我们的大脑是如何构建出一个充满意义的声学世界（非原创）

StereoMark

这开篇，聊的是咱们脑袋外头的信号，声音。说白了，声音就是空气分子一来一回地震动。神奇的是，就这么个简单的原理，能变出无穷多的声响：从巴赫的曲子到煎蛋的滋滋响，从《洛基小浣熊》到后院翻垃圾桶的真·浣熊，啥都有。声音能响能轻，能尖能闷，能和能刺，能快能慢，还能糙得像破锣、细得像苇哨、乱成一团、好几道声叠一块儿，嗖嗖的、滋滋静电似的。我请你细细咂摸声音这些脾气有多妙，它们是咱往后探索“心里好听的声音”时，会一遍遍碰到的问题。

声音说到底就是震动。弹一下吉他弦，它就把旁边的空气推着走。图中一根弦在不同弹法下的样子。左边是弦静静待着，右边散着十几个小空气分子。弦不动的时候，周围的气压差不多是每平方厘米1公斤左右，也就是海平面那股平常气压。
弦一被拨，就往右猛地一冲，右边的空气分子被挤到一块儿，压力一下变高。可没撑几眨眼的工夫（快则百分之一秒，慢则千分之一秒，看音高高低），弦又弹回原来的位置，还继续往左多跑一点才停。这一来，右边的空气分子又被拉开，压力跟着降下去。但它们不会乖乖回到弹之前的距离，而是多拉了一点，比一开始还松，压力反倒更低。接着它们又凑回来，再散开，再凑......一次比一次动静小，直到动不了了，振动慢慢没了劲，声音也就散干净。动就是声，一动一停，声就没了。

StereoMark

交易区新帖推荐

声音的“配料”
大多声音都能用几种基本配料来描述，就像看一件东西能从形状、颜色、质地、大小去分门别类。声音看不见，所以这些配料没那么显眼，可它们偏偏是我们听懂声音的关键。你要是琢磨声音的“成分”，看清那些乱动的空气分子里到底藏着多少花样。就会觉得，脑子处理起声音来就更神了。为了把这些妙配料盯住，我觉得有个好办法，就是把声音拆成音高、时间（节奏快慢）和音色（念作“tamber”）这三块去想。

StereoMark

音高
音高就是咱们听出来“尖”还是“闷”。比如笛子声我们说是高音的，大号声就是低音的。用这些说法去形容，其实是因为声音有频率这个物理属性。当气压的高高低低变得特别快。也就是频率高，我们就觉得是高音；要是气压变化慢悠悠的，频率低，那就是低音。音高是耳朵的感觉，频率是能测出来的物理数。不过这两者不是每次都严丝合缝对得上，所以分清它们俩，说话用劲儿得小心点。

StereoMark

黑波和灰波频率一样，但开关的快慢不同，灰波的声音被更频繁地打开关掉，所以听起来音高会比黑波高。女性的声带振动更快，这种更快的调制率让她们说同样的话时，声音也显得更高。
拿人声举个例子吧。说话时的音高（基频）大概在50到300赫兹之间。说话时，基频其实就是咱们呼吸带动声带一张一合的快慢。男人声带动得慢，所以嗓音低沉；小孩动得快，嗓音就尖细。有意思的是，音高不光因人而异、因男女而异，还有些意想不到的差异。研究发现，不同语言的平均基频不一样，同一语言里不同人群也有差别。甚至我们自己可能也见过，有的双语者，说其中一种语言时整体音高会比另一种高。

StereoMark

音色
在音乐里，音色是咱们区分两件乐器奏同一个音的主要法子。在说话时，它又是分辨不同语音（辅音、元音）的头号线索。一个男人和一个女人说一样的话：基频（也就是嗓音的音高）帮咱们认出谁是谁。可要是一个女人说两句不同的话，音色就能帮咱们分清她的“so”和“sue”。就像音高靠基频来对应它的物理本质，音色的感觉则由谐波决定，那是基频之上的那些频率。
知道一个声音由哪些频率组成挺有用，这就是所谓的频谱。打个比方，音叉的频谱只有孤零零一个频率，所以在下图的上半部分，它是一条又细又直的竖线，没有谐波，就一个基频。可像长号或小号吹中央C（基频262赫兹）这样的自然声音，频谱里除了这个262赫兹的高峰，还会在它的倍数位置（524、786……）冒出别的峰，这些就是谐波。从图的中下两幅能看出来，并不是所有谐波的能量都一样多。这些能量高低的排布，就是长号和小号的“签名”，也是咱们能听出它们不一样的原因。乐器的形状和构造决定了它独特的谐波特征。同理，咱们舌头、嘴巴、鼻子的形状和位置，也会造出不同的谐波模式，把各种语音分得清清楚楚。

