1.4 同一副耳蜗两种打法：感知策略的分岔

1.4 同一副耳蜗两种打法：感知策略的分岔

本节摘要：AAC 与 Opus 共用同一套听觉生理学，但 AAC 把心理声学做成显式的 FFT 掩蔽分析模块，Opus 却大幅绕开这套机器，改用感知加权残差与频带能量约束。本节拆解分岔的技术原因（延迟、算力、码率区间），并给出两条路线各自的适用边界。

第 1 章的收束点：前两节建立了掩蔽阈值这条裁决线，本节让它照出两位主角的分岔。理解这次分岔，后面 AAC 的尺度因子循环（第 2 章）与 Opus 的加权残差（第 3 章）就不是两套孤立的技术，而是同一命题的两种解法。

分岔现场：一个模块的有与无

把两个编码器的信号流并排画出来，最显眼的差异是：AAC 的流水线里立着一个独立的"心理声学模型"模块——对输入做 FFT、算掩蔽阈值、输出 SMR，主链路的量化器听它指挥；Opus 的流水线里找不到对等物——感知约束被揉进了 LPC 加权滤波器（SILK 侧）与频带能量/折叠判定（CELT 侧），没有一个显式的阈值计算环节。

图：感知策略的分岔

为什么 Opus 敢绕开这套机器

三个约束共同促成了这次分岔。

延迟约束。 经典掩蔽计算要可靠的频率分辨率，而频率分辨率来自长窗——FFT 窗越短，谱线越糊，阈值越不可信。AAC 的心理声学分析绑在 1024 样本量级的帧上，毫秒级的通话帧根本装不下这套机器。Opus 从设计目标（RFC 6716 面向交互音频）出发，只能把感知约束改成"帧内即时可算"的形式：LPC 加权滤波器的系数从当前帧的线性预测分析直接导出，加权传递函数在共振峰处挖谷，让量化噪声自动避开人耳最敏感的谱峰区——掩蔽思想没变，实现从"算一条阈值曲线"变成"设计一个加权滤波器"。

算力约束。 完整模型的音调性判别、跨带扩散、能量域叠加每帧都是实打实的浮点开销，还要维护长 FFT 缓冲。Opus 要跑进手机与嵌入式设备的同时处理几十路通话（会议服务器场景），每个编码器的感知模块必须便宜。加权滤波与频带能量统计的计算量比完整 FFT 掩蔽分析低一个量级，且极易定点化、向量化。

码率区间约束。 完整心理声学模型的优势区在"预算够用、追求精致藏噪"的中高码率；当码率被压到 6 至 24 kbps 时，问题变成"先把语音骨架传过去"——精确的掩蔽阈值此时意义有限，LPC 残差里哪些脉冲必须保真才是主要矛盾。Opus 的主力战场恰在这个区间，工具选择跟着主战场走。

两条路线的适用边界

这张表也为第 4 章的正式对比埋下伏笔：延迟、算力、码率区间三项，正是两代编码器分野的全部坐标轴。

验证分岔的存在：两个可观察的证据

其一，看参考实现的代码结构。FFmpeg 的 AAC 编码器里有独立的心理声学模型单元（psy 模块），输入输出就是逐带阈值；而 libopus 的源码里搜索不到对等的"先算阈值再分配"的模块，感知逻辑分散在加权函数与频带量化参数里。其二，看工具行为：LAME（MP3 时代同款思路）提供心理声学模型的调参开关，能直观改变噪声分布；opusenc 的参数体系里则根本没有掩蔽阈值相关的旋钮，只有码率、复杂度、帧长等控制预算与搜索的选项——感知决策被封装在模式选择器内部。

分岔的历史注脚与两条自检线

这次分岔不是某次会议上的拍板，而是两条工程传统各自演进的自然结果。AAC 的心理声学模块直接继承自 MP3 时代的模型二谱系——ISO 标准把掩蔽计算写成了参考 annex，实现者照着算就是合规；SILK 的加权路线则承自电信语音编码（CELP 家族几十年的感知加权传统），那个世界从来没有为音乐考虑过长窗 FFT，加权滤波器就是它们全部的"听觉模型"。所以与其说 Opus "放弃"了心理声学模型，不如说它把电信世界的小巧方案带进了通用音频的主场，并证明了一件此前没人确定的事：在足够低的延迟约束下，这套简化方案不但够用，还有余量。

两条自检线可以防止读者把这个对比绝对化。其一，分岔不等于鸿沟：AAC 在低码率区间也会退化感知精度（比特不够时阈值算得再准也没用），Opus 在高码率区间也有精细的噪声整形（CELT 的频带折叠判定本质是掩蔽思想的变体）——两端是渐变的过渡带，不是悬崖。其二，实现差异小于标准差异：具体编码器版本的质量差距（比如不同 AAC 实现之间）经常大于两个标准之间的理论差距，这也是 4.2 节坚持"测了再说"的原因。

三个快速问答收束本节。问：既然 Opus 的做法算力更省，AAC 为什么不改？答：改不了——显式模型的优势在中高码率的精细藏噪，那是 AAC 的主场；为低码率重写感知模块等于变成另一个编码器，且要放弃二十年的调校积累。问：心理声学模型的输出能离线查看吗？答：能，多数开源编码器有调试开关可打出逐带阈值（LAME 系的 debug 输出是经典），对照频谱图看阈值曲线是理解 1.3 节最快的路径。问：未来两边会合流吗？答：正在发生——神经增强的心理声学（6.1 节）本质是用数据学出更准的"阈值"，两种实现传统可能在"学习的掩蔽模型"上重新会师。

两种实现的细节对照表

把分岔落成一张实现级的对照表，供后续章节随时回查：

表里最值得记住的是最后一行：AAC 的感知行为有独立旋钮（部分实现允许调心理声学参数），Opus 的感知行为与预算旋钮深度绑定——这解释了为什么调 Opus 时"感知问题"总是通过码率与复杂度间接影响，而 AAC 可以直接动感知层。两种设计没有对错，但调参心智模型完全不同。

💡 关键直觉：AAC 是"先算出人耳的账本，再按账本花比特"；Opus 是"把人耳的偏好编进花钱的手势里"。前者账本精确但翻页慢，后者手势粗糙但出手快——两代编码器的全部性格差异，都能从这一处分岔推导出大半。

第 1 章到此收束。带着这条分岔线进入第 2 章：先看 AAC 如何把显式模型路线打磨成一套完整的频域机器，从标准谱系一路拆到码流封装。