一般乐器发出的音都不是纯频率的音，而是由好多谐波（harmonic）组成的；其中频率最低的那个通常最强，叫做基音。比如小提琴发出音高 A4 的音，指的就是其基音是 440 Hz，而声波频谱里面同时有二次谐波 880 Hz、三次谐波 1320 Hz、四次谐波……等等。不同乐器发出的声音，其谐波强度分布往往完全不同，因此音色（timbre）也就不同（比如高谐波强的话听起来就亮一些）。乐音含有谐波这个特性和小整数比的和音规则有什么关系？以完全五度举例，A4 和 E5 的两个乐音，频率比为 2:3，而 A4 的三次谐波和 E5 的二次谐波刚好重合，都是 1320 Hz。相隔完全五度的两个乐音同时听起来比较好听，是不是因为它们大部分的谐波都重合了？

于是就有科学家做实验了。人们发现，把纯频率的音（不含谐波）A4 和 E5 同时发出来听并不怎么好听。还有人用电脑制作了扭曲的乐音，把 N 次谐波搞成 N^{log(2.1)/log(2)} 倍（谐波从 2 倍拉宽到 2.1 倍，自然界是没有这种声音的），然后发现谐波重合的扭曲乐音同时听起来还比较和谐，而它们的基音却不是小整数比了。还有一些别的实验，但是结论都是差不多的，就是两个乐音和谐主要是因为他们的谐波重合，转换为数学语言，就是基音必须是小整数比。

为啥谐波重合就好听呢？这是因为，如果谐波不重合但是距离很近，它们就会干涉形成低频率的拍（beat），这种低频拍音嗡嗡作响，非常难听。两个频率距离多近才会形成不好听的拍？人们一般把这个临界距离叫做临界频宽（critical bandwidth），处于临界频宽之内的两个频率就会互相干涉。这个临界频宽本身是频率的函数，频率越高，临界频宽带也就越宽，如下图所示：

可以看到，临界频宽在低频区是 100 Hz 左右；高频区大约是本身频率的 1/6。比如，900 Hz 的临界频宽是 150 Hz，这就是说，750 – 1050 Hz 频率范围内的音都会和 900 Hz 的音干涉。用音乐术语，1/6 频宽介于大二度和小三度之间（上图所示 2&3 semitones 之间），所以在高频区域里，间隔一个或者两个半音的音就会相互干涉形成不愉悦的拍。

乐音的高谐波排列非常紧密，比如 A4 的 10 次谐波和 11 次谐波分别是 4.4 kHz 4.84 kHz，间隔不到两个半音，所以高谐波之间就会相互干涉。如果对小提琴乐音做频谱分析，会发现它有很多谐波强度很弱，造成的结果是各个强谐波之间间隔都比较大，不在互相的临界频宽内，所以小提琴乐音本身极少有难听的拍，这也正是小提琴乐音很好听的原因之一。有些乐器音高很准，但是发出声音很难听，可能就是因为它自己有很多谐波互相打架，形成很多低频拍，听起来很难受。

那么为什么低频的拍听起来难听呢？有人认为这和人耳的解剖学结构有关。匈牙利生物物理学家 Georg von Békésy 发现人的耳蜗里有很多小毛毛，功能是把外界声波在内耳液体中产生的振动转换为神经电信号，而且耳蜗的特殊生理结构导致每根小毛毛只对一小段频率的振动敏感。也就是说，耳蜗就是一个频谱分析仪；而小毛毛的敏感频率段，差不多就是相应频率的临界频宽。好的乐音因为没有互相打架的拍频，小毛毛们都会做优美的简谐运动，人就会觉得很愉快；相反，如果临界频宽内有两个频率的声音，有一些小毛毛就会受到两种频率的影响，运动起来比较别扭，所以人也觉得不怎么愉快。Békésy 这个发现是得了诺贝尔医学奖的，不过后来进一步的研究发现虽然他的理论基本成立，但是数据并不正确，主要是因为 Békésy 是拿死人耳朵做实验的，因为尸体失水，耳朵的频率响应也非常不同。不过炸药奖发了就发了，也收不回了，Békésy 本人在晚年也否定了自己早期的一些研究。

