声音处理的现状与未来

### 声音处理的现状与未来 #### 1. 引言 从物理角度来看，人类之所以能听到声音，是因为内耳中的微小听觉毛细胞能检测到声音引起的振动，并将其转化为神经信号。在进化过程中，听觉对人类的生存起到了重要作用，和许多其他哺乳动物一样，听觉在狩猎和躲避被捕食方面发挥了关键作用。 人类的听觉使我们能够先确定环境中危险或目标的空间位置，然后对其进行分类。人类在这两项任务中所达到的准确性是目前任何人工技术都难以比拟的，因为通过计算方法来模拟这些能力非常困难。 不过，有些动物在声音定位能力方面超过了人类： - **狗**：人类能听到的声音频率范围约为 20Hz 至 20000Hz，低于 20Hz 的声音通常听不见，但能感觉到。而狗的听觉频率范围约为 40Hz 至 60000Hz，具体范围因狗的品种和年龄而异。和人类一样，狗年老时也可能会失聪，某些品种的狗在老年时完全失聪是正常现象。此外，狗可以独立移动两只耳朵，以提高定位准确性。 - **猫头鹰**：猫头鹰在垂直平面上具有优越的定位机制，这使它们能够以毫米级的精度进行狩猎。 大脑的听觉中枢负责解读到达我们两只耳朵的不同声音信号，这些中枢会不断学习和训练，直到成熟。例如，婴儿直到五个月大时才能定位声音。一旦这些能力在大脑中巩固，人们就会在不知不觉中使用它们。当动物或人类通过奇怪或不寻常的声音检测到危险时，大脑会自动向血液中释放大量肾上腺素，以警告主体处于紧急状态。 这些无意识的行为构成了人类听觉系统的生存功能。除了生存功能，听觉还有更高级的用途，即通信。通信并非人类所独有，在自然界中，同一物种的动物之间也经常出现。需要注意的是，听觉不是动物唯一的通信方式，它常常与视觉、接触、触觉和嗅觉通信共存并相互补充。而且，不同物种的通信方式也会因它们的发声机制和大脑发育程度而有所不同。 动物的声音语言非常简单，主要是将简单的刺激传递给同类，例如对外部情况的反应（识别物体、狩猎、危险警告、表达爱意或敌意）。这种语言通常是本能的，而非后天学习的，与人类学习的清晰语言形成对比。多年来，科学家们认为喉部下降对人类清晰语言的发展至关重要，但新研究表明，这一特征并非人类所独有，从而引发了关于语言进化的新理论。新理论认为，喉部下降机制实际上由两个不同时发生的现象组成：舌骨下降和喉部相对于舌骨的下降。因此，这两种解剖学上的移动似乎都是语言发展所必需的。 人类对听觉还有第三种独特的用途，即作为一种传递休闲、娱乐或艺术的方式，也就是音乐。无论是否有旋律，只要目的是娱乐或满足大脑，都可以被视为音乐。音乐领域无疑是复杂而精致的，它在当今社会引发了许多热情，同时也在娱乐行业带动了重要的商业规模，无论是单独存在还是与图像结合，如电影或电视。 对人类听觉用途的分类不仅提供了听觉的生物学和进化视角，还有助于我们理解为各种目的开发声音系统的过程。如果我们考虑到这些描述的关键方面，并知道如何将它们与研究和商业行业联系起来，我们的目标将更加明确，并且与目标受众更加相关，同时我们也能知道如何整合和利用这些概念，与声音行业的其他学科相结合。 例如，生存功能（如声音定位）可以为位置声音系统和声音源识别提供重要线索，这有助于我们在重要信号与其他噪声源混合时，分析合成和分类声音。口语与通信系统在多个方面相关，包括声音收集、噪声去除、语音增强以及最终的自动语音识别。自然语言与视觉语言共存的现象与现代多模态技术相关，这是当今一个重要的研究领域。在音乐处理方面，我们需要引入与人工智能和机器学习相关的先进概念，例如推荐系统可以根据一个人的品味推荐相似的歌曲，专家系统可以预测一首歌曲在音乐行业是否会走红。 #### 2. 空间声音系统 三维空间声音系统的目标是准确重现听众在特定房间或具有特定声学特性的环境中所感知到的声学感觉。这一概念涉及一系列物理和技术难题，是当前声音工程领域的研究热点。 - **立体声系统**：作为空间声音的最简单近似，立体声系统在过去 50 年中一直被用作声音录制的附加价值，特别是在音乐素材方面。 - **环绕声系统**：自 20 世纪 70 年代中期以来，环绕声系统开始在剧院使用，并逐渐进入家庭。它通过使用更多的播放声道，比立体声系统提供了更好的听觉体验。环绕声混音主要用于通过在后置扬声器中添加人工效果（如爆炸、混响或环境声音）来增强视频投影的体验。然而，环绕声系统的最佳聆听位置（即“甜点区”）几乎局限于扬声器设置的中心点，在中心区域之外，空间感会显著下降。 - **双耳再现**：一种更逼真的策略是通过耳机直接将听众在模拟声学环境中会感知到的信号再现到其耳朵中，这种策略被广泛称为双耳再现。用于耳机播放的信号可以使用声学头进行录制，也可以通过使用测量的头部相关传递函数（HRTF）进行人工合成。由于大量音乐素材是通过移动设备上的耳机收听的，基于 HRTF 的技术前景广阔。但目前仍存在一些问题，例如不同个体之间 HRTF 的变异性，相关的研究也主要集中在这方面。 - **波场合成（WFS）**：目前最有前景的空间声音系统是波场合成。与 5.1 声道系统相比，它的基本区别在于，波场合成使用扬声器阵列在广泛区域内准确合成声场，消除了传统环绕声系统的“甜点区”限制。波场合成由 Berkhout 首次提出，它基于惠更斯原理的二维简化，即由主声源产生的波前可以由位于波前的一系列次级声源分布来合成。在过去十年中，欧洲对波场合成的研究非常活跃，一些研究小组成为了这一新兴声音系统的先驱。 下面是空间声音系统的简单对比表格： | 系统类型 | 特点 | 优势 | 劣势 | | ---- | ---- | ---- | ---- | | 立体声系统 | 简单近似空间声音，用于声音录制 | 历史悠久，广泛应用于音乐录制 | 空间感有限 | | 环绕声系统 | 使用更多声道，增强视频投影体验 | 提供更好的空间感 | 最佳聆听位置受限 | | 双耳再现 | 通过耳机直接再现信号 | 逼真度高 | 受 HRTF 个体差异影响 | | 波场合成 | 使用扬声器阵列合成声场 | 消除“甜点区”限制 | 技术复杂，研究仍在进行中 | #### 3. 基于耳机的空间声音处理 通信基础设施和技术的进步，从手机到互联网，正引领我们进入一个新的移动应用时代，这些应用将实现沉浸式通信。这种发展将迅速传播，并对工作场所和公众产生影响。 基于耳机的空间声音处理主要关注为移动沉浸式通信生成和再现空间声音。通过耳机正