2、人耳听觉基础：双耳听觉、声源定位机制（ITD/ILD）、哈斯效应、优先效应、听觉掩蔽与心理声学基础

空间音频技术的核心目标，是让听者通过耳机或扬声器重建出具有方位感、距离感和空间包围感的声场。要实现这一目标，工程师必须首先理解人耳如何感知声音的空间属性。人耳并非一个精密的“声学测量仪”，而是一个经过亿万年进化、具有高度非线性与自适应性的生物感知系统。本章将深入剖析双耳听觉的物理基础、声源定位的关键机制（ITD/ILD）、哈斯效应与优先效应、听觉掩蔽效应，以及心理声学的基本原理，为后续学习空间音频编码、双耳渲染和虚拟环绕声算法奠定坚实的理论基础。

上图展示了人耳空间感知的整体框架：声波到达双耳后，听觉系统通过提取时间差、声级差和频谱滤波三种主要线索，在脑干和听觉皮层中完成声源定位。同时，哈斯效应和听觉掩蔽效应作为心理声学的重要法则，深刻影响着空间音频系统的设计与感知效果。下面我们将逐一展开这些核心机制。

2.1 双耳听觉与声源定位的物理基础

2.1.1 核心原理：双耳线索的产生

双耳听觉（Binaural Hearing）是人类空间听觉的基石。当声波从空间中某一点传播到听者头部时，由于头部、耳廓、躯干等生理结构的存在，到达左耳和右耳的声波会产生物理差异。这些差异被听觉神经系统编码，成为大脑判断声源方位的关键信息。具体而言，双耳线索主要分为两类：

• 双耳时间差（Interaural Time Difference, ITD）：声波从声源到达较近一侧耳朵与较远一侧耳朵之间的时间延迟。对于正前方声源，ITD为0；对于正侧方（90°）声源，ITD达到最大值。理论最大ITD约为头部直径除以声速，即约0.63ms（假设头宽17cm，声速343m/s）。人耳对ITD的感知精度极高，可分辨约10微秒的时间差，这相当于在1米距离上声源移动约3.4毫米产生的差异。
• 双耳声级差（Interaural Level Difference, ILD）：由于头部对声波的遮蔽效应，到达远侧耳朵的声波强度会衰减，尤其是当声波波长小于头部尺寸时（即高频成分）。对于低频声波（波长大于头部尺寸），声波可以绕射通过头部，因此ILD很小；对于高频声波（波长小于头部尺寸），头部形成明显的“声影区”，ILD可达20-30dB。因此，ILD主要在高频段（约3kHz以上）发挥定位作用。

值得注意的是，ITD和ILD并非独立工作，而是由听觉系统根据频率进行分工协作：低频段（<1.5kHz）主要依赖ITD，高频段（>3kHz）主要依赖ILD，中频段（1.5-3kHz）两者共同作用。这种分工被称为“双工理论”（Duplex Theory），由Lord Rayleigh于1907年提出，至今仍是声源定位研究的理论基础。

2.1.2 判断方法与操作流程：HRTF测量与双耳渲染

在实际空间音频系统中，工程师通常使用HRTF（Head-Related Transfer Function，头部相关传输函数）来描述从自由场声源到鼓膜处的声学传输特性。HRTF包含了ITD、ILD以及耳廓、头部、躯干引起的所有频谱滤波信息。测量HRTF的标准流程如下：

1. 测量环境准备：在消声室中进行，扬声器放置在距听者中心1-2米的球面上，通常以5°或10°的方位角间隔布置测量点（水平面360°、垂直面±90°）。
2. 信号激励：使用最大长度序列（MLS）或指数正弦扫频信号（ESS）作为激励信号，通过扬声器播放。
3. 双耳采集：在听者双耳道入口处（或鼓膜处）放置微型麦克风，同步记录声压信号。
4. 系统解卷积：将采集到的信号与激励信号进行解卷积运算，得到该方位角的双耳脉冲响应。
5. 数据后处理：去除扬声器频率响应和麦克风响应的影响，得到纯HRTF数据；通常还会进行平滑处理以减少测量噪声。

在双耳渲染引擎中，HRTF数据以FIR滤波器组的形式存储。渲染时，将单声道声源信号分别与左耳和右耳的HRTF进行卷积运算，即可生成具有空间方位感的双耳信号。现代空间音频系统（如Apple Spatial Audio、Dolby Atmos Renderer）通常采用个性化HRTF或基于人体测量学参数（头宽、耳廓尺寸等）的HRTF选择算法，以提升定位准确性。