StereoMark

交易区新帖推荐

思考一下，我们为什么能分辨不同喇叭的感觉不同？答案就写在音色里，因为不同扬声器的谐波成份差异很大，这就造成了音色区别，但是这种音色区别不足以达到盲听既能判断的差异。比如说我在很远距离听到演唱会传来的声音时，我是无法分辨他们用的是JBL喇叭或者是法国力素的喇叭。但是JBL喇叭和法国力素喇叭，在声学测量上，通过谐波失真测量可以看到，它们之间的差异是极大的，谐波失真决定着喇叭的声染色。

StereoMark

音叉的频谱就是一条竖线，只在某一个频率上——这里就是262赫兹，也就是中央C。而乐器奏中央C时，频谱里除了262赫兹的高峰，还会有好几个谐波峰，位置在262的倍数上。长号或小号吹出的中央C，因为各自的共鸣特性不同，谐波的分布也不一样。看频谱就明白，为啥同一个中央C用不同乐器奏出来味道差那么多。（横轴是频率，纵轴是能量。）

咱们嘴唇、舌头的摆法，还有气从鼻子、嘴巴走的量，都会改频谱（让某些谐波更突出），如图所示。就拿两个元音来说，它们的频谱每隔100赫兹就有个峰（例子里基频是100赫兹），但峰的相对大小，灰色线圈出来的部分，差得挺远。这就跟长号和小号的区别一个道理。发“ee”时，灰色线的两个凸起约在300和2300赫兹；发“oo”时，凸起跑到约400和1000赫兹。说话的频谱里有这种凸起，能量扎堆的地儿，叫共振峰。有意思的是，不同人说同一个音时，这些能量带的位置大体差不多。就算一个人嗓音高，她发“oo”时在400和1000赫兹附近照样会有峰，跟嗓音低的人一样。



上图是“ee”（像 beet 里的音）的频谱，下图是“oo”（像 boot 里的音）的频谱。俩音基频一样，但谐波的能量聚在哪，位置可不一样。（横轴是频率，纵轴是能量。）

所以说，音色就是咱们从声音的谐波内容里听出来的感觉。谐波，它们出现在哪、互相之间有多大差别，这些是声音的物理底子，让咱们凭音色的不同，能分出两件乐器或两个语音。说话时，某些谐波会在某个词或音节的频谱里特别显眼。图中把几种乐器和人声的完整频率范围（基频加谐波）都画出来了。左边标的是基频的范围，右边是谐波的分布。

StereoMark

本书窃取自麻省理工学院。在您阅读这些“大量剽窃”，“据为己有”的内容时，一定要心里念着麻省理工学院的好处。

StereoMark

继续思考：我们在追求“发烧”或者“HiFi”，真正是在追求那些没有声音染色的喇叭吗？或者所谓染色极低的喇叭？有人特别喜欢听邓丽君小姐的歌声，喜欢邓小姐的音色，就如同我们喜欢不同风格的喇叭（演讲者），有人会说，监听音箱是音染极低的，那么我们要考虑一下，音染极低是不是代表没有音染？还是我们应该认识到，只要是经过了扬声器的处理，声音就会像经过一个滤波器传递给我们的耳朵，无论我们用的扬声器音色是什么样的，它都会改变音乐中原始的音色特征。那种冰冷的；深沉的声音染色，只是符合了我们心理中对低染色的认知，并不代表它能够打动每一位听众。那么高声染色的喇叭就一定会好听吗？我不承认这一点，高声染色的喇叭一定让我们听起来，感觉它与众不同，更容易被辨识出来。

