给一段成年男声降 3 个半音，想把声音做得更厚重一点，导出后却发现听到的不是「更成熟的男声」，而是一头熊：句子还听得清，但那个声音像从胸腔特别宽的身体里发出来的，字与字之间发黏，齿音变得又闷又钝。
拿去给翻唱做伴奏降调，也是同一个现象。音高是贴上了音域，人声却跟着变「大只」，原本清爽的中频糊成一团。于是很多人得出一个结论：这工具变调不行。
底层原理：共振峰是藏在音色里的「体型尺」
人的声道大致是一根长度约 17cm 的管子。声带振动产生基频（F0，成年男声约 85~180Hz），这股声音经过声道共鸣，在频谱上被塑造成一组凸起的包络峰值------这就是共振峰（Formant），前三个通常落在 500Hz、1500Hz、2500Hz 附近。
管子的共鸣有个简单规律：共振峰之间的间隔与声道长度成反比，近似 `Δf ≈ c / 2L`，声速 c 取 343m/s、L 取 0.17m，间隔大约 1000Hz。所以共振峰间隔越窄，意味着声道越长、身体越大。听觉系统判断说话人是个小孩、成年女性、成年男性还是大型动物，靠的主要就是这条线索，而不是绝对音高。
问题就出在耦合上。基频的谐波是一排梳齿，正好落在共振峰包络里面。移动音高最直接的做法是拉伸或压缩频谱，谐波间距变了，共振峰包络的位置也跟着变。 降 3 个半音是乘以 `2^(-3/12) ≈ 0.84`，基频和共振峰同时下移约 16%，等效于把声道从 17cm 拉长到约 20cm------那是一头大型动物的声道长度。体型被放大，「熊」就出现了。
三个关联：共振峰怎么决定音色年龄
理解耦合之后，三种用法就都清楚了。
关联一：共振峰跟着音高走 → 体型被一起放大
这是默认行为，也是「熊化」的来源。降调幅度越大，共振峰下移越多：降 1~2 半音（约 6%~11%）时听感只是「厚了一点」，多数场景可以接受；到 3 半音以上（约 16%），体型变化开始压过音高变化，听感从「更成熟的男声」滑向「不是人」。
关联二：锁住共振峰只动音高 → 音色年龄守住
要避免这个副作用，就得把两件事拆开：谐波间距（编码 F0）与谱包络位置（编码共振峰）分开处理。
具体做法是先在频域估计出平滑的谱包络，再把包络与细节分离：移动谐波系列来改音高，同时把包络的位置保持在原处------这一步就是常说的共振峰保持（formant preservation）或共振峰修正（formant correction）。
关联三：主动偏移共振峰 → 年龄和角色变成可调参数
既然共振峰对应体型与年龄，那它也可以被当作独立于音高的旋钮来用。配音与有声书行业早就在这么做：
• 儿童角色：共振峰上移 15%~20%，配合小幅升调 1~2 半音，听感立刻变小。
• 老者角色：共振峰略下移 5%~10%，配合轻微降调，再加一点高频衰减，比单纯压低音高可信得多。
• 卡通或怪物角色：不锁共振峰、放任下移，故意把体型夸张掉------这时候「熊化」不是 bug，就是要的效果。
• 跨性别配音：只调音高往往听起来别扭，共振峰偏移才是主导项。
核心认知：音高决定「唱得高不高」，共振峰决定「这个人多大」。两者要分开决策。
AIFooler 的网页端把升降调与格式处理都收在一处，先上传本地文件做降调、再用音频变调工具对比不同参数，两版来回切换试听，比在多个软件之间导文件快得多。
认知收尾：先问「我要改的是什么」
同一个降调动作里，其实藏着两个独立的问题：声音要低多少，以及这个人该有多大。绝大多数「变调不好听」的抱怨，都源于只考虑了前者。把音高和共振峰当成两个旋钮分别决策，比反复换工具、反复重跑参数有用得多。