场景音效营造氛围：雨声、脚步声等环境音的叠加层次

一、为什么"叠加"比"单个音效"更重要

很多人做场景音效时，第一反应是去素材库找一个"最好的雨声"。但真正做过项目的人都知道，一段从素材站下载的雨声循环，直接铺在场景里，十有八九会显得"薄""假""像贴上去的"。问题不在素材质量，而在于单层音效无法承载真实声景的复杂度。

现实中的雨，从来不是一层声音。它至少包含：雨滴击打不同材质表面的瞬态声、雨幕整体的宽带噪声、屋檐或树叶的滴水声、地面水洼被踩踏的溅水声，以及雨水引发的环境变化（比如远处车流声被雨幕吸收后的闷响）。这些成分在时间尺度、频段分布、空间位置上各不相同，叠加在一起才形成我们感知到的"下雨了"。

声景（Soundscape）这一概念由加拿大作曲家R. Murray Schafer在20世纪70年代提出，最初用于描述"声音环境"的整体感知。Schafer将声景元素分为基调音（Keynote）、信号音（Signal）和声音标记（Soundmark）三类。本文评述：这套分类对今天的游戏与影视音效设计依然有效——基调音对应持续的环境底噪（雨幕、风声），信号音对应需要被注意的离散事件（脚步、开门），声音标记则是具有辨识度的标志性声音（特定场景的钟声）。叠加层次的设计，本质上就是让这三类元素各安其位、互不打架。

从工程角度看，叠加层次要解决三个具体问题：

• 频段冲突：多层声音挤在同一频段，导致混浊、听不清关键信息。
• 动态失衡：持续层太响压住事件层，或事件层太突出破坏氛围。
• 空间错位：各层声音的混响、方位、距离感不一致，产生"贴图感"。

这三个问题，构成了本文后续所有章节的分析框架。笔者认为，与其把精力花在寻找"更好的单个音效"上，不如把精力花在"如何让已有的音效正确叠加"上——后者的投入产出比高得多。

二、物理与心理声学基础：掩蔽、响度与临界频带

2.1 掩蔽效应：叠加设计的底层约束

听觉掩蔽（Auditory Masking）是指一个声音的存在导致另一个声音的听阈升高的现象。它分为同时掩蔽（频域）和时域掩蔽（前掩蔽、后掩蔽）。在环境音叠加中，最相关的是频域掩蔽：当两个声音的频率成分接近时，响度较大者会掩盖较小者。

Fletcher于1940年提出的临界频带（Critical Band）概念，是理解掩蔽的关键。人耳耳蜗的基底膜对不同频率的响应具有局部性，相近频率的声音会落在同一临界频带内相互干扰。Bark尺度将0–15500 Hz划分为24个临界频带，Zwicker等人后续完善了相关模型。这意味着：如果雨声的宽带噪声和脚步声的中频成分落在同一临界频带，脚步声就会被"吃掉"。

工程上的应对策略很直接：把不同语义层的声音安排到不同的频段"槽位"里。这也是后文频段分配表的理论依据。

2.2 响度感知：为什么"音量一样"听起来不一样

等响曲线（Equal-loudness contour，ISO 226:2003）告诉我们，人耳对不同频率的响度感知并不线性。2–5 kHz是人耳最敏感的区域，而低频和高频需要更高的声压级才能达到相同的主观响度。这解释了一个常见现象：一段低频很足的雨声，在频谱仪上能量很高，但主观上"不够响"。

因此，做叠加时不能只看峰值电平或RMS，而应参考响度单位。ITU-R BS.1770定义的LKFS（K-weighted Loudness）和EBU R128标准，为响度归一化提供了可操作的规范。游戏音频领域常用的Wwise Loudness Meter、iZotope Insight等工具都支持LKFS测量。

