感知音频编码原理：人耳听觉特性、掩蔽效应、临界频带、心理声学模型

AAC 之所以能在相同码率下获得比 MP3 更好的音质，核心并不在于它使用了更先进的数学变换，而在于它更精准地利用了人耳的听觉特性。感知音频编码的本质是：只编码人耳能听到的声音，丢弃人耳听不到的信息。要理解这一过程，必须先建立三个关键概念：听觉阈值、临界频带与掩蔽效应，它们共同构成了心理声学模型的物理基础。

3.1 人耳听觉的基本特性

人耳对声音的感知并非线性。在安静环境中，人耳能感知的最小声压级称为绝对听觉阈值（Absolute Threshold of Hearing）。该阈值随频率变化显著：在 2kHz～4kHz 区域最灵敏，阈值最低（接近 0dB SPL）；而在低频（<100Hz）和高频（>16kHz）区域，阈值大幅升高。这意味着，一个 50Hz、30dB 的声音可能听不见，而 3kHz、5dB 的声音却清晰可闻。

另一个重要特性是频率选择性。人耳基底膜对不同频率的响应位置不同，相当于一组重叠的带通滤波器。这组滤波器的带宽并非恒定，而是随频率升高而变宽。我们将人耳能分辨的每个最小频带称为一个临界频带（Critical Band）。整个可听范围（约 20Hz～20kHz）被划分为 24 个 Bark 刻度（临界频带单位），如表所示：

临界频带的意义在于：掩蔽效应只在同一或相邻临界频带内显著发生。跨频带的掩蔽（如低频掩蔽高频）虽然存在，但强度远弱于频带内掩蔽。

3.2 掩蔽效应：频域掩蔽与时域掩蔽

掩蔽效应是指一个声音（掩蔽声）的存在使另一个声音（被掩蔽声）的听觉阈值升高的现象。AAC 编码器主要利用两种掩蔽：

• 频域掩蔽（同时掩蔽）：当两个频率相近的声音同时出现时，响度较高的声音会抬高响度较低声音的阈值。掩蔽曲线呈不对称三角形——低频声更容易掩蔽高频声（掩蔽曲线向高频方向延伸更远），而高频声对低频的掩蔽作用较弱。
• 时域掩蔽（非同时掩蔽）：强声音消失后，人耳对紧随其后（约 5～100ms）的弱声音仍存在暂时性阈值升高，称为后掩蔽；强声音出现前约 5～20ms 也存在较弱的前掩蔽。AAC 的长窗（2048 样本）与短窗（256 样本）切换正是为了适应时域掩蔽的时间特性——瞬态信号用短窗减少预回声。

下图展示了频域掩蔽的核心机制：一个 1kHz 强音（80dB）在临界频带内产生的掩蔽阈值曲线，以及低于该阈值的量化噪声如何被“隐藏”：

图中可见，掩蔽声在其临界频带内产生一个“山丘状”的掩蔽阈值。编码器将量化噪声控制在阈值曲线以下，人耳便无法察觉。值得注意的是，掩蔽阈值曲线在低频侧较陡（斜率约 -100dB/倍频程），在高频侧较缓（约 -20dB/倍频程），这解释了为何低频强音能有效掩蔽高频弱音，反之则困难。

3.3 心理声学模型的工作流程

AAC 编码器中的心理声学模型（Psychoacoustic Model）是一个实时计算模块，其核心任务是为每个频带计算最小掩蔽阈值（即该频带允许的最大量化噪声能量）。标准流程如下：

1. 频谱分析：对输入 PCM 信号加窗（Hanning 或 Kaiser-Bessel 窗）并进行 FFT，得到高分辨率功率谱（通常 2048 点）。
2. 频带划分：将 FFT 谱线按 Bark 刻度映射到 24 个临界频带，计算每个频带的声压级（SPL）。
3. 谱平滑与扩展：考虑临界频带间的掩蔽扩展（Spread Function），将相邻频带的掩蔽能力叠加。
4. 噪声阈值计算：结合绝对听觉阈值与频带内掩蔽，取两者较大值作为该频带的全局掩蔽阈值。
5. 信掩比（SMR）计算：每个频带的信号能量与掩蔽阈值之比即为 SMR，编码器据此分配量化比特——SMR 大的频带分配更多比特，SMR 小的频带少分配甚至不分配。

MASK[i] = max( ABS_THRESH[i], 
                sum( SPREAD[j] * SPL[j] ) )   // j 为所有掩蔽源频带
SMR[i]  = SPL[i] - MASK[i]                    // 单位：dB
bits[i] = TOTAL_BITS * SMR[i] / sum(SMR)      // 比特分配比例

3.4 实际编码案例：AAC 如何利用掩蔽效应

以 44.1kHz 采样、128kbps 立体声 AAC 编码为例，观察一个包含 1kHz 响弦乐（90dB）和 4kHz 弱笛声（35dB）的片段：

• 无掩蔽时：4kHz 笛声的 35dB 高于绝对阈值（约 5dB），理论上可闻，需要编码。
• 有掩蔽时：1kHz 强音在 4kHz 处产生的掩蔽阈值约为 45dB（因掩蔽曲线向高频延伸），笛声 35dB 低于阈值 10dB，人耳完全听不到。
• 编码决策：心理声学模型将 4kHz 所在频带的 SMR 设为负值，编码器对该频带分配极少量比特（甚至直接置零），节省的比特用于增强 1kHz 附近的量化精度。

实测表明，在 128kbps 下，AAC 能保持 20Hz～20kHz 几乎透明的音质，正是因为心理声学模型平均可丢弃约 60%～70% 的频谱信息而不被感知。

3.5 常见误区与设计复盘