2.1.3 案例拆解：ITD/ILD在虚拟现实音频中的应用

在VR（虚拟现实）音频系统中，ITD/ILD的准确渲染直接决定了用户的沉浸感。以Meta Quest 3的音频SDK为例，其空间音频渲染管线如下：

处理阶段	技术实现	关键参数
声源定位	基于对象的位置追踪	方位角、仰角、距离
HRTF选择	从HRTF数据库中选择最接近的方位角数据	数据库分辨率：5°间隔
ITD补偿	对低频信号施加群延迟	最大延迟0.63ms
ILD补偿	对高频信号施加增益差	最大增益差20dB
距离衰减	基于距离的增益调整和低通滤波	距离加倍，声压级-6dB

在实际测试中，工程师发现仅依赖ITD/ILD渲染时，用户容易产生“前后混淆”（即无法区分声源在前方还是后方）。这是因为ITD/ILD在前后方位上是对称的（例如，正前方和正后方声源产生的ITD均为0）。解决这一问题的关键在于引入HRTF中的耳廓滤波效应，即通过频谱中的特定凹陷（Notch）和峰谷（Peak）来编码垂直方位和前后方位信息。

2.1.4 常见误区与总结复盘

• 误区一：认为ITD和ILD在所有频率上同等重要。实际上，低频段ITD占主导，高频段ILD占主导，中频段两者混合。若在低频段强行施加ILD，或在高频段强行施加ITD，反而会降低定位精度。
• 误区二：忽略个性化差异。每个人的头宽、耳廓形状不同，导致HRTF存在显著个体差异。使用非个性化HRTF时，定位准确率会下降，尤其是垂直方向定位。研究表明，使用个性化HRTF可将垂直定位准确率从60%提升至85%以上。
• 误区三：将ITD视为恒定延迟。实际上，ITD随频率变化，尤其是当声源偏离正前方时，不同频率成分到达双耳的时间差并不完全一致。精确的ITD建模应考虑频率依赖性。

2.2 哈斯效应与优先效应

2.2.1 核心原理：听觉融合与延迟声感知

哈斯效应（Haas Effect），又称优先效应（Precedence Effect），由荷兰声学家Helmut Haas于1951年通过实验发现。该效应描述了人耳对直达声和反射声的感知规律：当两个相同声音先后到达听者耳朵时，如果延迟时间在1-5ms范围内，听者会将它们感知为一个融合的声音，且声源方位由先到达的声音（直达声）决定；当延迟时间在5-30ms时，听者仍能感知到融合，但会感觉到声音的“加厚”或“扩展”；当延迟时间超过30ms时，听者会明确感知到回声。

哈斯效应的生理机制与听觉系统的“起始边沿检测”有关。听觉神经元对声音的起始瞬态（Attack Transient）非常敏感，先到达的声音会触发神经元的强烈响应，并对后续到达的声音产生抑制效应。这种抑制机制使得大脑能够忽略早期反射声的方位信息，从而避免在复杂声学环境中产生定位混乱。

哈斯效应在空间音频和声学设计中有重要应用：

• 扬声器阵列设计：在大型场馆中，通过延迟扬声器组的输出信号，使各扬声器的声音同时到达听众位置，从而避免回声和定位偏移。
• 声学补声系统：在剧院或会议室中，利用延迟扬声器增强远场声压级，而不改变声源定位。
• 混响与空间感设计：在混响器算法中，通过控制早期反射声的延迟时间和相对电平，可以模拟不同大小的空间感。

2.2.2 判断方法与操作流程：延迟时间与电平的权衡

在实际工程中，利用哈斯效应进行扬声器补声时，需要遵循以下操作流程：

1. 确定参考点：选择听众区域中距离主扬声器最远的位置作为参考点。
2. 计算延迟时间：测量主扬声器到参考点的声传播时间T1，以及补声扬声器到参考点的声传播时间T2。补声扬声器的信号延迟应设置为T1 - T2，使得两路声音同时到达参考点。
3. 调整补声电平：补声扬声器的输出电平应比主扬声器低5-10dB，以确保主扬声器的方位感知不被破坏。如果补声电平过高，即使延迟正确，听者也可能将声源定位到补声扬声器方向。
4. 验证融合效果：在参考点进行主观试听，确认无回声感、无定位偏移。若存在回声感，可适当减小补声电平或增加延迟时间（但不超过30ms）。

