声音分析鸭 — 声音性别分析

上传或录制一段普通话或英文音频，分析声音的性别声学特征。输出整段均值 + 逐字音高/共鸣色彩，作声音训练的参考工具——并非判定。

基频，共鸣和共振峰采用有效数据的平均值。

NN / Engine A: 来自 inaSpeechSegmenter 的 CNN 分类器，数据源以法语为主。输出性别标签，设计目的是区分 cis 人群在语音中的分布。仅作为 tone 参考。

先看哪里？

看 resonance 和 pitch 的热力图，不要看 Neural Net 那个百分比。Neural Net 不准。我正在把它降级成「音色参考」。Resonance 和 pitch 是直接测量出来的，时间分辨率细到每个音素，这才是能指导练习的东西。

三个引擎分歧？

信 resonance 和 pitch。它们对不上 NN 是正常的。它们测的不是同一个东西。更有用的问法是「resonance 和 pitch 自己之间对得上吗」。如果 pitch 已经上去了但 resonance 还偏低，说明抬了音高但共鸣腔还没改，这就是下一步的方向。

"Other" 是什么？

停顿、呼吸、或者引擎没法判断的片段。

我现实里 pass，但工具说我是 masc，怎么回事？

工具是错的，你没问题。

那这工具到底有什么用？

看每个元音的 resonance 和 pitch 在时间轴上的变化。「这个 a 很亮，那个 a 塌回去了」。这种细节耳朵很难抓到，但热力图能看出来。

音频限制？

≤ 5 MB，< 3 分钟。30 秒以上、安静、单人录音效果最好。

语言切换？

右上角切 zh-CN / en-US。

数据会留吗？

服务器不保存任何东西。

手机能用吗？

能，但建议横屏打开看时间轴。

分析流程

上传 / 录音

拖拽音频、选择文件，或调用麦克风（≤ 5 MB，< 3 分钟，中文 zh-CN 或英文 en-US）

VAD 分段

Engine A · inaSpeechSegmenter K-3 神经网络分出语音 / 音乐 / 静音

文本对齐

Engine C · 自由模式跑 ASR（FunASR / faster-whisper），跟稿模式直接用您的稿子；Montreal Forced Aligner 对齐到音素

共振峰 + z-score

Praat 提 F1 / F2 / F3 → z-score 合成共鸣值

三面板渲染

波形 · 中央三明治时间轴 · 右侧整段均值

声音占比