音频信号分析
音频信号及音频分析
音频信号及音频分析
音频信号及音频分析
音频是多媒体中的一种重要媒体。
我们能够听见的音频信号的频率范围大约是
20Hz-2OkHz，其中语音大约分布在300Hz-4kHz之内，而音乐和其他自然声响是全范围分布的。
声音经过模拟设备记录或再生，成为模拟音频，再经数字化成为数字音频。
这里所说的音频分析就是以数字音频信号为分析对象，以数字信号处理为分析手段，提取信号在时域、频域内一系列特性的过程。
各种特定频率范围的音频分析有各自不同的应用领域。
例如，对于300－4kHz之间的语音信号的分析主要应用于语音识别，其用途是确定语音内容或判断说话者的身份；而对于20－20kHz之间的全范围的语音信号分析则可以用来衡量各类音频设备的性能。
所谓音频设备就是将实际的声音拾取到将声音播放出来的全部过程中需要用到的各类电子设备，例如话筒、功率放大器、扬声器等，衡量音频设备的主要技术指标有频率响应特性、谐波失真、信噪比、动态范围等。
音频信号分析与处理
实验三音频信号的分析与处理1一、实验目的1.掌握音频信号的采集以及运用Matlab软件实现音频回放的方法；2.掌握运用Matlab实现对音频信号的时域、频谱分析方法；3.掌握运用Matlab设计RC滤波系统的方法；4.掌握运用Matlab实现对加干扰后的音频信号的进行滤波处理的方法；5.锻炼学生运用所学知识独立分析问题解决问题的能力，培养学生创新能力。
二、实验性质设计性实验三、实验任务1.音频信号的采集音频信号的采集可以通过Windows自带的录音机也可以用专用的录制软件录制一段音频信号（尽量保证无噪音、干扰小），也可以直接复制一段音频信号，但必须保证音频信号保存为.wav的文件。
2.音频信号的时域、频域分析运用Matlab软件实现对音频信号的打开操作、时域分析和频域分析，并画出相应的图形（要求图形有标题），并打印在实验报告中（注意：把打印好的图形剪裁下来，粘贴到实验报告纸上）。
3.引入干扰信号在原有的音频信号上，叠加一个频率为100KHz的正弦波干扰信号（幅度自定，可根据音频信号的情况而定）。
4.滤波系统的设计运用Matlab实现RC滤波系统，要求加入干扰的音频信号经过RC滤波系统后，能够滤除100KHz的干扰信号，同时保留原有的音频信号，要求绘制出RC滤波系统的冲激响应波形，并分析其频谱。
% 音频信号分析与处理%% 打开和读取音频文件clear all; % 清除工作区缓存[y, Fs] = audioread('jyly.wav'); % 读取音频文件VoiceWav = y(300000 : 400000, 1); % 截取音频中的一段波形clear y; % 清除缓存hAudio = audioplayer(VoiceWav, Fs); % 将音频文件载入audioplayer SampleRate = get(hAudio, 'SampleRate'); % 获取音频文件的采样率KHzT = 1/SampleRate; % 计算每个点的时间，即采样周期SampLen = size(VoiceWav,1); % 单声道采样长度%% 绘制时域分析图hFig1 = figure('Units', 'normalized', 'Position', [0 0.05 0.49 0.85]);t = T: T: (SampLen* T);subplot(2, 1, 1); % 绘制音频波形plot(t, VoiceWav); % 绘制波形title('音频时域波形图'); axis([0, 2.3, -0.5, 0.5]);xlabel('时间(s)'); ylabel('幅值(V)'); % 显示标题%% 傅里叶变换subplot(2, 1, 2); % 绘制波形myfft(VoiceWav, SampleRate, 'plot'); % 傅里叶变换title('单声道频谱振幅'); % 显示标题xlabel('Frequency (Hz)');ylabel('|Y(f)|');play(hAudio); % 播放添加噪声前的声音pause(3);%% 引入100KHz的噪声干扰t = (0: SampLen-1)* T;noise = sin(2 * pi * 10000 * t); % 噪声频率100Khz，幅值-1V到+1VhFig2 = figure('Units', 'normalized', 'Position', [0.5 