Title here
Summary here
声音理论
August 25, 2026 in 物理与科学基础2 minutes
介绍声音的基础知识
一、声音是什么
1. 机械波的本质
声音是介质中的机械纵波，不是电磁波，不能在真空中传播。
- 纵波：质点振动方向与波传播方向平行（区别于光的横波）
- 传播机制：局部压缩→压力升高→推动邻近质点→邻近区域压缩→原区域稀疏恢复……如此传递能量而非物质
- 介质依赖：声速由介质的弹性模量和密度决定
| 介质 | 声速 (20°C) | 说明 |
|---|---|---|
| 空气 | ~343 m/s | 温度每升1°C约+0.6m/s |
| 水 | ~1482 m/s | 约为空气的4.3倍 |
| 钢 | ~5960 m/s | 固体中更快 |
| 真空 | 0 | 无法传播 |
2. 三个基本物理量
| 物理量 | 符号 | 单位 | 对应感知 |
|---|---|---|---|
| 频率 | f | Hz | 音高 (Pitch) |
| 振幅/声压 | p | Pa / dB SPL | 响度 (Loudness) |
| 波形/频谱 | - | - | 音色 (Timbre) |
3. 声压级与分贝
人耳可感知的声压范围从 $2\times10^{-5}$ Pa（听阈）到 ~20 Pa（痛阈），跨越六个数量级。线性刻度不实用，因此使用对数标度：
$$L_p = 20 \log_{10}\left(\frac{p}{p_0}\right) \text{ dB SPL}$$其中 $p_0 = 20 \mu\text{Pa}$ 为参考声压（1kHz纯音的平均听阈）。
| 声压级 | 典型场景 |
|---|---|
| 0 dB SPL | 听阈 |
| 30 dB | 安静图书馆 |
| 60 dB | 正常对话 |
| 85 dB | 长期暴露损伤阈值 |
| 120 dB | 摇滚演唱会/电锯 |
| 140 dB | 喷气发动机近距/痛阈 |
二、数学层：如何描述声音
1. 傅里叶分析——声音理论的基石
核心定理： 任何周期性信号都可以分解为一系列正弦波的叠加。
$$x(t) = \sum_{n=1}^{\infty} A_n \sin(2\pi n f_0 t + \phi_n)$$- $f_0$ = 基频（决定音高）
- $n f_0$ = 第n次谐波/泛音
- $A_n$ = 各谐波振幅（决定音色）
- $\phi_n$ = 各谐波相位
🔑 这意味着： “音色"在数学上就是频谱包络的形状。小提琴和长笛演奏同一个A4(440Hz)，基频相同，但谐波振幅分布完全不同。
2. 时域 vs 频域 vs 时频域
| 表示方式 | 工具 | 优势 | 局限 |
|---|---|---|---|
| 时域波形 | 示波器 | 直观看瞬态、包络 | 看不出频率成分 |
| 频谱 | FFT | 精确看频率组成 | 丢失时间信息 |
| 时频图 | STFT/小波 | 同时看频率随时间的变化 | 受不确定性原理限制 |
海森堡不确定性原理（声学版）
$$\Delta t \cdot \Delta f \geq \frac{1}{4\pi}$$时间分辨率和频率分辨率不可兼得。窗口越短→时间精但频率糊；窗口越长→频率精但时间糊。这是所有音频分析的固有极限，不是技术缺陷。
三、感知层
1. 等响曲线与频率加权
人耳对不同频率的灵敏度极不均匀：
- 最敏感区间：2-5 kHz（外耳道共振+中耳传递函数共同作用）
- 低频和高频需要更高的声压才能达到相同响度
- 这种不均匀性随音量变化：大音量时趋于平坦，小音量时中频突出更明显
这就是等响曲线（ISO 226） 的含义，也是为什么：
- 音响有"Loudness"补偿按钮
- 噪声测量用 dBA（A加权模拟人耳响应）而非线性 dB
- 混音时不能只在小音量下判断低频
2. 音高的非线性
| 物理尺度 | 感知尺度 | 关系 |
|---|---|---|
| 频率 (Hz) | 音高 (Mel/Bark) | 近似对数 |
| 440 Hz → 880 Hz | A4 → A5 | 感知为"一个八度” |
| 880 Hz → 1760 Hz | A5 → A6 | 同样是"一个八度" |
