- 综合排序
- 最热优先
- 最新优先
- 来自专栏知识点分享
声学简介
什么是声学？ 声学是研究声音的物理学，研究内容包括声信号的产生、传输和检测等所有与之相关的多物理学科。 对于人类来说，对声音的最佳理解是将其视为一种感觉，通过耳朵感知声压 p 在某个静态值上下非常微小而快速的变化，这个静态值为大气压（在海平面上约为 10 万帕）。 这就是听力，人耳能够检测到的压力微小变化的幅度大约介于 20·10^-6 Pa（听阈）到 600Pa（喷气发动机噪音）之间。通常人类语音的幅值约为 0.02 Pa。 一般将幅值以对数分贝刻度给出，相对于 20·10^-6 Pa（或 20 µPa）的听阈进行定义（单位为 dB SPL）。这种对数刻度很自然地可以将声音按照人类听觉系统感受响度的方式进行分类。 声学范围 下载LMS Virtual.Lab 声学手册在声学中，声音由传播介质产生、在其中传播并受其影响，最终被人们检测、感知并进行分析。
1.1K20编辑于 2022-06-01 - 来自专栏深度学习|机器学习|歌声合成|语音合成
声学特征提取and WORLD Using
声谱图（Spectrogram） image.png 这段语音被分为很多帧，每帧语音都对应于一个频谱（通过短时FFT计算），频谱表示频率与能量的关系。在实际使用中，频谱图有三种，即线性振幅谱、对数振幅谱、自功率谱（对数振幅谱中各谱线的振幅都作了对数计算，所以其纵坐标的单位是dB（分贝）。这个变换的目的是使那些振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号）。 image.png 我们先将其中一帧语音的频谱通过坐标表示出来，如上图左。现在我们将左边的频谱旋转90度。得到中
64210发布于 2021-01-14 - 来自专栏深度应用
·主流声学模型对比
主流声学模型对比 目录 概述 基础概念 语音帧 语音识别系统 主流声学建模技术 HMM DNN-HMM FFDNN CNN RNN及LSTM CTC 其他建模技术 语言建模技术 语音唤醒技术 关于未来 （编者注：分帧后的语音信号逐帧提取语音特征用于声学模型建模。） ? 识别的公式如图4所示，可见声学模型主要描述发音模型下特征的似然概率；语言模型主要描述词间的连接概率；发音词典主要是完成词和音之间的转换，其中声学模型建模单元一般选择三音素模型，以“搜狗语音为例”， sil-s 主流声学建模技术 近年来，随着深度学习的兴起，使用了接近30年的语音识别声学模型HMM(隐马尔科夫模型)逐渐被DNN(泛指深度神经网络)所替代，模型精度也有了突飞猛进的变化，整体来看声学建模技术从建模单元 图10 CNN建模流程 RNN及LSTM 语音的协同发音现象说明声学模型需要考虑到语音帧之间的长时相关性，尽管上文中DNN-HMM通过拼帧的方式对上下文信息进行了建模，但是毕竟拼接的帧数有限，建模能力不强
3.9K22发布于 2019-06-27 - 来自专栏硬件大熊
浅析硬件“好声音”: 声学器件
音视频硬件中，声学器件是必不可少的基础元件，声学器件主要包括麦克风和喇叭，麦克风拾取声音，喇叭播放声音。 所以归麦克风凭借其良好的性能，迅速成为消费类产品的首选声学元器件。如下图所示为两种类型麦克风的示例图。
1.5K20编辑于 2022-06-23 - 来自专栏音乐与健康
解析声音“疗伤”的密码（音波声学）
他们往往是早8点半之前到，晚上10点以后才离开。 研究人员首先给爪子发炎的小鼠播放3种不同类型的声音，分别是舒缓的音乐、不协调的音符及白噪音。 柏林声学实验室更发现。低频段（60-80Hz）音波能像物理按摩般刺激副交感神经。古琴大师龚一演奏的《流水》。每个泛音间隔0.8秒。恰好匹配深度呼吸的黄金节奏。