如果还有人偏要问到底，为什么耳蜗里小毛毛运动别扭，人就觉得难受呢？有些问题呢，它就是没什么道理的。好不好听这本身就是个主观的问题，如果你偏要问为什么，那估计就只好把你的脑袋砸开来研究了……现代脑科学的研究已经越来越科学，越来越定量化，但是像乐音和谐度这类宏观问题上，基本上也只有一些假说，信仰假说的人多了，也就成了学派。有些哲学家对脑科学前景非常悲观，认为人自己的主观意志去研究自己的主观意志，是很难有结果的。这个说法倒是过于杞人忧天了，目前人类对脑子的了解还远远不够，可以研究的东西还多得很，不过也许在遥远的未来，人就真的要面对无法继续研究自己的问题了。

说了这么多，可千万不要以为知道了一个小整数比就可以谱曲了。翻开和声学，你会发现正统的和声规则要复杂得多，甚至用什么乐器来演奏，调起多高，是小型音乐厅还是露天演奏，等等都是需要考虑的因素。几百年前就有很多音乐家搞出各类奇奇怪怪的规则，而现代人类更是从胎教开始就逐渐接受正统的规则，作曲人即使没有受过专业训练也会在潜移默化中将这些规律继续发扬光大。事实上音乐制作已经在人类社会中形成了巨大的正反馈，某些和声规则逐渐被强化。原始部落的人们听到贝多芬的曲子，并不会神魂颠倒。所以说，可能也只有最朴素的小整数比和声规律还有一定的生理基础，现在复杂的和声学则基本上算是美学，没有道理可言。我曾经看到有人对着乐谱做傅立叶分析，研究为什么某些和声听起来好听。挺美好的音乐，偏偏硬要去扣个科学的帽子，我想说，你从小就是听这些和声规则长大的，能不觉得好听么……这个就跟我受了十多年政治教育就再也不会怀疑马克思列宁主义了是一个道理。

>> 序言 续一 续二 续三

• 人耳对音高的感觉主要取决于频率比，而不是频率差。比如 220 Hz 到 440 Hz 的音差，和 440 Hz 到 880 Hz 的音差，一般人认为是一样大的音差。
• 如果两个音的频率比值很接近小整数比，那么这两个音同时发出来人会感觉很和谐。比如 440 Hz 和 660 Hz 的两个音，频率比值是 2:3，一般叫做完全五度，同时发出来很和谐。

至于为什么有以上的规律，这个问题太深刻了，折磨了一代又一代的音乐家、数学家、物理学家、心理学家、生理学家、哲学家……这里不深入说了，就把它们当作公理好了。下面是某个测试人对各种频率比评价的结果，峰越高表示人觉得越和谐。可以看见，1:1 1:2 是很和谐的，接下来是 2:3 3:5 3:4 等小整数比。（这张图的出处不祥，应该是某个论文或者教科书。）

有了上述公理，怎么样来定音阶？早在公元前，伟大的毕达哥拉斯就发现了小整数频率比很和谐的规律。首先最简单的整数比是 1:2，接下来分别是 2:3 和 3:4，于是他先定出四个音（按照现在的写法）：F:C=4:3，G:C=3:2，高八度C’:C=2:1。然后他把 F 和 G 之间的间隔 9:8 叫做一个全音，按照 9:8 全音间隔填补空档他定下来这样的音阶：

• C:C = 1:1 = 1.0000
• D:C = 9:8 = 1.1250
• E:C = 81:64 = 1.2656
• F:C = 4:3 = 1.3333
• G:C = 3:2 = 1.5000
• A:C = 27:16 = 1.6875
• B:C = 243:128 = 1.8984
• C’:C = 2:1 = 2.0000