比如我多次聆听瑞典马田柯川喇叭，几次给我留下深刻的印象都是他重播民乐要比重播交响乐靠谱的多。

StereoMark

时间
前面聊的都是音叉、单个音符、元音，这些都是一段时间内稳稳不变的声音。但还有一类声音，时间本身就是它的招牌特征。不是说啥时候开始、啥时候结束那种（像音节或音符那样），而是声音本身在时间里怎么变。语音里的辅音就属于这一类，有些辅音里，时间就是主角。

你大声说“bill”，再说“gill”。能说出嘴里动作的差别不？简单得很。说“bill”时，嘴唇先闭一下，舌头基本放松待着；说“gill”时，嘴唇微微张开，舌头后部贴到上颚。再试试“bill”和“pill”，这个就有点绕了。区别到底在哪儿？其实“b”和“p”的嘴型舌头位置几乎一模一样，真正的差异是时间，啥时候开始发元音的声，也就是声带啥时候开始嗡出那个“i”。“bill”是一开口就带声，“pill”则是嘴唇刚分开后，停极短一会儿才出声。图上面是“bill”的声波，下面我在开头加了1/20秒的静默，两条波形除了那段空白，每一个起伏都完全一样。就这零点几秒的停顿，就足够让你一听就知道第二个是“pill”。短短一瞬的时间差，在语言里能起天大的作用。这也是为啥你我得有个反应飞快的听觉脑，才能抓住这么细微的声音变化。



在元音发声前加1/20秒的静默，“bill”就变成了“pill”。（横轴是时间，纵轴是能量。）

再看频率在时间里的变化
像“bill”和“pill”这种时间上的差别，在图1.8这种时间图里一眼就能看出来；“ee”和“oo”这种频率差别，在图1.6那样的频谱图里也容易辨。但要分清“b”和“g”的声学差异，光靠这两种图就不行，因为这涉及频率在时间里慢慢变的过程。要想把“b”和“g”的区别画清楚，就得用第三种图——语谱图。
图1.9的上半部分是个简单例子：一个音调随时间先从低频升到高频，再落回低频——就像老套的狼嚎口哨，或者警笛、手指在钢琴键上滑过去那样。

StereoMark

判断扬声器瞬态响应数据的优劣，需结合量化指标（如上升时间、过冲量、建立时间）和主观听感（如清晰度、层次感），同时参考测试条件（如频响范围、负载特性）。以下是具体分析方法：


一、先理解：什么是扬声器的瞬态响应？

扬声器的瞬态响应是指它对快速变化的电信号（如鼓点、拨弦、人声爆破音）的跟随能力——信号一来，振膜能否“立刻动起来”；信号停，能否“立刻停下来”，不产生拖尾或失真。  

