基頻錨定相對諧波相位差總論

相位不變量、動態發音物件與可生成符號語言的統一架構

英文題名： Fundamental-Anchored Relative Harmonic Phase: A General Framework for Phase Invariants, Dynamic Pronunciation Objects, and Generative Symbolic Languages

縮寫： FARHP
中文簡稱： 基錨相差
作者： Neo.K（EveMissLab）
AI 協作： Aletheia（GPT-5.6 Thinking）
版本： v0.1
日期： 2026-07-25
文件性質： 系列總篇／母論文

摘要

語音與一般諧波聲音通常可由頻率、振幅、相位及非週期殘差共同描述。然而，在許多傳統語音分析與合成架構中，相位常被最小相位近似、隨機相位、既定相位規則或神經網路中的隱式波形生成所取代。這種做法能有效降低模型複雜度，卻也使相位不再成為可明確觀察、操作、交換與離散編碼的發音參數。

本文提出「基頻錨定相對諧波相位差」（Fundamental-Anchored Relative Harmonic Phase, FARHP）作為一個面向發音生成、語音分析、音色控制與符號語言整合的統一框架。其核心不是宣稱首次發明以基頻正規化諧波相位的數學式；相同或高度相近的關係已存在於 Relative Phase Shift（RPS）及相關諧波相位研究中。本文的主要貢獻，在於將此類相對相位關係重新組織為：一、具有明確等價關係與不變性條件的動態相位物件；二、能攜帶有效性遮罩、置信度、非諧波殘差與聲調軌跡的完整發音單位；三、可連續表示、離散量化並映射至新型符號字形的生成架構；四、能被傳統數位訊號處理、可微分合成器及人工智慧模型共同使用的中介層。

本文首先定義 FARHP 的靜態與動態形式，說明其時間平移不變性成立的條件，並將相位狀態置於圓周乘積空間而非一般歐氏空間。其次，本文區分相位、基頻、聲調、頻譜包絡、聲源、聲道濾波與非週期殘差，避免將國語聲調或完整語音差異錯誤還原成單一相位參數。接著，本文提出連續複數表示、離散相位碼本、相位有效性遮罩、置信度加權及合成—反演流程。最後，本文給出由純諧波訊號、持續母音、華語音節到以諾式擴充符號語言的分階段驗證方案，並規定哪些主張必須由可重複的聽覺實驗與波形重建實驗支持。

FARHP 因而不是一套以相位取代全部語音學的封閉理論，而是一個把相位從被動重建項轉化為可明示控制變數的研究綱領。其長期目標，是建立一個能在「字形—音節—相位聲學—形式語義」之間往返映射的 AI 原生發音與符號系統。

關鍵詞： 相對相位、諧波模型、基頻錨定、語音合成、聲碼器、相位量化、華語音節、符號語言、AI 原生語言

0. 研究定位與新穎性邊界

0.1 不是重新命名既有公式

設第 $k$ 個諧波的瞬時相位為 $\phi_k(t)$ ，基頻分量的瞬時相位為 $\phi_1(t)$ 。本文採用的核心相對量為：

\psi_k(t) = \operatorname{wrap} \left( \phi_k(t)-k\phi_1(t) \right).

此式與既有 Relative Phase Shift（RPS）文獻中的核心關係一致或高度相近。RPS 已被用於諧波相位表示、語音辨識、說話者辨識、合成語音偵測、極性判定與相位操控。因此，本文不得將上述公式本身宣稱為首次提出。

本文所稱「FARHP」指的不是單一公式，而是包含以下要素的擴張框架：

將相對諧波相位明確建模為位於圓環或環面上的狀態；
將靜態框架擴張為跨時間的相位軌跡；
引入相位有效性遮罩、估計置信度與錨定可靠度；
將有聲諧波層與非諧波殘差層分開處理；
將聲調軌跡與諧波相位差分層處理；
建立可逆或近似可逆的離散相位碼本；
建立相位碼、字形附標、AI 向量與聲波生成之間的映射；
將分析、修改、合成、反演與感知驗證納入同一規格。

所以，FARHP 的新穎性若能成立，將主要存在於系統化形式化、跨層整合、離散符號化與可生成架構，而不在於對既有 RPS 關係的所有權主張。

0.2 研究對象

本文的主要研究對象是準週期或局部準週期的有聲訊號，特別是：

持續母音；
鼻音與近音的有聲區段；
帶有穩定基頻的音節核心；
可由諧波與殘差混合模型表示的語音；
人工設計的可發音符號單位。

擦音、爆破瞬間、氣流噪聲及其他顯著非週期區段，不能只依賴 FARHP 表示，而必須由非諧波殘差、事件模型或其他聲學層補足。

0.3 研究目的

FARHP 的目的不是把聲音神秘化為「一切皆相位」，而是回答一個較窄、可驗證的問題：

當頻率、振幅、頻譜包絡與非週期殘差已被明確建模時，諧波之間相對於基頻的相位結構，能否成為穩定、可操控、可學習且可符號化的發音參數？

1. 問題背景

1.1 語音中的相位缺席

對離散短時語音框架 $x_t[n]$ 進行傅立葉轉換，可得複數頻譜：

X_t[\omega] = A_t[\omega]e^{i\Phi_t[\omega]}.

