Acoustics | 声音时间检测：日常声音理解

---

前言

本文根据书籍：
Computational Analysis of Sound Scenes and Events
翻译完成，推荐大家去读原著！

---

开始

---

日常生活很少有宁静的时候，大多数情况下，都会有产生不同声音的事件不断出现，在时频域上重叠后通过传入麦克风或我们的耳朵，它们可能是从远处传来的，或被反射的，或被障碍物衍射后的声音信号。这种复杂的声学阵列(acoustic array)即构成了声音场景(auditory scene)。

比如，幻想你在家里和朋友孩子享受假期。这时的声音场景是非常集中和嘈杂的，它可能由不同的对话和噪声组成。然而，作为倾听者的你却有能力解析这个特定的场景：你可以从嘈杂的背景中轻易区分并识别出不同的声音事件(sound events)，它们可能是不同的对话、背景音乐、碰杯声，甚至是孩子玩闹是弄出的古怪爆破声。听你一边朋友的对话，或者在听听另一边朋友又聊了什么，你甚至能同时听着你孩子闹出的动静，别让他们捅了篓子。这是典型鸡尾酒吧效应(cocktail party effect)。

本节的主要目的在于描述这些不同时间的潜在物理属性，并对一些基本的心理声学概念做出总结，同时我们也会概述一些声学认知模型，阐述他们具有哪些处理、解析和从声音场景中，感知声音时间的能力。

---

虽然人对语音和音乐的感知已经在很长的一段时间内，被当作正式的研究目标，但日常场景和事件的感知的研究才刚刚起步 (Everyday listening)。这里，日常信号指的是非音乐，非语音的，发生在日常环境中的声音信号。日常听觉最主要的特征就是其以认知为目标—即其研究的主要目标是感受听众身边的环境，和发生的事情。它通过区分和识别不同的声音时间，来对不同的声音环境（场景）进行划分。相较而言，音乐感知更注重音乐信号的声音质量（或音色），而不对声源做精确识别；语音听觉主要着手于解码语音中暗含的语言信息，和对说话人进行识别，包括说话人的身份、性别、情绪等。

---