本质是振膜惯性、悬挂系统弹性、阻尼特性的综合表现：惯性大/阻尼不足→响应慢；惯性小/阻尼合适→响应快。


二、关键量化指标及优劣判断

瞬态响应的测试通常用阶跃响应（Step Response）或脉冲响应（Impulse Response）分析，核心看以下4个指标：


1. 上升时间（Rise Time, Tr）

• 定义：振膜从初始位置（0位移）移动到目标位移的10%到90%所需的时间（单位：ms或μs）。  

• 物理意义：反映振膜对“信号突然增强”的反应速度——上升时间越短，响应越快。  

• 优劣标准：  

  • 优秀：≤1ms（如高端监听音箱、专业PA喇叭）；  

  • 良好：1~3ms（主流Hi-Fi音箱、中高端耳机）；  

  • 一般：3~5ms（入门级音箱、普通多媒体音箱）；  

  • 较差：＞5ms（低质喇叭、大口径低音炮的低频段易出现）。  


2. 过冲量（Overshoot, Os%）

• 定义：阶跃响应中，振膜超过目标位移的最大百分比（如目标位移100μm，实际到120μm，则过冲20%）。  

• 物理意义：反映系统的“超调”程度——过冲源于阻尼不足（振膜“刹不住车”），会导致信号失真（如鼓点后带“回声”）。  

• 优劣标准：  

  • 优秀：≤5%（几乎无超调，信号干净）；  

  • 良好：5%~15%（轻微超调，主观难察觉）；  

  • 一般：15%~30%（明显超调，可能出现“轰头”或细节模糊）；  

  • 较差：＞30%（严重失真，声音浑浊、拖尾）。  


3. 建立时间（Settling Time, Ts）

• 定义：阶跃响应中，振膜从开始运动到进入并保持在目标位移±2%（或±5%）误差范围内的时间（单位：ms）。  

• 物理意义：反映振膜“稳定跟随信号”的能力——建立时间越短，信号结束后振膜越能快速停止，无残留振动（拖尾）。  

• 优劣标准：  

  • 优秀：≤5ms（信号收得快，细节清晰）；  

  • 良好：5~10ms（主流水平）；  

  • 一般：10~20ms（入门级，鼓点易有“余韵”）；  

  • 较差：＞20ms（严重拖尾，复杂音乐糊成一片）。  


4. 振铃衰减（Ringing Decay）

• 定义：阶跃响应中，振膜在达到目标位移后，围绕目标位置持续振荡的幅度衰减速度（通常用“衰减斜率”或“衰减时间”表示）。  

• 物理意义：振铃是悬挂系统弹性与阻尼不匹配导致的“自由振荡”——衰减越快，信号越干净。  

• 优劣标准：  

  • 优秀：振荡幅度在1~2个周期内衰减至初始幅度的10%以下（无明显振铃）；  

  • 良好：3~5个周期衰减至10%以下；  

  • 一般：＞5个周期仍可见明显振荡（声音发“飘”、层次感差）。


三、辅助：脉冲响应与频响的关联

• 脉冲响应：理想的瞬态响应应是窄而高的单峰脉冲（类似“针尖”）——脉冲越窄，说明扬声器对瞬间信号的还原越精准；若脉冲展宽、出现多个副瓣，说明存在失真或共振。  

• 频响与瞬态的关系：并非“频响越宽瞬态越好”，但中高频延伸好+瞬态快才是优质表现（低频段因振膜惯性大，瞬态天然弱于中高频，需平衡）。


四、主观听感的验证（避免唯数据论）

量化指标是基础，但最终需结合听感判断：  
• 优秀瞬态：听鼓点“脆而不散”，拨弦“清而不飘”，人声爆破音（如“p”“b”）有“颗粒感”但不刺耳，复杂乐器合奏层次分明（能听清每件乐器的位置）。  

• 较差瞬态：鼓点“闷而拖”，像敲棉花；拨弦“糊成一团”；人声“发虚”，背景伴奏盖过主唱；交响乐“混响过长”，失去动态对比。


五、注意测试条件的局限性

• 测试信号：不同测试信号（如方波、三角波、脉冲）得出的瞬态数据可能有差异，需参考标准测试信号（如IEEE标准的方波阶跃）。  

• 负载与环境：音箱的箱体设计、功放匹配会影响瞬态表现（如密闭箱比倒相箱瞬态更紧，但低频下潜可能弱）；耳机则受佩戴密封性影响。  

• 频段差异：同一扬声器的高频单元（如 tweeter）瞬态远好于低频单元（woofer）——评价时需分频段看（如低音炮的瞬态差不代表全频段差）。  


总结：快速判断步骤

1. 看上升时间：越短越好（＜3ms为优）；  
2. 看过冲量：越小越好（＜15%为优）；  
3. 看建立时间/振铃衰减：越短/越快越好；  
4. 结合主观听感：是否清晰、不拖尾、层次分明。  

最终，“瞬态响应好”的扬声器，本质是“该动时立刻动，该停时立刻停”，让音乐的动态和细节完整呈现。

StereoMark

频谱图能直观呈现声音频率随时间的变化。上面那张是先升后降的频率曲线，下面则是“ba”和“ga”两个音的频率轨迹。两组声能带会随时间变化，最后稳在元音“a”上。
像“ba”“ga”这种辅音，靠的就是频率上一路扫过的声能带把彼此区分开（看下图）。上边的带子，“ba”“ga”都一样，是一组谐频带，从低频慢慢爬到高频，最后在“a”那儿平下来。
但下边的带子就不同了。“ba”是从低往高走，然后稳住；“ga”起点就高，再往低走。这种频率随时间的变化，就叫调频扫描（FM sweep）声音里很重要的一个料。

