小区保安老陈每天在岗亭里竖起耳朵。狗叫了，他要赶去看是不是有生人靠近；玻璃碎了，他要立刻呼叫队长；警笛响了，他要确认是否该疏通道路。老陈并不需要听懂住户的每一句闲聊，也不用分辨广场上放的是哪首歌，他只需要从各种环境音混合成的嘈杂“背景声”里，精准认出那几类“要紧的声音”发生在什么时候。音频事件检测（AED）要教给 AI 的，正是老陈这份“选择性聆听”的本事：给定一段普通的环境录音，回答“狗叫、玻璃破碎、警笛这类目标事件，有没有发生、发生在哪一秒”。这篇文章会把老陈的“职业素养”拆成三个零件——给声音贴标签（事件标注）、让机器听懂声音（模型架构）、科学考核上岗资格（评测指标），最后聊聊这位“AI 保安”如何走进智能家居和城市安防。

岗位关联

掌握音频事件检测，你就拿到了音频理解赛道的基础门票：从数据标注、特征设计到模型评测的完整链路，能直接迁移到任何一个“听懂环境”的 AI 项目里。

目录
  1. 可视化演示
  2. 任务定义与挑战
  3. 事件标注规范
  4. 音频特征表示
  5. 典型模型架构
  6. 评测指标体系
  7. 应用系统实战
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

音频事件检测从环境音频谱中识别狗叫、警笛等声学事件。切换模式查看频谱检测与性能评测指标。

本节配有交互动效（进入视口后自动加载，约 3KB）。

音频频谱事件检测 频谱能量峰值触发事件检测 时间窗内标注声学事件 E = Σ|S(f,t)|² 阈值越高，误报越低但召回下降

任务定义与挑战

小区物业近来总丢自行车，队长把保安老陈叫到监控室：“从今天起，你竖起耳朵听三种声音：狗叫、玻璃碎、警笛响。听见了，立刻记录是在几点几分。”老陈的岗位，从此从“看”升级为“听”。这份“只听目标声音、不管无关内容”的差事，正是音频事件检测（AED）要教给 AI 的本领——它不追求理解音频里的所有信息，只要求在一段环境录音中，准确回答“目标事件有没有发生、发生在什么时间”。

在技术上，AED 先把录音切成很短的小段（称为帧），再对每一帧判断“此刻属于哪类事件”。常见的做法是把每 20 毫秒当作一个决策单元，也有些系统直接在事件层面输出一个起止区间。无论哪种，模型最终都要完成同一个动作：给每个候选时刻打一个“像不像目标事件”的分数，再和门槛比较，决定是否报警。这就像老陈听到狗叫时心里过的那个坎：“这声音够不够格让我记录？”

真实环境远没有训练集干净，AED 要面对两个老陈也头疼的麻烦。第一是事件边界模糊：狗叫的余音和邻居的关门声连在一起，从哪一秒开始算、到哪一秒结束，连老手都拿不准。第二是类别不平衡：一天 24 小时里，警笛可能只响 3 秒，模型如果偷懒，永远回答“没有事件”，也能在绝大多数时刻“蒙对”。

老陈的专注，最终要变成一行能写进代码的规则：分数高过门槛就报警。但这个分数从哪来？靠的是训练数据教出来的“耳朵”，而训练数据的第一道工序，就是给声音“贴标签”——下一节我们看看事件标注规范。

dt=1[st≥τ]\displaystyle d_t = \mathbb{1}\left[ s_t \ge \tau \right]
把“要不要报警”的直觉判断，变成一条可以写进代码的规则：第 \(t\) 帧的得分 \(s_t\) 超过门槛 \(\tau\)，就记 1（有事件），否则记 0。
  1. 第 \(t\) 帧的得分模型为当前音频片段计算一个分数，表示“这里有多像目标事件”，分数越高越可疑。
    st\displaystyle s_t
  2. 与门槛比较把分数和预先设好的阈值 \(\tau\) 对比，只有够高才够格报警，防止风吹草动就误报。
    st≥τ\displaystyle s_t \ge \tau
  3. 输出决策满足条件的时刻记为 1，不满足记为 0，这样整段音频就被转换成一串“有没有事件”的标签。
    dt=1[st≥τ]\displaystyle d_t = \mathbb{1}\left[ s_t \ge \tau \right]