Mel 刻度：1000 Mel 定义为 1kHz/40dB SPL 纯音的音高。频率翻倍≠音高翻倍，但在 Mel 刻度上近似线性。
Bark 刻度：基于临界带宽，将听觉频率轴划分为约24个 Bark 带。同一 Bark 带内的频率会被听觉系统"融合"处理，这是掩蔽效应的生理基础。
3. 掩蔽效应
一个声音的存在会使另一个声音变得不可闻：
- 频域掩蔽：强信号会掩蔽其附近频率的弱信号（向上掩蔽 > 向下掩蔽）
- 时域掩蔽：强信号之前的短暂时间内（前向掩蔽 ~20ms）和之后较长时间内（后向掩蔽 ~100-200ms）弱信号被掩蔽
- 应用：MP3/AAC 等有损编码的核心原理——把被掩蔽的信号分量丢弃，人耳察觉不到
4. 听觉场景分析
大脑不是被动接收声音，而是主动组织声音流：
- 格式塔原则：相近的频率/时间/空间位置的声音被归为同一声源
- 鸡尾酒会效应：在嘈杂环境中聚焦单一声源的能力
- 缺失基频现象：即使基频被滤除，只要谐波序列完整，大脑仍会"脑补"出正确的音高
四、空间听觉：我们如何定位声音
双耳线索
| 线索 | 有效频段 | 机制 |
|---|---|---|
| ITD（双耳时间差） | < 1500 Hz | 波长 > 头宽，相位差可解 |
| ILD（双耳强度差） | > 1500 Hz | 头部遮挡造成阴影效应 |
| HRTF（头相关传递函数） | 全频段 | 耳廓/头部/躯干的滤波提供仰角和前/后分辨 |
🔑 HRTF 是关键：ITD/ILD 只能给出水平面上的圆锥定位，无法区分前后和上下。耳廓的复杂褶皱对来自不同仰角的声音施加了独特的频谱修饰，大脑通过学习这些修饰来实现三维定位。这也是为什么耳机虚拟环绕声效果因人而异——每个人的耳廓形状不同，HRTF 也不同。
五、数字层：声音的数字化
1. 采样定理（Nyquist-Shannon）
$$f_s \geq 2 f_{max}$$要无失真地数字化带宽为 $f_{max}$ 的信号，采样率至少为 $2f_{max}$。
- CD标准：44.1kHz → 可还原 ≤22.05kHz（覆盖人耳上限~20kHz）
- 专业音频：48k/96k/192kHz
- 低于 Nyquist 频率的成分会产生混叠（Aliasing），必须在采样前用抗混叠滤波器切除
2. 量化 (Quantization)
采样解决了时间上的离散化（每隔多久取一个点），而量化解决的是幅度上的离散化（每个点的值用多少级台阶来表示）。
现实世界的信号幅度是连续的（无穷多个可能值），但数字系统只能用有限个整数来表示。量化就是把连续的幅度值“四舍五入”到最接近的可用数字级别。
连续幅度 量化后（3-bit，8级台阶）
│ ┌───┐
│ ┌──┘ └──┐
│ ┌──┘ └──┐
│ ┌──┘ └──┐
│ ┌──┘ └──┐
│ ┌──┘ └──┐
│ ┌──┘ └──┐
└──────────────────────────────────────────→ 时间关键参数：位深度 (Bit Depth)
- n bit 的量化 → 有 $2^n$ 个可用级别
- 8 bit → 256 级
- 16 bit → 65,536 级（CD标准）
- 24 bit → 16,777,216 级（专业录音）
量化误差与量化噪声
量化本质上是一种有损近似。真实值与量化值之间的差值就是量化误差，它在听感上表现为底层的量化噪声（类似轻微的嘶嘶声）。
⚠️ 量化噪声是数字系统的固有底噪，无法完全消除，只能通过增加位深度来压低。
3. 动态范围 (Dynamic Range)
是什么？
动态范围是指一个系统能够无失真地处理的最大信号与最小可分辨信号之间的比值，通常用 dB 表示。
$$DR_{dB} = 20 \log_{10}\left(\frac{A_{max}}{A_{min}}\right)$$- $A_{max}$：系统能承载的最大不失真幅度（满量程，Full Scale）
- $A_{min}$：系统能分辨的最小有效信号（通常受限于量化噪声或模拟电路本底噪声）
📐 经验公式：每增加 1 bit，动态范围增加约 6.02 dB（因为 $20\log_{10}(2) \approx 6.02$）。所以 16 bit ≈ 96 dB，