所以你看，不管是“b”跟“p”，还是“b”跟“g”，时间拿捏都是辨清它们的关键。在“ba/pa”里，光靠时间差就能立判高下；而“ba/ga”还得加上频率的互动才能分出来。我们确实可以把声音放慢、测出这些差别，但实际说话时它们快得吓人，根本没意识去捕捉到底是啥在起作用。快到什么程度？你想想，我讲之前，你知道“ba”和“ga”在声音成分上的区别吗？你有没有意识到，几次眨眼工夫的调频扫描，就能把“a muddy dog”变成“a muggy bog”？反正我是听不出来的，哪个能量带在“ba”里升高、在“ga”里降低，我完全辨不出。可正是这种速度和细微差别，让辅音在感知上很脆弱，于是我们才用语音字母表（alpha、bravo、charlie、delta……）来帮忙记。

这些差别既细又复杂，有些人处理起来还费劲，结果对语言和阅读都有意想不到的影响，后面我们会聊到。

我们前面一直围着“时间”说语音，这不是随便选的。说话的节奏比其他声音，包括音乐，快得多。比方说，音乐里的快板（allegro）是一分钟120到170拍，为方便算，咱取个150拍，也就是一秒钟两个半四分音符。那每个四分音符悠哉地拖400毫秒（千分之一秒），八分音符200毫秒，十六分音符100毫秒。《野蜂飞舞》更快，是急板（presto），它玩的就是人耳分辨两个音至少要100毫秒这点，里姆斯基·科萨科夫故意让主旋律的十六分音符跑到每个只有80到85毫秒，音符就像蜜蜂嗡嗡一片。可说话完全是另一回事，辅音常常就是这速度甚至更快，20到40毫秒，而且我们可以一连串说下去，辅音挤得满满当当。《野蜂飞舞》总算短，弹的人听了都松口气。

再说几个声音的料。

响度，其实就是空气压力变化的幅度，我们听到的“大声小声”。比如一开始吉他弦到底推了多少空气，里波峰有多高？其实气压变化的绝对值小得可怜，但从最轻到最响，我们能听到的范围却大得惊人。物理气压差足有十万亿倍。为了让响度能用合理数字表示，我们就用对数换算成大家熟悉的分贝（dB）。那十万亿倍的跨度，就能写成0分贝（听觉门槛，连最灵敏的麦克风都快收不到）到140分贝（人能忍的极限）。

振幅调制（AM）和调频（FM），你大概只在开收音机时才想到，但它们在我们听觉世界里特别重要，尤其是说话。AM就是强度（振幅）在一明一暗地变，大声、小声、大声、小声。很多汽车警报就这么闪着响。我们声带振动时一张一合，也会给说的话加上这种强弱起伏，跟着基频走。上面内容就是基本款的AM，同一个信号用两种不同速率去调幅。

FM就是频率随时间变化。说话从辅音滑到元音再回来，集中的声能带就在上下扫，这就是调频。

还有一个得提的是相位。开头我们随意画了吉他弦右边空气分子的压力，左边没画，其实弦一动，右边压密时左边就散开，反过来也一样。某一刻，弦的运动同时在附近压缩和舒张空气分子。坐在琴两边的两个人，收到的信号和压力正好是反相，差180度，波形图上下颠倒。你在哪儿坐，声音传到耳朵的时间和相位都不一样。这些相位差异对判断声源位置很重要，而且在回音多或有噪音的地方，相位的叠加与抵消还能帮我们分清楚不同的声音。

最后是滤波。滤波就是有选择地削弱或增强某些频率。我们每天不知不觉经历无数次滤波，有意的、无意的都有。同一首歌，在家音响、车里、电脑喇叭、耳机、手机扬声器里听，味道都不一样，因为每个播放系统都有自己的滤波器，有的是工程师精心设计的，有的只是尺寸、成本之类妥协出来的副作用。你和朋友从街上走进咖啡店，声音听着也不同，因为墙壁、地板、浴缸这些硬表面会产生滤波。所以我们爱在浴室唱歌。哥特式教堂靠石头造型让高频多次反射，给音乐和讲话带来独特的声学效果。你不妨拿着手机走到不同房间听听，外环境的滤波先不说，我们自己也会用嘴、舌头、嘴唇有意无意地滤波，让声音绕来绕去，拼成需要的词句传情达意。