笔者认为：在多层环境音叠加中，用LKFS做各层的响度基准，比用峰值电平更接近主观感受。一个可用的经验值是——持续层（雨幕、风）控制在-30至-24 LKFS，事件层（脚步）峰值可到-18至-12 LKFS，两者保持约10–12 LU的动态差，既保证事件可辨识，又不破坏氛围。

2.3 时域掩蔽：给事件层留出"窗口"

时域掩蔽包括前掩蔽（约5–20 ms）和后掩蔽（约50–200 ms）。这意味着一个脚步声出现前后，持续层的声音在主观上会被"压"下去一小段时间。合理利用这一点，可以在不提高脚步响度的前提下增强其可辨识度——比如在脚步触发前几毫秒对雨声层做一个轻微的侧链压缩（Sidechain Ducking）。这正是后文动态调度章节要展开的技术点。

三、雨声的层次结构：从雨滴到雨幕

3.1 雨声的物理构成

从物理上看，雨声由三部分构成：

成分	物理来源	频段特征	时间特征
雨滴撞击声	雨滴击打地面/物体表面的瞬态	宽带，1–8 kHz为主	毫秒级瞬态
雨幕噪声	大量雨滴撞击的统计叠加	宽带，能量集中2–6 kHz	持续、近似稳态
滴水/流水声	屋檐、树叶、水洼的余水	中高频，带明显共振	离散、随机间隔

雨滴撞击声的频谱与撞击表面材质强相关。根据声学研究，雨滴击打硬质表面（水泥、金属）产生更宽的频谱和更短的衰减，击打软质表面（泥土、草地）则能量向低频偏移、衰减更快。这一点在录音和合成时必须区分对待。

3.2 雨声的采集方法

录制雨声有几个实操要点：

• 防风防雨：麦克风必须加防风罩和防水罩，否则雨滴直接打在振膜上会产生大量无效瞬态。常用方案是Rycote的防风毛套加防水罩，或用伞下悬挂录音。
• 近距离与远距离分开录：近场（1–2米）捕捉雨滴撞击细节，远场（10米以上）捕捉雨幕整体感。两者后期叠加使用。
• 多材质分别录：在水泥地、草地、金属棚顶、树叶下分别录制，建立材质库。
• 采样率与位深：建议96 kHz / 24 bit，为后期变调、变速留足余量。

如果无法实地录制，合成也是可行路径。雨幕噪声可以用白噪声经过带通滤波（约1–8 kHz）加轻微幅度调制得到；雨滴瞬态可以用短促的滤波噪声脉冲或颗粒合成（Granular Synthesis）生成。本文评述：合成雨声的优势是参数可控、可无限变化，劣势是容易"太干净"、缺少真实录音的随机瑕疵。工程上常见的做法是"合成打底、录音点缀"——用合成雨幕铺底，叠加少量真实录音的雨滴瞬态增加真实感。

3.3 雨声的叠加层次设计

一段有层次的雨声场景，建议至少分三层：

Layer 1  雨幕底噪   —— 持续循环，宽带噪声，-28 LKFS
Layer 2  雨滴瞬态   —— 随机触发，1–8 kHz，-22 LKFS
Layer 3  材质细节   —— 屋檐滴水/水洼溅水，按场景触发，-20 LKFS

三层的响度关系不是固定的，而是随"雨势"参数动态变化。小雨时Layer 1占比高、Layer 2稀疏；暴雨时Layer 2密度和响度都上升，Layer 1的滤波中心频率也可略微上移，模拟雨幕变厚带来的高频增强。这套参数化思路，在Wwise中可以用RTPC（Real-Time Parameter Control）实现。

四、脚步声的语义与材质建模

4.1 脚步声不只是"走路的声音"

脚步声在交互媒体中承担着远超"氛围"的功能：它传递角色位置、移动速度、体重、地面材质，甚至情绪状态。因此脚步声的设计必须同时满足"语义清晰"和"融入环境"两个目标，这本身就是一对矛盾。