其中 $A_t[\omega]$ 是幅度頻譜， $\Phi_t[\omega]$ 是相位頻譜。兩者共同決定波形，但工程系統常優先保留幅度、梅爾頻譜、倒頻譜、基頻及週期性指標，再由最小相位、迭代重建、神經聲碼器或直接波形生成補回相位。

這並不代表相位必然不重要。更精確的說法是：

相位的週期包覆使學習與比較較困難；
絕對相位對分析窗口位置敏感；
不同頻率成分的相位不能直接當作普通線性變數；
部分相位改變在日常語音中感知影響細微；
高品質合成又要求跨框架相位連續，否則可能出現點擊、粗糙或失真；
端到端神經模型可隱式生成相位，但不一定提供可解釋、可交換的相位控制介面。

因此，問題不是「語音需不需要相位」，而是：

應保留哪一種相位關係，才能消除不必要的分析位置依賴，同時保留可操作的波形結構？

1.2 以基頻作為局部時鐘

在理想週期訊號中，基頻 $f_0$ 提供一個週期：

T_0=\frac{1}{f_0}.

第 $k$ 個諧波位於：

f_k=kf_0.

若所有諧波共享同一個基礎週期，基頻相位便可以被理解為局部週期時鐘。將第 $k$ 諧波相位扣除 $k$ 倍基頻相位，相當於移除共同時間平移造成的線性相位項，保留諧波之間對波形形狀更直接的相對關係。

這就是 FARHP 的物理直覺：

基頻不是唯一有意義的聲學成分，但它可以作為準週期發音中的局部相位座標原點。

2. 諧波聲音模型

2.1 局部諧波表示

在一個足夠短、可假定局部準平穩的有聲框架中，訊號可近似為：

x_t[n] = \sum_{k=1}^{K_t} A_{t,k} \cos \left( \theta_{t,k}[n] \right) + r_t[n],

其中：

\theta_{t,k}[n] = 2\pi f_{t,k}\frac{n}{F_s} + \phi_{t,k},

且：

$A_{t,k}\ge 0$ 為第 $k$ 分量的振幅；
$f_{t,k}$ 為其頻率；
$\phi_{t,k}$ 為框架參考點上的相位；
$F_s$ 為取樣率；
$r_t[n]$ 為無法由有限諧波組精確表示的殘差；
$K_t$ 為此框架中可可靠估計的諧波數。

理想諧波條件為：

f_{t,k}=kf_{0,t}.

真實語音則可能只有近似關係：

f_{t,k} = kf_{0,t} + \epsilon_{t,k},

其中 $\epsilon_{t,k}$ 代表失諧、估計誤差、調頻或非平穩性。

2.2 複數振幅

將每個諧波寫成複數係數：

C_{t,k} = A_{t,k}e^{i\phi_{t,k}},

可將振幅與相位放入同一物件。FARHP 不要求所有模型都採用同一種傅立葉分析法；只要能估計局部基頻、諧波振幅與相位，就可以建構相位差。

3. FARHP 的正式定義

3.1 相位包覆

定義：

\operatorname{wrap}(\alpha) = \left( (\alpha+\pi)\bmod 2\pi \right)-\pi.

其值域取為：

(-\pi,\pi].

任何相差都應被視為模 $2\pi$ 的等價類，而不是無界實數。

3.2 基頻錨定相對諧波相位差

對第 $t$ 個框架、第 $k$ 個諧波，定義：

\boxed{ \psi_{t,k} = \operatorname{wrap} \left( \phi_{t,k} - k\phi_{t,1} \right) } \qquad k=2,\ldots,K_t.

基頻本身滿足：

\psi_{t,1}=0.

單一框架的 FARHP 狀態為：

\boldsymbol{\Psi}_t = \left( \psi_{t,2}, \psi_{t,3}, \dots, \psi_{t,K_t} \right).

若固定最大諧波數 $K$ ，則：

\boldsymbol{\Psi}_t \in \left(S^1\right)^{K-1},

亦即 $K-1$ 個圓周的笛卡兒積。這個空間是一個環面，而不是一般的歐氏向量空間。

3.3 動態 FARHP

語音不是一組固定相位，而是隨時間變動的軌跡：

\boldsymbol{\Psi} : t \mapsto \boldsymbol{\Psi}(t).

完整的動態 FARHP 物件定義為：

\mathfrak{P} = \left( \boldsymbol{\Psi}(t), \mathbf{A}(t), f_0(t), \mathbf{m}(t), \mathbf{c}(t) \right),

其中：

$\boldsymbol{\Psi}(t)$ ：相對相位軌跡；
$\mathbf{A}(t)$ ：諧波振幅軌跡；
$f_0(t)$ ：基頻軌跡；
$\mathbf{m}(t)$ ：相位有效性遮罩；
$\mathbf{c}(t)$ ：相位估計置信度。

有效性遮罩：

m_{t,k}\in\{0,1\},

表示該框架中的第 $k$ 諧波是否具有足夠能量及可靠頻率對應，可被納入相位分析。

置信度則滿足：

c_{t,k}\in[0,1].

這兩個量是 FARHP 與簡單 RPS 向量的重要工程區分之一：真實語音中並非每個框架、每個諧波都值得被同等信任。

3.4 複數圓周表示

為避免 $-\pi$ 與 $\pi$ 的表面不連續，定義：

z_{t,k} = e^{i\psi_{t,k}} = \cos\psi_{t,k} + i\sin\psi_{t,k}.

AI 模型的實值輸入可寫成：

\mathbf{p}_{t,k} = \left( \cos\psi_{t,k}, \sin\psi_{t,k} \right).

