我的猜测是，希尔伯特变换是一个预处理步骤，它试图使实际的音高检测阶段（在这种情况下为 AMDF）更加稳健。

基本推理是这样的：语音的音高检测由于信号的时变频谱特性而变得更加困难。另一方面，脉冲序列的音调检测很容易：只需计算每个脉冲之间的样本数（或寻找自相关函数的第一个峰值/ AMDF 的第一个下降等）。对语音信号进行预处理以使其更像脉冲，从而改善结果。

在您的图表中，希尔伯特变换确实使语音脉冲更具脉冲性，尽管我认为其他预处理步骤（例如，通过估计的频谱包络进行逆滤波）可能会产生更好的结果。

在一般的一阶共振系统中，能量通常在两个量之间不断交换，例如位移与动量（等），而组合能量的变化速度要慢得多。在带通之后，希尔伯特变换器试图从实际测量的另一个量（例如局部气压或谐振器表面的位移）中估计一个量（未测量）。如果两个不同量之和的能量随着时间的推移保持大致相同，那么在该频率上可能存在值得测量的能量。否则，它可能只是一个测量瞬态，与在该频率下发生的一些共振没有太大关系。

发声通常涉及几种不同的声道​​共振。在尝试描述多个同时发生的能量交换系统的混合情况时，尝试分别检测和/或测量每个潜在的共振通常比尝试一次解决整个混合更容易。