CN117979219A - 一种开放式音频特性测试方法和系统 - Google Patents
一种开放式音频特性测试方法和系统 Download PDFInfo
- Publication number
- CN117979219A CN117979219A CN202410116587.6A CN202410116587A CN117979219A CN 117979219 A CN117979219 A CN 117979219A CN 202410116587 A CN202410116587 A CN 202410116587A CN 117979219 A CN117979219 A CN 117979219A
- Authority
- CN
- China
- Prior art keywords
- audio
- measured
- audio characteristic
- electroacoustic device
- characteristic index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 106
- 238000013507 mapping Methods 0.000 claims abstract description 85
- 238000009413 insulation Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种开放式音频特性测试方法和系统,适用于开放空间的电声器件音频特性测试方案,降低测试成本,提高测试效率,扩大测试覆盖度,方法包括:将参考电声器件和待测电声器件以及对应的标准收音装置或放音装置布置在开放空间中的固定预设位置上;播放预先设计的扫频信号并采集音频信号;基于采集的音频信号分别计算音频特性指标;根据开放空间测得的参考电声器件的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,通过映射关系,得到待测电声器件的在隔音箱中测得的音频特性指标。
Description
技术领域
本发明涉及声学设备技术领域,具体涉及一种开放式音频特性测试方法和系统。
背景技术
在电声器件(比如麦克风和扬声器)的生产制造过程中,为了保证品质,需要对产品的音频特性进行测试分析。典型的音频特性包括:频响曲线(FR)、总谐波失真(THD)和高阶谐波失真(HOHD)等。所谓频响曲线,是指电声器件的输入或者输出增益随频率变化的曲线,是电声器件品质的核心指标之一。电声器件的音频特性测试通常需要把电声器件放置在一个密闭的隔音箱内进行。采用隔音箱的成本较高,而且需要严格保证其隔音效果并且还需要在特定的安静环境中行,否则会影响测试结果的准确性。这增加了测试复杂度,也降低了测试效率,并且由于需要在隔音箱内进行测试,所以需要花费更多的时间布置测试设备,这无疑增加了测试的时间成本。
若在开放空间中进行测试,可以显著降低测试成本,提高测试效率,但是相比隔音箱,在开放空间下音频测试会受多种外在因素的干扰影响,比如各种噪声、空间混响、距离衰减等。如果仍然采用传统的性能指标计算方法,测试结果将出现较大偏差和扰动。
发明内容
针对上述问题,本发明提供了一种开放式音频特性测试方法和系统,适用于开放空间的电声器件音频特性测试方案,降低测试成本,提高测试效率,扩大测试覆盖度。
其技术方案是这样的:一种开放式音频特性测试方法,其特征在于,包括:
将参考电声器件和待测电声器件以及对应的标准收音装置或放音装置布置在开放空间中的固定预设位置上;
播放预先设计的扫频信号并采集音频信号;
基于参考电声器件和待测电声器件所采集的音频信号,分别计算参考电声器件和待测电声器件的音频特性指标;
根据开放空间测得的参考电声器件的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,所述参考音频特性指标采用标准扬声器在隔音箱中预先测得;
通过映射关系,由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标。
进一步的,将所述映射关系建立为线性映射关系,建立映射函数f(x),表示为:
f(x)=kx+b
采用第一参考电声器件在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第一参考电声器件方程:/>
采用第二参考电声器件在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第二参考电声器件方程:/>
联立第一、第二参考电声器件方程组成方程组,求解方程组得到映射函数参数f(x)的参数k和b。
进一步的,将所述映射关系建立为非线性映射关系,基于深度学习网络建模开放空间测试指标到隔音箱测试指标的映射关系。
进一步的,在小于50分贝的安静场景中或者只有时频稳定噪声的情况下,采用线性映射关系;如果场景中有瞬态噪声或者时频非均匀稳态噪声的情况下,采用非线性映射关系。
进一步的,基于深度学习网络建模开放空间测试指标到隔音箱测试指标的映射关系,包括:
基于深度神经网络构建所述音频特性指标映射模型,所述音频特性指标映射模型包括:第一深度神经网络单元和第二深度神经网络单元,将参考电声器件和待测电声器件在开放空间测得的音频特性指标,作为第一深度神经网络单元的输入,所述第一深度神经网络单元输出参考电声器件在隔音箱中测得的音频特性指标的估计值;将参考电声器件在隔音箱中测得的音频特性指标与第一深度神经网络单元的输出之差以及第一深度神经网络单元的输出,作为第二深度神经网络单元的输入,所述第二深度神经网络单元输出待测电声器件在隔音箱中测得的音频特性指标;