一个完整的脚步事件，可以拆解为：

• 触地瞬态（Attack）：鞋底与地面接触的瞬间，宽带、极短，决定"材质感"。
• 摩擦/挤压声（Body）：鞋底与地面的摩擦、地面碎屑的挤压，中频，决定"重量感"。
• 衣物摩擦（Cloth）：裤腿、衣物的沙沙声，高频，决定"真实感"。
• 余响（Tail）：地面和空间的反射，决定"空间感"。

很多项目只做了Attack和Tail，忽略了Body和Cloth，结果脚步声听起来"空""轻"。笔者认为：Body层是脚步声"重量感"的关键，尤其在中低频（200–800 Hz）的少量能量，能显著改变主观感受。

4.2 材质建模：一张可复用的参数表

不同地面材质的脚步频谱差异明显。下表为工程实践中常用的材质参数参考（基于常见录音素材的频谱分析整合，属模拟归纳数据，供调参起点使用）：

材质	主能量频段	衰减时间	建议混响
水泥/石板	1.5–5 kHz	短（80–150 ms）	中短，反射强
木地板	300 Hz–3 kHz，带共振峰	中（150–300 ms）	中，低频吸收少
草地/泥土	200 Hz–2 kHz	很短（50–100 ms）	弱，几乎无反射
金属/铁板	2–8 kHz，金属共振	长（300–600 ms）	强，带金属染色
积雪	高频为主，2–6 kHz，带"吱嘎"	极短（30–80 ms）	极弱
水洼/湿地	宽带，带溅水瞬态	中（100–250 ms）	中，带水声余韵

这张表的价值在于：当你需要在雨天的水泥地上叠加脚步声时，可以快速判断脚步的主能量频段（1.5–5 kHz）与雨幕（2–6 kHz）高度重叠，必须做频段避让或动态侧链处理。这就是"层次"思维的具体体现。

4.3 脚步与雨声的叠加策略

雨天脚步是最典型的"频段冲突"场景。可操作的策略有三条：

1. 频段避让：对雨幕层在2–5 kHz做轻度动态EQ衰减（约-3至-5 dB），为脚步让出空间。这个衰减只在脚步触发时短暂生效。
2. 侧链压缩：以脚步信号为触发源，对雨幕层做2–4 dB的侧链压缩，释放时间约150–250 ms。这利用了时域掩蔽的原理。
3. 增加水声层：雨天脚步应叠加一层"踩水"音效，它本身就在高频（4–10 kHz），与雨幕的冲突较小，同时强化了"雨天"的语义。

这三条策略可以组合使用。在Wwise中，侧链压缩可以通过Auxiliary Send配合Compressor实现；在FMOD中则可以用Sidechain Compressor效果器。具体实现细节见第八章。

五、风、水、城市底噪：持续层的构建

5.1 持续层的角色：声景的"画布"

如果说雨声和脚步声是"前景"，那么风、水、城市底噪就是"背景"。持续层的作用是提供声景的基底，让离散事件有"落点"。没有持续层，脚步声会显得孤立、干瘪；持续层太厚，又会淹没事件层。

持续层的设计原则可以概括为：宽频、低动态、慢变化。它不应该有突出的瞬态，不应该有明显的中频能量（那是事件层的地盘），变化周期应该在数十秒到数分钟级别。

5.2 风的层次

风声在物理上是气流与障碍物相互作用产生的湍流噪声。它的频谱随风速变化：微风以低频为主（100–500 Hz），强风则扩展到全频段并带有呼啸感（1–4 kHz的窄带成分）。

工程上，风声通常分两层：低频的"气流层"（用滤波噪声合成或录制）和中高频的"呼啸层"（通过窄带滤波或共振峰调制生成）。两层通过风速参数联动。值得注意的是，风声与雨声在低频段（100–500 Hz）容易冲突，需要做低频管理。