如此，相位 $-\pi+\varepsilon$ 與 $\pi-\varepsilon$ 在向量空間中仍然彼此接近。

4. 不變性與等價關係

4.1 理想共同時間平移不變性

考慮訊號平移 $\tau$ 。在理想諧波條件下：

\phi'_{t,k} = \phi_{t,k} - 2\pi kf_0\tau,

且：

\phi'_{t,1} = \phi_{t,1} - 2\pi f_0\tau.

則：

\begin{aligned} \psi'_{t,k} &= \operatorname{wrap} \left( \phi'_{t,k} - k\phi'_{t,1} \right) \\ &= \operatorname{wrap} \left( \phi_{t,k} - 2\pi kf_0\tau - k\phi_{t,1} + 2\pi kf_0\tau \right) \\ &= \operatorname{wrap} \left( \phi_{t,k} - k\phi_{t,1} \right) \\ &= \psi_{t,k}. \end{aligned}

所以，在以下條件成立時，FARHP 對共同時間平移不變：

分量確實服從整數諧波關係；
基頻估計正確；
相位來自同一時間參考；
框架內可近似局部平穩；
沒有嚴重的頻率漂移或相位解纏錯誤。

因此本文只主張條件性不變性，不主張在任意非平穩聲音中絕對不變。

4.2 失諧時的殘餘項

若：

f_k=kf_0+\epsilon_k,

時間平移後可產生殘餘相差：

\Delta\psi_k \approx -2\pi\epsilon_k\tau.

這表示 FARHP 對時間平移的穩定程度，也可以反過來成為諧波模型是否適用的診斷量。

4.3 相位等價類

若兩組相位向量 $\boldsymbol{\phi}$ 與 $\boldsymbol{\phi}'$ 只相差由共同時間平移產生的線性相位項，則可定義：

\boldsymbol{\phi} \sim \boldsymbol{\phi}'

當且僅當存在 $\delta\in S^1$ ，使得：

\phi'_k = \phi_k+k\delta \pmod{2\pi}.

FARHP 可以被理解為對此等價關係取商後的一組座標：

\mathcal{H}/S^1.

這裡的 $S^1$ 作用由：

\delta\cdot\phi_k = \phi_k+k\delta

給出。換句話說，FARHP 移除的是由共同週期時鐘造成的一維自由度，而保留其餘諧波相對結構。

4.4 圓周距離

單一相位差的距離定義為：

d_{S^1}(\alpha,\beta) = \left| \operatorname{wrap} \left( \alpha-\beta \right) \right|.

加權 FARHP 距離可定義為：

D_t \left( \boldsymbol{\Psi}^{(a)}, \boldsymbol{\Psi}^{(b)} \right) = \frac{ \sum_{k=2}^{K} w_{t,k} d_{S^1} \left( \psi^{(a)}_{t,k}, \psi^{(b)}_{t,k} \right)^2 }{ \sum_{k=2}^{K}w_{t,k} },

其中：

w_{t,k} = m^{(a)}_{t,k} m^{(b)}_{t,k} c^{(a)}_{t,k} c^{(b)}_{t,k} g(A^{(a)}_{t,k},A^{(b)}_{t,k}).

$g$ 可依振幅或訊噪比降低弱諧波的影響。

5. 聲學分層：相位不能取代什麼

5.1 發音不是單一相位向量

完整聲音至少可分為：

\text{聲音} = \text{基頻軌跡} + \text{諧波振幅} + \text{相對相位} + \text{頻譜包絡} + \text{非諧波殘差} + \text{時間事件}.

FARHP 只直接處理其中的「相對諧波相位」層。

5.2 聲源—濾波器關係

語音常以聲源—濾波器模型近似：

X(\omega) = G(\omega)H(\omega)R(\omega),

其中：

$G(\omega)$ ：聲門聲源；
$H(\omega)$ ：聲道濾波；
$R(\omega)$ ：唇輻射或其他輸出效應。

其相位滿足：

\Phi_X(\omega) = \Phi_G(\omega) + \Phi_H(\omega) + \Phi_R(\omega) \pmod{2\pi}.

因此，從最終語音抽出的 FARHP 是混合結果，不應直接被解釋為純聲門相位、純聲道相位或單一生理機制。若要做因果解釋，還需要聲門反演、共振峰模型或可微分聲源—濾波器模型。

5.3 國語聲調不是 FARHP

國語聲調主要體現在音高輪廓、時長、能量、音質及上下文協同變化。可將聲調物件表示為：

\mathcal{T}_q = \left( f_{0,q}(t), a_q(t), d_q, v_q(t) \right),

其中：

$q\in\{1,2,3,4,0\}$ ；
$f_{0,q}(t)$ ：基頻軌跡；
$a_q(t)$ ：能量或振幅包絡；
$d_q$ ：時長；
$v_q(t)$ ：發聲型態或音質輔助量。

FARHP 可與聲調協同，但不能把四聲與輕聲直接等同於五個相位值。

5.4 非週期聲音

擦音、爆破、送氣、氣聲及高頻噪聲需要額外殘差：

r_t[n] = r^{\mathrm{noise}}_t[n] + r^{\mathrm{transient}}_t[n] + r^{\mathrm{model}}_t[n].