事件标注规范

老陈能被训练出来，靠的是一本“值班日志”：师傅们把过去一年监控录音里狗叫、玻璃碎、警笛出现的时刻，一秒不差地记在本子上。对 AI 来说，这本日志就是“事件标注”。没有它，模型就像没有师傅带的新保安，只能靠瞎猜上岗。

一份合格的标注包含三层信息：一是切片范围，也就是在哪一段音频文件上做标记；二是事件类别标签，比如“狗叫”“玻璃破碎”“警笛”；三是起止时间边界，精确到秒甚至 0.1 秒，告诉模型这个事件从哪一秒开始、到哪一秒结束。为了保证质量，工程上通常安排多名标注者独立标注同一批文件，再检查他们之间的一致性，就像队长会让两位师傅分别写日志然后互相对照。

边界标注最考验功力。同一声狗叫，师傅甲记的是 12.2 秒到 13.1 秒，徒弟乙记的是 12.4 秒到 13.3 秒。两人都对还是有人错了？工程上常用交并比（IoU）来衡量两个区间重叠得有多“瓷实”。这和判断两段文字是否相似是两回事：IoU 只看时间轴上的重叠程度。

队长最后定了个规矩：标注者的 IoU 低于 0.7 就要重新听、重新标。同理，AED 项目里标注质量检查是上线前的生死线——师傅的日志写得马虎，新保安的本事就无从谈起。

IoU=∣A∩B∣∣A∪B∣\displaystyle \mathrm{IoU} = \frac{|A \cap B|}{|A \cup B|}
两端时间区间重叠越充分，IoU 越接近 1；完全不挨边则为 0。AED 标注质检常用阈值 0.7 判断两名标注者是否一致。
  1. 交集长度两名标注者标出的时间区间重叠的部分，重叠越多说明两人对“事件起止”的共识越强。
    ∣A∩B∣\displaystyle |A \cap B|
  2. 并集长度两个区间首尾相连覆盖的总长度，它把两人各自多标或漏标的偏差也计入惩罚。
    ∣A∪B∣\displaystyle |A \cup B|
  3. 相除得比例交集除以并集得到一个 0 到 1 的分数，分数越高代表标注越一致，越低代表边界分歧越大。
    IoU=∣A∩B∣∣A∪B∣\displaystyle \mathrm{IoU} = \frac{|A \cap B|}{|A \cup B|}

音频特征表示

老陈总结自己的听声经验：“狗叫是短促、带颗粒感的低频；警笛是起伏的、带金属感的长鸣；玻璃破碎是骤然一声脆响，尾音细细碎碎。”机器听不懂这些形容词，它需要把声波变成一张张可计算的“听感卡片”——这就是音频特征表示要做的事。

第一道工序是分帧加窗：把录音切成 20~40 毫秒的小段，每段乘一个窗函数，避免边缘突变产生虚假频率。第二道工序是对每一帧做短时傅里叶变换，得到这一小段时间里的频率成分。把这些频谱按时间排开，就是一张“语谱图”：横轴是时间，纵轴是频率，颜色明暗表示能量强弱。

不过，语谱图对高频和低频一视同仁，而人耳其实是“偏心”的——对低频变化敏锐，对高频逐渐迟钝。梅尔刻度就是模拟这种偏心的一把尺子，它把线性频率映射成更符合听觉感知的标度，让模型输入的每一个刻度都“踩在人耳的听觉习惯上”。

把频谱按梅尔刻度重排、再取对数压缩动态范围，就得到了梅尔频谱图——AED 模型最常用的输入。它相当于老陈的“听感速记卡”：狗叫在卡上是一簇短促的低频亮块，警笛是一条起伏的亮带。模型看着这张卡，就能开始“做判断”了。

Mel(f)=2595log⁡10(1+f700)\displaystyle \mathrm{Mel}(f) = 2595 \log_{10}\left(1 + \frac{f}{700}\right)
这个公式把物理上的赫兹频率 \(f\) 换算成人耳感知的梅尔刻度：低频段被拉宽、看得更细，高频段被压扁、看得更粗。
  1. 线性频率原始声音经过短时傅里叶变换后得到的物理频率，单位是赫兹，它一视同仁地描述声波振动快慢。
    f\displaystyle f
  2. 对数压缩对 \(1+\frac{f}{700}\) 取以 10 为底的对数，高频部分的差距被压缩，模拟人耳“高频越来越不敏感”的特性。
    log⁡10(1+f700)\displaystyle \log_{10}\left(1 + \frac{f}{700}\right)
  3. 整体换算乘上常数 2595，把对数结果对齐到常用的梅尔刻度区间，方便工程实现。
    Mel(f)=2595log⁡10(1+f700)\displaystyle \mathrm{Mel}(f) = 2595 \log_{10}\left(1 + \frac{f}{700}\right)

