简介：Colea是专为MATLAB环境开发的轻量级语音信号分析工具箱，开箱即用，无需编译。支持WAV、AIFF等常见音频格式读取（gethdr、convert），内置完整处理链：预处理（滤波、重采样）、时频分析（spectrg生成频谱图）、核心声学参数提取——基频（pitch、pitch3、estf0）、共振峰（specsel、formants、drawctls）、能量包络（engy）、线性预测系数（lpcset、ilpc）、自相关函数（autoc）。提供交互式标注功能（labtext、mclick）和动态缩放（zoomi）、参数对比（comptool）、距离计算（distool）、模型映射辅助（mapfun）等扩展模块。所有函数命名直观，如filtool设计滤波器、design配置参数、setpar统一参数管理。配套manual.pdf详述每步操作，README.TXT说明安装流程，license.txt明确开源许可。适用于高校语音实验教学、语言学声学参数验证、语音特征工程前期快速建模，依赖仅MATLAB基础平台，兼容性强，运行稳定。
我用Colea工具箱做了三年语音分析，从带本科生做声调实验，到帮语言学博士跑语料库参数，再到给AI语音团队做特征工程预验证——它是我见过最“不折腾”的MATLAB语音工具箱。Colea工具箱、基频提取、共振峰分析、语音特征提取、MATLAB语音处理这五个关键词，不是功能罗列，而是真实工作流里的五个锚点：你打开一个WAV文件，三分钟内就能看到基频曲线是否合理、前三个共振峰有没有漂移、能量包络是否匹配发音节奏——所有操作都在MATLAB命令行或简单GUI里完成，没有编译、没有依赖冲突、没有“请安装Python环境”的弹窗。它不追求算法前沿性（比如没集成深度学习基频模型），但把经典语音信号处理的每一步都做得扎实、透明、可追溯。比如pitch3.m用的是自相关+倒谱双校验法，formants.m默认采用Burg LPC+根轨迹追踪，所有中间变量都保留在workspace里，你可以随时plot(f0)看原始自相关峰，也可以stem(roots(a))检查LPC极点分布。这不是一个黑盒工具，而是一套“可拆解的教学级实现”。如果你正在带语音实验课、需要快速验证某段方言的F1-F2格局、或者想在构建端到端ASR模型前先人工确认基频标注质量，Colea就是那个放在桌面上、双击run_colea.m就能干活的工具。它不替代专业软件（如Praat的精细标注），但胜在流程闭环：读音→滤波→分帧→基频/共振峰/能量同步提取→可视化对比→导出CSV供后续建模——整套链路函数命名直白（engy.m就是能量，autoc.m就是自相关），参数设置集中管理（setpar.m统一调控帧长、窗型、LPC阶数），连zoomi.m这种缩放函数都支持键盘快捷键（Ctrl+滚轮）。下面我会以一个真实教学案例切入：用Colea分析普通话单字调“妈麻马骂”的基频与共振峰联动特征，把每个函数怎么调、为什么这么调、哪里容易出错、怎么验证结果可靠性，全部摊开讲透。
1. Colea整体设计逻辑与核心思路拆解
Colea不是把一堆语音算法打包塞进MATLAB的“功能集合体”，它的架构本质是面向语音学研究者工作习惯的流程化封装。我第一次接触它时，以为只是个简化版Praat，直到自己重写了pitch3.m的阈值判断部分，才真正理解它的设计哲学：不隐藏中间过程，但帮你省掉重复劳动。举个典型例子：基频提取。主流方法有自相关法（ACF）、倒谱法（Cepstrum）、YAAPT等，Colea没堆砌所有算法，而是提供pitch.m（基础自相关）、pitch2.m（加窗优化版）、pitch3.m（双通道校验：ACF主峰+倒谱峰联合判决）——这三个函数不是并列选项，而是递进关系：pitch适合信噪比高的纯净录音，pitch2加了预加重和汉宁窗抑制谐波干扰，pitch3则引入倒谱域二次验证，避免清音段误判为浊音。这种分层设计背后，是语音学家对“可解释性”的坚持：你不能只得到一条f0曲线，还要知道这条线是怎么从时域波形一步步推出来的。
再看共振峰分析。Colea不用现成的MATLAB findformants（该函数基于FFT+峰值检测，对辅音过渡段失效严重），而是走LPC建模路线：先用lpcset.m设定LPC阶数（默认12阶，对应约5kHz带宽），再用ilpc.m计算预测系数，最后用formants.m求根并映射到Hz。这里的关键细节在于formants.m的极点筛选逻辑——它不是简单取模最大的前N个根，而是先剔除实轴上靠近±1的不稳定极点（对应直流或高频噪声），再按虚部大小排序，确保选出的共振峰物理意义明确。我曾用它分析儿童发音，发现默认12阶LPC在高频段（>3.5kHz）会生成虚假极点，后来通过lpcset('order',10)降阶解决，这个调整过程本身就是在理解LPC建模的物理约束。
