以頻譜回應《頻譜分析：究竟警察說的是「自由」還是「豬」？》
朱孝文《頻譜分析：究竟警察說的是「自由」還是「豬」？》（下稱原文）在此：link
先說立場，我基本上和原文一樣：以觀察聲音的時頻譜Spectrogram作分析，為2019年6月12日一名警察挑釁商場內的市民所用字句的討論，作出「是『豬』的可能性比『自由』大」的推斷；文章結尾亦以神經元解說這種「視覺影響聽覺」現像的原因。
我認為原文順理成章，惟對聲音頻譜的可有更準確的解讀，所以以這篇文章補充原文的觀點。
聲音與時頻譜
（來源：原文）
（若怕麻煩太多資訊可直接跳到”「自由」和「豬」”聽例子）
我們聽聲音時其實是在聆聽許多（二萬個）頻率合成的結果，這些頻率各自影響著我們聽覺的質感。愈高頻的聲音愈尖銳、聲音的音高愈高（愈高音）；愈低頻的聲音愈沈厚、聲音的音高愈低（愈低音）。頻率之間的強度差別令到不同的音色產生，例如即使奏著同一個音，小提琴的音色會比鋼琴大不同。
由於聲音具時間性，時頻譜能幫助我們以圖像平面地閱讀聲音，了解聲音不同時間點的頻率分佈，以方便了解聲音的內容。本文內此點以下的時頻譜之X軸為時間(s)，Ｙ軸為頻率（Hz），顏色的愈淺代表信號愈強烈(dB）。
Ｙ軸的比例
其實聲音處理中頻率常的比例是Log(對數）計算的，而非原文Y軸用到的Linear（線性）比例。因為大部分日常聽到的聲音的基本頻率(fundamental frequency)都在大約100Hz-1000Hz內，人聲則大約在100Hz-400Hz。再者100Hz與400Hz聽覺上的分別遠遠大過於18100Hz與18400Hz，但為簡化我不在此延申下去。用Log比例看時頻譜可令我們看得更多，更清楚。
以下是一段清楚收音的說話的時頻譜，上圖用到原文的Linear比例，下圖用到Log比例。（按圖可放大）
上圖（如原文一樣只顯示0-10kHz)
下圖(0-20kHz)
上圖，即是Linear的那張，聲音集中在底部；而下圖，即Log的那張，聲音集中在中間，重要的資訊被放大，包括說話的基本頻率，我們可更仔細的閱讀聲音的內容。
「自由」和「豬」
前文比較複雜，這段起會有更多的圖和聲音幫助說明。
「自」zi6和「豬」zyu1 字廣東話讀上來都是分為兩部份，前半部份兩字共通的z音，讀上來有「擦」音，音質上會較多高頻；後半部份的i和yu則不同，i音不強烈加上6聲變得短促，yu音則實在，加上1聲有拖長的感覺。「由」jau4的聲母j讀上來似英文的y音，輕而快，au則沈而促，4聲有一個降調的感覺。
「自由」
我們以林鄭月蛾6月15日暫緩修例的記者會中提到的「自由」為例，看看「自」字在時頻譜上是怎樣？
（Link Crop from 08：53）
我們可以見到，「自」和圖中其他宇不同，有明顯的兩部份，前部份較多高頻，後半部份比其他未弱，但存在；「由」則著重在低音部份，其降調使在圖上有向右下斜的特點。
我再舉多2個「自由」的例子，一個來自上屆特首梁振英，一個來自《海闊天空》中的黃家駒。
梁振英「2015年香港最佳新聞獎」頒獎典禮的致辭：
（Link Crop from 01：19）
《海闊天空》中的黃家駒，因為本身存在樂器部份，所以我過濾了樂器聲：
即使由三把口說出來，「自」在時頻譜上仍然有一樣的特性：有明顯的兩部份，前部份較多高頻，後半部份比其他未弱，但存在；「由」則著重在低音部份，其降調使在圖上有向右下斜的特點。
「豬」
我們再看看「豬」在時頻譜上是怎樣？我用了有線新聞報導非洲豬瘟的片段作例字。
「豬」字兩部份分明，前半的「切」音和後半的「於」音份量差不多，不像「自」的重前弱後。
主菜
學陳醫生議員說，「主菜來了」。哪麼原片內的警員說的是「自由」還是「豬」呢？我們先聽聽，為了更專心分析警員的說話，我過濾了部分雜音。
你看到/聽到甚麼？
我的解讀：
清楚可見時頻譜中「？閪」是兩個字，非三個字，就算很快讀出也會有兩個字的分開點，但不見。令人聽到「自由」的疑點來自他說「豬」後的短暫停頓。其長度也符合「豬」的1音。最後：我對住時頻譜真係聽到個「豬」字。
「視覺影響聽覺」的假像
說了半天，其實答案早就存在。要對抗視覺的影響，關上眼睛就可以了。
假像的成因可以參考原文，如果你對這現像有興趣，我也介紹以下兩個sound illusion你看看。
McGurk Effect
真實的視覺影響聽覺，看片就可以了。
Diana Deutsch’s Phantom Words
請坐在一對雙聲道（Stereo)喇叭正中間，用心聆聽錄音，用字一路寫低聽到的詞語。
解說在此：link
筆者為簡僖進，畢業於香港演藝學院主修聲音系統設計，為AK IN KK – Nature Field Recording HK 創辦人，亦為聲音工作者。