典型模型架构

老陈的耳朵不是孤军奋战：耳膜先捕获声音的“音色细节”，听觉皮层再把前后几秒串起来理解“来龙去脉”，最后由决策神经下达“记不记录”的命令。AED 模型的架构，几乎是这套生理结构的工程翻版。

第一层常用卷积网络（CNN）：它像耳膜，用一小块感受野扫描梅尔频谱图，捕捉狗叫的颗粒感、玻璃破碎的脆响这类局部音色模式。第二层常用循环网络（如 GRU）：它像听觉皮层，把时间上的前后文衔接起来，专门应对边界模糊——前面有脚步声、后面紧跟狗叫，那这一段大概率也是事件的延续。

再讲究一点的系统会加注意力机制，让模型在嘈杂环境里“重点听”最可疑的片段，类似老陈在广场舞音乐中仍能捕捉到婴儿哭声。最后是输出层：因为同一时刻可能同时发生狗叫和警笛，AED 通常给每个事件类别各配一个 sigmoid 神经元，用多标签方式输出，而不是强迫所有类别二选一。

这套“卷积听音色、循环连时序、注意力抓重点、sigmoid 多标签”的组合，就是给老陈配了全套 AI 耳朵。模型训练的目标，是让耳朵对各种事件足够敏感、又不至于风声鹤唳——这正好由那一条损失函数来调教。

L=−1T∑t=1T[ytlog⁡y^t+(1−yt)log⁡(1−y^t)]\displaystyle \mathcal{L} = -\frac{1}{T}\sum_{t=1}^{T}\left[ y_t\log\hat{y}_t + (1-y_t)\log(1-\hat{y}_t) \right]
这是训练时用的二元交叉熵损失：模型预测的 \(\hat{y}_t\) 越接近真实标签 \(y_t\)，损失越小，整个网络就朝着“越听越准”的方向更新。
  1. 单帧交叉熵对第 \(t\) 帧，把真实标签 \(y_t\)（0 或 1）和模型预测概率 \(\hat{y}_t\) 代入交叉熵公式，衡量这一帧判得准不准。
    Lt=−[ytlog⁡y^t+(1−yt)log⁡(1−y^t)]\displaystyle \mathcal{L}_t = -\left[ y_t\log\hat{y}_t + (1-y_t)\log(1-\hat{y}_t) \right]
  2. 对全部帧求和平均把 \(T\) 帧的损失累加再除以 \(T\)，得到整段音频的平均损失，作为优化目标。
    L=1T∑t=1TLt\displaystyle \mathcal{L} = \frac{1}{T}\sum_{t=1}^{T}\mathcal{L}_t

评测指标体系

三个月试用期结束，队长要给老陈打绩效。考核表上不是“报了几次警”，而是三个问题：报的警里，有几件是真有事？真有事里，有几件被他报了？两样都好的才算称职。AED 系统的考核，用的是同一张表，只是把“报警”换成了“模型输出的事件”。

第一个分数叫精确率（P），衡量“报得准不准”：模型报出的 10 个事件里，8 个是真的，精确率就是 0.8。第二个分数叫召回率（R），衡量“抓得全不全”：真实发生的 10 个事件里，模型只抓到 6 个，召回率就是 0.6。只可惜，这两者常常打架——门槛放低，抓得全了但误报变多；门槛抬高，报得准了但漏检变多。

于是工程上把两者捏合成一个综合分——F1，它是精确率和召回率的调和平均，只有两个都高，F1 才高。在 AED 标准评测里，还要先在事件级把预测区间和真实区间按 IoU 匹配上，再统计精确率召回率；对每个类别算完 F1 后再取宏平均，避免少数类（比如玻璃破碎）的表现被海量背景帧淹没。