因此，完整發音單位可寫成：

\boxed{ \Pi = \left( \mathcal{O}, \mathcal{R}, \mathcal{T}, \mathbf{A}, \boldsymbol{\Psi}, \mathcal{N}, \mathcal{E}, d \right) }

其中：

$\mathcal{O}$ ：聲母或起始事件；
$\mathcal{R}$ ：介音、韻腹與韻尾；
$\mathcal{T}$ ：聲調與韻律；
$\mathbf{A}$ ：諧波振幅；
$\boldsymbol{\Psi}$ ：FARHP；
$\mathcal{N}$ ：非諧波殘差；
$\mathcal{E}$ ：瞬態事件；
$d$ ：時長。

6. FARHP 的表示方法

6.1 連續表示

最完整的表示為：

\mathcal{F}_{\mathrm{cont}} = \left\{ f_0(t), A_k(t), \cos\psi_k(t), \sin\psi_k(t), m_k(t), c_k(t) \right\}_{k=2}^{K}.

這適合：

高品質重建；
可微分合成；
相位軌跡學習；
說話者或音色分析；
連續變換。

6.2 離散相位量化

定義 $M$ 相位量化器：

Q_M(\psi) = \left\lfloor \frac{ M\left( \operatorname{wrap}(\psi)+\pi \right) }{ 2\pi } \right\rfloor \bmod M.

其代表角可取：

\widehat{\psi}_q = -\pi + \frac{2\pi}{M} \left( q+\frac{1}{2} \right), \qquad q=0,\ldots,M-1.

第一版可比較：

M\in\{8,16,32,64\}.

量化誤差上界約為：

\left| \psi-\widehat{\psi} \right| \le \frac{\pi}{M}.

6.3 向量量化與碼本

逐諧波獨立量化可能忽略跨諧波結構。可使用碼本：

\mathcal{C} = \left\{ \mathbf{c}_1, \mathbf{c}_2, \dots, \mathbf{c}_L \right\},

其中：

\mathbf{c}_\ell \in \left(S^1\right)^{K-1}.

編碼器選擇：

\ell^\ast = \arg\min_{\ell} D \left( \boldsymbol{\Psi}, \mathbf{c}_\ell \right).

這使一個「相位字」不只是單一角度，而是一整組諧波的相對配置。

6.4 多解析度表示

可建立三級表示：

微觀層

\psi_{t,k}

保存逐框架、逐諧波的精細相位。

中觀層

\mathbf{c}_{u,j}

保存一個音節或音素區段內的相位原型與軌跡片段。

巨觀層

\Gamma_u = \left( \ell_1,\ell_2,\dots,\ell_J \right)

保存一個符號發音單位的相位碼序列。

這樣，人類書寫與符號傳播可以使用巨觀碼；AI 合成器再展開成連續相位軌跡。

7. 合成與反演

7.1 基本合成式

有聲部分可由：

\widehat{x}^{\mathrm{harm}}_t[n] = \sum_{k=1}^{K_t} A_{t,k} \cos \left( 2\pi \int_0^{n/F_s} kf_0(\tau)\,d\tau + k\phi_{t,1} + \psi_{t,k} \right)

生成，其中約定：

\psi_{t,1}=0.

完整輸出為：

\widehat{x}_t[n] = \widehat{x}^{\mathrm{harm}}_t[n] + \widehat{r}_t[n].

7.2 跨框架連續性

若各框架獨立生成，邊界可能產生相位跳躍。需對基頻累積相位：

\Theta_1(t) = \Theta_1(t-\Delta t) + 2\pi \int_{t-\Delta t}^{t} f_0(\tau)\,d\tau.

第 $k$ 諧波的總相位為：

\Theta_k(t) = k\Theta_1(t) + \psi_k(t).

若 $\psi_k(t)$ 本身發生跳躍，需在圓周上進行平滑或路徑規劃，而非直接對包覆角做線性平均。

7.3 圓周插值

兩個相位 $\psi_a$ 與 $\psi_b$ 的插值可使用：

z_\lambda = (1-\lambda)e^{i\psi_a} + \lambda e^{i\psi_b},

\psi_\lambda = \operatorname{Arg}(z_\lambda),

其中：

\lambda\in[0,1].

當 $z_\lambda$ 接近零時，表示兩相位接近對跖點，插值路徑不唯一，系統必須選擇方向或引入時間連續性約束。

7.4 分析—合成閉環

定義分析器：

\mathcal{A} : x \mapsto \left( f_0, \mathbf{A}, \boldsymbol{\Psi}, \mathbf{m}, \mathbf{c}, r \right),

合成器：

\mathcal{S} : \left( f_0, \mathbf{A}, \boldsymbol{\Psi}, r \right) \mapsto \widehat{x}.

理想目標為：

\mathcal{S} \left( \mathcal{A}(x) \right) \approx x.

但不能只用波形均方誤差判定，因為小幅時間位移可能造成很大的樣本誤差，卻不一定造成相同程度的聽覺差異。評估必須同時包含：

波形或複數頻譜重建誤差；
基頻誤差；
諧波振幅誤差；
FARHP 圓周距離；
頻譜包絡差異；
感知品質；
可懂度；
相位操控可辨識度。

8. 與 AI 模型的接口

8.1 輸入表示

對每個時間框架，可建立：

\mathbf{h}_t = \left[ \log f_0(t), \log\mathbf{A}_t, \cos\boldsymbol{\Psi}_t, \sin\boldsymbol{\Psi}_t, \mathbf{m}_t, \mathbf{c}_t, \mathbf{n}_t \right].

其中 $\mathbf{n}_t$ 表示非週期性或殘差特徵。

8.2 損失函數

相位損失可寫成圓周餘弦損失：

\mathcal{L}_{\mathrm{phase}} = \frac{ \sum_{t,k} w_{t,k} \left[ 1- \cos \left( \widehat{\psi}_{t,k} - \psi_{t,k} \right) \right] }{ \sum_{t,k}w_{t,k} }.