5.3 城市底噪

城市底噪是典型的"宽带持续声"，包含远处交通、空调外机、人群嗡鸣等。它的频谱能量集中在低频（50–500 Hz），高频衰减较快。城市底噪的一个重要特性是它的"距离感"——由于空气吸收和高频衰减，远处的城市声景听起来是"闷"的。

本文评述：城市底噪在游戏和影视中常被低估。它其实是建立"空间尺度感"的关键——一个空旷的广场和一个狭窄的巷子，城市底噪的频谱和混响完全不同。建议在场景设计中，把城市底噪作为"空间标识"来用，而不只是填充物。

5.4 持续层的动态管理

持续层虽然"持续"，但绝不能一成不变。真实声景中，风会时强时弱，雨会忽大忽小，城市底噪会随时间和位置变化。实现这种变化有几种方法：

• 多段循环交叉淡化：准备3–5段不同的循环，随机交叉淡化，避免听觉疲劳。
• 参数化调制：用LFO（低频振荡器）或随机游走调制音量、滤波截止频率，制造自然起伏。
• 分层混合：把持续层拆成多个子层，各自独立调制，整体复杂度更高。

六、叠加层次的核心：频段分配与掩蔽平衡

6.1 频段分配表：一张贯穿全文的主线工具

这是本文的核心工具。把常见环境音按频段"分槽"，是避免冲突最直接的方法。下表为工程实践中的频段分配建议（基于心理声学临界频带与常见素材频谱整合，属模拟归纳数据）：

频段	主要占用者	角色	注意事项
20–80 Hz	极低频环境、地震感	氛围基底	多数设备回放有限，慎用
80–250 Hz	风声低频、城市底噪、脚步Body	持续层主体	易堆积，需做低频管理
250–800 Hz	脚步Body、木地板共振、人声低次谐波	重量感/语义	与持续层冲突区，需避让
800 Hz–2 kHz	脚步Attack、雨滴中频、水声	事件层核心	人耳敏感区，控制响度
2–6 kHz	雨幕、脚步Attack高频、金属声	细节/材质	最易冲突，优先避让
6–12 kHz	衣物摩擦、水花、空气感	真实感	适量即可，过多会"刺"
12 kHz以上	空气感、极细节	点缀	多数场景可低切

使用这张表的方法是：先列出场景中所有声音层，标注各自的主能量频段，然后检查是否有重叠。重叠不可避免时，用动态处理（侧链、动态EQ）在时间维度上错开。

6.2 掩蔽阈值的估算

严格计算掩蔽阈值需要完整的听觉模型（如Moore的MPEG-1心理声学模型），工程上不现实。但可以用简化方法做快速判断：

简化掩蔽判断流程：
1. 确定掩蔽声（如雨幕）在目标频段的声压级 L_mask
2. 确定被掩蔽声（如脚步）在目标频段的声压级 L_signal
3. 若 L_signal - L_mask < 掩蔽阈值（同频段约需高出8–15 dB）
   → 脚步不可辨识，需要处理
4. 处理手段：频段避让 / 侧链压缩 / 提高脚步响度 / 增加水声层

这个简化模型忽略了临界频带的细节，但作为工程快速判断足够用。更精确的评估可以借助iZotope Insight的频谱对比、或Wwise的Loudness Meter。

6.3 动态平衡：让层次随场景变化

静态的频段分配只是起点。真实场景中，各层的相对关系是动态的。比如：

• 角色从室内走到室外，雨声从"隔窗的闷响"变为"直接的雨幕"，需要切换滤波和混响。
• 角色奔跑时，脚步声密度和响度上升，雨幕层应相应做侧链避让。
• 剧情进入对话，环境层整体下压（Ducking），保证语音清晰。