0.05 0.5 0.85]);subplot(2, 1, 1); % 绘制波形plot(t(1: 1000), noise(1: 1000));title('100KHz噪声信号'); % 显示标题noiseVoice = VoiceWav+ noise'; % 将噪声加到声音里面hAudio = audioplayer(noiseVoice, Fs); % 将音频文件载入audioplayersubplot(2, 1, 2); % 绘制波形[fftNoiseVoice, f] = myfft(noiseVoice, SampleRate, 'plot');title('音乐和噪声频谱'); % 显示标题play(hAudio); % 播放添加噪声后的声音pause(3);%% 设计RC滤波系统（二阶有源低通滤波器）w = f;Wc = 3000; % wc = 1/(RC)，特征角频率A0 = 1; % A0 = AVF < 3Q = 1/(3 - A0); % 品质因素H = A0* Wc^2 ./ ((j*w).^2 + Wc/Q * (j*w) + Wc^2); %二阶有源低通滤波器公式hFig3 = figure('Units', 'normalized', 'Position', [0 0.05 0.49 0.85]);subplot(2, 1, 1); % 绘制波形plot(w, H); % 显示标题title('二阶有源低通滤波器');xlabel('频率');ylabel('w/Wc');AfterFilter = fftNoiseVoice .* H'; % 滤波% AfterFilter = fftNoiseVoice;%% 傅里叶逆变换subplot(2, 1, 2); % 绘制波形NFFT = 2^nextpow2(SampLen); % 根据采样求傅里叶变换的点f = SampleRate/2 * linspace(0,1,NFFT/2+1); % 计算频率显示范围plot(f, 2*abs(AfterFilter(1:NFFT/2+1))); % 绘制频域分析图title('滤波以后的频谱');xlabel('频率');ylabel('w/Wc');clear Y H;FilterVoice = fftshift(ifft(AfterFilter)); % 傅里叶逆变换FilterVoice = fftshift(FilterVoice);FilterVoice = ((FilterVoice - max(max(FilterVoice)))/( max(max(FilterVoice)) ... - min(min(FilterVoice)) )) + 0.5; % 归一化clear AfterFilter w; % 清除缓存hFig4 = figure('Units', 'normalized', 'Position', [0.5 0.05 0.5 0.85]);subplot(2, 1, 1); % 绘制右声道波形plot(t, FilterVoice(1:size(t,2), 1));title('傅里叶逆变换图');xlabel('时间(ms)'); ylabel('幅值(V)'); % 显示标题hAudio = audioplayer(FilterVoice, Fs); % 将音频文件载入audioplayer play(hAudio); % 播放添加噪声后的声音%% 结束% 我的快速傅里叶变换函数function [outFFT, Freq] = myfft(varargin)% 输入参数格式：% 1. 需要FFT变换的向量% 2. 采样率SampleRate% 3. 是否绘图，绘图‘plot‘，不绘图则不传递该参数% 4. 单边显示：'half'，全部显示：'full'% 输出参数格式：% 1. 