完整損失可包括：

\mathcal{L} = \lambda_{\mathrm{wav}}\mathcal{L}_{\mathrm{wav}} + \lambda_{\mathrm{mag}}\mathcal{L}_{\mathrm{mag}} + \lambda_{\mathrm{phase}}\mathcal{L}_{\mathrm{phase}} + \lambda_{\mathrm{F0}}\mathcal{L}_{\mathrm{F0}} + \lambda_{\mathrm{cont}}\mathcal{L}_{\mathrm{cont}} + \lambda_{\mathrm{perc}}\mathcal{L}_{\mathrm{perc}}.

其中 $\mathcal{L}_{\mathrm{cont}}$ 約束跨框架相位連續性， $\mathcal{L}_{\mathrm{perc}}$ 對應感知模型或聽覺評分。

8.3 結構化生成而非黑箱替代

FARHP 不排斥神經聲碼器，而是提供一個中間表示，使模型可以：

預測相位差而非直接猜整段波形；
分別控制基頻、振幅、相位與噪聲；
進行可解釋消融實驗；
把某種相位結構轉移到另一個音節；
將連續相位壓縮成離散相位碼；
在符號語言中直接引用相位原型。

9. 符號語言整合

9.1 四層映射

FARHP 在新語言中的位置為：

\boxed{ \text{字形層} \longleftrightarrow \text{音韻層} \longleftrightarrow \text{相位聲學層} \longleftrightarrow \text{形式語義層} }

這四層不能互相坍縮。

字形不等於聲音；
聲音不等於語義；
相位不等於聲調；
同一語義可有多種發音；
同一注音結構可有不同相位原型；
同一相位原型也可在不同基頻與音高輪廓上實現。

9.2 符號發音物件

一個符號 $\mathcal{G}_j$ 可對應：

\mathcal{G}_j \mapsto \left( \mathcal{P}_j, \mathcal{T}_j, \Gamma_j, \mathcal{N}_j, d_j, \mathcal{M}_j \right),

其中：

$\mathcal{P}_j$ ：注音或音韻結構；
$\mathcal{T}_j$ ：聲調與韻律；
$\Gamma_j$ ：離散 FARHP 碼序列；
$\mathcal{N}_j$ ：非諧波層；
$d_j$ ：時長規則；
$\mathcal{M}_j$ ：形式語義。

範例資料結構：

glyph_id: ENOCH-FARHP-0042

phonology:
  onset: ㄒ
  medial: ㄩ
  nucleus: ㄢ
  coda: null
  tone_class: 3

prosody:
  duration_ms: 420
  f0_template: mandarin_tone_3_neutral_context

harmonic:
  max_harmonics: 48
  amplitude_profile: vowel_front_rounded_01

farhp:
  codebook: FARHP-C16-v0.1
  phase_tokens: [12, 12, 3, 7, 7, 2]
  interpolation: circular
  confidence_floor: 0.65

residual:
  profile: low_breathiness_02

semantics:
  class: modal_operator
  operator: invariant_anchor
  arity: 1

9.3 字形中的相位附標

離散相位碼可以映射到：

點位；
方向；
開口；
內外圈；
線條旋轉；
雙線；
左右偏移；
上下附標。

但字形設計不應讓每個高次諧波都直接佔用一個筆畫。更合理的方法是：

以少量字形附標表示相位碼本索引；
由碼本索引展開完整相位向量；
必要時另加局部修正符；
由機器表示保存精細浮點值。

如此才能兼顧人類可寫性與 AI 精確性。

9.4 不是密碼學

符號替換、罕見字形與相位編碼可以提高未受訓人類的閱讀門檻，但不能提供現代密碼學意義上的保密性。只要存在足夠多的平行語料、語音樣本、映射表或已知明文，模型便可能逐步推斷其結構。

因此：

\text{形式語言} \neq \text{加密系統}.