可以看到 E:F 和 B:C’ 之间的间隔是 256:243 = 1.0535，差不多是 9:8 的一半，毕达哥拉斯把这种间隔叫做半音。这样定出来的音阶其实已经蛮好用的了，现在把这种用整数比定音的方法叫做纯律（just intonation）。纯律的主要问题是有些音之间的比例很古怪，比如上面的 F:D 是 32:27，非常不和谐。另外，巴赫同学后来出了各种奇怪变调的钢琴曲，而纯律变调之后音阶就变了，于是巴赫就开始鼓吹当时已经建立起来的平均律（equal temperament）了。

平均律沿用了这种七个基本音的全音阶（diatonic scale）系统，但是让全音刚好等于两个半音，这样无论如何变调，整个音阶只要偏移一下即可，而各个音之间音程不变。我们知道，一个八度之间是 5 个全音间隔 + 2 个半音间隔，也就是 12 个半音间隔，于是就一刀切，直接把 2 等比分 12 份就是半音间隔了。下面是十二平均律（12-TET）和毕达哥拉斯的纯律的对比：

可以看到，十二平均律和纯律很接近，特别是 F:C 完全四度和 G:C 完全五度非常接近应有的整数比 4:3 和 3:2，只相差 2 个音分（cents）。一般没有受过音乐训练的人对 20 音分以下的音差已经不敏感；即使专业调音师，不靠仪器的话 5 个音分也基本是分辨极限了。所以在实际使用中，十二平均律对完全五度这么小的误差是完全可以忽略的。

理论上说，如果把 2 等比分为别的份数，也可以制造出可用的音阶。一个例子是等比分为 29 份，这样出来的音阶比 12-TET 更接近 3:2，但是大三度 5:4 却惨不忍睹，相差很大。一个小细节是有些音程是互补的，比如某个平均律如果很接近 G:C 3:2 完全五度，那么 C’:G 4:3 完全四度也同时被搞定。一般人们评价一个平均律，主要看它和大三度、完全五度、大六度的偏差总和（同时搞定的互补音程为小六度、完全四度、小三度），计算表明，比十二平均律更好的下一个音律是十九平均律，接下去更好的分别是 31、34 和 53。可以想象，即使是十九平均律，钢琴键盘也会复杂很多，而且由于多了很多音，不和谐的音高组合也会更多，所以非十二等分的平均律使用很有限，现在一般只局限在理论研究上。

中国古代各类弦乐器五声音阶宫商角徵羽按照五度相生律定音，演奏起来非常优美。五度相生律可以算是纯律的一种，中国人发现这个小整数比的规律应该比毕达哥拉斯早好多年。不过到了现代，特别是键盘乐器的普及以及大型乐队的配合需要，最后还是十二平均律胜出了。

>> 序言 续一 续二 续三

上面这个是频谱分析。可以看到张靓颖后面唱到 1275 Hz 左右，这个音是 E6 -50，在 Eb6 和 E6 中间，可以算走音，不过看现场伴奏状况很糟糕，更何况海豚音的控制也比较困难，要唱准音几乎是不可能的。她在这个音高稳定保持两秒半多，引来一阵掌声，对于业余歌手现场发挥，这已经相当不容易了。下面听 Minnie Riperton 原唱的片段：

海豚音开始两个音为 1310 Hz（E6） 和 1400 Hz（F6），这两个音转调自然，音高准确，不知道 1975 年录音是否有 tuning 一节，不过录音棚出这样的音乐，也不算太神奇。Minnie 后来唱现场证明她确实能准确唱到 F6 这个音，另外别的歌她唱到过 F#7，比上面所述的还要再高一个八度，惊为天人。Lovin’ You 这首歌当时上过排行榜首，只可惜 Minnie 后来英年早逝，也没有留下太多别的好歌。

