一句话：共振峰是声音频谱里被声道放大的那几个频率峰值；它跟声音高低无关，主要说明“这个声音是从一张什么样的嘴里发出来的”。
声带给原料，声道做造型
说话这件事可以拆成两步。声带振动，产生一串频率为基频（Fundamental Frequency，F0）整数倍的谐波，它类似嗡嗡的原料声；接着声音穿过咽腔、口腔、鼻腔，也就是声道（Vocal Tract）。声道形状像一根可以变形、可以漏气的管子，管子不同部位会放大某些频率、压低另一些频率。被放大的那几个位置，就是共振峰，通常记作 F1、F2、F3……
打个比方：同样拨一下吉他弦，装进木吉他琴箱和装进塑料玩具琴箱，听到的是两个东西。弦决定音高，琴箱决定“这是什么乐器”。声带是弦，声道是琴箱。人可以不变声调，只靠调整口型换元音，比如从“衣”滑到“啊”，就是同一根弦在不停地换琴箱。
具体一点：F1 主要跟嘴巴张多大有关，F2 主要跟舌头靠前还是靠后有关。F1 一般在几百赫兹，F2 常在一两千赫兹。成年女性、儿童的声道更短，共振峰整体更高。所以只听共振峰的分布，就能大致猜出说话人的性别和年龄，这也是“声音像谁”的重要线索。
为什么“音高对了还是不像”
做声音克隆时最容易犯的错，是只对齐音高曲线。结果听起来像“同一个人被拉长或压扁”，或者像亲戚。原因在于：音高只是激励源的参数，而听感里“是谁”主要靠频谱包络（Spectral Envelope），也就是共振峰的整体分布。
| 音高（F0） | 共振峰（Formant） | |
|---|---|---|
| 物理来源 | 声带振动快慢 | 声道形状的共鸣 |
| 听感对应 | 声音高低、语调起伏 | 音色、是哪个元音、像谁 |
| 形态 | 单一频率 | 一组峰值 F1、F2、F3… |
| 只改它会怎样 | 会得到“变声器”味道 | 会得到“换了一个人” |
顺带区分两个近邻概念：梅尔频率倒谱系数（MFCC）不是共振峰本身，而是对频谱包络的一种压缩表示，语音识别（ASR）用它，正是因为它把音高信息大致抹掉了，只保留声道信息；说话人嵌入（Speaker AI 词典：Embedding">Embedding）则是把“这个声道长什么样”压成一个向量，供声音克隆使用。
对你的实际意义
做合成与克隆：共振峰包络的匹配比音高匹配更能决定“像不像”，评估时别只看 F0 的误差。
做识别与变声：识别系统对音高不敏感，对声道变化敏感；只把音频整体升调的“伪变声”，人耳一听就穿，因为共振峰没跟着动。
做音频鉴伪：合成音频常见的破绽是音高变了、共振峰包络没跟着变，这种不一致是有效的检测线索。
做语音健康：共振峰的异常偏移在嗓音评估里常被用作参考指标。
记住一句话就够了：音高说明“唱得多高”，共振峰说明“是谁在唱”。