Bark 和 Mel 尺度
- 提出者
- Eberhard Zwicker, Stanley Smith Stevens
- 年份
- 1937
- 类型
- Perceptual frequency mapping
- 类别
- Psychoacoustics
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
Bark 和 Mel 尺度是感知频率尺度,将物理频率(Hz)映射到感知音高和听觉感知。由 Zwicker(Bark,1961)和 Stevens(Mel,1937)正式提出,这些非线性尺度反映了人耳如何处理声音。Bark 尺度将听觉分为 24 个临界频带;Mel 尺度模拟音高感知。两者对于音频特征提取、语音处理以及设计符合人耳听觉的音频系统至关重要。
方法背后的直觉
耳朵对频率的感知不是线性的。从 100 Hz 增加 100 Hz 到 200 Hz 听起来变化很大(一个八度),但从 5100 Hz 到 5200 Hz 的相同增加几乎不明显。Bark 和 Mel 尺度将频率映射到感知空间,其中相等的距离代表相等的感知差异。Bark 尺度侧重于频率辨别(掩蔽模式);Mel 尺度侧重于音高(旋律和音调)。
历史学
Stevens、Volkmann 和 Newman 于 1937 年引入 Mel 尺度来量化等间隔(旋律)的音高感知。Zwicker 于 1961 年基于临界带宽测量和掩蔽现象开发了 Bark 尺度。两者都成为心理声学和音频编解码器设计的基石。现代改进(例如,Gammatone 滤波器组、Mel 频谱图)提供了更准确的感知模型。基于 Mel 频谱图的机器学习已成为语音和音乐 AI 的标准。
何时使用
用于音频编解码器设计、感知音频编码以及分析掩蔽效应时使用 Bark 尺度。用于语音处理、音乐信息检索、说话人识别以及音频特征的机器学习时使用 Mel 尺度。两者都适用于助听器设计、音频修复和感知音频质量指标。
局限与注意事项
- Bark 和 Mel 尺度是经验近似值;精确的临界带宽随声压级、频率上下文和个体听众而异。
- 不可逆映射(正向变换会丢失信息);精确的频率重建很复杂,并且可能引入伪影。
- 两种尺度都是针对正常听力听众的平均模型;听力损失、年龄和个体差异会影响临界带宽和音高感知。
- 计算成本:在 Hz 和 Bark/Mel 之间转换需要超越函数(对数、反正切);查找表和近似值很常见。
- 仅限于单耳感知;双耳听觉和空间音频需要额外的建模。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 分析与人耳听觉感知对齐;在 Bark/Mel 空间中提取的特征与主观音频质量和听众偏好具有更好的相关性。
- 压缩高频信息:在高频处需要更少的感知“通道”,从而降低音频编解码器的计算成本。
- 临界带宽概念预测掩蔽:一个 Bark 范围内的区域会受到共享掩蔽的影响,从而简化感知编解码器的设计。
- 成熟且标准化;广泛用于商业音频编解码器(MP3、AAC)和语音识别系统。
- 灵活性:Bark 和 Mel 尺度可以与其他技术(响度曲线、压缩)结合使用,以进行精细的感知建模。
应用
- 音频编解码器和流媒体:MP3、AAC、OPUS 使用 Bark 尺度滤波器组进行感知量化;一些现代编解码器使用 Mel 尺度变体。
- 自动语音识别和说话人验证:源自 Mel 尺度频谱图的 Mel 频率倒谱系数(MFCC)是语音处理的标准特征。
- 音乐信息检索和流派分类:Mel 频谱图能够进行音频特征提取和深度学习。
- 助听器和人工耳蜗设计:临界带宽(Bark 尺度)为人工耳蜗中的通道设计和频率分配提供依据。
- 音频修复和语音增强:感知尺度指导与听觉对齐的伪影去除和噪声抑制。
- 音频质量评估:感知指标(PESQ、PEMO-Q)使用 Bark 和 Mel 尺度来预测主观音频质量。
使用方式
使用方式
获取要分析或显示的音频信号或频域表示(FFT 频谱)。
使用标准的加窗和 FFT 技术计算功率谱。准备 Hz 为单位的频率数组。