2.2.3 案例拆解：大型会议室扩声系统设计

某大型会议室（长30m，宽15m，高4m）需要设计扩声系统，主扬声器位于主席台正前方，听众区纵深25m。由于房间较长，后场听众听到的声音声压级不足，且直达声与墙面反射声之间的延迟过大，导致语音清晰度下降。

初始现象与目标：后场（距主席台20-25m）语音清晰度评分（STI）仅为0.45，低于0.5的合格标准。目标是将STI提升至0.6以上，同时保持声源定位在主席台方向。

关键输入数据：主扬声器灵敏度98dB/W/m，额定功率200W；后场听众处直达声声压级为72dB，背景噪声约45dB；房间混响时间RT60为1.2s（中频）。

分析判断过程：后场声压级不足（72dB vs 目标80dB），且直达声与一次反射声的延迟差约为50ms（基于房间尺寸估算），已超过哈斯效应的融合范围，导致回声感。解决方案是增加补声扬声器，利用哈斯效应在不改变定位的前提下提升后场声压级。

实际操作步骤：

1. 在后场（距主席台18m处）安装4只补声扬声器，均匀分布在天花板下方。
2. 测量主扬声器到后场听众的声传播时间：T1 = 25m / 343m/s ≈ 73ms。
3. 测量补声扬声器到后场听众的声传播时间：T2 = 7m / 343m/s ≈ 20ms。
4. 设置补声扬声器的信号延迟为 T1 - T2 = 53ms，但考虑到哈斯效应，实际延迟可设置为40ms（留有余量），确保补声信号晚于直达声到达。
5. 调整补声扬声器输出电平，使其在后场听众处产生的声压级为75dB（比主扬声器直达声高3dB，但通过延迟控制，主扬声器仍主导定位）。
6. 使用数字信号处理器（DSP）对补声信号进行高通滤波（80Hz以下切除），减少低频混响干扰。

结果对比：实施后，后场STI提升至0.62，语音清晰度显著改善。主观试听确认，声源定位仍保持在主席台方向，无回声感。补声扬声器的加入使后场声压级提升至78dB，信噪比改善至33dB。

风险与代价：补声扬声器的延迟设置需精确，若延迟过短（<5ms），可能导致梳状滤波效应，使声音产生“金属声”；若延迟过长（>30ms），则会产生回声。此外，补声扬声器的电平需谨慎调整，过高会破坏定位，过低则无法达到补声效果。

2.2.4 常见误区与总结复盘

• 误区一：认为延迟时间越长越好。实际上，超过30ms的延迟会产生回声，破坏清晰度。在补声系统中，延迟应控制在10-20ms范围内。
• 误区二：忽略梳状滤波效应。当直达声与补声信号延迟差小于5ms时，两者在频域上会产生梳状滤波，导致某些频率增强、某些频率抵消，声音质量严重劣化。
• 误区三：补声电平设置过高。如果补声扬声器电平超过主扬声器，听者会将声源定位到补声扬声器方向，破坏声像一致性。

2.3 听觉掩蔽与心理声学基础

2.3.1 核心原理：频域掩蔽与时域掩蔽

听觉掩蔽（Auditory Masking）是指一个声音（掩蔽声）的存在使得另一个声音（被掩蔽声）的听阈提高的现象。掩蔽效应是心理声学最核心的法则之一，也是所有感知音频编码（如MP3、AAC、Opus）的理论基础。

频域掩蔽（Frequency Masking）：当一个强音（如1kHz、80dB SPL）存在时，其邻近频率的弱音（如1.1kHz、50dB SPL）将无法被听到。掩蔽效应的强度取决于掩蔽声与被掩蔽声的频率差、声压级差以及两者的带宽关系。人耳对频率的解析能力以“临界频带”（Critical Band）为单位，每个临界频带约等于1/3倍频程（在1kHz以下约100Hz，在1kHz以上约等于中心频率的20%）。当掩蔽声和被掩蔽声位于同一临界频带内时，掩蔽效果最强。

时域掩蔽（Temporal Masking）：掩蔽效应不仅发生在同时呈现的声音之间，也发生在时间上相邻的声音之间。前掩蔽（Forward Masking）指掩蔽声结束后，被掩蔽声的听阈在短时间内（约20ms）仍然提高；后掩蔽（Backward Masking）指掩蔽声开始前，被掩蔽声的听阈在短时间内（约100-200ms）已经提高。后掩蔽的持续时间比前掩蔽长，但掩蔽量较小。

