1. 声学基础回顾：声音的物理特性与人耳听觉

各位同学，欢迎来到《声学设计到DSP实现》的第一章。我是你们的讲师，一个在声学和DSP领域摸爬滚打了十几年的工程师。今天咱们不聊虚的，直接扎进声学最核心的几个概念。你可能会问，做DSP为什么要学声学？我告诉你，不懂声音的物理本质，你写的算法就是空中楼阁。好，咱们开始。

1.1 声音的物理特性

声音是什么？说白了，就是机械振动在介质（通常是空气）中的传播。它有几个逃不开的基本参数。

1.1.1 频率与波长

频率（f）：单位时间内振动的次数，单位是赫兹（Hz）。人耳能听到的范围大约是20 Hz到20 kHz。低于20 Hz叫次声波，高于20 kHz叫超声波。我个人习惯把频率想象成“音调的高低”——频率越高，声音越尖锐。

波长（λ）：一个完整振动周期在介质中传播的距离。它们的关系很简单：

λ = c / f

其中c是声速（常温下约343 m/s）。举个例子，1 kHz的声音，波长大约是0.343米。我在做会议室声学设计时，经常用这个公式估算低频驻波的位置——你想想看，50 Hz的波长接近7米，房间尺寸如果刚好是它的整数倍，那低频嗡嗡声就来了。

1.1.2 声压级（SPL）

声压级衡量声音的“响度”，单位是分贝（dB）。它不是线性刻度，而是对数刻度。公式如下：

SPL = 20 * log10(p / p_ref)

其中p是有效声压，p_ref是参考声压（20 μPa，人耳能听到的最小声压）。

为什么要用对数？因为人耳对声音的感知范围太宽了——从0 dB（听阈）到120 dB（痛阈），声压差了100万倍。用分贝表示，数字就变得好处理。我曾经在消声室测过一款麦克风的底噪，数据出来是-105 dBV，换算成SPL大概就是15 dB(A)左右。嗯，这个数值对录音来说已经非常安静了。

声源	声压级（dB）	主观感受
树叶沙沙声	10-20	极安静
正常交谈（1米）	60-70	舒适
繁忙街道	80-90	吵闹
摇滚演唱会	110-120	痛阈

1.2 人耳听觉特性

人耳不是一台完美的“声学测量仪”。它有自己的脾气和偏好。做DSP如果不了解这些，你设计的算法听起来就会“不对味”。

1.2.1 等响曲线

人耳对不同频率的敏感度不一样。等响曲线（Fletcher-Munson曲线）告诉我们：在相同声压级下，中频（2-4 kHz）听起来最响，低频和高频则相对“吃亏”。

举个例子：一个40 dB的100 Hz声音，和一个40 dB的1 kHz声音，你听起来会觉得1 kHz那个更响。为什么？因为人耳对低频不敏感。我在做耳机EQ时，经常要参考等响曲线做低频补偿——尤其是小音量听歌时，不补偿低频，声音就干巴巴的。

1.2.2 掩蔽效应

一个声音的存在，会让人耳对另一个声音的感知能力下降。这就是掩蔽效应。它分两种：

• 频域掩蔽：一个强音会掩蔽掉它附近频率的弱音。比如一个1 kHz的纯音，会让950 Hz到1050 Hz范围内的声音更难被听到。
• 时域掩蔽：强音出现前（前掩蔽）和消失后（后掩蔽）的一小段时间内，弱音会被掩蔽。

你想想看，MP3压缩为什么能压那么小？就是利用了掩蔽效应——把那些被掩蔽掉的、人耳听不到的声音信息直接扔掉。我在做音频编解码器时，经常要调整掩蔽阈值模型，稍微偏一点，压缩出来的声音就有“空洞感”。

1.3 室内声学基础

声音在房间里不是自由传播的。它会撞墙、反弹、衰减。搞DSP的人如果不理解室内声学，做出来的回声消除、降噪算法就是纸上谈兵。

1.3.1 混响时间（RT60）

混响时间定义为：声源停止发声后，声压级下降60 dB所需的时间。它是衡量房间“活跃度”的核心指标。

赛宾公式给出了一个估算方法：

RT60 = 0.161 * V / A

其中V是房间体积（m³），A是总吸声量（m²·Sabine）。

举个例子：一个100 m³的会议室，如果墙面都是硬质材料（吸声系数低），RT60可能超过1秒，开会时说话嗡嗡响。如果铺上地毯、挂上吸声板，RT60降到0.5秒以下，语音清晰度就上来了。

房间类型	推荐RT60（秒）	特点
录音棚	0.2-0.4	干声，适合后期处理
音乐厅	1.5-2.5	丰满，有包围感
会议室	0.4-0.6	清晰，不费力
教室	0.5-0.8	兼顾清晰与饱满

1.3.2 直达声与反射声

声音从声源到人耳，走的路不一样：

• 直达声：直接传播，不经过任何反射。它最先到达，携带声源的方向和原始音色信息。
• 早期反射声：经过一次或几次反射后到达（通常在50 ms内）。它影响声音的空间感和亲切感。
• 混响声：经过多次反射后到达，方向感模糊，决定房间的“氛围”。

在DSP中，我们经常用“干湿比”来控制混响效果。干信号就是直达声，湿信号就是混响声。我做算法时，习惯把早期反射和后期混响分开处理——早期反射用几个延迟线模拟，后期混响用梳状滤波器和全通滤波器级联。这样调出来的混响更自然。