第2章 声学基础回顾：声音的物理特性、人耳听觉与室内声学
做声学信号处理，说白了就是跟声音打交道。你得先搞清楚声音到底是什么，耳朵怎么听，房间怎么影响它。这三件事搞不明白，后面做自适应算法就是空中楼阁。我刚开始做回声消除时，就吃过这个亏——以为算法能搞定一切，结果在混响严重的会议室里，效果一塌糊涂。
好，咱们从头捋一遍。
2.1 声音的物理特性
声音的本质是机械波。它需要介质传播，在空气中就是疏密波。三个核心参数：频率、波长、声压级。
2.1.1 频率与波长
频率决定音高，单位是赫兹（Hz）。人耳能听到的大概是20 Hz到20 kHz。低于20 Hz叫次声波，高于20 kHz叫超声波——咱们做声学场景自适应，主要关心20 Hz–8 kHz这个范围，因为大部分语音能量都集中在这里。
波长和频率的关系很简单：
λ = c / f其中c是声速（常温下约343 m/s），f是频率。举个例子：1 kHz的声音，波长大约是0.343米，也就是34厘米。你想想看，一个麦克风阵列的间距如果远大于这个波长，空间采样就会出问题——我在做波束成形时踩过这个坑。
2.1.2 声压级（SPL）
声压级用分贝（dB）表示，公式是：
SPL = 20 * log10(p / p_ref)p_ref是参考声压，20 μPa，大致是人耳能听到的最小声压。0 dB就是听阈，120 dB是痛阈。日常对话大概40–60 dB，会议室背景噪声通常在35–45 dB之间。
这里有个容易混淆的点：dB SPL和dB FS（数字满量程）不是一回事。模拟信号进ADC之前，你得留好headroom。我曾经在项目里没注意这个，结果信号削波了，整个自适应滤波器发散——嗯，教训深刻。
| 声源 | 典型SPL (dB) | 主观感受 |
|---|---|---|
| 树叶沙沙声 | 10–20 | 极安静 |
| 轻声耳语 | 30–40 | 安静 |
| 正常对话 | 50–60 | 适中 |
| 繁忙街道 | 70–80 | 嘈杂 |
| 摇滚演唱会 | 100–110 | 震耳 |
2.2 人耳听觉特性
人耳不是一台完美的声学测量仪。它有非线性、有掩蔽、有临界频带。做自适应处理时，如果你不了解这些，算法可能做了很多无用功——因为人耳根本听不出来。
2.2.1 掩蔽效应
一个强音会掩盖一个弱音，这就是掩蔽。分两种：
- 频域掩蔽： 一个频率上的强信号，会掩盖邻近频率的弱信号。比如1 kHz的纯音，会让950 Hz或1050 Hz的弱音听不见。
- 时域掩蔽： 强音出现前几毫秒（前掩蔽）和消失后几十毫秒（后掩蔽），弱音也会被掩盖。
为什么这个重要？因为音频编码（比如MP3、AAC）就是利用掩蔽效应来压缩数据的——听不见的成分直接扔掉。咱们做自适应滤波时，也可以利用掩蔽阈值来调整降噪强度，避免过度处理导致音质劣化。
2.2.2 临界频带与Bark尺度
人耳基底膜上的频率分析不是线性的。它把20 Hz–20 kHz分成了24个临界频带，每个频带对应一个Bark。低频的临界频带窄（几十Hz），高频的宽（几百Hz甚至上千Hz）。
Bark尺度的换算公式（近似）：
z = 13 * arctan(0.76 * f / 1000) + 3.5 * arctan(f / 7500)^2其中f是频率（Hz），z是Bark数。做心理声学模型时，我习惯把频谱映射到Bark域再处理，这样更符合人耳的真实感知。
| Bark编号 | 中心频率 (Hz) | 带宽 (Hz) |
|---|---|---|
| 1 | 50 | 100 |
| 5 | 510 | 190 |
| 10 | 1720 | 500 |
| 15 | 4000 | 1100 |
| 20 | 10500 | 2500 |
2.3 室内声学
声音在房间里不是自由传播的。它会反射、衍射、吸收。室内声学对自适应处理的影响非常大——尤其是混响。
2.3.1 直达声与反射声
从声源直接到麦克风的叫直达声。碰到墙壁、天花板、地面再弹过来的叫反射声。反射声又分早期反射（50 ms以内）和晚期混响（50 ms以后）。
早期反射对语音清晰度有帮助——它相当于给直达声加了点“能量”。但晚期混响就是灾难了，它会模糊语音的时域结构，让自适应滤波器很难收敛。
我记得有一次在教堂里做测试，RT60超过2秒，自适应回声消除器完全失效。后来加了去混响预处理才搞定。
2.3.2 混响时间RT60
RT60的定义：声源停止后，声压级下降60 dB所需的时间。它是衡量房间混响程度的核心指标。
赛宾公式（估算用）：
RT60 = 0.161 * V / AV是房间体积（m³），A是总吸声量（m²·Sabine）。A = Σ(α_i * S_i)，α_i是各表面的吸声系数。
典型值：
- 小型会议室：0.3–0.6 s
- 教室：0.5–0.8 s
- 音乐厅：1.5–2.5 s
- 教堂：3–5 s
做自适应处理时，RT60直接决定了滤波器的长度。滤波器长度至少要覆盖混响时间对应的采样点数。比如RT60=0.5 s，采样率16 kHz，那滤波器长度至少8000 taps——算力不够的话，就得用频域分块处理。
2.4 本章知识体系
下面这张图把本章的核心逻辑串起来了。从物理特性到人耳感知，再到室内声学，最后落到自适应处理的工程考量——每一步都有实际意义。
好了，这一章的内容就是这些。物理参数、人耳特性、房间声学——三块基石。后面讲算法时，我会反复引用这些概念。你最好把它们记牢，或者至少知道去哪里查。