基于训练好的音频特性指标映射模型,获得输出待测电声器件在隔音箱中测得的音频特性指标。
进一步的,所述音频特性指标映射模型如下训练:
采用多个参考电声器件,分别将每个参考电声器件匹配待测电声器件,组成多组电声器件组,测量每组电声器件在隔音箱中的音频特性指标和在多种开放空间的音频特性指标,采集得到多组音频特性指标数据和/>分别表示参考麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标;和/>分别表示待测麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标,构建得到训练集,然后采用训练集中数据,利用反向传播算法训练音频特性指标映射模型的参数,学习目标为最小化第一深度神经网络单元的输出层OUT1的输出/>和第二深度神经网络单元的输出层OUT2的输出/>与对应真实测量得到的音频特性指标的最小均方误差,表示为:
其中,θ为模型参数,α∈[0,1]是手动设定的损失函数的权重,loss1为第一深度神经网络单元的输出层OUT1的输出与参考电声器件的音频特性指标/>的最小均方误差,表示为/>n1为输出层OUT1的节点数;loss2为第二深度神经网络单元的输出层OUT2的输出/>与待测电声器件的音频特性指标/>的最小均方误差,表示为/>n2为输出层OUT2的节点数;
接着通过不断迭代训练直至学习目标收敛;最后屏蔽第一深度神经网络单元的输出层OUT1,得到最终的对应音频特性指标M的训练好的音频特性指标映射模型,训练好的音频特性指标映射模型对应为开放空间测试指标到隔音箱测试指标的映射函数。
一种开放式音频特性测试系统,其特征在于,包括:
参考电声器件和待测电声器件以及对应的标准收音装置或放音装置;
辅助治具,用于将参考电声器件和待测电声器件以及对应的标准收音装置或放音装置布置在开放空间中的固定预设位置上;
测试控制台,用于播放预先设计的扫频信号并采集音频信号;基于参考电声器件和待测电声器件所采集的音频信号,分别计算参考电声器件和待测电声器件的音频特性指标;根据开放空间测得的参考电声器件的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,所述参考音频特性指标采用标准扬声器在隔音箱中预先测得;通过映射关系,由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标。
一种计算机装置,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如上述的开放式音频特性测试方法。
一种计算机可读存储介质,其上存储有程序,其特征在于:程序被处理器执行时实现如上述的开放式音频特性测试方法。
一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现上述方法的步骤。
采用本发明的开放式音频特性测试方法,在开放空间进行电声器件的音频特性指标测试,可以不依赖隔音箱,在开放空间进行电声器件的音频特性指标测试,降低测试成本,测试人员可以更快速地设置和进行测试,从而显著提高工作效率,通过建立开放空间测试指标到隔音箱测试指标的映射关系,可以由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标,在简化测试环境要求的情况下,确保测试结果的准确性和可靠性,为产品研发和性能优化提供有力支持,并且本发明的方法可以更容易地扩展到各种类型的电声器件的测试中。
附图说明
图1为实施例中的一种开放式音频特性测试方法的步骤示意图;
图2为实施例的方法中构建线性映射关系时候的示意图;
图3为实施例的方法中构建线非性映射关系时候的音频特性指标映射模型的示意图;
图4为实施例的开放式音频特性测试系统的系统框图;
图5为一个实施例中计算机装置的内部结构图。
具体实施方式
电声器件指电和声相互转换的器件,典型的如麦克风和扬声器,本发明的开放式音频特性测试方法适用于开放空间中的电声器件音频特性测试,由于麦克风和扬声器是成对使用的,其测试方案可以通用。不失一般性,以下的实施例中,以麦克风音频特性测试为例来说明本发明的技术方案。基于本实施例中的公开内容,专业人员很容易把此方法推广到扬声器音频特性测试中。
见图1,本发明的一种开放式音频特性测试方法,其工作步骤如下:
Step1:将标准扬声器、参考麦克风和待测麦克风固定在开放空间中的固定位置上;
Step2:启动参考麦克风和待测麦克风开始录音,然后通过标准扬声器播放预先设计的扫频信号;
Step3:基于参考麦克风和待测麦克风所采集的音频信号,分别计算其音频特性指标;
Step4:根据开放空间测得的参考麦克风的音频特性指标和参考音频特性指标,从开放空间测试指标到隔音箱测试指标的映射关系,该映射关系通过映射函数来表示,参考音频特性指标采用标准扬声器在隔音箱中预先测得;
Step5:把待测麦克风在开放空间测得的音频特性指标输入对应的映射函数,从而得到其对应的在隔音箱中测得的音频特性指标,即所需的音频特性指标。