31210编辑于 2025-10-25 - 来自专栏全栈程序员必看
基于Speex的声学回声消除
所谓声学回声消除，是为了解决VoIP（网络电话）中这样一个问题：即A与B进行通话，A端有麦克风和扬声器分别用来采集A的声音和播放B的声音，B端有麦克风和扬声器分别用来采集B的声音和播放 声学回声消除一般可以通过硬件和软件分别实现，目前来说，硬件实现比较简单，软件实现较难，这里的难并不是说回声消除算法很难，而是在应用算法时的实时同步问题很难，目前软件实现较好的应该是微软，但似乎也对硬件配置和操作系统有要求 而Speex提供了声学回声消除算法库，本文就简单用Speex对一段录音进行回声消除，当然这不是实时处理的。
4.5K20编辑于 2022-11-16 - 来自专栏深度学习|机器学习|歌声合成|语音合成
语音合成-声学概念和变声变调
声学概念 声音是靠波来传播的，区别任何的声音需要依据三个来区分：响度、音高和音色 响度 音高:声音具有确定的音高，声音就可以使空气以笃定的方式运行。低音就是频率低。 频谱：描述各种波的振幅的大小的图叫做频谱图，这在声学中是相当的重要的。
1.6K10发布于 2021-01-14 - 来自专栏进击的多媒体开发
声学工程师应知道的150个声学基础知识（全篇）
和大家分享一下声学工程师应知道的150个声学基础知识。 注意，声学工程师和音频工程师可不是同一岗位，前者会更侧重于硬件，后者侧重于软件层面。但是关于声音的一些基础内容还是相同的，可以多多了解！！！ 以下是全部的基础知识，内容来源于 声学楼论坛 。 1、 人耳能听到的频率范围是20Hz—20KHz。 2、 把声能转换成电能的设备是传声器。 3、 把电能转换成声能的设备是扬声器。 10、音强对应的客观评价尺度是振幅。 11、音高对应的客观评价尺度是频率。 12、音色对应的客观评价尺度是频谱。 13、人耳感受到声剌激的响度与声振动的频率有关。 107、闻阈的声压约为2×10-5Pa。 108、痛阈的声压约为2×10Pa。 109、痛阈的声压级约为120dB。 110、闻阈的声压级约为0dB。 122、声压与基准声压（2×10-5Pa）之比，取10为底的对数乘以20，称为声压级。 123、音乐中的音色大部分都是复合音。 124、室内早期反射声指只经过一次反射，进入听耳的反射声。
4K20编辑于 2022-10-31 - 来自专栏音乐与健康
我们为什么选择“声学神经调控”这条路？
2024年哈佛大学医学院在《Nature Neuroscience》的研究证实，特定模式的声学信号能调节神经振荡同步性，且这种调节具有长期稳定性；2025年斯坦福大学医学院的临床数据更显示，声学干预的不良反应发生率比电 /磁刺激低82%——安全性与长效性，正是鲸倍尔选择声学神经调控路径的核心依据。 它是一种可以被建模、被量化、被反复验证的物理信号——这一认知早已是全球声学神经调控领域的共识。 骨声纹正是基于这些研究，捕捉与神经张力、应激水平、生理节律相关的声学特征集合。 让神经系统——用“频谱参数”被理解基于骨声纹这一精准观测窗口，我们构建了频率依赖的神经-声学传导模型（FD-NATM）。
3900编辑于 2026-04-22 - 来自专栏音视频技术
非线性声学回声消除技术
1.非线性声学回声 1.1 什么是非线性声学回声？ 1.1.1 什么是非线性的声学回声 下面我们直接进入到第一个部分，什么是非线性的声学回声？ 我用同样的方法搜索了“非线声学回声消除”，结果只找到了254篇文献，不到前面文献的1/10，这意味着非线性声学回声消除技术在整个声学回声消除领域是一个相对比较冷的研究方向。 我们可以看到，NLMS算法在收敛之后，回声抑制比只能到10个分贝左右，相对比较低。而双耦合算法在收敛之后，可以达到25个分贝以上，也就是说它比NLMS算法多15个分贝，这个优势是很明显的。 红色是双耦合算法，蓝色是NLMS算法，从这组数据里面，我们可以看到双耦合算法比NLMS算法普遍提升了大概10个分贝以上的回声抑制比，具有比较大的优势。 最后再进入双讲测试场景。 最后我们通过实验来检验这个算法的性能，发现他在强非线性失真的场景下，线性场景下，还有双讲场景下均取得了明显的性能提升；回声抑制比提高了10个分贝以上；收敛速度更快，大概在30个毫秒以内。
