音色由基频之上的谐波结构决定，是区分声源的主要线索
别名: 音色 · 谐波结构 · 频谱包络 · spectral envelope · harmonic structure
概念解释
钢琴和小提琴演奏同一个音高、同样响度，仍然一听就能分辨出是哪种乐器，靠的既不是音高也不是响度，而是音色（timbre）。音色由基频之上一整套谐波（泛音）的相对强弱构成的频谱形状决定，这个形状叫频谱包络（spectral envelope）。只要两个声音的基频和总能量相同，唯一能透露"这是什么声源"的信息就藏在这套谐波结构里。
音色常被笼统理解成"音质好不好"，其实它首先是一种分类线索——是人耳用来把声音归到不同来源类别的主要依据，音质好坏只是它的一个应用侧面（见相邻条目）。
机制
一个振动物体很少只发出单一频率，它会同时以基频和一系列整数倍于基频的泛音振动，各次泛音的相对强弱由振动体的材质、形状、激励方式共同决定——木质共鸣箱和金属簧片会以完全不同的比例放大或压制某些泛音。这套各次泛音强弱的分布，就是频谱包络，它相当于声源的一份"频谱指纹"：基频决定了音高，指纹本身则携带声源身份信息，两者是正交的两套信息，互不干扰。
听觉系统对频谱包络的形状高度敏感，能在音高、响度都固定的情况下，仅凭谐波强弱分布的差异把不同来源分开识别。此外，声音起始瞬间（attack）的谐波变化速度往往比稳态阶段携带更多身份信息——真实乐器和人声的起音阶段谐波结构变化很快，这也是为什么截去起音只保留稳态谐波，音色辨识会明显变难。
怎么研究
常见做法是构造一组基频与总能量都固定、仅谐波振幅分布不同的合成音，让被试做相似性判断或分类任务，再用多维尺度分析（multidimensional scaling）把主观相似度投射到几个连续维度上，考察这些维度与频谱质心、谐波衰减速率等物理量的对应关系，这套方法通常被称为音色空间建模。
常见自变量：各次谐波的相对振幅、频谱质心（能量分布的重心位置）、起音阶段谐波变化的速度。 常见因变量：相似性评分、分类正确率、音色空间中的维度坐标。
边界
- 稳态谐波结构不是音色的全部：把一段真实乐器录音的起音部分剪掉、只保留稳态谐波循环播放，识别准确率会明显下降，说明起音阶段的瞬态变化单独携带着不小一部分身份信息，仅分析稳态频谱包络会低估真实的辨识难度。
- 纯音（只有基频、没有谐波）之间没有音色差异可言，这条机制只在包含谐波结构的复合音上成立。
- 音色空间的维度划分依赖具体测试用的声音集合，换一批差异更大或更相近的声源，提炼出的维度数量和含义会变化，不存在一套放之四海而皆准的"音色维度"清单。
怎么落地
- 需要设计一组"一听就知道是同一类事件"的提示音（比如同一应用内所有确认类操作），保持谐波结构的整体轮廓一致，即使改变音高也能维持类别辨识度；反之要让两类事件听起来分属不同来源，改变谐波结构比只改变响度更可靠。
- 不要只截取声音的稳态部分做压缩或裁剪来省资源，起音阶段的谐波变化是身份识别的重要部分，裁掉它会让声音变得难以归类，即使频谱包络的稳态部分保留完整。
- 验证办法：制作同一基频、同一响度但谐波结构不同的几个候选音效，请听众在盲听条件下做分类或相似性排序，确认设计意图中的"应该听起来不同/相同"的声源确实被听众按预期归类，而不是想当然认为改了音色听众就能分辨。