实施例中,使用的标准扬声器是指经过严格测试验证的具有完美频响曲线的品质优异的扬声器,可以发射出标准频响的谐波失真最小的扫频信号。参考麦克风是指经过严格测试验证的具有完美频响曲线的品质优异的麦克风,可以接收到标准频响的谐波失真最小的扫频信号。参考麦克风的音频特性指标采用标准扬声器在隔音箱中预先测得,称为参考音频特性指标。待测麦克风是指其音频特性指标未知、需要在开放环境下进行测量的麦克风。辅助治具把标准扬声器、参考麦克风和待测麦克风固定在指定位置,确保标准扬声器到参考麦克风的距离和朝向与在隔音箱中相同。辅助治具把待测麦克风固定在参考麦克风周围,尽可能靠近,保持相同朝向。
实施例中,通过开放空间内由标准扬声器播放预先设计的扫频信号,参考麦克风和待测麦克风同时接收该扫频信号,通过参考麦克风和待测麦克风采集的扫频信号分别计算对应麦克风的音频特性指标,如FR、THD和HOHD等。基于参考麦克风在隔音箱中测得的音频特性指标和开放空间中测得的音频特性指标,建立一组从开放空间指标到隔音箱指标的映射关系。采用此映射关系,把待测麦克风在开放空间测得的音频特性指标映射为隔音箱指标,从而得到待测麦克风真实的音频特性指标,建立的一组映射关系可设计为线性映射关系,也可设计为非线性映射关系。
见图2,在一个实施例中,在步骤Step5中,将映射关系建立为线性映射关系,建立映射函数f(x),表示为:
f(x)=kx+b
其参数k和b可通过如下步骤来估计:
Step4.1:采用第一参考麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第一参考麦克风方程:/>
Step4.2:采用第二参考麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第二参考麦克风方程:/>
Step4.3:联立第一、第二参考麦克风方程组成方程组,求解方程组得到映射函数参数f(x)的参数k和b。
在本发明另一个实施例中,将映射关系设计为一种非线性映射关系。不失一般性,以一个音频特性指标M的映射函数g(x)为例,采用深度神经网络(DNN,Deep NeuralNetworks)来建模映射函数g(x)。
实施例中,基于深度学习网络建模开放空间测试指标到隔音箱测试指标的映射关系,包括步骤:
基于深度神经网络构建音频特性指标映射模型,特定地,该深度神经网络内部基本单元结构不做限定,可以是linear、GRU或者卷积层。该音频特性指标映射模型典型结构如图3所示;
音频特性指标映射模型包括:第一深度神经网络单元和第二深度神经网络单元,将参考电声器件和待测电声器件在开放空间测得的音频特性指标,作为第一深度神经网络单元的输入,表示为输入层IN1,第一深度神经网络单元输出参考电声器件在隔音箱中测得的音频特性指标的估计值表示为输出层OUT1,该输出层只在模型参数训练过程中使用,在对待测麦克风进行音频特征指标测试阶段被屏蔽;参考麦克风在隔音箱中测得的音频特性指标/>与第一深度神经网络单元的输出OUT1之差以及第一深度神经网络单元的输出OUT1,作为第二深度神经网络单元的输入,表示为输入层IN2,第二深度神经网络单元输出待测电声器件在隔音箱中测得的音频特性指标/>表示为输出层OUT2。
实施例中,音频特性指标映射模型如下训练:
采用多个参考麦克风,分别将每个参考麦克风匹配待测麦克风,组成多组麦克风组,测量每组麦克风在隔音箱中的音频特性指标和在多种开放空间的音频特性指标,采集得到多组音频特性指标数据和/>分别表示参考麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标;/>和分别表示待测麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标,构建得到训练集,另外,音频特性指标在输入音频特性指标映射模型时,需要进行向量化表示,这是相关技术人员所熟悉的;
然后采用训练集中数据,利用反向传播算法训练音频特性指标映射模型的参数,学习目标为最小化第一深度神经网络单元的输出层OUT1的输出和第二深度神经网络单元的输出层OUT2的输出/>与对应真实测量得到的音频特性指标的最小均方误差,表示为:
其中,θ为模型参数,α∈[0,1]是手动设定的损失函数的权重,loss1为第一深度神经网络单元的输出层OUT1的输出与参考电声器件的音频特性指标/>的最小均方误差,表示为/>n1为输出层OUT1的节点数;loss2为第二深度神经网络单元的输出层OUT2的输出/>与待测电声器件的音频特性指标/>的最小均方误差,表示为/>n2为输出层OUT2的节点数;
接着通过不断迭代训练直至学习目标收敛;最后屏蔽第一深度神经网络单元的输出层OUT1,得到最终的对应音频特性指标M的训练好的音频特性指标映射模型,训练好的音频特性指标映射模型对应为开放空间测试指标到隔音箱测试指标的映射函数g(x)。
基于训练好的音频特性指标映射模型对待测麦克风真实音频特性指标进行估计的过程如下:首先测量得到参考麦克风在隔音箱中的音频特性指标参考麦克风在开放空间中的音频特性指标/>待测麦克风在开放空间中的音频特性指标/>然后把和/>组成向量/>输入音频特性指标映射模型第一深度神经网络单元的输入层IN1,把/>和/>输入到音频特性指标映射模型的第二深度神经网络单元的输入层IN2;最后通过前向运算从输出层OUT2得到待测麦克风在隔音箱中测得的音频特性指标/>
在本发明的实施例中,映射关系可以根据场景的不同,选择线性映射关系或者非线性映射关系,在场景中比较安静(30分贝~40分贝)或者只有时频稳定噪声的情况下,采用线性映射,如果场景中有瞬态噪声或者时频非均匀稳态噪声的情况下,采用非线性映射关系。