真正需要保密的內容仍應使用經審查的密碼學方法、金鑰管理與權限控制。FARHP 的核心價值是表達、生成與形式化，而不是隱蔽。

10. 可證偽研究命題

本文提出下列命題，全部必須接受實驗推翻。

命題 H1：相位保留命題

在固定或近似固定的基頻、諧波振幅與殘差條件下，保留原始或高品質估計的 FARHP，相較於隨機相位、固定相位或簡化相位，能在部分有聲語音中改善重建品質。

否證條件：

多資料集、多人聽測及客觀指標均無穩定改善；
改善完全可由其他未控制參數解釋；
相位模型成本遠大於品質收益且不存在特定應用優勢。

命題 H2：母音結構命題

持續母音的 FARHP 軌跡具有可重複的局部結構，且不同母音、發聲型態或說話人之間存在可統計區分的模式。

否證條件：

控制分析方法與訊噪比後，模式不具重現性；
分類效果只來自振幅洩漏、基頻或錄音條件；
跨說話人與跨設備完全失效。

命題 H3：可控生成命題

在不改變注音骨架與聲調類別的條件下，調整 FARHP 可產生可感知但仍被辨識為同一音節的音色或聲源差異。

否證條件：

相位調整不可感知；
一旦可感知便只造成明顯失真；
所謂差異其實由振幅、基頻或殘差改變造成。

命題 H4：離散碼本命題

有限相位碼本可以在低於某一可接受品質損失下近似連續 FARHP，並提供比逐諧波獨立量化更有效的壓縮與生成控制。

否證條件：

所需碼本過大，失去符號化意義；
碼本跨說話人與跨音節無法泛化；
逐諧波量化或隱式神經表示始終更有效。

命題 H5：符號發音擴張命題

華語可發音音節與 FARHP 原型的組合，可產生比現存普通話音節—音色庫更大的人工發音空間，且其中一部分能被人類穩定模仿、區辨並學習。

否證條件：

相位差異無法被人類穩定重現；
新發音不能跨說話人保持可辨識性；
符號—聲音映射的學習負擔過高；
AI 合成可行但人類發音不可行，且系統目標要求人類可發音。

11. 實驗路線

11.1 第零階段：純合成諧波

目的：驗證公式、平移不變性、量化誤差與圓周插值。

建立：

x[n] = \sum_{k=1}^{K} A_k \cos \left( 2\pi kf_0\frac{n}{F_s} + k\phi_1 + \psi_k \right).

實驗：

改變分析起點，檢查 FARHP 是否保持；
注入基頻誤差，測量相位漂移；
注入失諧 $\epsilon_k$ ；
比較 $M=8,16,32,64$ 的量化；
比較線性角度插值與圓周插值；
驗證分析—合成閉環。

11.2 第一階段：持續母音

先採用：

ㄚ；
ㄧ；
ㄨ；
ㄩ；
ㄜ。

每個母音由多位說話人，以多種音高與音量錄製。控制：

麥克風；
距離；
取樣率；
音高範圍；
持續時間；
環境噪聲。

分析：

FARHP 穩定區間；
母音內變異；
說話人內變異；
說話人間變異；
基頻變換後的穩定性；
相位與振幅特徵的資訊重疊。

11.3 第二階段：華語聲調

對同一韻母生成五種調類，分別建模：

f_0(t),\quad A_k(t),\quad \psi_k(t),\quad r(t).

消融：

只改 $f_0(t)$ ；
只改 FARHP；
同時改 $f_0(t)$ 與 FARHP；
固定 FARHP 使用不同聲調；
固定聲調使用不同 FARHP 原型。

目標是確認聲調與相位之間是耦合、弱耦合還是大致可分，而不是預設它們互相獨立。

11.4 第三階段：完整音節

加入：

聲母事件；
介音；
韻尾；
連音；
變調；
時長與重音；
非週期殘差。

此階段才測試 FARHP 對完整華語可懂度與自然度的影響。

11.5 第四階段：人工符號發音

從可發音但低詞彙衝突的音節區域選取音韻骨架，再配合相位碼本建立人工發音類別。

需要區分：

AI 可合成；
人類可辨識；
人類可模仿；
人類可穩定重現；
可長期學習；
不易與既有詞彙混淆。

只有同時通過相應條件的發音，才可正式納入符號語言。

12. 評估規範

12.1 客觀指標

可使用：

波形訊噪比；
Signal-to-Reconstruction Error；
複數頻譜距離；
log-spectral distance；
基頻 RMSE；
voiced/unvoiced error；
FARHP 圓周距離；
相位連續性誤差；
殘差能量；
分析—合成延遲；
即時率；
模型參數量。

12.2 感知實驗

至少包括：

ABX 區辨

受試者判斷 $X$ 更接近 $A$ 或 $B$ 。

MUSHRA 或類 MUSHRA 評分

比較原始語音、完整 FARHP、量化 FARHP、隨機相位、固定相位與其他基準。

同音節辨識

判斷相位變換後是否仍為同一音節。

音色標記

描述尖銳、柔和、氣聲、緊張、粗糙、明亮等知覺維度，但不能預先假定這些詞與特定相位模式一一對應。

可模仿性測試

受試者聽取人工發音後重複發音，再比較其 FARHP、音節辨識與跨次穩定性。

12.3 雙盲與隨機化

聽測應：

隨機排列樣本；
隱藏處理條件；
平衡音量；
控制播放設備；
記錄受試者語言背景；
區分訓練前與訓練後結果；
公開失敗樣本，而不是只展示成功音檔。

13. 風險、失敗模式與限制

13.1 基頻錨定失效

下列情況可能使基頻錨定不可靠：

基頻缺失或低於可估計範圍；
倍頻或半頻錯誤；
多音高重疊；
強烈聲門不規則；
短暫無聲；
高噪聲；
音高快速轉折；
諧波分量越過頻率槽；
非整數諧波明顯。

必要時應引入：

多候選基頻；
多錨點；
前後框架追蹤；
諧波身份配對；
錨定可靠度；
缺失值機制。

13.2 相位與振幅混淆

窗口函數、頻譜洩漏、諧波估計法及聲道濾波都可能使所謂相位特徵含有其他資訊。所有分類與生成實驗都要進行振幅控制與資料洩漏檢查。

13.3 感知收益可能很小

相位差可能只在高品質、有聲、特定頻段或特定聲源中具有明顯作用。即使 FARHP 在數學上結構良好，也不保證它在日常語音中具有足以支撐大型語言系統的感知容量。

13.4 AI 可用不等於人類可用

AI 可以學習上百或上千個相位碼，但人類能否辨識、模仿與記憶是另一問題。符號語言若以人機雙用為目標，必須把人類知覺頻寬納入設計。

13.5 不得以理論名稱掩蓋既有工作

後續論文與軟體應保留 RPS、諧波相位、正弦模型、準諧波模型、聲源—濾波器模型及相位感知語音處理的文獻關係。FARHP 可以是新的研究計畫與規格，但不能把既有學術成果重新包裝為首次發現。