2.4K30发布于 2020-11-10 - 来自专栏黄成甲
声学相机：用“眼睛”看见声音的奥秘
声学相机的“视觉”如何形成？ 硬件基础：麦克风阵列的奥秘 说到声学相机的视觉形成，这里就不得不提到麦克风阵列设计。 嵌入式设备常采用“前端+轻量化算法”方案，在保证唤醒率的同时降低功耗，例如通过GCC时延估计算法实现±10°定向精度。 技术升级方面，AI深度学习算法与声学相机深度融合，实现数据驱动的声学优化。 适宜声源频率 典型场景 微型阵列 cm级 超声声源（40kHz以上） 便携式小型阵列 0.1~0.3m 高频声信号，近超声频段（2k~40kHz） 局部放电、气体泄漏 中型阵列 米级 低频信号（200Hz~10kHz ） NVH、机械松动 大型阵列 数十米 低频（10~100Hz） 航空设备声源监测 分布式阵列 数百米~数十平方公里 爆炸声源定位、环境噪声监测 结语：聆听世界的另一种方式 关注声学技术发展，探索"
2K12编辑于 2025-07-29 - 来自专栏AI研习社
一文详解 DNN 在声学应用中的模型训练
本文通过简单kaldi源码，分析DNN训练声学模型时神经网络的输入与输出。 Transition-state 3: phone = sil hmm-state = 2 pdf = 2 Transition-id = 9 p = 0.01 [2 -> 1] Transition-id = 10
1.7K60发布于 2018-03-19 语音情感分析技术解析：声学与词汇信息融合
混合架构与两阶段训练传统语音情感分析方法通常包含两个步骤：提取预定义的声学特征（如音高和频谱能量波动），再基于这些特征进行分类。这类方法对短时情感表达有效，但对自然对话场景的性能有限。 某中心的语音语调分析采用混合方案：结合声学特征与语言信息，采用编码器-解码器结构的自动语音识别（ASR）模型。模型同时接受情感识别和语音识别训练，随后冻结编码器作为情感分类前端。 技术架构特点深度学习前端通过自监督预训练提取语音信号特征ASR分支编码器对应声学模型，将声学特征映射为词块抽象表示解码器对应语言模型，将词块组合成有意义词汇异构数据集训练策略传统模型使用小规模短语句数据集 实际部署中：处理5秒语音片段，每2.5秒更新一次实时计算语音存在概率和情感概率基于短期情感概率计算过去30秒及全程的情感估计测试表明，该混合模型性能优于仅依赖文本或声学数据的传统方法。
33910编辑于 2025-09-13- 来自专栏FreeBuf
利用声学密码分析攻击破译4096位RSA加密算法
它被固定在装有灵活手臂的Brüel＆Kjær2669前置放大器上；C：Brüel＆Kjær5935麦克风电源和放大器；D：美国国家仪器公司的myDAQ设备，它带有一个150 kHz的RC高通滤波器以及一个10 令人惊奇的结果是，攻击者利用“声学密码分析攻击”能够在不到一个小时内发现获得一个很长的RSA密钥。 这篇论文中总结： “在这里,我们描述了一种新的声学密码分析提取攻击,适用于GnuPG最新提出实现的RSA。 此外,声学频谱通常具有关键的依赖性，那么密钥便可以通过在电脑加密解密过程中的声音进行区分识别。这同样也适用于ElGamal解密。” 研究人员观察到的声学密码分析攻击使用高质量的抛物型麦克风的攻击距离范围超过4米，同时如果不使用这种接收装置的攻击距离范围可达一米。 ?