采用本发明的开放式音频特性测试方法,在开放空间进行电声器件的音频特性指标测试,可以不依赖隔音箱,在开放空间进行电声器件的音频特性指标测试,降低测试成本,测试人员可以更快速地设置和进行测试,从而显著提高工作效率,通过建立开放空间测试指标到隔音箱测试指标的映射关系,可以由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标,在简化测试环境要求的情况下,确保测试结果的准确性和可靠性,为产品研发和性能优化提供有力支持,并且本发明的方法可以更容易地扩展到各种类型的电声器件的测试中。
在扬声器音频特性测试中,需要有一个标准麦克风和标准扬声器以及待测扬声器,标准扬声器和待测扬声器是先后播放预设信号的,扬声器测试内容和麦克风测试内容不完全相同,但是FR、THD、HOHD这些指标是共有的测试指标,专业人员很容易把此方法推广到扬声器音频特性测试中,方法执行的步骤除了标准扬声器和待测扬声器是先后播放预设信号的,其他相同。
在本发明的实施例中,还提供了一种开放式音频特性测试系统,包括:
参考麦克风1和待测麦克风2以及标准扬声器3;
辅助治具4,用于将参考麦克风1和待测麦克风2以及标准扬声器3布置在开放空间中的固定预设位置上;
测试控制台5,用于播放预先设计的扫频信号并采集音频信号;基于参考麦克风1和待测麦克风2所采集的音频信号,分别计算参考麦克风1和待测麦克风2的音频特性指标;根据开放空间测得的参考麦克风1的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,参考音频特性指标采用标准扬声器3在隔音箱中预先测得;通过映射关系,由待测麦克风2在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标。
实施例中,系统包括了标准扬声器、参考麦克风、若干待测试麦克风、测试控制台以及放置和固定上述器件的辅助治具。使用的标准扬声器是指经过严格测试验证的具有完美频响曲线的品质优异的扬声器,可以发射出标准频响的谐波失真最小的扫频信号。参考麦克风是指经过严格测试验证的具有完美频响曲线的品质优异的麦克风,可以接收到标准频响的谐波失真最小的扫频信号。参考麦克风的音频特性指标采用标准扬声器在隔音箱中预先测得,称为参考音频特性指标。待测麦克风是指其音频特性指标未知、需要在开放环境下进行测量的麦克风。辅助治具把标准扬声器、参考麦克风和待测麦克风固定在指定位置,确保标准扬声器到参考麦克风的距离和朝向与在隔音箱中相同。辅助治具把待测麦克风固定在参考麦克风周围,尽可能靠近,保持相同朝向。测试控制台用来控制麦克风和扬声器的工作,并根据麦克风采集的音频数据计算待测麦克风的音频特性指标。图4为系统框图。
在本发明的实施例中,还提供了一种计算机装置,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述的开放式音频特性测试方法。
该计算机装置可以是终端,其内部结构图可以如图5所示。该计算机装置包括通过总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机装置的处理器用于提供计算和控制能力。该计算机装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机装置的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现开放式音频特性测试方法。该计算机装置的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机装置的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机装置外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(Programmable Read-OnlyMemory,简称:PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,简称:EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,简称:EEPROM)等。其中,存储器用于存储程序,处理器在接收到执行指令后,执行程序。
处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(NetworkProcessor,简称:NP)等。该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机装置的限定,具体的计算机装置可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本发明的实施例中,还提供了一种计算机可读存储介质,其上存储有程序,其特征在于:程序被处理器执行时实现如上述的开放式音频特性测试方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、计算机装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、计算机装置、或计算机程序产品的流程图和/或框图来描述的。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图和/或中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图中指定的功能。
在本发明的实施例中,还提供了一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现上述方法的步骤。