这些动态变化，需要在音频引擎中用状态机（State Machine）和RTPC来管理。下一章展开。

七、空间化与动态调度：让层次"活"起来

7.1 空间化基础：方位、距离、混响

空间化让各层声音"各就各位"。核心技术包括：

• HRTF（头相关传输函数）：用于耳机双耳渲染，模拟声音到达两耳的时间差和频谱差异。常用数据集有CIPIC、IRCAM LISTEN、SONICOM（2023年发布，含大量个性化HRTF数据）。
• Ambisonics：基于球谐分解的空间音频格式，适合VR和360度场景。一阶Ambisonics（FOA）数据量小但定位精度有限，高阶（HOA）精度高但计算量大。
• 基于对象的音频（Object-based Audio）：如Dolby Atmos，每个声音作为独立对象携带位置元数据，由渲染器根据回放系统决定如何分配。

本文评述：对于环境音叠加，空间化的重点不是"精确定位"（环境音本来就没有明确声源），而是"空间一致性"。雨幕应该是包裹式的（Ambisonics的W通道为主），脚步声应该是点声源（Object-based），风声应该是弥散的。三者的空间处理方式不同，但混响必须一致，否则会产生"贴图感"。

7.2 混响：空间一致性的粘合剂

混响是让不同层"粘"在一起的关键。工程上的做法是：所有层共享同一个混响总线（Reverb Bus），但各层的发送量（Send Level）不同。持续层（雨幕、风）发送量较高，事件层（脚步）发送量适中，近场细节（衣物摩擦）发送量低。

混响参数应随场景变化。Wwise的Room Verb和FMOD的SFX Reverb都支持参数化控制。常见的参数包括：衰减时间（RT60）、预延迟、扩散、高频阻尼。雨天场景的混响通常高频阻尼较大（雨幕吸收高频）。

7.3 动态调度：状态机与优先级

当场景中同时存在十几层声音时，必须有一套调度机制决定"谁响、谁轻、谁停"。这套机制通常包括：

机制	作用	典型实现
状态机	按场景状态切换音频配置	Wwise State / FMOD Parameter
优先级	限制同时播放的声部数	Wwise Playback Limit / FMOD Max Instances
Ducking	关键声音出现时压低其他层	Wwise Ducking / FMOD Sidechain
RTPC	参数实时驱动音频变化	Wwise RTPC / FMOD Parameter

一个实用的调度原则是"三层优先级"：语音/关键事件最高，脚步/交互事件次之，环境持续层最低。当高优先级声音出现时，低优先级层自动下压。这套逻辑在Wwise中可以用Ducking自动实现，在FMOD中可以用Sidechain Compressor或Parameter联动。

八、工程落地：Unity / Wwise / FMOD 实现路径

8.1 整体架构

一个可复用的环境音叠加架构，建议分为四层：

┌─────────────────────────────────────┐
│  控制层：状态机 / RTPC / 脚本        │
├─────────────────────────────────────┤
│  调度层：优先级 / Ducking / 声部管理  │
├─────────────────────────────────────┤
│  处理层：EQ / 压缩 / 混响 / 空间化    │
├─────────────────────────────────────┤
│  源层：雨幕 / 脚步 / 风 / 城市底噪    │
└─────────────────────────────────────┘

8.2 Wwise实现要点

Wwise是游戏音频领域的主流中间件，实现环境音叠加的关键节点：

• Random Container：用于雨滴瞬态、脚步等需要随机变化的层。设置Play Mode为Random，避免重复感。
• Switch Container：用于材质切换（脚步的地面材质）。
• RTPC：驱动雨势、风速等连续参数。绑定到音量、滤波截止频率、Layer的混合比例。
• Ducking：在Project Settings中配置Ducking规则，让脚步触发时自动下压雨幕。
• Auxiliary Bus：用于混响发送。所有环境层发送到同一个Reverb Aux Bus，保证空间一致性。
• Attenuation：设置距离衰减曲线，让远场声音自然衰减。

Wwise官方文档和Audiokinetic的YouTube频道有大量教程。推荐从"Wwise 301 Certification"系列入手，其中关于Ambience和Ducking的章节与本主题直接相关。