队长看完老陈的 F1 成绩单，才决定他能不能转正。AED 模型也一样：能证明“报得准、漏得少”的 F1，才是它真正上岗的通行证。

F1=2PRP+R\displaystyle F_1 = \frac{2PR}{P+R}
F1 把“报得准”和“抓得全”两个分数揉成一张综合成绩单：任何一个太低，F1 都会被明显拉低。
  1. 精确率 P所有报警中真正的正类占比，对应老陈“别乱报”的能力。
    P=TPTP+FP\displaystyle P = \frac{TP}{TP+FP}
  2. 召回率 R所有真实事件中被抓出来的占比，对应老陈“别漏报”的能力。
    R=TPTP+FN\displaystyle R = \frac{TP}{TP+FN}
  3. 调和平均对 P 和 R 取调和平均，数值上比算术平均更苛刻，偏科选手拿不到高分。
    F1=2PRP+R\displaystyle F_1 = \frac{2PR}{P+R}

应用系统实战

老陈转正后被派到两个新岗位。第一个是高档小区业主家里：婴儿半夜啼哭要提醒爸妈，烟雾报警器响了要自动拨号，玻璃碎了要立刻拉亮全屋灯光。第二个是城市路口：枪声、车辆碰撞、行人争执的异常声响，都要在几秒内上报指挥中心，联动摄像头转向取证。

这两类场景对 AED 系统提出三个硬要求。一是边端部署：声音在本地麦克风阵列旁的芯片上完成推理，而不是上传云端，省带宽、更安全，靠的是把模型剪枝量化到手机或音箱能跑的大小。二是低延迟：从事件发生到告警上报，中间每多一秒，风险就高一分，系统设计时要专门统计这道延迟。三是持续学习：小区 A 的狗叫和小区 B 的狗叫“口音”不同，路口 X 的底噪和路口 Y 的底噪天差地别，模型需要结合新场景的少量数据不断微调，像老陈换岗后要重新熟悉环境音一样。

延迟这道指标，在实时监控类系统里几乎是生命线。试想深夜的幼儿园里，玻璃破碎的声音从发生到告警推送，如果要在云端绕一大圈，可能已经过去好几秒。

老陈的职业生涯证明：一个能在评测集拿高分的“耳朵”，只有经得住真实场景的延迟、部署和环境差异三重考验，才算真正成为一名合格的“环境听觉保安”。AED 从实验室到产业的那条路，也正是这样一步步走出来的。

D=temit−tonset\displaystyle D = t_{\mathrm{emit}} - t_{\mathrm{onset}}
检测延迟等于系统发出告警的时刻减去事件真实发生的起始时刻，它是衡量 AED 实时性的核心数字。
  1. 事件起始时刻真实事件在音频里的起点，通常由标注或事后人工核对确定。
    tonset\displaystyle t_{\mathrm{onset}}
  2. 系统上报时刻检测系统完成推理并发出告警的时间戳。
    temit\displaystyle t_{\mathrm{emit}}
  3. 两者之差差值越小，说明系统反应越快，越能满足安防联动的实时要求。
    D=temit−tonset\displaystyle D = t_{\mathrm{emit}} - t_{\mathrm{onset}}

AI 应用场景

智能家居中的婴儿啼哭与异常声音监护

阶段：数据采集与模型部署

解决的问题：传统监护靠家长守夜，注意力分散且容易疲劳；传统声控开关只能响应分贝高低，无法区分“婴儿哭声”和“电视机声”。AED 用少量家庭音频数据训练“啼哭/玻璃破碎/烟雾报警”多标签分类器，挂在智能音箱麦克风后面，低延迟触发联动。

具体案例：某智能音箱在“夜间看护”模式下，每 0.5 秒对本地音频切片做一次 AED 推理；检测到婴儿连续啼哭超过 30 秒，自动调暗灯光并通过手机 App 推送家长，同时把录音片段上传云端供复核。这就像老陈在业主家值夜班，耳朵一刻不歇。

城市安防中的异常事件声学预警

阶段：特征工程与模型优化

解决的问题：摄像头在夜间和遮挡场景下常常“看不清”，枪声、车辆碰撞这类事件的视觉证据可能完全缺失；传统方案靠人工 7×24 小时监听广播，成本高且反应慢。AED 在路口部署声学传感器，实时检测枪声、撞击声、玻璃破碎声，并联动摄像头转向取证。

具体案例：某智慧城市试点在 50 个路口安装声学节点，事件触发后在 0.8 秒内上报中心，联动周边球机对准声源方位；上线半年，对夜间交通事故的发现率提升了 40%。对应到比喻里，就是老陈被派到城市路口值守，听见异响立刻通过对讲机呼叫队长。

Python 演示

python92 行
import numpy as np SR = 16000 def synth_event(kind, dur=0.6):    t = np.linspace(0, dur, int(SR * dur), endpoint=False)    if kind == 'bark':        x = np.sin(2 * np.pi * 500 * t) * (np.sin(2 * np.pi * 12 * t) > 0)    elif kind == 'siren':        x = np.sin(2 * np.pi * (600 + 300 * np.sin(2 * np.pi * 2 * t)) * t)    else:        x = np.random.randn(len(t)) * np.exp(-15 * t)    return x / (np.max(np.abs(x)) + 1e-6) def spec_bands(x, win=512, hop=256):    n = max(1, (len(x) - win) // hop)    h = np.hanning(win)    feats = []    for i in range(n):        seg = x[i * hop:i * hop + win] * h        sp = np.abs(np.fft.rfft(seg))        k = len(sp)        feats.append([sp[:k // 8].sum(), sp[k // 8:k // 3].sum(), sp[k // 3:].sum()])    return np.log1p(np.array(feats)) def make_clip(plan, total=4.0):    x = np.zeros(int(SR * total))    labels = np.zeros(len(x) // 256 + 1, dtype=int)    cls = {'bark': 1, 'siren': 2, 'glass': 3}    for kind, start in plan:        s = int(start * SR)        e = s + int(SR * 0.6)        x[s:e] += synth_event(kind)        for i in range(s // 256, e // 256):            labels[i] = cls[kind]    X = spec_bands(x)    return X, labels[:len(X)] def softmax(z):    z = z - z.max(axis=1, keepdims=True)    e = np.exp(z)    return e / e.sum(axis=1, keepdims=True) def train(X, Y, epoch=80, lr=0.2):    W = np.random.randn(X.shape[1], 4) * 0.1    b = np.zeros(4)    for _ in range(epoch):        P = softmax(X @ W + b)        G = (P - Y) / len(Y)        W -= lr * X.T @ G        b -= lr * G.sum(axis=0)    return W, b def event_f1(y_true, y_pred):    def to_events(y):        evs, s = [], None        for i, v in enumerate(y):            if v and s is None:                s = i            if not v and s is not None:                evs.append((s, i - 1))                s = None        if s is not None:            evs.append((s, len(y) - 1))        return evs    tp = fp = 0    used = set()    for p in to_events(y_pred):        for t in to_events(y_true):            if t in used:                continue            ov = max(0, min(p[1], t[1]) - max(p[0], t[0]) + 1)            un = max(p[1] - p[0], t[1] - t[0]) + 1            if ov / un >= 0.5:                tp += 1                used.add(t)                break        else:            fp += 1    fn = len(to_events(y_true)) - len(used)    p = tp / (tp + fp + 1e-9)    r = tp / (tp + fn + 1e-9)    return 2 * p * r / (p + r + 1e-9) if __name__ == '__main__':    plan = [('bark', 0.5), ('siren', 1.8), ('glass', 3.0)]    X, y = make_clip(plan)    Y = np.eye(4)[y]    W, b = train(X, Y)    pred = softmax(X @ W + b).argmax(axis=1)    f1 = event_f1((y > 0).astype(int), (pred > 0).astype(int))    print('AED demo: sample clip, event-level F1 = %.3f' % f1)
目的：用一块没有任何深度学习框架的纯 NumPy 实现，走通“合成音频 → 频带特征 → 逐帧分类 → 事件级 F1”的 AED 最小闭环。
  1. x = np.zeros(int(SR * total))先铺一条 4 秒的静音音轨，再把事件声音叠加上去，模拟环境底噪中的目标事件。
  2. feats.append([sp[:k // 8].sum(), sp[k // 8:k // 3].sum(), sp[k // 3:].sum()])按人耳感知习惯把频谱粗分为低、中、高三个频带的能量，这就是玩具版的“梅尔特征”。
  3. G = (P - Y) / len(Y)计算每个样本对梯度下降方向的平均贡献，相当于统计“这一帧猜偏了多少”。
  4. W -= lr * X.T @ G沿着梯度反方向更新权重，让模型逐步学会“看到什么频带能量就猜什么事件”。
  5. pred = softmax(X @ W + b).argmax(axis=1)用训练好的参数逐帧预测事件类别，得到整段音频的识别结果。
  6. ov / un >= 0.5事件级匹配判据：预测区间与真实区间的 IoU 达到 0.5 才算一次命中，和正文讲的评测口径一致。
  7. print('AED demo: sample clip, event-level F1 = %.3f' % f1)打印最终的综合成绩单，验证整个流程跑通。

常见误区

误区“我一直以为音频事件检测和语音识别是一回事，就是把听到的一切都转成文字，像录音笔那样。”

正解老陈并不需要转写住户的对话，AED 只回答“某类目标事件是否出现、何时出现”。它输出的是事件类别和时间标签，不是文字内容。语音转写关心“说了什么”，AED 关心“发生了什么声音”。两者都处理音频，但目标完全不是一个赛道。

为何常见：语音识别在音频 AI 里最广为人知，初学者容易把“听懂一切”当成所有音频任务的共同目标，忽略了 AED 是“选择性聆听”。

误区“既然训练时网络只需要知道这段时间有狗叫，那我在事件开始前多标 0.5 秒、结束后少标 0.5 秒也无所谓。”

正解边界错位会直接污染训练特征，模型学到的“狗叫”可能混入关门声，“警笛”的特征里可能掺进鸣笛后的寂静；评测时事件匹配也依赖 IoU。标注规范要求逐秒核对起止时间，并用多名标注者的一致性校验兜底。这就像值班日志上把报警时间记错了，警察赶到现场早就人去楼空。

为何常见：人耳对“开始时刻”的感知本身有主观波动，初学者看不出 0.2 秒的偏差会让下游模型和评测产生连锁反应。

误区“我们的模型在测试集上准确率 99%，这么高，肯定可以直接上线了吧？”

正解当 99% 的音频帧都是背景时，模型只要永远输出“无事件”就能拿到 99% 的准确率，却一个真正的事件都抓不到。正确做法是按事件级匹配统计精确率、召回率和 F1，并对每个类别取宏平均。这就像队长考核老陈不能只看“他没乱报警”，更要看“该报的报了没”。

为何常见：分类任务教程里准确率最常用，惯性思维让人忽略 AED 中类别严重不平衡的陷阱。

误区“只要把模型换得足够大，比如上亿参数的 Transformer，音频事件检测就无敌了。”

正解AED 的效果受标注质量、特征合理性和数据覆盖度制约。复杂模型在小数据集上更容易过拟合，在边端设备上推理延迟也更高。先把标注一致性、事件边界质量做扎实，再考虑增大模型，才是老陈这样“先练基本功、再上装备”的稳妥路线。

为何常见：大模型热潮让初学者把参数规模当成万能药，忽略了音频事件数据标注成本高、真实场景差异大的现实约束。

面试题

Q1. 音频事件检测（AED）的核心任务是下列哪一项？

单选题 · easy

  • A.判断特定声音事件的类别与时间← 正确答案
  • B.把视频画面识别成文字描述
  • C.将混合声源分离成多个声轨
  • D.对音频文件做有损压缩编码

答案：A。AED 相当于保安老陈的岗位说明书，只关心“哪类目标声音、什么时候响”，输出类别与时间。B 属于视频理解，C 是声源分离，D 是音频编码，都不是环境事件识别。

Q2. 下列哪一项是 AED 在实际场景中面临的典型挑战？

单选题 · easy

  • A.事件声音时长必须完全一致
  • B.麦克风采样率需要超过 1MHz
  • C.事件边界模糊与类别不平衡← 正确答案
  • D.音频只能保存为无压缩格式

答案：C。真实环境中狗叫余音和关门声粘连，边界难切；警笛一天只响几秒，类别严重失衡，这两点是 AED 最著名的两大坑。采样率、时长一致性、存储格式都不是任务本身的固有挑战。

Q3. 两名标注者对同一事件标注的时间区间，常用什么指标衡量一致性？

单选题 · mid

  • A.余弦相似度衡量文本向量
  • B.交并比考察时间重叠程度← 正确答案
  • C.编辑距离比较字符串差异
  • D.皮尔逊系数评估线性相关

答案：B。交并比把两段时间区间的重叠程度量化成 0~1 的分数，标注质检常用 IoU≥0.7 判定一致。余弦相似度面向向量、编辑距离面向字符串、皮尔逊系数面向连续数值序列，都不适合度量区间重叠。

Q4. 梅尔刻度（Mel Scale）的设计初衷是下列哪一项？

单选题 · mid

  • A.让频谱更贴近人耳感知特性← 正确答案
  • B.提高音频文件的无损压缩率
  • C.完全消除房间混响与底噪
  • D.把立体声音频合并成单声道

答案：A。人耳对低频分辨精细、对高频逐渐迟钝，梅尔刻度正是模拟这条感知曲线，让模型特征“踩在人耳的听觉习惯上”。它不负责压缩、降噪或声道合并。

Q5. 典型 CRNN 音频事件检测模型中，卷积网络部分主要负责什么？

单选题 · mid

  • A.把事件标签文本转成词向量
  • B.将音频采样率调整到 8kHz
  • C.直接输出最终的事件类别
  • D.学习局部声学模式与音色特征← 正确答案

答案：D。卷积层用局部感受野扫描梅尔频谱图，学到的是“颗粒感”“脆响”这类局部音色模式；时序建模交给循环网络，最终分类由输出层完成。词向量和降采样都不是 CNN 在 CRNN 里的职责。

Q6. 在事件类别严重不平衡的 AED 数据集上，最合适的评估指标是？

单选题 · hard

  • A.整体准确率受背景帧主导
  • B.事件级宏平均 F1 分数← 正确答案
  • C.训练集的样本总数规模
  • D.模型参数量与显存开销

答案：B。背景帧占绝对多数时，整体准确率会被“永远答无”刷高；事件级宏平均 F1 分别统计每类事件的精确率和召回率，能如实暴露玻璃破碎这类少数事件的真实表现，相当于队长逐项核对老陈的绩效表。

Q7. AED 模型在多标签输出层的合理配置是下面哪一种？

单选题 · mid

  • A.softmax 配合单标签交叉熵
  • B.sigmoid 配合二元交叉熵← 正确答案
  • C.relu 配合均方误差损失
  • D.tanh 配合合页损失函数

答案：B。同一时刻可能同时发生狗叫和警笛，所以每个类别各挂一个 sigmoid，用二元交叉熵独立监督。softmax 会强迫类别互斥，relu/tanh 的输出域不适合直接当概率使用。

Q8. 下列哪些属于 AED 的典型落地应用场景？

多选题 · mid

  • A.小区枪声与玻璃破碎预警← 正确答案
  • B.婴儿哭声与烟雾报警监测← 正确答案
  • C.统计停车场车辆颜色数量
  • D.识别会议室 WiFi 信号强弱

答案：AB。AED 的典型落地就是监听“枪声、玻璃碎、婴儿哭、烟雾报警”这类环境声学事件。统计车辆颜色属于计算机视觉任务，WiFi 信号强弱属于射频感知，两者都不依赖声学事件判别。

Q9. 关于 AED 事件标注规范，下列哪些说法是正确的？

多选题 · hard

  • A.每个事件需标记起止时间← 正确答案
  • B.事件类别必须彼此互斥
  • C.常用多名标注者做一致性校验← 正确答案
  • D.标注内容只需写文件名称

答案：AC。起止边界是训练与评测的基础，必须标注（A 对）；同一时刻可有狗叫和警笛共存，类别不必互斥（B 错）；多名标注者独立标注后算 IoU 校验质量（C 对）；只写文件名缺少类别和时间信息（D 错）。

Q10. 事件级评测中，预测事件与真实事件判定为匹配的常见条件是？

单选题 · extreme

  • A.时间重叠 IoU 达到设定阈值← 正确答案
  • B.预测时长与标注恰好相同
  • C.音频文件命名完全一致即可
  • D.输出概率值必须等于百分之百

答案：A。事件级匹配先算预测区间与真实区间的 IoU，超过设定阈值（如 0.5）才计为一次命中，再据此统计精确率、召回率和 F1。时长完全相同、文件名一致、概率等于 1 都不是工程上的匹配判据。