将线性频率尺度(Hz)转换为感知尺度:Bark:z = 13 * arctan(0.76f/1000) + 3.5 * arctan((f/7500)²),Mel:m = 2595 * log10(1 + f/700)。这些公式将 Hz 映射到感知单位。
使用感知频率尺度设计与听觉处理对齐的频率选择性特征(滤波器组、频谱图)。计算每个频率的临界带宽:BW ≈ 25 + 75(1 + 1.4(f/1000)²)^0.69 Hz,在 Bark 空间中近似恒定(1 Bark ≈ 临界带宽)。
以 Bark 或 Mel 尺度可视化频谱,以获得感知上准确的解释。比较特征重要性:在线性 Hz 尺度下,高频在视觉上占主导地位,但感知上可能不那么重要;在 Bark/Mel 尺度下,重点转移到感知上突出的区域。
常见陷阱
- 假设 Bark 和 Mel 尺度在感知上是相同的;它们模拟不同的方面(频率辨别 vs. 音高),选择取决于应用。
- 对所有频率使用单一的 Bark/Mel 尺度;临界带宽随频率变化,一些精细的模型(例如,等效矩形带宽)更准确。
- 忽略声压级依赖效应:临界带宽和掩蔽随声音声压级而变化;恒定临界带宽的假设是近似值。
- 使用 Bark 尺度过度压缩高频而未进行感知验证;感知音频质量取决于整体上下文,而不仅仅是频率扭曲。
- 混淆 Bark/Mel 转换与感知质量;转换为 Bark 尺度并不能保证感知上最优的音频,只能与临界频带对齐。
常见问题
Bark 和 Mel 尺度之间有什么区别?
Bark 尺度模拟频率辨别和临界带宽——耳朵如何将相邻频率分组到掩蔽带中。Mel 尺度模拟音高感知——频率如何映射到感知的旋律。Bark 尺度在感知意义上是近似均匀的(1 Bark ≈ 一个临界带宽);Mel 尺度模拟主观音高(八度、音乐间隔)。Bark 用于编解码器和掩蔽分析;Mel 用于音高和语音处理。
一个 Bark 频带在 Hz 中代表什么?
一个 Bark 在 Hz 中不是恒定的;它代表一个临界带宽,该带宽随频率变化。在 100 Hz 时,1 Bark ≈ 100 Hz;在 1 kHz 时,1 Bark ≈ 130 Hz;在 10 kHz 时,1 Bark ≈ 700+ Hz。这意味着耳朵对低频细节的分辨很精细,但对高频细节的分组很粗糙。
人耳听觉中有多少个 Bark 频带?
人耳听觉跨越大约 24 个 Bark 频带,对应于整个可听频谱(约 20 Hz 至 20 kHz)的临界带宽单位。这是许多音频编解码器的基础,它们使用与 Bark 间隔对齐的 24 频带滤波器组。
为什么 Mel 频谱图在语音识别中如此受欢迎?
Mel 频谱图压缩高频细节,同时保留与语音相关的低频信息(音高、共振峰)。它们与人耳感知语音的方式一致,使得学习到的特征更加鲁棒。在 Mel 频谱图上训练的深度神经网络在说话人和口音之间的泛化能力更强。
我可以在一次分析中结合使用 Bark 和 Mel 尺度吗?
可以。使用 Bark 尺度进行编解码器和掩蔽分析;单独计算 Mel 尺度特征以进行音高和旋律提取。它们是互补的:Bark 用于听觉力学,Mel 用于感知音高。一些高级音频系统同时使用两者,将频率辨别(Bark)与音高感知(Mel)分层。
相关方法
参考文献
Zwicker, E. (1961). Subdivision of the audible frequency range into critical bands. Journal of the Acoustical Society of America, 33(2), 248–248.
打开出版物文献已复制。Stevens, S. S., Volkmann, J., & Newman, E. B. (1937). A scale for the measurement of the psychological magnitude pitch. Journal of the Acoustical Society of America, 8(3), 185–190.
打开 DOI 文献已复制。Moore, B. C. J. (2012). An Introduction to the Psychology of Hearing (6th ed.). Academic Press.
ISBN:978-0123914232已复制。