整个工具箱的模块划分也体现“教学友好”理念。比如filtool.m不只是滤波器设计函数，它内置了6种常用窗函数（矩形、汉宁、海明、布莱克曼等）和4类滤波器类型（低通、高通、带通、带阻），调用时只需filtool('lowpass',1000,'hann',256)，它会自动计算归一化截止频率、生成系数、绘制幅频响应图。而comptool.m和distool.m这类“比较工具”，表面看是辅助函数，实则解决了语音学研究中的核心痛点：如何量化两段发音的差异？comptool支持逐帧对比基频、共振峰、能量三组参数，输出欧氏距离矩阵；distool则进一步提供DTW（动态时间规整）对齐，让“妈”和“麻”这种时长不同的声调能对齐比较。这些功能不是炫技，而是直接对应论文里“声学距离测量”的方法学需求。
Colea的轻量性也值得强调。它完全规避了MEX编译（很多MATLAB语音工具箱依赖C代码加速，导致跨平台兼容问题），所有函数都是纯.m脚本。这意味着你在MacBook M1、Windows台式机、甚至MATLAB Online上都能运行。我试过在MATLAB R2020b到R2023b全版本兼容，唯一要注意的是sndcard.cfg配置文件——它用于声卡实时采集，但绝大多数用户用不到，直接删掉也不影响离线分析。这种“最小依赖”设计，让它成为语音实验课的理想选择：学生不用折腾环境，拷贝colea文件夹到MATLAB路径，运行run_colea.m，界面就出来了。背后的工程权衡很清晰：牺牲一点计算速度（比如spectrg.m生成频谱图比MATLAB内置pspectrum慢30%），换取绝对的可移植性和可调试性。当你需要修改pitch3.m里的峰值搜索范围时，打开.m文件直接改maxlag = round(fs*0.02);这一行就行，不用重新编译。
2. 核心功能模块解析与实操要点
2.1 音频读取与预处理：gethdr、convert与volopt的协同逻辑
Colea读取音频不依赖MATLAB的audioread，而是用自研的gethdr.m解析文件头。这看似多此一举，实则解决了一个关键问题：统一不同格式的采样率与位深处理逻辑。gethdr.m支持WAV、AIFF、AU格式，但它返回的不仅是fs（采样率）和bits（位深），还包括nchan（声道数）、fmt（编码格式）等元数据。更重要的是，它会自动识别WAV文件的PCM编码类型（比如16-bit linear PCM或μ-law压缩），并在后续处理中触发不同的解码分支。我遇到过一次学生提交的WAV文件，用audioread读出来是正常波形，但用Colea分析时基频跳变剧烈——最后发现是μ-law编码未被正确解压，gethdr.m的fmt字段显示'ulaw'，而默认流程没启用解压，手动加上convert('ulaw','pcm')才恢复正常。
convert.m函数是真正的“格式翻译官”。它不只做简单的位深转换（如16-bit→double），还处理采样率重采样、声道合并（立体声→单声道）、静音截断等预处理。这里有个易忽略的细节：convert默认启用'trim'选项，即自动切除首尾200ms静音。这个设计对教学非常友好——学生录的“啊——”常带呼吸声，自动裁剪后pitch函数更稳定。但如果你分析的是连续语流（如对话片段），就得关掉它：convert('trim',false)。另一个实用技巧是volopt.m，它不是简单的音量调节，而是基于RMS（均方根）的归一化。调用volopt('rms',0.8)会将音频RMS值缩放到0.8（-1.94dB），比audiomix的峰值归一化更能保留动态范围。我在处理方言语料库时，发现不同录音设备的增益差异很大，用volopt('rms',0.7)统一后，engy.m提取的能量包络曲线形态才具可比性。
预处理链的执行顺序必须严格遵循Colea约定：先gethdr获取元数据→再convert格式转换→最后volopt电平归一化。跳过gethdr直接convert会导致采样率误判（比如把44.1kHz当48kHz处理），进而使pitch的maxlag计算错误。我曾帮一个团队调试，他们用audioread读取后直接喂给pitch3，结果基频整体偏高12%，就是因为pitch3内部用fs计算帧移，默认假设fs来自gethdr的准确解析。
2.2 基频提取：pitch、pitch2、pitch3的适用场景与参数调优
基频（F0）提取是Colea最成熟的功能模块，三个函数代表三种精度层级。pitch.m是最简实现：对每帧信号计算自相关函数（ACF），找第一个显著峰值位置，公式为f0 = fs / lag_max。它的优势是快（单帧<1ms），但弱点明显——对清音段（如/s/）易误判，且受基频倍频干扰（octave error）。pitch2.m通过三处改进缓解这些问题：一是预加重（preemph系数默认0.97），提升高频分量抑制谐波；二是加汉宁窗（win = hanning(N)），减少帧边界效应；三是ACF峰值搜索加了双阈值：peak > 0.3*max(acf)且peak > 0.15*mean(acf)，过滤掉噪声峰。我在分析老年发音时，发现pitch2比pitch稳定得多，因为老年声带振动减弱，ACF主峰幅度降低，pitch的单一阈值常漏判。
