基频（Fundamental Frequency，常写作 F0）是声带每秒开合的次数，单位是赫兹（Hz）；音高（Pitch）是人耳对基频的主观感受。
打个比方：吉他弦调得越紧、越细、越短，振动越快，声音听起来就越高。人的声带也一样——声带拉紧、变薄，F0 上升；放松、变厚，F0 下降。成年男声说话的 F0 大致在 100 Hz 上下，女声大致在 200 Hz 上下，唱歌时能跨好几个八度；所谓“高一个八度”，就是 F0 翻一倍。
物理量和心理量要分开看。F0 是仪器能测出来的数值，音高是耳朵和脑子做出的判断，两者大致成对数关系。所以修音软件的时间轴通常按半音（semitone）来画，而不是按 Hz 来画，因为人对音高的感受本来就接近对数。
音高不等于响度，也不等于音色。 一段声音至少可以拆成三个相对独立的维度：
| 维度 | 对应的物理量 | 你听到的是什么 | 生活类比 |
|---|---|---|---|
| 音高 | 基频 F0 | 声音的高低 | 唱歌有没有走调 |
| 响度 | 声压、能量 | 声音的大小 | 喊话还是耳语 |
| 音色 | 谐波结构、共振峰（formant）、频谱包络 | 是谁在说话、是什么乐器 | 钢琴和小提琴弹同一个音 |
同一句话，你可以大声说、小声说，也可以捏着嗓子说，F0 和音量各自独立变化；而“像不像某个人”，主要取决于音色这一栏。
这就解释了一个常见的误解：做 TTS 声音克隆（voice cloning）时，只把 F0 曲线搬过去，是克隆不出同一个人的。把 A 的 F0 曲线套到 B 的嗓音上，结果更像“B 在用 A 的语调说话”。说话人身份更多取决于声道长度决定的共振峰位置、频谱倾斜、气声比例、语速与发音习惯，所以克隆系统通常还需要音色编码（speaker embedding）或专门的声学建模。反过来，F0 也不能随便丢：它承载语调、情绪和重音，如果把 F0 的起伏抹平，声音就会显得机械。因此工程上的常见做法是把 F0（连同能量、时长）作为韵律（prosody）特征单独建模，再与音色表征解耦（disentangle）。
对普通职场人来说，判断标准很实用：变声器、修音软件、AI 配音里的“音高”旋钮只改变声音的高低，不会改变说话人是谁；想换人，得换音色。评估一款语音产品时，也别只听得“高不高、像不像”，把清晰度、自然度、情感表达分开听会更靠谱。具体的接口参数和指标定义，以各家官方文档为准。