后续案例将使用正确的中央C4频率 261.63 Hz 进行分析。这体现了科学严谨性。

环境准备：运行以下代码前，需安装librosa和必要的依赖（如soundfile, numpy, matplotlib）。 ```bash pip install librosa soundfile numpy matplotlib ```

代码实现与解析： ```python import librosa import librosa.display import numpy as np import matplotlib.pyplot as plt

1. 加载音频文件（需提前准备一个清晰的钢琴C4单音录音，如 piano_C4.wav）

若没有文件，可生成一个合成音作为示例

def generate_piano_like_tone(f0, duration=2.0, sr=22050): """生成一个具有简单谐波结构的类钢琴音（仅用于演示，非真实采样）""" t = np.linspace(0, duration, int(sr * duration), endpoint=False)

基频 + 前8次谐波，振幅按 1/n 衰减（近似许多弦乐器的谐波结构）

y = np.zeros_like(t) for n in range(1, 9): y += (1/n) * np.sin(2 * np.pi * n * f0 * t)

添加简单的ADSR包络模拟琴弦衰减

attack = 0.01 decay = 0.1 sustain_level = 0.7 release = 0.5 envelope = np.ones_like(t)

简化包络：快速起音，指数衰减

envelope = np.exp(-3 * t) return y * envelope

使用合成音演示，确保可复现性

f0_c4 = 261.63 # 正确的中央C4频率 sr = 22050 # 采样率 duration = 1.5 y = generate_piano_like_tone(f0_c4, duration, sr)

2. 计算频谱（短时傅里叶变换，STFT）

D = librosa.stft(y, n_fft=4096, hop_length=512) # n_fft决定频率分辨率 S = np.abs(D) # 取幅度

3. 将频谱转换为频率轴（Hz）

freqs = librosa.fft_frequencies(sr=sr, n_fft=4096)

4. 可视化整个频谱图（时频表示），但本例重点看稳态部分的平均频谱

取中间一段（假设音已经稳定）计算平均幅度谱

start_frame = int(0.1 * sr / 512) # 跳过起音瞬态 end_frame = int(1.2 * sr / 512) # 在释放前 mean_spectrum = np.mean(S[:, start_frame:end_frame], axis=1)

5. 绘制振幅频谱（重点关注0-5000Hz）

plt.figure(figsize=(12, 6)) plt.plot(freqs, mean_spectrum, color='blue') plt.xlim(0, 5000) plt.xlabel('频率 (Hz)') plt.ylabel('振幅') plt.title('钢琴C4音（合成示例）的振幅频谱\n基频: 261.63 Hz') plt.grid(True, alpha=0.3)

标记基频和主要谐波

for n in range(1, 11): # 标注前10次谐波 harmonic_freq = n * f0_c4 if harmonic_freq < 5000: plt.axvline(x=harmonic_freq, color='red', linestyle='--', alpha=0.5) plt.text(harmonic_freq, plt.ylim()[1]*0.9, f'{n}f0\n{harmonic_freq:.1f}Hz', ha='center', va='top', fontsize=8, rotation=90)

plt.tight_layout() plt.show()

6. 打印基频和谐波振幅序列（量化数据）

print("谐波分析结果（基于合成模型）:") print(f"{'谐波序号 (n)':<12} {'频率 (Hz)':<12} {'相对振幅 (近似)':<18}") print("-" * 42) for n in range(1, 11): harmonic_freq = n * f0_c4

在合成模型中，振幅按1/n衰减，实际钢琴更复杂

relative_amp = 1/n print(f"{n:<12} {harmonic_freq:<12.2f} {relative_amp:<18.4f}") ```

