speech
語音。人類說話聲音。 audio 與 text 兩大領域的合體。
articulation
發音。以聲帶發出聲音，以喉腔、鼻腔、口腔、舌頭、牙齒、嘴唇調整聲音。整體稱做聲道 vocal tract 。
http://www.cs.princeton.edu/~prc/SingingSynth.html
phoneme / syllable
音素。ㄅㄆㄇㄈ …… ㄢㄣㄤㄥㄦ。
音節。例如ㄏㄠ ˇ 、ㄎㄜ ˇ 、ㄞ ˋ 。中文很特別，一個中文字一定是一個音節。唯一例外是兒化音：尾端連著ㄦ音。不過台灣人不說兒化音。
語言學以音素為基本單位，計算學則傾向以音節為基本單位。兩個音素拼在一起，仔細觀察波形，中間有著過渡過程，中間有著連續變化。各種拼法、各種變化，難以分解，只好視作一個整體，以音節為基本單位。
一、音節變成聲音訊號：
理論上必須模擬口腔、舌頭、送氣。至今無人成功。
實務上是真人錄音。人工朗讀四百餘種音節，儲存成聲音檔案，建立音節與聲音檔案的對照表。
二、聲音訊號變成音節：
理論上必須分析各種音節的波形特性。至今無人成功。
實務上是分類演算法。給定一種音節的聲音訊號，切 frame ，求聽覺特徵 MFCC ，額外綜合一次微分、二次微分，用 DCT 壓縮，得到一串數列（一項是一個向量共 39 個係數，一項是一個 frame ）。套用數列分類演算法 hidden Markov model 或者 neural network ，辨識音節。
知名工具 HTK 、 libdnn 、 Kaldi ，大可不必自己實作。
之所以採用分類演算法、採用機率模型，是因為要包容每一個人的說話腔調。
延伸閱讀： phonetic transcription
音標。音素所對應的文字符號。以文字記載發音方式。
音標已有國際標準，稱作國際音標，可以表示全世界所有語言的發音。中文並未使用國際音標，而是自創拼音（中國）、注音（台灣）。本篇文章採用後者。
延伸閱讀： vowel / consonant
元音與輔音。母音與子音。不好解釋，請讀者自己查資料。
注音（台灣）的聲母ㄅㄆㄇㄈㄉㄊㄋㄌㄍㄎㄏ …… ，介母與韻母ㄧㄨㄩㄚㄛㄜㄝㄞㄟㄠㄡㄢㄣㄤㄥㄦ，不等於子音和母音。
母音，嘴巴有送氣，聲帶有震動，能明顯看到 pitch 。子音，嘴巴有送氣，聲帶無震動，抓不太到 pitch 。根據嘴巴送氣的方式，子音區分成爆音、摩擦音、氣音。
既然以音節為基本單位，那麼母音子音不太重要。不過還是稍微提一下如何辨識母音子音。
一、辨識母音，可以使用 F1-F2 vowel chart 。
二、辨識子音，可以使用 voice onset time ：氣流通過與聲帶震動的時機。清音濁音可以套用 voice onset time 的概念來分類。
不過想藉由聲音訊號計算出 voice onset time ，幾乎是天方夜譚，因為麥克風偵測不太到嘴巴送氣，只偵測的到聲帶震動。如果可以加個氣流計，肯定有幫助。
目前已有軟體產品 SpiroSmart ，從聲道共振，反推氣流大小。
tone
聲調。單一音節的頻率變化。
普通話（中國）、國語（台灣）的聲調，共四種，即是一二三四聲。注意到輕聲不是聲調，輕聲是音量較低。粵語的聲調，共九種。閩南語的聲調，共七種。都不好學。
世界上大部分的語言都缺乏聲調，他們的聲調僅僅是多音節單字的頻率起伏。日語只有持平、上揚、下降，例如「あめ」，下降是「下雨」、上揚是「糖果」。英語只有持平、主重音、次重音，例如「 present 」，主重音在前是「現在」、主重音在後是「呈現」。
大部分的語言都缺乏聲調。聲調不是顯學，聲調沒有知名演算法。讀者請自行搜尋期刊論文。
http://person2.sol.lu.se/SidneyWood/praate/wavformedform.html
https://speechformants.files.wordpress.com/2007/12/methods-of-formant-tracking-fadhlis.pdf
下面是「紅豆生南國，春來發幾枝」。綠色線是音量（ dBSPL ）。黃色線是音高（ F0 ）。音高不變就是一聲、音高上升就是二聲、音高下降就是四聲、下去再上來就是三聲。
延伸閱讀：歌曲與聲調
歌曲常常受到聲調影響。
音階的頻率是固定不動的，聲調的頻率是一直變動的，兩者互相衝突。唱歌時，若想講求音準，就不能做聲調變化。
中文歌曲不做聲調變化，很難聽得懂歌詞；若做了轉音技巧，更加聽不懂。英文歌曲不做聲調變化，仍然聽得懂歌詞；若做了轉音技巧，更加好聽。
常有人說：中文歌曲不看字幕根本聽不懂在唱什麼；英文歌曲轉音好美、爆發力十足。這種崇洋媚外的心理，原罪就是聲調。
想要解決聽不懂的問題，最好的解決方式是在編曲填詞之時，仔細考慮聲調（以及稍後提到的韻律），讓樂曲的音階變化符合歌詞的聲調變化。經典範例是江蕙的家後，唱歌即唸歌，十足有味道。
國語流行歌手所寫的台語歌，常常讓人覺得缺乏味道，正是因為沒有考慮聲調。
prosody
韻律。說話的節奏和聲調。說話的抑揚頓挫。
例如口語說「星期天我們去郊遊」，「星期天」速度輕快，「我們」相對地緩慢沉重。
語言學家自有一套解釋韻律的方式。由於這不是我的專長，就不多提了。計算學家解釋韻律，只能從聲音訊號的基本要素下手：音量變化、音高變化、發聲長短。例如口語說「可愛」與「真可愛」，通常後者的「可」字時間較短、音高較低、音量較低。
這三者當中，目前研究最多的是音高變化。針對 F0 變化。知名的模型是 PENTA model 、 Fujisaki model ，大膽假設 F0 的變化是由那些因素造成的。
韻律可以比擬成語言的風格。相近的文化人種，韻律多半相似。心情起伏、健康好壞，韻律經常隨之變動。計算學也許可以解析這些事情。不過台灣沒人用計算學研究韻律，台灣最接近的單位是中研院語言學研究所。
使用現成工具處理語音
知名的語音處理工具有 Praat 、 SFS 、 VOICEBOX 。