8.3 FMOD实现要点

FMOD Studio的对应功能：

• Multi Instrument：用于随机播放多个雨滴/脚步素材。
• Parameter：对应Wwise的RTPC，驱动雨势等参数。
• Sidechain Compressor：实现脚步对雨幕的侧链压缩。
• Snapshot：用于场景状态切换（室内/室外/对话）。
• Return Bus：用于混响发送。

8.4 Unity原生方案

如果不使用中间件，Unity的Audio Mixer也能实现基本的环境音叠加：

• 用Audio Mixer的Group建立分层结构（Ambience / SFX / Reverb）。
• 用Send和Receive实现混响发送。
• 用Duck Volume效果器实现Ducking。
• 用Audio Source的Spatial Blend控制2D/3D混合。
• 用脚本控制Audio Source的volume、pitch、filter参数。

Unity原生方案的灵活性不如中间件，但对于中小型项目足够用。Unity Learn平台有免费的"Audio"课程，涵盖Audio Mixer和空间音频基础。

8.5 调参流程：一套可复用的步骤

1. 列出所有层：把场景中需要的声音层全部列出，标注主能量频段和角色（持续/事件）。
2. 单独试听：每层单独播放，用频谱仪确认频段分布，用LKFS表确认响度。
3. 两两叠加：先叠加持续层（雨+风+城市底噪），调平衡；再叠加事件层（脚步），检查是否可辨识。
4. 频段避让：对冲突频段做动态EQ或侧链压缩。
5. 空间一致性：检查各层的混响、距离感是否一致。
6. 动态测试：模拟场景变化（雨势变化、角色移动），检查参数联动是否自然。
7. 主观评测：找非音频专业的同事盲听，收集"是否自然""是否听清脚步"等反馈。

九、数据集、评测与客观指标

9.1 常用公开数据集

数据集	内容	规模/特点	预处理要点
FSD50K	通用声音事件，含雨、脚步、风等	约5万条，多标签	统一采样率44.1 kHz，去除静音段
AudioSet	YouTube音频片段，含环境音类别	约200万条，弱标签	需去重、去噪、重采样
SONICOM HRTF	个性化头相关传输函数	2023年发布，含大量受试者	需与目标采样率对齐
TAU Spatial Audio	空间音频场景，含城市、自然	多通道录音	需做通道对齐和校准
DCASE Task系列	声学场景分类、声音事件检测	每年更新	按官方baseline预处理

使用这些数据集时要注意：FSD50K和AudioSet的标签体系不同，混合使用需要做标签映射。SONICOM HRTF主要用于空间化渲染，不能直接用于事件检测。所有数据集在使用前都应检查许可证，部分数据集仅限研究用途。

9.2 客观评测指标

环境音叠加的质量，可以用以下指标做客观评估：

• 信掩比（SMR）：目标声音与掩蔽声在关键频带的能量比，是判断可辨识度的核心指标。
• 频谱重叠度：两层声音频谱的相关系数，越低越不易冲突。
• 响度差（LU）：各层之间的LKFS差值，建议事件层与持续层保持10–12 LU。
• 空间一致性：各层的双耳线索（ITD/ILD）是否一致，可用互相关分析。

9.3 主观评测方法

客观指标不能完全替代主观感受。常用的主观评测方法包括：

• MUSHRA：多刺激隐参考听音测试，适合评估音频质量。
• ABX测试：用于判断两段音频是否有可感知差异。
• 语义差异法：用"自然—不自然""清晰—模糊"等维度做评分。

ITU-R BS.1534-3是MUSHRA的标准文档，ITU-T P.800系列则涵盖语音质量的主观评测方法。这些标准为环境音评测提供了可参考的框架。

十、前沿研判与结语

10.1 神经声场合成

近三年，基于神经网络的声场合成（Neural Acoustic Field Synthesis）成为研究热点。代表性工作包括NeRF-inspired的声场表示、基于扩散模型的环境音生成等。这些方法的核心思路是：用神经网络学习声场在空间中的连续分布，从而在任意位置合成合理的声音。