掩蔽效应的生理机制与耳蜗基底膜的行波传播特性和听觉神经元的自适应调节有关。强音刺激会使基底膜上相应位置的毛细胞产生饱和，降低对邻近频率的敏感度；同时，听觉神经元的发放率在强刺激后需要一段时间恢复，导致时域掩蔽。

2.3.2 判断方法与操作流程：心理声学模型在音频编码中的应用

在感知音频编码中，心理声学模型用于计算每个频带的掩蔽阈值，从而决定量化噪声的分配。以MP3编码器为例，其心理声学模型的操作流程如下：

1. FFT分析：对输入音频帧（通常为1152个采样点）进行1024点或512点FFT，得到频谱幅度。
2. 临界频带划分：将频谱划分为26个临界频带（对应人耳的非线性频率分辨率）。
3. 掩蔽阈值计算：对每个临界频带，根据其中的最大声压级计算掩蔽阈值。掩蔽阈值由以下因素决定：
   • 掩蔽声的声压级（越高，掩蔽越强）
   • 掩蔽声的频率（低频掩蔽高频的能力强于高频掩蔽低频）
   • 掩蔽声的带宽（宽带噪声的掩蔽效果强于纯音）
4. 全局掩蔽阈值：将所有临界频带的掩蔽阈值叠加，得到全局掩蔽阈值曲线。
5. 信掩比（SMR）计算：计算每个频带的信号电平与掩蔽阈值之差，得到信掩比。信掩比决定了该频带所需的量化精度。
6. 比特分配：根据信掩比分配量化比特，信掩比高的频带分配更多比特，信掩比低的频带分配较少比特甚至不分配比特。

2.3.3 案例拆解：AAC编码器的掩蔽阈值计算

以AAC-LC编码器处理一段48kHz采样率的音乐信号为例，分析其心理声学模型的工作过程。

输入信号特征：某帧信号包含一个1kHz、90dB SPL的强音成分，以及一个3.5kHz、50dB SPL的弱音成分。采样率为48kHz，帧长度为1024个采样点（约21.3ms）。

分析判断过程：

1. FFT分析后，1kHz成分的频谱幅度为90dB，3.5kHz成分的频谱幅度为50dB。
2. 临界频带划分：1kHz位于第8个临界频带（中心频率约1kHz，带宽约100Hz）；3.5kHz位于第17个临界频带（中心频率约3.5kHz，带宽约700Hz）。
3. 计算1kHz掩蔽声对3.5kHz的掩蔽阈值：根据掩蔽曲线的扩展函数，1kHz的掩蔽声在3.5kHz处产生的掩蔽阈值约为90 - 25×(3.5-1) = 90 - 62.5 = 27.5dB SPL（假设低频掩蔽高频的斜率为-25dB/倍频程）。
4. 由于3.5kHz成分的声压级（50dB）远高于掩蔽阈值（27.5dB），因此该成分不会被掩蔽，需要分配足够的比特进行编码。
5. 如果3.5kHz成分的声压级降至25dB，则低于掩蔽阈值，该成分将被判定为“不可听”，编码器可以将其量化噪声提高到掩蔽阈值水平，从而节省比特。

实际操作与结果：在AAC编码器中，心理声学模型输出的掩蔽阈值被用于控制量化步长。对于本例，3.5kHz成分的量化步长可以适当增大，因为其信掩比为50-27.5=22.5dB，仍有较大余量。编码器将节省的比特分配给其他信掩比较低的频带，从而在整体上提升音频质量。

2.3.4 常见误区与总结复盘

• 误区一：认为掩蔽效应是“全有或全无”的。实际上，掩蔽是渐变的，被掩蔽声的听阈会随着掩蔽声强度的增加而平滑上升，而非突然从可听变为不可听。
• 误区二：忽略时域掩蔽的影响。在瞬态信号（如鼓点、打击乐）中，时域掩蔽对感知质量的影响甚至超过频域掩蔽。编码器需要同时考虑前掩蔽和后掩蔽，以避免瞬态前后的量化噪声被听到。
• 误区三：将掩蔽阈值视为固定值。掩蔽阈值随信号动态变化，编码器需要逐帧更新
  ← 上一章 📖 返回目录 下一章 →