在实际的应用过程中,上述计算机程序产品包括但不限于:智能手机、台式电脑、笔记本电脑、平板电脑、智能手表、上位机以及服务器平台等,在此不作具体限制。
以上对本发明所提供的开放式音频特性测试方法、系统、计算机装置、计算机可读存储介质、计算机程序产品的应用进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种开放式音频特性测试方法,其特征在于,包括以下步骤:
将参考电声器件和待测电声器件以及对应的标准收音装置或放音装置布置在开放空间中的固定预设位置上;
播放预先设计的扫频信号并采集音频信号;
基于参考电声器件和待测电声器件所采集的音频信号,分别计算参考电声器件和待测电声器件的音频特性指标;
根据开放空间测得的参考电声器件的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,所述参考音频特性指标采用标准扬声器在隔音箱中预先测得;
通过映射关系,由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标。
2.根据权利要求1所述的一种开放式音频特性测试方法,其特征在于:将所述映射关系建立为线性映射关系,建立映射函数f(x),表示为:
f(x)=kx+b
采用第一参考电声器件在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第一参考电声器件方程:/>
采用第二参考电声器件在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标/>建立第二参考电声器件方程:/>
联立第一、第二参考电声器件方程组成方程组,求解方程组得到映射函数参数f(x)的参数k和b。
3.根据权利要求2所述的一种开放式音频特性测试方法,其特征在于:将所述映射关系建立为非线性映射关系,基于深度学习网络建模开放空间测试指标到隔音箱测试指标的映射关系。
4.根据权利要求3所述的一种开放式音频特性测试方法,其特征在于:在小于50分贝的安静场景中或者只有时频稳定噪声的情况下,采用线性映射关系;如果场景中有瞬态噪声或者时频非均匀稳态噪声的情况下,采用非线性映射关系。
5.根据权利要求3所述的一种开放式音频特性测试方法,其特征在于:基于深度学习网络建模开放空间测试指标到隔音箱测试指标的映射关系,包括:
基于深度神经网络构建所述音频特性指标映射模型,所述音频特性指标映射模型包括:第一深度神经网络单元和第二深度神经网络单元,将参考电声器件和待测电声器件在开放空间测得的音频特性指标,作为第一深度神经网络单元的输入,所述第一深度神经网络单元输出参考电声器件在隔音箱中测得的音频特性指标的估计值;将参考电声器件在隔音箱中测得的音频特性指标与第一深度神经网络单元的输出之差以及第一深度神经网络单元的输出,作为第二深度神经网络单元的输入,所述第二深度神经网络单元输出待测电声器件在隔音箱中测得的音频特性指标;
基于训练好的音频特性指标映射模型,获得输出待测电声器件在隔音箱中测得的音频特性指标。
6.根据权利要求5所述的一种开放式音频特性测试方法,其特征在于:所述音频特性指标映射模型如下训练:
采用多个参考电声器件,分别将每个参考电声器件匹配待测电声器件,组成多组电声器件组,测量每组电声器件在隔音箱中的音频特性指标和在多种开放空间的音频特性指标,采集得到多组音频特性指标数据 和/>分别表示参考麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标;和/>分别表示待测麦克风在隔音箱中测得的音频特性指标和在开放空间测得的音频特性指标,构建得到训练集,然后采用训练集中数据,利用反向传播算法训练音频特性指标映射模型的参数,学习目标为最小化第一深度神经网络单元的输出层OUT1的输出/>和第二深度神经网络单元的输出层OUT2的输出/>与对应真实测量得到的音频特性指标的最小均方误差,表示为:
其中,θ为模型参数,α∈[0,1]是手动设定的损失函数的权重,loss1为第一深度神经网络单元的输出层OUT1的输出与参考电声器件的音频特性指标/>的最小均方误差,表示为/>n1为输出层OUT1的节点数;loss2为第二深度神经网络单元的输出层OUT2的输出/>与待测电声器件的音频特性指标/>的最小均方误差,表示为/>n2为输出层OUT2的节点数;
接着通过不断迭代训练直至学习目标收敛;最后屏蔽第一深度神经网络单元的输出层OUT1,得到最终的对应音频特性指标M的训练好的音频特性指标映射模型,训练好的音频特性指标映射模型对应为开放空间测试指标到隔音箱测试指标的映射函数。
7.一种开放式音频特性测试系统,其特征在于,包括:
参考电声器件和待测电声器件以及对应的标准收音装置或放音装置;
辅助治具,用于将参考电声器件和待测电声器件以及对应的标准收音装置或放音装置布置在开放空间中的固定预设位置上;
测试控制台,用于播放预先设计的扫频信号并采集音频信号;基于参考电声器件和待测电声器件所采集的音频信号,分别计算参考电声器件和待测电声器件的音频特性指标;根据开放空间测得的参考电声器件的音频特性指标和参考音频特性指标,得到开放空间测试指标到隔音箱测试指标的映射关系,所述参考音频特性指标采用标准扬声器在隔音箱中预先测得;通过映射关系,由待测电声器件在开放空间测得的音频特性,得到其对应的在隔音箱中测得的音频特性指标。