Mariah Carey，高音之王，C7 以上的音随处可见。下面是著名玩弄高音的 Emotions 片段：

这里 Mariah 不但轻松唱出音阶，还有近两秒停留在 2100 Hz 左右，更过分的是她还在海豚音区玩颤音，在 C7 和 C#7 之间晃，属于赤裸裸的炫耀技巧。据说 Mariah 在别的歌里最高唱到过 G7 或者是 A7，音域跨五个八度，恐怖之极。

当然，海豚音也不是 mm 们的专利，俄罗斯小生 Vitas 的片段中：

他玩到了近 2000 Hz B6，接小段颤音，然后降到 F6，升到 F#6，音高转换近乎完美。有人说，海豚音和咽音都可以唱出极高音，但发声机理并不相同，这个问题事实上国际上并无定论。作为业余听歌的人，用不着管这么多技术细节问题，听起来好听即可。

一些解释：

• Octave 0-9 表示八度区。C-D-E-F-G-A-B 为 C 大调七个主音：do re mi fa so la si（简谱记为 1 到 7）。科学音调记号法（scientific pitch notation）就是将上面这两者合在一起表示一个音，比如 A4 就是中音 la，频率为 440 Hz。C5 则是高音 do（简谱是 1 上面加一个点）。
• 升一个八度也就是把频率翻番。A5 频率 880 Hz，正好是 A4 的两倍。一个八度区有 12 个半音，就是把这两倍的频率间隔等比分为 12，所以两个相邻半音的频率比是 2 开 12 次方，也即大约 1.05946。这种定音高的办法叫做 twelve-tone equal temperament，简称 12-TET。
• 两个半音之间再等比分可以分 100 份，每份叫做一音分（cent）。科学音调记号加上音分一般足够表示准确的音高了。比如 A4 +30 表示比 440 Hz 高 30 音分，可以算出来具体频率是 447.69 Hz。
• A4 又称 A440，是国际标准音高。钢琴调音师或者大型乐队乐器之间调音都用这个频率。
• C4 又称 Middle C，是中音八度的开始。有一种音高标定方法是和 C4 比较相隔的半音数，比方 B4 就是 +11，表示比 C4 高 11 个半音。
• MIDI note number p 和频率 f 转换关系：p = 69 + 12 x log₂(f/440)。这实际上就是把 C4 定为 MIDI note number 60，然后每升降一个半音就加减一个号码。
• 可以看到 E-F 和 B-C 的间隔是一个半音，而七个主音别的间隔都是两个半音，也叫一个全音。
• 标准钢琴琴键有大有小，大的白色琴键是主音，小的黑色琴键是主音升降一个半音后的辅音（图）。一般钢琴是 88 个琴键，从 A0 到 C8。知道了上面这些，看到钢琴键盘应该就马上能找到 Middle C 了，如下
  
• 音高间隔（音程）有各类说法，某些间隔的两个音同时发出来会比较令人身心愉快，比如频率比 3:2 的 perfect fifth 在各类乐曲都会广泛用作和弦。具体音高间隔名称：
  

  间隔半音数	间隔名	大致频率比
  0	perfect unison 完全一度	1:1
  1	minor second 小二度	16:15
  2	major second 大二度	9:8
  3	minor third 小三度	6:5
  4	major third 大三度	5:4
  5	perfect fourth 完全四度	4:3
  6	augmented fourth 增四度 diminished fifth 减五度	45:32 64:45
  7	perfect fifth 完全五度	3:2
  8	minor sixth 小六度	8:5
  9	major sixth 大六度	5:3
  10	minor seventh 小七度	16:9
  11	major seventh 大七度	15:8
  12	perfect octave 完全八度	2:1

• 人的听觉和很多音乐设备的频率范围是 20 Hz – 20000 Hz，但是成年人一般只能听到 30 – 15000 Hz，所以上面表格的频率范围已经足够用了。

>> 序言 续一 续二 续三