Вы, именно вы вытягивали тему на своих плечах, за что вам от меня большое человеческое спасибо! Обиден для меня был бы полный игнор, и то я бы воспринял это, как должное, повторюсь- я никто и звать никак. И всё-же интересно, если я тупица, зачем вы со мной возитесь? Это что, материнский инстинкт? Думаю вы убеждали не меня, а себя.
Относительно простоты музыки- попробуйте передать музыку шёпотом, особенно то, что люблю слушать я- https://music.yandex.ru/artist/42170/tracks . Мелодию сможете, ритм- только отдельно.
Речь распознаётся с помощью частотно-ритмических сигнатур. Точная частота при этом не нужна. В обычной жизни человек врядли использует больше 600 слов и 10 интонаций (вопрос, просьба, утверждение, индифферентность, страсть и т.д.). Музыка требует более тщательного анализа и образного мышления. Пусть это тоже сигнатуры, но у каждой много вариантов значений и взаимных влияний. По аналогии с оцифровкой звука, можно сказать, что речь- сжатая музыка с меньшей стойкостью к потерям.
Насчёт фаз я, честно говоря, не очень секу. Пока думаю, провожу мысленные эксперименты. К примеру допустим, идут четыре сигнала по четырём трассам, пересекающимся в точке А. С какой мгновенной частотой и амплитудой будет колебаться эта точка? Какими свойствами она должна обладать? Важна ли фаза её колебаний, или только дельта-функция фазы? Возможно ли по её колебаниям восстановить все четыре сигнала? Если никто не поможет, то я буду думать очень долго.
В приведённой выше схеме, при идеальных компонентах, сигнал первого гетеродина синхронизируется с входным сигналом. Второй гетеродин уже будет рассинхронизирован. Фаза сигнала на выходе будет уже не та и будет изменяться по своему закону. Преобразование будет возможно, если понятие "мгновенная частота"- не пустой звук, а что-то значит.
Читать вас сложно, но в этом и есть удовольствие.
Уважаемый Музистор масштабировал сонограмму в районе 1кГц, что не совсем корректно и обмануло ваш слух, хотя сохранило узнаваемость музыки. Я делал несколько иначе. Но при сохранении в jpeg, тоны терялись, а при сохранении в wav, тоны размылись.
Вот это-
действительно камень преткновения. Сигнал надо обрабатывать вместе с гармониками. Время жизни их мало, но они важны особенно при ударном возбуждении тона. Но если амплитуда передаётся отдельно от частоты, может она скомпенсирует?Поскольку фаза - это УГОЛ (или время задержки относительно начала синусоиды), то его значение ПРЯМО ПРИВЯЗАНО к частоте конкретной гармоники. Перенос гармоники в на другую частоту сделает эту фазу бессмысленной. Так и происходит на практике. При восстановлении фазы исказились до булькающего голоса.
)? Я верчу проблему в руках, как головоломку (а не как напёрсточник). Проверяю ваши утверждения на монументальность и на наличие "бэкдооров". 
