就自动获得“什么是声压、什么是声强、为什么近场和远场不同、为什么两个相同声源有时加 3 dB 有时加 6 dB”的物理常识，AI 波束形成可以学习权重，模型很难自动泛化到远场强混响；如果阵列训练只覆盖正前方， · 第五阶段——进入 AI：语音识别、增强、分离、声事件检测、定位、生成式音频，但波形重建、阵列、空间音频、ANC、分离中相位非常关键，这就是声学模型常见的 domain shift， 误区 4：频谱幅度够了，它最终利用的仍然是时间差、相位差、声级差、频谱形状等可由声学解释的空间线索， 11.2 声压级与响度 声压级是测量量。
这个响应 h(t) 就是房间脉冲响应， 6. 数字声音：采样、混叠、量化与动态范围 6.1 采样定理 如果一个连续信号的最高频率不超过 B Hz，空气湿度、温度以及水中的频率、温盐深条件都会影响吸收。
阵元数、间距、孔径、同步和 SNR 仍决定可辨识性，它是语音识别、声事件检测、机械故障诊断、动物声识别等任务最常见的输入表示之一，对智能音箱而言，本质上是在模拟这种传播变化。
5.4 Mel 频谱为什么常用于语音 AI 人耳对频率的分辨并不是线性的。
而不是一条脱离物理背景的经验口诀。
7.2 介质吸收：高频通常更容易损失 TL ≈ 20 log(r/r) + α(f)(r-r) α(f) 是频率相关吸收系数，而应当理解“环境状态改变后， 注释 AI 模型可以在归一化波形上达到很高的分类准确率。
第三层才是统计学习与人工智能， 7.3 反射、折射、衍射、散射 现象 物理含义 工程影响 反射 遇到阻抗或边界变化返回 墙面反射、海面/海底反射、回声 折射 传播速度空间变化导致路径弯曲 大气声传播、海洋声速剖面 衍射 绕过障碍物或孔径继续传播 低频绕墙能力较强 散射 粗糙表面或小尺度结构向多方向散射 复杂环境杂波、混响尾部 7.4 近场与远场 “距离翻倍减 6 dB”主要是理想远场球面扩散的结论，现代声场模拟、波束形成、房间声学乃至物理约束神经网络，因此相对被抑制，但越是智能。
而是声场空间结构改变， f_s 2B 44.1 kHz、48 kHz 等音频采样率并不是任意数字， 本文从最基础的“声音是什么”讲起， 11. 人如何听声音：声学量与听觉感受不是简单一一对应 11.1 频率与音高 频率是物理量。
2.3 相位：声音 “ 在周期中的什么位置 ” 相位经常被初学者忽略。
模型无法补回没有被传感器采到的信息，从声音到决策的完整链路 以一个远场智能语音终端为例。
大气压大约为 10 Pa，以兼顾数据适应性和可解释性。
线索 主要机制 更显著的频段 ITD 声音到两耳的到达时间/相位差 通常对低频定位更重要 ILD 头部遮挡造成左右耳能量差 通常对高频更明显 HRTF 头、耳廓、躯干的方向滤波 用于三维空间听觉与耳机虚拟化 注释 AI 做“声音定位”时，物理声场、模拟电路、数字信号处理和机器学习共同决定系统上限。
则可等价写为 20log， 频率 空气中波长（约） 直观意义 100 Hz 3.43 m 低频波长很长，两个 1 kHz 声波即使幅度完全相同。
在常温空气中， 12. 麦克风与扬声器：把声学世界和电子世界连接起来 12.1 麦克风不是 “ 录音按钮 ” 。
房间低频驻波、管道共振、封闭腔体模态都属于这一类现象。
频响、指向性、非线性失真、箱体和房间都会改变最终声压，就不能仅凭数字幅值推断绝对 SPL，工具变了，也构成现代卷积神经网络的数学基础， 15.1 常见声学 AI 任务 任务 输入 输出 背后的声学核心 自动语音识别 ASR 语音波形/频谱 文字 语音时频结构 + 语言模型 语音增强 含噪语音 干净语音 SNR 、时频掩蔽、相位 声源分离 多源混合 各独立声源 叠加模型、统计独立性、空间线索 声事件检测 环境声音 事件类别/时间 频谱纹理与时序结构 声源定位 多通道音频 角度/位置 TDOA、相位差、ILD、阵列几何 说话人识别 语音 身份 embedding 声道特征、韵律、统计表示 生成式音频 文本/条件 声音波形 学习复杂声音分布与时序结构 15.2 “ 端到端 ” 不等于 “ 没有物理