8.一种计算机装置,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1的开放式音频特性测试方法。
9.一种计算机可读存储介质,其上存储有程序,其特征在于:程序被处理器执行时实现如权利要求1的开放式音频特性测试方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116587.6A CN117979219A (zh) | 2024-01-29 | 2024-01-29 | 一种开放式音频特性测试方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116587.6A CN117979219A (zh) | 2024-01-29 | 2024-01-29 | 一种开放式音频特性测试方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117979219A true CN117979219A (zh) | 2024-05-03 |
Family
ID=90852730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116587.6A Pending CN117979219A (zh) | 2024-01-29 | 2024-01-29 | 一种开放式音频特性测试方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117979219A (zh) |
-
2024
- 2024-01-29 CN CN202410116587.6A patent/CN117979219A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9402145B2 (en) | Wireless speaker system with distributed low (bass) frequency | |
CN109831733A (zh) | 音频播放性能的测试方法、装置、设备和存储介质 | |
CN101411213A (zh) | 音频系统中的校准方法和装置 | |
CN110691314B (zh) | 线性麦克风阵列性能测试方法及夹具 | |
Landschoot et al. | Model-based Bayesian direction of arrival analysis for sound sources using a spherical microphone array | |
US20210306782A1 (en) | Method and system of audio device performance testing | |
CN111031463B (zh) | 麦克风阵列性能评测方法、装置、设备和介质 | |
CN112562624B (zh) | 主动降噪滤波器设计方法、降噪方法、系统及电子设备 | |
CN105792072A (zh) | 一种音效处理方法、装置及终端 | |
CN109155885A (zh) | 局部声场形成装置、局部声场形成方法和程序 | |
CN110475181B (zh) | 设备配置方法、装置、设备和存储介质 | |
KR20050104976A (ko) | 자동 음질 평가 방법 및 그 시스템 | |
Zhang et al. | A new regional localization method for indoor sound source based on convolutional neural networks | |
US20140363001A1 (en) | Method for calibrating performance of small array microphones | |
US9769582B1 (en) | Audio source and audio sensor testing | |
CN111613248A (zh) | 拾音测试方法、设备及系统 | |
CN112951263B (zh) | 语音增强方法、装置、设备和存储介质 | |
Coleman et al. | The influence of regularization on anechoic performance and robustness of sound zone methods | |
CN117979219A (zh) | 一种开放式音频特性测试方法和系统 | |
US20160119460A1 (en) | Reduced Acoustic Coupling | |
JP2018077139A (ja) | 音場推定装置、音場推定方法、プログラム | |
Deboy et al. | Tangential intensity algorithm for acoustic centering | |
Feistel et al. | Modeling of loudspeaker systems using high-resolution data | |
EP2058795B1 (en) | Simulation apparatus and program | |
CN112738692A (zh) | 滤波器设计方法、装置、耳机、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |