Большинство людей интуитивно полагают, что разница между мужским и женским голосом заключается исключительно в высоте звучания (частоте основного тона). Однако любой звукорежиссёр или фонетист знает: если просто поднять мужскую запись на октаву вверх, получится не девушка, а комичный персонаж из мультфильма — эффект «Элвина и бурундуков». Почему так происходит и как современная наука решает эту задачу?
Модель «Источник — Фильтр» (Source-Filter Model)
В 1960 году шведский акустик Гуннар Фант сформулировал фундаментальную модель голосообразования, которая легла в основу всей современной речевой акустики. Голосовой аппарат человека состоит из двух независимых функциональных блоков:
- Источник (Source): Голосовые связки в гортани. При прохождении воздуха из лёгких они вибрируют, создавая базовый импульсный сигнал с частотой основного тона (F₀). У взрослых мужчин частота F₀ обычно находится в диапазоне 85–155 Гц, у женщин — 165–255 Гц.
- Акустический фильтр (Filter): Речевой тракт — полость глотки, рта и носа (Vocal Tract). Этот объём работает как акустический резонатор сложной формы, избирательно усиливая одни гармоники и подавляя другие. Пики усиления в спектре называются формантами (F₁, F₂, F₃, F₄).
«Индивидуальность, биологический пол и тембральная зрелость голоса закодированы именно в формантах речевого тракта, а не только в частоте вибрации связок.»
Анатомическая разница длины гортани: ключ к 10–12%
Анатомическая длина мужского речевого тракта составляет в среднем 17–18 см, тогда как женского — около 14.5–15.5 см. Разница составляет всего 10–12%!
Когда неопытные программы делают изменение голоса онлайн обычным питч-шифтером, они пропорционально растягивают весь спектр частот на +40–50%. В итоге форманты улетают в диапазон детского или карликового речевого тракта длиной 9–10 см — возникает неизбежный эффект мультяшности.
Как работает умное преобразование в Telegram
Чтобы преобразовать мужской голос в женский с естественным звучанием взрослого человека (как в наших пресетах «Алиса», «Ева», «Виктория»), алгоритм разделяет обработку:
- Основной тон F₀ аккуратно транспонируется в женский регистр (например, с 115 Гц до 210 Гц).
- Форманты речевого тракта масштабируются строго на анатомические 10.8–12.2%, моделируя физиологию женской гортани.
- Грудной резонатор (область 200–400 Гц) полируется параметрическим фильтром, убирая избыточную маскулинную мутность.
Благодаря этому пользователи из Москвы, Санкт-Петербурга и других городов России получают кристально чистое голосовое сообщение, которое звучит абсолютно органично и не выдает следов грубого цифрового питча.