笔者认为：神经声场合成在短期内不会取代传统分层方法，因为它的可控性和实时性仍有明显短板。但它可能在"自动生成环境音层次"这一环节发挥作用——比如根据场景几何自动推荐各层的频段分配和响度关系。这是一个值得关注的方向。

10.2 生成式音效

AudioLDM、AudioGen、Stable Audio等生成式音频模型，已经能根据文本提示生成环境音。2023–2024年，这类模型的生成质量和速度都有显著提升。对于独立开发者和小团队，生成式音效降低了素材获取的门槛。

但生成式音效目前的问题也很明显：一致性差（同一提示多次生成结果差异大）、可控性弱（难以精确控制频段和时长）、版权归属模糊。本文评述：生成式音效更适合作为"素材补充"而非"主力方案"。在需要精确叠加层次的场景中，传统录音+合成+参数化控制的方法仍然更可靠。

10.3 个性化空间音频

SONICOM等项目的推进，让个性化HRTF的获取成本大幅下降。未来，用户可以用手机摄像头扫描耳廓，生成个性化HRTF，从而获得更准确的空间音频体验。这对环境音叠加的意义在于：空间一致性可以做到"因人而异"，进一步提升沉浸感。

10.4 结语：层次思维是核心

回到本文的主线：声景分层—掩蔽平衡—动态调度。这三步构成了环境音叠加的完整方法论。技术工具会不断更新，但"层次思维"不会过时。当你面对一个复杂的声景场景时，先问三个问题：有哪些层？它们的频段和响度关系如何？它们如何随场景动态变化？想清楚这三个问题，剩下的就是工具和参数的事了。

雨声、脚步声、风声——它们单独听起来都很普通。但当它们以正确的方式叠加在一起时，就能营造出令人信服的氛围。这，就是场景音效的魅力所在。

拓展资源

• Wwise官方文档与教程：audiokinetic.com/learn
• FMOD官方文档：fmod.com/docs
• Unity音频教程：learn.unity.com
• DCASE挑战赛：dcase.community
• FSD50K数据集：zenodo.org/record/4060432
• SONICOM项目：sonicom.eu

主要参考文献

1. Zwicker E, Fastl H. Psychoacoustics: Facts and Models. Springer, 3rd ed., 2007.
2. ISO 226:2003. Acoustics — Normal equal-loudness-level contours.
3. ITU-R BS.1770-4. Algorithms to measure audio programme loudness and true-peak audio level.
4. EBU R128. Loudness normalisation and permitted maximum level of audio signals.
5. Schafer R M. The Soundscape: Our Sonic Environment and the Tuning of the World. Destiny Books, 1994.
6. Gemmeke J F, et al. Audio Set: An ontology and human-labeled dataset for audio events. ICASSP 2017.
7. Fonseca E, et al. FSD50K: An open dataset of human-labeled sound events. IEEE/ACM TASLP, 2022.
8. Engel J, et al. Neural Audio Synthesis of Musical Notes with WaveNet Autoencoders. ICML 2017.
9. Liu H, et al. AudioLDM: Text-to-Audio Generation with Latent Diffusion Models. ICML 2023.
10. SONICOM Consortium. The SONICOM HRTF Dataset. 2023.
11. ITU-R BS.1534-3. Method for the subjective assessment of intermediate quality level of audio systems.
12. Virtanen T, et al. DCASE 2023 Challenge Report. 2023.
13. Begault D R. 3-D Sound for Virtual Reality and Multimedia. NASA, 2000.
14. Pulkki V. Spatial Sound Reproduction with Directional Audio Coding. JAES, 2007.
15. Moore B C J. An Introduction to the Psychology of Hearing. Brill, 6th ed., 2012.