转换完成的向量% 2. FFT频率范围%% 输出参数判断switch nargincase 0 | 1,error('Less argument in!');case 2,FFTVector = varargin{1};SampleRate = varargin{2};isplot = 0;case 3,FFTVector = varargin{1};SampleRate = varargin{2};isplot = varargin{3};plotmode = 'half';case 4,FFTVector = varargin{1};SampleRate = varargin{2};isplot = varargin{3};plotmode = varargin{4};otherwiseerror('So many arguments in!');end%% FFT变换SampLen = size(FFTVector,1); % 获取采样点NFFT = 2^nextpow2(SampLen); % 根据采样求傅里叶变换的点Y = fft(FFTVector, NFFT)/SampLen; % 傅里叶变换f = SampleRate * linspace(0,1,NFFT); % 计算频率显示范围%% 判断输出参数if(nargout == 1)outFFT = Y;elseif(nargout ==2)outFFT = Y;Freq = f;end%% 判断绘图if(strcmp(isplot, 'plot'))if(strcmp(plotmode, 'full'))plot(f, abs(Y(1:NFFT))); % 绘制频域分析图elsef = SampleRate/2 * linspace(0,1,NFFT/2+1); % 计算频率显示范围 plot(f, 2*abs(Y(1:NFFT/2+1))); % 绘制频域分析图endtitle('FFT频谱'); % 显示标题xlabel('Frequency (Hz)');ylabel('|Y(f)|');end%% 结束00.511.52-0.50.5音频时域波形图时间(s)幅值(V )00.511.522.5x 1040.010.020.030.04单声道频谱振幅Frequency (Hz)|Y (f )|00.0050.010.0150.020.025-1-0.50.51100KHz 噪声信号00.511.522.5x 1040.20.40.60.81音乐和噪声频谱Frequency (Hz)|Y (f )|0.511.522.533.544.5x 104-0.200.20.40.60.811.2二阶有源低通滤波器频率w /W c00.511.522.5x 1040.010.020.030.04滤波以后的频谱频率w /W c00.511.522.5-1.5-1-0.50.5傅里叶逆变换图时间(ms)幅值(V )。
音频实验报告
实验名称：音频信号处理与分析实验日期：2023年4月10日实验地点：实验室A实验人员：张三、李四、王五一、实验目的1. 理解音频信号的基本概念和特性。
2. 掌握音频信号的采集、处理和分析方法。
3. 熟悉音频信号处理软件的使用。
4. 通过实验，提高对音频信号处理技术的实际操作能力。
二、实验原理音频信号是声波在空气中的传播形式，其频率范围一般在20Hz到20kHz之间。
音频信号处理技术主要包括信号采集、信号处理和信号分析三个方面。
本实验通过采集音频信号，对其进行处理和分析，以达到实验目的。
三、实验器材1. 音频采集卡2. 电脑3. 音频信号处理软件（如Audacity、Adobe Audition等）4. 音频信号发生器5. 音频信号分析仪四、实验步骤1. 信号采集（1）将音频采集卡插入电脑，打开音频信号处理软件。
（2）设置采样频率、采样位数和声道数等参数。
（3）连接音频信号发生器，输出一个标准音频信号。
（4）将音频信号发生器的输出端与音频采集卡的输入端连接。
（5）在软件中开始采集音频信号，记录采集时间。
2. 信号处理（1）打开采集到的音频文件，查看其波形图。
（2）对音频信号进行降噪处理，去除背景噪声。
（3）对音频信号进行均衡处理，调整音频的频率响应。
（4）对音频信号进行压缩处理，提高音频的动态范围。
3. 信号分析（1）使用音频信号分析仪对音频信号进行频谱分析。
（2）观察音频信号的频谱图，分析其频率成分。
（3）计算音频信号的功率谱密度，分析其能量分布。
（4）对音频信号进行时域分析，观察其时域波形。
五、实验结果与分析1. 信号采集实验成功采集到了标准音频信号，采集时间为5分钟。
2. 信号处理（1）降噪处理：经过降噪处理，音频信号中的背景噪声明显降低，提高了信号质量。
（2）均衡处理：通过均衡处理，调整了音频信号的频率响应，使其更加均衡。
（3）压缩处理：经过压缩处理，音频信号的动态范围得到了提高，音质更加清晰。
音频信号处理中的相位和频率分析方法
音频信号处理中的相位和频率分析方法随着科技的不断发展，音频信号处理在音乐、通信、语音识别等领域发挥着越来越重要的作用。
在音频信号处理中，相位和频率分析是两项关键的技术。
相位分析用于描述信号的波形特征，而频率分析则用于确定信号的频率成分。
本文将介绍音频信号处理中常用的相位和频率分析方法。
一、相位分析方法1. 傅里叶变换（Fourier Transform）傅里叶变换是将时域信号转换为频域信号的重要数学工具。
在音频信号处理中，我们可以通过傅里叶变换获取信号的频谱，从而分析信号的相位信息。
2. 短时傅里叶变换（Short-time Fourier Transform, STFT）短时傅里叶变换是对信号进行频谱分析的一种常用方法。
它将信号分为多个时间窗口，并对每个时间窗口进行傅里叶变换。
通过对不同时间窗口的频谱进行叠加，我们可以得到信号在时间和频率上的分布情况，进而分析信号的相位特征。
3. 相位差法相位差法是一种基于相位差的相位分析方法。
它通过将两个同频率的信号进行相位差计算，来分析信号的相位信息。
相位差法常用于音频合成、声源定位等领域。
二、频率分析方法1. 自相关函数法（Autocorrelation）自相关函数法是一种用于估计信号频率的频率分析方法。
它利用信号的自相关函数来估计信号的周期，从而得到信号的频率成分。
自相关函数法适用于周期性信号的频率分析。
2. 峰值检测法（Peak Detection）峰值检测法是一种简单但有效的频率分析方法。
它通过寻找信号频谱中的峰值点来确定信号的频率成分。
峰值检测法常用于音频音调分析、频率测量等场景。
3. 线性预测编码（Linear Predictive Coding, LPC）线性预测编码是一种基于信号模型的频率分析方法。
它通过建立信号的线性预测模型来估计信号的谐波成分和幅度信息。
LPC广泛应用于语音编码、语音合成等领域。
三、相位和频率分析的应用1. 语音识别相位和频率分析在语音识别中起着至关重要的作用。
音频信号处理中的频谱分析算法研究与实现
音频信号处理中的频谱分析算法研究与实现在音频信号处理领域，频谱分析是一个关键的技术，它涉及将时域的音频信号转换为频域表示，从而能够提取出信号的频谱特征。
频谱分析可以应用于音频信号处理的各个方面，比如音频压缩、音频增强、音频识别等。
本文将重点研究和讨论音频信号处理中的频谱分析算法的研究与实现。
1. 傅里叶变换（FFT）傅里叶变换是一种广泛应用于频谱分析的方法，它通过将时域信号转换为频域信号，可精确地表示信号的频谱特征。
FFT算法是一种高效实现傅里叶变换的方法，它能够更快地计算出离散傅里叶变换（DFT）。
FFT算法的基本思想是利用信号的对称性质，将信号的长度N分解为两个长度为N/2的子问题，通过递归的方式计算出各个频率分量的幅度和相位。
FFT算法的时间复杂度为O(NlogN)，比传统的傅里叶变换算法快了很多。
2. 短时傅里叶变换（STFT）短时傅里叶变换是一种在时域上将信号分段进行傅里叶变换的方法，用于对非平稳信号进行频谱分析。
它将信号分成多个小段，然后对每个小段进行傅里叶变换，进而得到频域上的频谱信息。
在短时傅里叶变换中，需要选择合适的窗函数对信号进行分段处理。
常见的窗函数包括汉明窗、矩形窗、海宁窗等。
选择合适的窗函数可以使得频谱分析结果更加准确。
3. 离散余弦变换（DCT）离散余弦变换是一种将信号从时域域转换到频域域的方法。
它通过对信号进行余弦变换，得到信号在频域上的表示。
与傅里叶变换不同，离散余弦变换只计算信号的实部，因此可以得到一种更加紧凑的频域表示。
离散余弦变换在音频压缩领域应用较为广泛，例如MP3音频压缩算法中就使用了离散余弦变换。
4. 窗函数设计窗函数在频谱分析中起到了重要的作用，它可以用来控制声音信号的时间和频域分辨率。
常见的窗函数有矩形窗、汉明窗、海宁窗等。
在窗函数的设计中，需要考虑两个主要因素：频域性能和时域性能。
频域性能包括主瓣带宽、副瓣抑制比等指标，时域性能包括主瓣宽度、副瓣泄露等指标。
音频信号及音频分析
音频信号及音频分析音频信号是一种用来记录声音的信号。
它采用连续的模拟信号形式来表示声波的振动情况。
音频信号可以通过麦克风等设备捕捉到，经过放大和处理后可以用于各种应用，如音乐播放、语音识别和语音通信等。
音频分析是对音频信号进行处理和分析的过程。
它可以帮助我们了解音频信号的特征和结构，从而提取有用的信息和特征。
音频分析可以有多个方面的内容，比如时域分析、频域分析、频谱分析和波形分析等。
在音频分析中，时域分析是最基本的一种方法。
它是通过观察音频信号在时间上的变化来分析音频信号的特征。
时域分析可以用来提取音频信号的特征，比如音频信号的幅度、振幅、周期性和持续时间等。
通过时域分析，可以对音频信号进行去噪、降噪、回音消除等处理，以改善音频质量。
频域分析是另一种常用的音频分析方法。
它是通过将音频信号转换到频域来分析音频信号的特征。
频域分析可以用来提取音频信号的频率、频谱和频率分量等信息。
通过分析音频信号的频谱，可以了解音频信号的谐波结构、频率分布和音调等特征。
频域分析常用的方法包括傅里叶变换、快速傅里叶变换和功率谱估计等。
频谱分析是音频分析中的一个重要分支。
它是通过将音频信号的幅度和频率信息显示在频谱图上来进行分析的。
频谱分析可以帮助我们观察音频信号的频谱特征和频率分布情况。
通过频谱分析，可以实现音频信号的音频效果处理和音频特征提取等应用。
常用的频谱分析方法包括快速傅里叶变换和窗函数等。
波形分析是对音频信号的波形进行观察和分析的方法。
它通过观察音频信号的波形形状、振幅和周期等来了解音频信号的特征。
波形分析可以用来检测音频信号的失真、噪声和变形等问题。
常用的波形分析方法包括时域波形显示和波形比对等。
音频分析在音乐、语音和声音处理等领域中有着广泛的应用。
在音乐领域，音频分析可以用来进行音乐特征提取和音乐分类等任务。
在语音识别领域，音频分析可以用来提取语音特征和识别语音内容。
在声音处理领域，音频分析可以用来去除噪声、增强声音效果和实现声音混响等。
音频信号分析与识别算法的性能评估与改进
音频信号分析与识别算法的性能评估与改进近年来，随着人工智能和机器学习技术的快速发展，音频信号分析与识别算法在语音识别、音乐分类、环境声音识别等领域得到了广泛应用。
然而，由于音频信号的复杂性和多样性，算法的性能评估和改进成为了研究者们的关注焦点。
首先，我们来探讨音频信号分析与识别算法的性能评估方法。
常用的性能评估指标包括准确率、召回率、F1值等。
准确率是指算法正确识别的音频信号数量与总识别数量的比值，召回率是指算法正确识别的音频信号数量与实际存在的音频信号数量的比值，F1值则是准确率和召回率的调和平均值。
这些指标可以客观地评估算法的性能，但是在不同的应用场景下，对于算法性能的要求也不尽相同。
因此，研究者们需要根据具体的应用需求来选择适合的评估指标，并结合实际情况进行综合评估。
其次，我们来探讨音频信号分析与识别算法的性能改进方法。
一种常见的改进方法是特征工程。
特征工程是指从原始音频信号中提取有用的特征，以便算法能够更好地进行分析和识别。
常用的特征包括时域特征、频域特征和时频域特征等。
时域特征包括音频信号的幅度、能量、过零率等；频域特征包括音频信号的频谱、谱质心、谱平均能量等；时频域特征则是时域特征和频域特征的结合。
通过选择合适的特征和优化特征提取方法，可以提高算法的性能。
另一种改进方法是模型优化。
音频信号分析与识别算法常用的模型包括隐马尔可夫模型（HMM）、高斯混合模型（GMM）和深度神经网络（DNN）等。
在模型优化方面，研究者们可以通过调整模型的参数、增加模型的层数、改进模型的结构等方式来提高算法的性能。
例如，在DNN模型中，可以使用更深的网络结构和更多的隐藏层来提高算法的识别准确率。
此外，数据增强也是一种有效的性能改进方法。
数据增强是指通过对原始音频信号进行一系列变换，生成新的训练样本，以增加训练数据的多样性和数量。
常用的数据增强方法包括音频信号的平移、拉伸、旋转等。
通过数据增强，可以提高算法的鲁棒性和泛化能力，从而提高算法的性能。
基于机器学习的音频信号分析与处理研究
基于机器学习的音频信号分析与处理研究机器学习技术在计算机应用领域已经得到了广泛的应用。
在音频信号的分析与处理方面，机器学习技术也有很多应用，比如语音识别、音乐分类、音频降噪等。
本文将探讨基于机器学习的音频信号分析与处理研究，介绍一些常见的音频处理技术，并展望其未来的发展方向。
一、机器学习在音频信号处理中的应用1.1 语音识别语音识别是机器学习在音频信号处理领域的重要应用之一。
语音识别技术是指将人类语音转化为机器可识别的形式，并最终转化为文本的过程。
语音识别技术被广泛应用于智能助理、智能家居、电话客服等领域。
现在，语音识别系统的准确性已经相当高，甚至可以超越人类的识别能力。
语音识别的主要问题是噪声、口音、语速和背景噪声等因素对识别结果的影响。
解决这些问题的关键是采用合适的特征提取算法和机器学习算法。
常用的特征提取算法包括MFCC（Mel频率倒谱系数）和FBANK（频率银行）等，而机器学习算法包括SVM（支持向量机）、HMM（隐马尔可夫模型）和DNN（深度神经网络）等。
1.2 音乐分类音乐分类是另一种机器学习在音频信号处理领域的应用。
音乐分类技术是指将音乐按照一定的标准进行分类和归类的过程。
音乐分类技术有助于音乐推荐、智能音乐播放器的开发、音乐版权保护和音乐数据管理等领域的发展。
音乐分类的主要问题是如何提取有效的特征，并采用合适的算法进行分类。
常用的特征提取算法包括MFCC、CHROMA（音调颜色直方图）和SPECTROGRAM（频谱图）等，机器学习算法包括KNN（K最近邻）、SVM等。
1.3 音频降噪音频降噪是指对含噪音的音频信号进行滤波处理，从而减少或消除噪音的过程。
音频降噪技术对于音频信号的清晰度和质量有着重要的影响。
音频降噪在语音识别、音乐创作和音频数据处理等领域都有广泛的应用。
音频降噪的主要问题是如何将噪声信号和含噪信号进行区分。
常用的音频降噪算法包括时域滤波算法、频域滤波算法和小波变换算法等，机器学习算法包括KNN、SVM等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
音频信号分析-- 关于带宽、动态范围和正常操作电平
音频信号主要指的是语言和音乐。
在这篇文章中我将研究一些工作中常常涉及到的问题，例如各种信号在带宽、动态范围和电平上的要求。
我们将讨论语言和音乐信号的峰值电平，以及处理信号峰值和电平变化的标准方法。
频谱
图（ 15-1 ）的数据向我们显示出在音乐厅中，人们面对面交谈时的正常感觉。
这些东西包括：语言和音乐的带宽和动态的范围。
参加测试者为听力正常的年轻人。
音乐的频率的传播范围是很有限的，特别是高频部分。
未扩声的语言只能存在于很小的范围之中。
如果我们以倍频程为单位来分析语言信号，见图 15-2 ，这是一位普通成年男人的语言频谱。
频谱显示在 250hz 处为能量的最大值。
250hz 两边都呈下滑趋势。
1khz 以上的倍频呈每倍频 6dB 开始衰减。
图15-3 显示了古典音乐与摇滚音乐信号的长期能量谱。
大家有没有注意到，古典音乐与语言的频谱在中频和高频两个范围是相似的。
请比较图15-2与图15-3 。
Figure 15-3: Long-term octave-wide power spectra for
classical and rock music.
倍频程与可懂度
见图15-4 ，在普通的语言能量谱中，完全独立的倍频部分十分有助于语言的可懂度。
语言的可懂度并不意味着声音的听起来真实。
众所周知，我们用电话的时候，我们的语言频率范围被限制在300hz-3000hz 之间。
看图，在1khz 到4khz 之间的频段对可懂度是最有影响力。
这就是为什么在非常嘈杂的环境中，扩声系统一般在这个频段显得不足。
最为理想的是，我们主动的去再生或增强语言信号，以同时获得真实度与可懂度。
在合理的安静的环境中这是很有可能的。
可懂度与环境噪声水平之间的关系
在理想的情况下，本底噪音电平低于语言信号电平（平均值）25dB ，以得到真实的语言扩声。
如果噪音电平只低于语言信号15dB ，大多数听众对于信息的理解并不感到困难。
不过，此时已有少数人开始抱怨噪音。
如果信噪比继续降低，对于所有的听众来说，字词之间的可懂度就没有了。
激励器可以增加语言信号的响度，然而，处理的量是有限的。
什么时候的语言音量太吵耳？正常面对面交谈的声压级在60dB-65dB 之间。
然而为大多数语言扩声时声压级被定在70-75dB 。
当语言扩声超过85-90dB, 可懂度的增加就很少了。
并且大多数听众开始抱怨音量太大了。
如果音量继续增加，很多听众确确实实感到难以忍受，“音量太大了！！！”。
图15-5 显示显示了声压级与可懂度之间的关系。
这里有一个语言扩声的最佳范例。
例如在非常安静的环境中以65-75dB 的声压级来扩声，这简直是完美的。
当噪声不断增加的时候，必须提高信号电平，以保证信噪比至少为15dB 。
这里有一种典型峰值，当噪音在60-65dB 的范围，于是让系统声压级的峰值在80dB ，这样可以得到最好的可懂度。
体育场经常出现人群的欢呼声，声压级范围在85-95B 之间。
在这种情况下想让扩声系统发挥作用是根本不可能的。
最好等人群的欢呼声退去之后，再开始播音和讲解。