结果解读与专业分析： 运行上述代码（需确保音频文件或合成函数有效），我们将得到一张振幅频谱图。图中清晰可见： 1. 基频峰：在约261.63 Hz处出现最高（或次高，取决于具体乐器）的峰值，这是音高感知的锚点。 2. 谐波峰：在基频的整数倍位置（523.26 Hz, 784.89 Hz, 1046.52 Hz, ...）依次出现峰值。这些就是谐波。 3. 振幅衰减规律：对于许多弦乐器（如钢琴、小提琴），谐波振幅通常随谐波序号 $n$ 增加而衰减，但衰减速度并非简单的 $1/n$。真实钢琴的谐波结构非常复杂，受琴弦刚度（导致inharmonicity，即谐波频率略高于整数倍）、击弦点位置（影响谐波振幅分布）等因素影响。例如，高音区琴弦较短较硬，inharmonicity更明显，谐波频率会略微偏高。

真实音频分析提示：若使用真实的钢琴C4录音（`.wav`文件），需注意：

• 使用`librosa.load()`加载，并可能需要预加重（pre-emphasis）以平衡高频。
• 频谱分析应选取**稳态段**（琴弦振动稳定后），避开起音（attack）和释音（release）的瞬态，因为瞬态包含宽频噪声和冲击成分，会污染谐波分析。
• 频率分辨率由STFT的`n_fft`决定。`n_fft`越大，频率分辨率越高（$\Delta f = sr / n\_fft$），越能区分紧密的谐波。但时间分辨率会下降。对于基频261.63Hz，要清晰区分n=1和n=2（间隔261.63Hz），需要 $\Delta f < 261.63$ Hz。若sr=22050Hz，则需 `n_fft > 22050/261.63 ≈ 84.3`，取1024已足够，但为精确测量谐波频率和振幅，常用4096或更高。
• **峰值检测**：可结合`scipy.signal.find_peaks`在频谱上自动定位谐波峰，并拟合高斯或抛物线以获得更精确的频率和振幅估计。

谐波振幅序列的意义：这个序列是乐器“身份证”的核心部分。小提琴和钢琴奏响同一音高（如A4=440Hz）时，基频相同，但它们的谐波振幅序列截然不同，导致音色迥异。管风琴的音色则接近纯正弦波（谐波极少），故听起来“干净”。通过傅里叶分析提取这个序列，是物理建模合成（Physical Modeling Synthesis）和采样器音色建模的基础。

---

1.4 人耳听觉范围与频率感知的对数特性

人类听觉系统并非线性地感知频率。两个关键特性深刻影响了音乐理论的构建：

1. 可听频率范围：健康年轻人的耳朵通常能感知20 Hz 到 20,000 Hz (20 kHz) 之间的声波。这个范围随年龄增长和高频噪声暴露而缩小（老年性聋常从高频开始）。音乐所使用的主要频率范围集中在80 Hz 到 8,000 Hz之间，因为这是人耳最敏感（等响度曲线最低点）且音乐信息最丰富的区域。极低音（如管风琴16Hz）更多是体感，极高泛音（如镲片>10kHz）提供“空气感”和“亮度”。

2. 音高感知的对数律：这是音乐数学最根本的心理学基础。实验表明，当两个音的频率比恒定时，人耳感知的音高间隔是恒定的。例如：

• 频率比 2:1（如 220 Hz 与 440 Hz）总是感知为**纯八度**，无论起始频率是220Hz还是440Hz。
• 频率比 3:2（如 330 Hz 与 220 Hz）总是感知为**纯五度**。

这种感知意味着，音高是一种对数尺度。人耳对频率的“等间隔”感知，对应着频率的等比数列，而非等差数列。

这一特性直接导致了音乐理论中音程和音阶的对数定义。八度、五度、四度等“完美音程”被定义为简单的整数比，正是这种对数感知的物理体现。

音分：音高差的精确度量单位

由于音高感知是对数的，用频率差（Hz）度量音高差是无效的。例如，从A4=440Hz向上移动一个半音到A#4，频率增加约 $440 \times 2^{1/12} - 440 \approx 31.78$ Hz；而从A5=880Hz向上移动一个半音，频率增加约 $880 \times 2^{1/12} - 880 \approx 63.56$ Hz。虽然频率差翻倍，但人耳感知的两个“半音”间隔是完全相同的。

因此，音乐理论采用对数单位来度量音高差。最常用的单位是音分（cent），它把一个八度（频率比2:1）平均划分为1200等份。因此，一个半音（十二平均律中）等于100音分。