2.5K60发布于 2018-02-01 - 来自专栏VoiceVista语音智能
语音识别与声纹识别 - 来自声学楼电声技术网络交流平台
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
86630发布于 2019-12-05 - 来自专栏数据派THU
你的声音作为一种“武器”：人类战争中声学活动
《一战的结束》是根据第一次世界大战期间发明的众多声学防御方法中的一种创作的。 在一战开始时，基本上是没有声学防御的概念的。没有一支主要的军队有效地通过敌人发出的声音来追踪它的位置。 历史上曾经有一些声学反射器的例子，但是第一个专门为军事用途设计的抛物面声学反射器是在 1915 年由 René Baillaud 发明的，它的外形类似盘子或者碗。 军事监听员通常不会像声学传感器那样解释声音的含义，而他的角色基本上是观察和报告物理声学数据。 从这个意义上说，军事监听本质上是一项机械任务，预示着当代形式的机器监听。 在一些声学防御方法中，声音的视觉表示以及与声学活动相关的计算取代了听觉，例如确定风和温度等大气条件对特定日期声音传播的影响。 换句话说，在声学防御中，声音 “听起来” 的方式并不总是很重要。 虽然这与关于声音的成熟想法是一致的，但声学防御技术使我们能够以一种有形的方式体验声音，就像 “物质的振动运动” 一样。 声学防御同样使 “声音传播” 的概念具体化。
68610编辑于 2023-03-29 声纹克隆 vs 声学版权：Voice Cloning 技术的“合法边界”在哪里
然而，这一技术的发展也带来了诸多法律和伦理问题，特别是关于声学版权的问题。本文将深入探讨声纹克隆技术的原理、应用以及其在法律上的“合法边界”。 特征提取：从语音样本中提取声学特征。模型训练：使用深度学习模型（如Tacotron或WaveNet）进行训练。语音合成：生成与目标声音相似的合成语音。 总结本文深入探讨了声纹克隆 vs 声学版权：Voice Cloning 技术的“合法边界”在哪里的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
28410编辑于 2026-01-06语音识别技术前沿：自监督学习与声学表征新突破
新型声学表征传统梅尔频谱基于信号处理和人耳听觉机制，而新型表征不假设信号特定结构，在语音识别和合成中表现更优。最有效的表征基于自监督学习，通过无标注输入定义辅助任务生成伪标注训练数据。
33710编辑于 2025-09-24- 来自专栏音乐与健康
用于改善声学黑洞低频性能的多模态局域谐振器
文章导读：声学黑洞 (Acoustic Black Hole, ABH) 是对力学领域中天体物理学中的黑洞概念的一个声学类比。板上的 ABH 可以非常有效地减少高频振动。 关键词：声学；黑瞳；曲波；力学；频率；低频；谐波器；谐振；振动；速度；多模态本文提出了一种由双层 ABH 板和局域谐振器组成的 MMABH 板，并对其进行了研究和分析。 总体而言，本研究设计的 D-MMABH 板具有优异的宽带阻尼效应和承载性能，展示出局域共振声学超材料的前景和潜力。
12910编辑于 2026-03-09 - 来自专栏腾讯多媒体实验室
DCASE 2020权威声学比赛：腾讯多媒体实验室斩获双项指标国内第一
腾讯多媒体实验室天籁音频研究团队首次参加了声学场景识别 (Acoustic Scene Classification,Task 1) 任务竞赛，并从47支来自全球顶尖学术界和工业界的声学研究队伍中脱颖而出 本次DCASE 2020比赛，共设置六个任务，包括声学场景识别、异常机器声音的非监督识别、声学事件检测、声学事件分离、城市声音标记和自动为音频生成标题纪要，吸引了包括亚马逊、英特尔、高通骁龙等国际公司和清华大学 子任务task 1b的声学场景识别系统限制性的将模型大小压缩在500k以内，在此条件下，需要场景识别系统尽可能高效的识别“室内”、“室外”、“交通”这三种常见的声学大场景。 图二 本次声学场景识别任务，涵盖机场、室内购物、地铁站台、街道行人、公共广场等10个通用声学场景。在现实生活中，这些通用声学场景，通常同时存在多个声音，并且会被环境噪声干扰。 现实生活中的声学场景识别应用 实际上，DCASE2020的声学场景识别任务，与多媒体实验室自研的音视频实时通信产品——“腾讯会议”中的声学场景识别落地应用最为贴近。
1.9K2216发布于 2020-07-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号