我按照这篇论文并参考了这个MATLAB 教程，在 Python 中实现了相位声码器算法来对语音信号进行时间拉伸。我可以将原始信号中的单词与再合成结果区分开来，并且正如预期的那样，即使时间轴已被拉伸，音高也不会改变（这是使用相位声码器的目标）。但是，存在明显的伪影。具体来说，与输入相比，输出包含更多类似于高斯噪声的噪声，并且这些词听起来有点像机器人说话。我已经尝试了一些改进，例如本文提出的身份锁相，但结果保持不变。有没有人遇到过类似的问题？我怎样才能改善结果？