6.5.1 心理声学：音频压缩的地基（Psychoacoustics）

从等响曲线到掩蔽效应

第一章的 1.4.3 中，等响曲线已经揭示过人耳的第一个局限：灵敏度随频率剧烈起伏——对 2~5 kHz 最敏锐，对极低频与极高频迟钝，20 Hz 与 20 kHz 之外更是直接 "失聪"。只凭这一点，音频编码就能扔掉一批听不见的成分。

但心理声学真正的王牌是 掩蔽效应（Masking Effect）：一个强音的存在，会抬高其邻近频率、邻近时刻的可闻阈值——伞下的弱音，人耳根本听不见。

掩蔽在两个维度上发生：

• 频域掩蔽（Simultaneous Masking）：与强音同时出现的邻近频率弱音被掩蔽。掩蔽曲线呈不对称的 "帐篷"——低频侧陡峭（约 27 dB/Bark），高频侧平缓（约 -15 dB/Bark），即 向上掩蔽远、向下掩蔽近
• 时域掩蔽（Temporal Masking）：强音出现 之前 的一瞬（前掩蔽，数毫秒量级）与 之后 的一段时间（后掩蔽，可达上百毫秒），听觉灵敏度都会下降——后掩蔽远长于前掩蔽

频率轴上的掩蔽还以 临界频带（Critical Band） 为单位组织：人耳的听觉滤波器组带宽随频率变化（低频窄、高频宽），同一临界频带内的强弱音才会互相掩蔽。

把噪声藏进伞下：感知编码的总纲

掩蔽效应给编码器指了一条 "作弊" 之路 [12]：

这就是 感知音频编码（Perceptual Audio Coding） 的总纲，与 6.1.2 的视觉冗余一脉相承，只是执行得更彻底。其标准工作流程为：

1. 分析滤波器组：把 PCM 信号分解到一组频带（子带或 MDCT 谱线）——回忆 5.2.2 的频域分析，这里做的是同一件事，只是为压缩服务
2. 心理声学模型：对每帧计算各频带的掩蔽阈（综合绝对听阈、频域与时域掩蔽）
3. 比特分配：把可用比特优先分给 "掩蔽阈低、信号强" 的频带（需要精细量化），少分乃至不分配给 "掩蔽阈高" 的频带（噪声自然被掩蔽）
4. 量化与熵编码：按分配的比特量量化各频带谱值，再做无损压缩

衡量每帧压缩质量的标尺是 SMR（Signal-to-Mask Ratio，信号掩蔽比）：信号能量与掩蔽阈的差值。SMR 越大的频带，量化信噪比就得越高——比特随感知价值流动。

与视频四环的对照

音频感知编码与视频混合编码是同一哲学的两个方言：

有了总纲，接下来三节的规格史就是它的三次工程实现。第一位主角，是把数字音乐带进千家万户的 MP3。