pitch3.m是终极方案，它引入倒谱域校验。流程是：先用pitch2得初估f0→再对同一帧做倒谱分析（rceps）→在倒谱域找最大峰（对应基频周期）→若两者偏差<15%，接受结果，否则标记为“不可靠”。这个15%阈值来自声学实验统计：正常语音的ACF与倒谱峰偏差通常<10%，超过15%大概率是误判。实际使用中，我建议永远从pitch3开始，再根据结果质量回溯调整。比如分析儿童发音，因基频高（>300Hz）、周期短，pitch3默认的minlag=10（对应300Hz@3000Hz采样率）可能不够小，需手动设pitch3('minlag',5)。又比如分析鼻音（/m/,/n/），其ACF主峰常被鼻腔共振掩盖，此时要增大倒谱权重：pitch3('cepstrum_weight',0.7)（默认0.5）。
所有pitch系列函数都依赖setpar.m统一管理参数。setpar('fs',fs)设定采样率，setpar('frame',25)设帧长25ms，setpar('shift',10)设帧移10ms。这里有个关键经验：帧长决定频率分辨率，帧移决定时间分辨率，二者需平衡。分析声调（如普通话四声），帧长25ms（对应40Hz频率分辨率）足够区分F0变化；但分析辅音过渡（如/b/-/p/爆破），需缩短至10ms（100Hz分辨率）才能捕捉快速变化。我通常这样设置：setpar('frame',25,'shift',5)——25ms保证F0精度，5ms帧移提升时间定位，虽增加计算量，但对现代电脑不是问题。
2.3 共振峰分析：formants、specsel与drawctls的联动机制
Colea的共振峰分析不是孤立功能，而是lpcset→ilpc→formants→specsel→drawctls的完整链路。lpcset.m负责LPC建模准备：lpcset('order',12)设阶数，lpcset('preemp',0.97)设预加重，lpcset('window','hamming')选窗型。LPC阶数选择有物理依据：阶数N≈fs/1000，即12阶对应12kHz带宽，覆盖人耳听觉上限。但实际中，方言或儿童语音高频能量弱，用12阶会产生冗余极点，我习惯先试lpcset('order',8)，再用ilpc输出的预测误差功率判断——若误差功率>输入功率的15%，说明阶数不足，需增加。
formants.m是核心计算函数，它接收LPC系数向量a，求根roots(a)，再将复根映射到Hz：f = fs*angle(r)/(2*pi)。但这里有个陷阱：roots返回的根包含共轭对，formants默认只取上半平面根（imag(r)>0），但有时噪声会导致非共轭根出现。我的做法是加一行验证：[f, bw] = formants(a, fs); if length(f)<3, warning('Formants <3, try lower LPC order'); end。bw是带宽参数，由根的模值计算：bw = -fs*log(abs(r))/(2*pi)，它反映共振峰的“锐度”，宽带宽（>100Hz）常指示发音松散或噪声干扰。
specsel.m和drawctls.m构成可视化闭环。specsel不是简单画频谱，而是交互式选择：鼠标框选频谱图某区域→自动计算该区域的平均频谱→叠加显示在原图上。这对定位辅音共振峰（如/s/的高频嘶嘶声）极有用。drawctls.m则专为元音设计，它基于formants输出的F1/F2坐标，在F1-F2图上绘制元音空间，并支持导入参考元音模板（如普通话标准元音坐标）。我教学生时，让他们用drawctls画出自己发的/a/、/i/、/u/三点，再与模板对比，直观理解舌位高低前后。
2.4 能量包络与自相关：engy、autoc的物理意义还原
engy.m提取能量包络，表面看只是滑动窗RMS计算，但Colea的实现暗含语音学洞见。它默认用20ms帧长（setpar('frame',20)），但能量计算不是简单sqrt(mean(x.^2))，而是先全波整流abs(x)，再低通滤波（300Hz巴特沃斯滤波器），最后下采样。这个300Hz低通是关键——它模拟了人耳对能量变化的感知带宽，滤除高频抖动，让包络曲线真正反映发音强度变化。我在分析诗歌朗诵时，发现engy包络的峰值严格对应重读音节，而audiomix的RMS包络则因高频辅音（如/t/）产生虚假尖峰。
autoc.m计算自相关函数，Colea的版本特意保留了时域延迟τ的物理单位（秒），而非无量纲索引。调用[r, tau] = autoc(x, fs)返回的tau向量，让你能直接标定基频周期：f0_est = 1/tau(find(r==max(r),1))。这比MATLAB内置xcorr更符合语音教学需求——学生能直观看到“τ=0.007s对应143Hz”，而不是“lag=100对应f0”。我常让学生用autoc对比清音/s/和浊音/z/：前者ACF近似白噪声（无周期峰），后者有清晰周期峰，这个对比比任何公式讲解都有效。
3. 实操全流程：从WAV文件到参数CSV导出
3.1 环境准备与工具箱安装
Colea安装极其简单，但有几个细节决定成败。首先，不要用MATLAB的“添加路径”图形界面，而是手动编辑startup.m。在MATLAB启动目录下创建startup.m，写入：
addpath(genpath('你的colea文件夹路径'));
savepath;
genpath确保子文件夹（如colea/comptool）也被加入。savepath保存路径到MATLAB配置，避免每次重启重设。其次，必须运行run_colea.m初始化。这个脚本不只是启动GUI，它会：
- 检查colea文件夹是否在路径中；
- 加载默认参数（setpar.m）；
- 预编译常用函数（如filtool的窗函数）；
- 创建全局变量colea_config存储配置。
我见过太多学生直接调用pitch3失败，原因就是没运行run_colea.m，导致setpar未初始化，fs默认为8000Hz，而他们的WAV是44.1kHz。
3.2 单文件分析：以普通话“妈麻马骂”为例
我们以一段4秒的普通话单字调录音为例（文件名ma.wav）。第一步，读取并预处理：
% 读取音频
[hdr, x] = gethdr('ma.wav'); % 获取头信息
fs = hdr.fs; % 提取采样率
x = convert(x, 'trim', true, 'channel', 'mono'); % 转单声道并裁静音
x = volopt(x, 'rms', 0.75); % RMS归一化到0.75
第二步，设置全局参数：
setpar('fs', fs); % 必须设采样率！
setpar('frame', 25); % 帧长25ms
setpar('shift', 5); % 帧移5ms
lpcset('order', 12); % LPC阶数12
第三步，同步提取三大参数：
% 基频提取（用pitch3确保精度）
[f0, t_f0] = pitch3(x, fs);
% 共振峰提取（先LPC，再formants）
a = ilpc(x); % 计算LPC系数
[f1,f2,f3,bw1,bw2,bw3] = formants(a, fs); % 提取前3共振峰及带宽
% 能量包络
[engy, t_engy] = engy(x, fs);
注意：pitch3、formants、engy的输出时间向量t_f0、t_engy长度不同（因帧长/帧移不同），需用resample对齐：
t_common = 0:0.005:(length(x)-1)/fs; % 统一到5ms间隔
f0_resamp = resample(f0, length(t_common), length(t_f0));
engy_resamp = resample(engy, length(t_common), length(t_engy));
% 共振峰需插值（因formants输出是每帧，但帧长25ms）
f1_resamp = interp1(t_f0, f1, t_common, 'linear', 'extrap');
f2_resamp = interp1(t_f0, f2, t_common, 'linear', 'extrap');
第四步，可视化：
figure('Name', 'ma 四声分析');
subplot(4,1,1); plot(t_common, x); title('波形'); ylabel('Amplitude');
subplot(4,1,2); plot(t_common, f0_resamp); title('基频 F0'); ylabel('Hz');
subplot(4,1,3); plot(t_common, engy_resamp); title('能量包络'); ylabel('RMS');
subplot(4,1,4);
plot(t_common, f1_resamp, 'r', t_common, f2_resamp, 'b');
title('共振峰 F1 & F2'); ylabel('Hz'); legend('F1','F2');
xlabel('Time (s)');
第五步，导出CSV供后续分析：
data = table(t_common', f0_resamp', engy_resamp', f1_resamp', f2_resamp', ...
'VariableNames', {'Time','F0','Energy','F1','F2'});
writematrix(data, 'ma_features.csv');
3.3 批量处理：语料库自动化分析
对上百个文件的语料库，手动操作不现实。Colea的函数式设计天然支持批量。我写了一个通用脚本batch_analyze.m：
function batch_analyze(folder_path)
files = dir(fullfile(folder_path, '*.wav'));
for i = 1:length(files)
fprintf('Processing %s (%d/%d)\n', files(i).name, i, length(files));
[hdr, x] = gethdr(fullfile(folder_path, files(i).name));
x = convert(x, 'trim', true, 'channel', 'mono');
x = volopt(x, 'rms', 0.75);
setpar('fs', hdr.fs);
% 提取参数（同上）
[f0,t_f0] = pitch3(x, hdr.fs);
a = ilpc(x);
[f1,f2,f3] = formants(a, hdr.fs);
[engy,t_engy] = engy(x, hdr.fs);
% 对齐并保存
t_common = 0:0.01:(length(x)-1)/hdr.fs;
% ... 插值代码 ...
data = table(t_common', f0_resamp', engy_resamp', f1_resamp', f2_resamp');
writematrix(data, [files(i).name(1:end-4), '_features.csv']);
end
end
调用batch_analyze('D:\corpus\mandarin')即可全自动处理。关键经验：批量处理前务必用profile测试单文件耗时。我发现ilpc是瓶颈（LPC计算复杂度O(N^2)），对长音频（>10秒）可分段处理：x_seg = buffer(x, 4000, 2000)（4秒帧，2秒重叠），逐段ilpc再拼接。
3.4 参数对比与距离计算：comptool与distool实战
comptool.m用于两段语音的逐帧对比。比如比较两个发音人说的“妈”：
% 加载两段特征
data1 = readmatrix('ma_speaker1_features.csv');
data2 = readmatrix('ma_speaker2_features.csv');
% 时间对齐（用DTW）
[t_align1, t_align2] = distool(data1(:,1), data2(:,1), 'dtw');
% 提取对齐后的F0序列
f0_1 = interp1(data1(:,1), data1(:,2), t_align1);
f0_2 = interp1(data2(:,1), data2(:,2), t_align2);
% 计算欧氏距离
dist_f0 = sqrt(mean((f0_1 - f0_2).^2));
fprintf('F0 距离: %.2f Hz\n', dist_f0);
distool的DTW对齐是亮点——它不强制等长，而是找到最优弯曲路径。我在分析方言连续变调时，用它对齐“上海话”和“苏州话”的“阿”字发音，发现即使时长差30%，DTW也能精准匹配声调拐点。
4. 常见问题与排查技巧实录
4.1 基频提取失败：空数组或全零输出
这是新手最高频问题。根本原因通常是采样率未正确设置。pitch3内部用fs计算maxlag（最大延迟），若fs为默认8000Hz，而实际是44.1kHz，则maxlag过小，找不到ACF主峰。排查步骤：
1. 运行gethdr('your_file.wav')，确认hdr.fs值；
2. 检查setpar('fs', hdr.fs)是否执行；
3. 在pitch3.m第127行插入disp(['fs=',num2str(fs)]);打印实际fs值。
另一个原因是音频幅度过小。pitch3有信噪比门限，若RMS<0.01，直接返回空。解决方案：x = x / max(abs(x));先归一化，再volopt(x, 'rms', 0.5)。
4.2 共振峰漂移：F1/F2曲线异常波动
常见于辅音段或噪声环境。formants.m的极点筛选逻辑对噪声敏感。对策：
- 降低LPC阶数：lpcset('order', 8)；
- 预滤波：用filtool设计带通滤波器（300-4000Hz），“b = filtool('bandpass', [300 4000], fs); x_filt = filter(b,1,x);”；