14. 系列架構

本總篇之後，系列規劃為九篇核心論文：

第一篇：本總篇

《基頻錨定相對諧波相位差總論：相位不變量、動態發音物件與可生成符號語言的統一架構》

第二篇：數學結構

《基頻錨定相對諧波相位差的數學結構、不變性與等價類》

重點：

圓周與環面；
商空間；
群作用；
失諧誤差；
圓周距離；
軌跡連續性；
多錨點擴張。

第三篇：聲學邊界

《相對諧波相位、聲源模型與人類語音知覺的分層關係》

重點：

聲門聲源；
聲道濾波；
相位感知；
有聲與無聲；
頻譜包絡；
非週期殘差；
不可約化邊界。

第四篇：離散表示

《基錨相差的離散編碼、相位字形與 AI 可學習表示》

重點：

量化；
碼本；
相位 token；
可逆性；
資料格式；
字形附標；
模型損失。

第五篇：技術架構

《FARHP 發音合成系統：分析、編碼、生成與重建架構》

自此正式進入原型開發。

第六篇：抽取與反演

《自然語音中的基錨相差估計、追蹤與反演方法》

第七篇：生成與變換

《基於相對諧波相位控制的聲音重建、音色變換與新音生成》

第八篇：華語整合

《華語音節、聲調軌跡與基頻錨定相差的複合發音模型》

第九篇：符號語言整合

《以諾—華語相位符號語言：字形、音節、相位與語義的統一編碼》

整體節奏為：

\boxed{ 4\text{ 篇理論基礎} \rightarrow 1\text{ 篇技術架構} \rightarrow 2\text{ 篇核心工程} \rightarrow 2\text{ 篇語言整合} }

完成第四篇時，應同步凍結：

\texttt{FARHP-Spec-v0.1}

第五篇則直接以此規格建立第一個可執行原型。

15. 本文的核心貢獻

本文的核心貢獻可總結為：

貢獻一：重新界定研究單位

FARHP 不是單一相差，而是一個包含相位軌跡、振幅、基頻、遮罩與置信度的動態發音物件。

貢獻二：建立條件性不變性

本文明確指出基頻錨定相差對共同時間平移不變的條件，並列出失諧、基頻誤差與非平穩性造成的破壞項。

貢獻三：把相位放回正確的拓撲空間

相位位於 $S^1$ ，多諧波相位位於 $\left(S^1\right)^{K-1}$ ，因此比較、插值與學習應採用圓周方法。

貢獻四：拒絕相位還原論

FARHP 與基頻、聲調、振幅、頻譜包絡、殘差及瞬態事件分層，避免把完整語音錯誤歸結為相位。

貢獻五：建立連續—離散橋梁

本文提出逐諧波量化、向量碼本、多解析度相位 token 及字形附標接口。

貢獻六：建立可證偽研究計畫

本文不把感知效果當作前提，而是提出五個可被實驗推翻的命題，並規定完整的分析—合成與聽覺驗證路線。

貢獻七：接入 AI 原生符號語言

FARHP 被定位為字形、音韻、聲學與形式語義之間的中介層，使符號不只具有讀音標籤，而具有可生成的聲學物件。

16. 結論

基頻錨定相對諧波相位差提供了一種相對保守卻可擴張的研究方向。它不需要假設相位支配全部聲音，也不需要否定現有神經聲碼器、最小相位方法或傳統聲學特徵。它只要求把一項常被隱式重建的資訊重新明示化：

\psi_k(t) = \operatorname{wrap} \left( \phi_k(t)-k\phi_1(t) \right).

在理想或近似諧波條件下，這個關係移除了共同時間參考造成的線性相位自由度，使不同諧波之間的相對配置更容易被分析、比較與控制。既有 RPS 研究已證明這類表示不是空想；相位結構可以被提取、參數化、辨識與用於合成品質研究。本文在此基礎上，提出更完整的動態物件、可靠度機制、離散碼本、AI 接口與符號語言整合方案。

FARHP 的真正價值不應由名稱決定，而應由以下問題決定：

它能否比簡化相位模型更好地重建聲音？
它能否提供可重複的音色與發音控制？
它能否被壓縮為有限相位碼而不顯著失真？
它能否與華語聲調、音節及非諧波事件協同工作？
它能否成為人類與 AI 都能使用的新型發音符號層？

若答案為否，FARHP 應被限縮為局部聲學分析工具；若答案為是，它便可能成為一種新的聲音表示與語言生成基礎。無論結果如何，本系列都必須保留失敗、反例、感知不顯著區域及與既有方法的比較，而不能只保留成功展示。

最終的系統目標不是：

\text{相位取代語言},

而是：

\boxed{ \text{字形} \leftrightarrow \text{音韻} \leftrightarrow \text{FARHP 聲學物件} \leftrightarrow \text{形式語義} }

這個四層往返結構，才是「基頻錨定相對諧波相位差」作為系列母理論的完整位置。

參考文獻

[1] I. Saratxaga, I. Hernáez, I. Odriozola, E. Navas, I. Luengo, and D. Erro, “Using Harmonic Phase Information to Improve ASR Rate,” INTERSPEECH 2010, DOI: 10.21437/Interspeech.2010-372.

[2] I. Saratxaga, I. Hernaez, M. Pucher, E. Navas, and I. Sainz, “Perceptual Importance of the Phase Related Information in Speech,” INTERSPEECH 2012, DOI: 10.21437/Interspeech.2012-411.