头外的信号与头内的信号：配料篇
大脑靠头外的信号，声音，和头内的信号，神经脉冲的电活动，来理解世界。
科学家做研究各有路子，有人用问卷，有人查基因表达，有人测血液标记物。我选的是信号，不管在头外还是头内，信号让我觉得踏实，比飘忽的声音本身更可捉摸。它们能量得出、看得见，还有公认又靠谱的办法去可视化分析。我最满足的是，头外和头内的信号竟如此相似，美得很，也奇妙得很。这份实在让我有依靠，研究像音乐训练怎么塑造健全的听觉思维、节拍感对读写的作用、脑震荡怎么影响声音处理这些大问题时，它能让我站得住脚。我靠信号引路，也靠它告诉我真相。

声音的配料是理解每个人听感不同的关键，也能解释一个人的听感如何因“健全的听觉思维”与感官、思考、情绪、动作的交织而变好或变坏。

作为神经科学家，我能把这份实在带进对声音及大脑处理的研究里。我可以单独看音高、时间、音色的处理，也可以整体感受听觉，去弄明白擅长听的人和听力有困难的人，到底哪里顺、哪里卡壳。声音配料在处理和转成感知时是能拆开的，比如有人分不清音高，但对音色一点问题没有，反过来也有人只卡在时间上。音乐人和双语者都是听的高手，但他们擅长的信号类型不一样。

现在咱们看看，头外的声波怎么变成头内的脑波，当吉他弦一抖，进了耳道，会发生什么。

StereoMark

注：  
1. T. D. Hanley、J. C. Snidecor 和 R. L. Ringel，《一些语言之间的声学差异》，《语音学》第14卷（1966年）：第97–107页；A. B. Andrianopoulos、K. N. Darrow 和 J. Chen，《四种多元文化人群的声音多模态标准化：基频与频谱特征》，《嗓音杂志》第15卷第2期（2001年）：第194–219页。  
2. S. A. Xue、R. Neeley、F. Hagstrom 和 J. Hao，《老年欧美裔与非裔美国人说话时的基频特点：构建临床比较平台》，《临床语言学与语音学》第15卷第3期（2001年）：第245–252页。  
3. B. Lee 和 D. V. L. Sidtis，《双语者的嗓音：跨言语任务说两种语言时的嗓音特征》，《言语、语言与听力》第20卷第3期（2017年）：第174–185页。  

另外说一句，这个压力变化其实小得几乎可以忽略。要是我算得没错、单位换算也对，普通吉他弦一拨，只会把当地大气压从约1000克每平厘米，抬到差不多1000.000003克每平方厘米，差得那叫一个微乎其微。

sunnygod

基本上没几个喇叭有足够好的瞬性灵敏度，从很多振膜接触音圈模式就可以知道，99.99%的喇叭振膜都是陷套模式来粘连音圈套管，再恶劣的是振膜中央还要挖孔粘个小套管套进音圈管粘连，等于是音圈推两层振膜，有什么好的瞬性/瞬态可言，好的方式是振膜完整中央只微微粘连音圈管口就能轻松推送振荡，这个就考振膜是否内阻适合，不会推送时发生崩开音圈管。
这样做多数喇叭的振膜不用多久就和音圈管脱离，互相推拉力不合。

StereoMark

sunnygod 发表于 2025-12-19 00:04
基本上没几个喇叭有足够好的瞬性灵敏度，从很多振膜接触音圈模式就可以知道，99.99%的喇叭振膜都是陷套模式 ...

在我的印象里，瞬态特性好的喇叭，排第一的是 Manger，第二的是 QUAD ESL63，动圈喇叭在瞬态上完全没有优势。但是在瞬态特性上有优势的喇叭，它的频宽又成了问题。