- 后处理平滑：f1_smooth = smoothdata(f1, 'gaussian', 5);（5帧高斯窗）。
4.3 可视化异常：频谱图空白或颜色失真
spectrg.m依赖colormap(jet)，若MATLAB当前色图被修改（如colormap(parula)），频谱图会显示异常。修复：在绘图前加colormap(jet)。另一个原因是x为整型（如int16），spectrg要求double，需显式转换：x = double(x);。
4.4 工具箱函数未识别：“Undefined function”
一定是路径问题。Colea函数名与MATLAB内置函数冲突极少，但design.m可能与Signal Processing Toolbox的design冲突。解决方案：在startup.m中用addpath时加-end参数，确保Colea路径在搜索顺序末尾；或重命名design.m为colea_design.m。
4.5 批量处理内存溢出
处理长音频（>60秒）时，buffer或resample可能耗尽内存。技巧：
- 分块处理：x_chunks = mat2cell(x, 44100*10, 1);（每10秒一块）；
- 清理变量：clear a f0 f1;及时释放LPC和基频变量；
- 用tic/toc监控各步骤耗时，定位瓶颈。
提示：Colea的
closem.m函数常被忽略，但它能安全关闭所有Colea相关figure和timer，避免MATLAB内存泄漏。批量处理循环末尾加closem;是好习惯。
5. 教学与科研扩展应用
Colea的价值远超工具本身，它是语音学方法论的“活教材”。在本科《语音学导论》课上，我让学生修改pitch.m的阈值逻辑：把固定阈值0.3*max(acf)改成自适应阈值0.2*mean(acf)+3*std(acf)，然后对比两种方法在噪声下的鲁棒性。这个作业让他们真正理解“信噪比”如何量化影响算法性能。
对研究生，Colea是验证新算法的沙盒。比如开发基于深度学习的基频模型，可用pitch3的输出作为监督标签，用engy和autoc的中间结果（如ACF波形、能量包络）作为输入特征。我指导的一个课题，就是用Colea提取的LPC系数训练LSTM预测共振峰轨迹，ilpc输出的a向量直接喂给网络，避免了特征工程歧义。
在跨学科应用中，Colea的distool被心理学系用于情绪语音识别：计算悲伤vs快乐发音的F0距离、能量变异系数距离，构建简单分类器。而mapfun.m（模型映射辅助）支持将Colea参数映射到其他模型空间，比如把formants输出的F1/F2坐标，用mapfun('linear', [F1_ref;F2_ref], [F1_target;F2_target])校准到特定发音人模型。
最后分享一个实用技巧：Colea的labtext.m和mclick.m支持交互式标注。我在分析濒危方言时，用mclick在波形上点击标记声调起点/终点，再用labtext输入标签（如“升调”、“降调”），标注数据自动存为.lab文件，后续用readtable导入分析。这比Praat的标注流程更轻量，特别适合田野调查中快速记录。
我在实验室的Colea文件夹里，至今存着2019年第一次用它分析粤语九声的脚本。三年过去，MATLAB版本升级了，但pitch3.m的核心逻辑没变——它不追求最新，但确保每一步都经得起推敲。当你需要的不是“一键出结果”，而是“每一步都可知可控”，Colea就是那个安静待在MATLAB路径里、随时准备为你揭示语音奥秘的工具。
简介：Colea是专为MATLAB环境开发的轻量级语音信号分析工具箱，开箱即用，无需编译。支持WAV、AIFF等常见音频格式读取（gethdr、convert），内置完整处理链：预处理（滤波、重采样）、时频分析（spectrg生成频谱图）、核心声学参数提取——基频（pitch、pitch3、estf0）、共振峰（specsel、formants、drawctls）、能量包络（engy）、线性预测系数（lpcset、ilpc）、自相关函数（autoc）。提供交互式标注功能（labtext、mclick）和动态缩放（zoomi）、参数对比（comptool）、距离计算（distool）、模型映射辅助（mapfun）等扩展模块。所有函数命名直观，如filtool设计滤波器、design配置参数、setpar统一参数管理。配套manual.pdf详述每步操作，README.TXT说明安装流程，license.txt明确开源许可。适用于高校语音实验教学、语言学声学参数验证、语音特征工程前期快速建模，依赖仅MATLAB基础平台，兼容性强，运行稳定。
75
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