[3] P. Mowlaee, R. Saeidi, and Y. Stylianou, “Phase Importance in Speech Processing Applications,” INTERSPEECH 2014.

[4] I. Saratxaga, I. Hernáez, D. Erro, and J. Sanchez, “Simple Representation of Signal Phase for Harmonic Speech Models,” Electronics Letters, 2009.

[5] S. Shechtman and A. Sorin, “Wideband Harmonic Model: Alignment and Noise Modeling for High Quality Speech Synthesis,” 9th ISCA Speech Synthesis Workshop, 2016.

[6] S. Chen and T. Toda, “QHM-GAN: Neural Vocoder Based on Quasi-Harmonic Modeling,” INTERSPEECH 2024.

[7] I. Saratxaga, I. Hernaez, and collaborators, “Use of Harmonic Phase Information for Polarity Detection in Speech Signals,” INTERSPEECH 2009.

[8] G. Degottex and collaborators, “A Measure of Phase Randomness for the Harmonic Model in Speech Synthesis,” INTERSPEECH 2014.

[9] D. Yin, C. Luo, Z. Xiong, and W. Zeng, “PHASEN: A Phase-and-Harmonics-Aware Speech Enhancement Network,” AAAI 2020, arXiv:1911.04697.

[10] Y. Ai and collaborators, “Explicit Estimation of Magnitude and Phase Spectra in Parallel for High-Quality Speech Enhancement,” 2023–2024.

附錄 A：最小規格草案

spec:
  name: FARHP
  version: 0.1
  status: conceptual-draft

analysis:
  sample_rate: configurable
  frame_mode: quasi_stationary
  f0_candidates: required
  harmonic_tracking: required
  residual_model: required

phase:
  definition: wrap(phi_k - k * phi_1)
  domain: (-pi, pi]
  machine_representation:
    - cos
    - sin
  validity_mask: required
  confidence: required

synthesis:
  phase_accumulation: continuous
  interpolation: circular
  residual_layer: separate
  transient_layer: separate

evaluation:
  reconstruction: required
  phase_ablation: required
  perceptual_test: required
  failure_archive: required

claims:
  formula_novelty: prohibited
  framework_novelty: testable
  cryptographic_security: none

附錄 B：第一輪工程最低成功條件

第一輪原型不追求完整華語，只需要達到：

可讀取單聲道 WAV；
可估計穩定母音的 $f_0$ ；
可抽取前 $K$ 個諧波的振幅與相位；
可計算 FARHP；
改變分析切點後，FARHP 在容許誤差內保持；
可由 $f_0$ 、振幅、FARHP 與殘差重建聲音；
可將 FARHP 量化為 $M=8,16,32$ ；
可輸出原始、量化、固定與隨機相位版本；
可產出相位圖、波形與頻譜對照；
可保存所有失敗案例與參數。

只有完成上述最低條件，才進入完整音節、聲調與符號語言工程。

文件結束

FARHP_基頻錨定相對諧波相位差_總論_v0.1

基頻錨定相對諧波相位差總論

相位不變量、動態發音物件與可生成符號語言的統一架構

摘要

0. 研究定位與新穎性邊界

0.1 不是重新命名既有公式

0.2 研究對象

0.3 研究目的

1. 問題背景

1.1 語音中的相位缺席

1.2 以基頻作為局部時鐘

2. 諧波聲音模型

2.1 局部諧波表示

2.2 複數振幅

3. FARHP 的正式定義

3.1 相位包覆

3.2 基頻錨定相對諧波相位差

3.3 動態 FARHP

3.4 複數圓周表示

4. 不變性與等價關係

4.1 理想共同時間平移不變性

4.2 失諧時的殘餘項

4.3 相位等價類

4.4 圓周距離

5. 聲學分層：相位不能取代什麼

5.1 發音不是單一相位向量

5.2 聲源—濾波器關係

5.3 國語聲調不是 FARHP

5.4 非週期聲音

6. FARHP 的表示方法

6.1 連續表示

6.2 離散相位量化

6.3 向量量化與碼本

6.4 多解析度表示

微觀層

中觀層

巨觀層

7. 合成與反演

7.1 基本合成式

7.2 跨框架連續性

7.3 圓周插值

7.4 分析—合成閉環

8. 與 AI 模型的接口

8.1 輸入表示

8.2 損失函數

8.3 結構化生成而非黑箱替代

9. 符號語言整合

9.1 四層映射

9.2 符號發音物件

9.3 字形中的相位附標

9.4 不是密碼學

10. 可證偽研究命題

命題 H1：相位保留命題

命題 H2：母音結構命題

命題 H3：可控生成命題

命題 H4：離散碼本命題

命題 H5：符號發音擴張命題

11. 實驗路線

11.1 第零階段：純合成諧波

11.2 第一階段：持續母音

11.3 第二階段：華語聲調

11.4 第三階段：完整音節

11.5 第四階段：人工符號發音

12. 評估規範

12.1 客觀指標

12.2 感知實驗

ABX 區辨

MUSHRA 或類 MUSHRA 評分

同音節辨識

音色標記

可模仿性測試

12.3 雙盲與隨機化

13. 風險、失敗模式與限制

13.1 基頻錨定失效

13.2 相位與振幅混淆

13.3 感知收益可能很小

13.4 AI 可用不等於人類可用

13.5 不得以理論名稱掩蓋既有工作

14. 系列架構

第一篇：本總篇