能不能用機器學習征服耳機/音響玄學?


首先你要界定一下什麼是玄學,什麼不是,否則哪有正樣本負樣本?

而且買線這種事情,實話說並不能算玄學,因為換線肯定會改變線上信號的波形,所以換模擬線肯定是有區別的。

還有同軸線肯定也是有區別的,因為spdif的接收interface需要從同軸線信號中恢復時鐘,一般的方法比如cs8416就是pll+dds,這個比較考驗信號質量,而且spdif是單向傳輸,不管錯誤,不管重傳,這麼高頻的射頻信號,劣質線有點誤碼正常。再加上有的傻逼喜歡自己搓線,自己搓怎麼標定同軸的特徵阻抗?usb換線有影響有一定道理,一個是做好屏蔽防止電腦中的高頻噪音串擾進來,還有一個是目前的usb2.0 audio如果用xmos之類的interface的話底層也是沒有校驗重傳的,因為走得usb協議那個模式裡面就沒校驗重傳這個說法,估計是1.x標準制定的時候為了實時性把校驗重傳閹割了,因為一開始是為了語音電話之類的就算音質差點也無所謂的需求準備的協議嘛。當然類似於teac全家桶下面的esoteric之類的用ti的dsp自產interface,這個說不定有校驗重傳,再議。電源線基本意義不是很大,網播換網線就更是無稽之談了(輸入有變壓器,換線沒卵用,過了變壓器信號全變圓了,CAT6網線全解決),甚至還有兄弟給網播用的交換機/路由器換電源線來提升音質,這都什麼鬼邏輯。(所以說你看現在各個大廠都在搞自己的link,dcs有雙頭aes和之前的雙頭ieee1394,金嗓子有自己的link,esoteric有基於hdmi的link。還有網播越來越多,看人家柏林之聲,一揮手就是三萬歐的頂級網播,網播遲早是大趨勢。這些都是為了克服傳統協議單向沒校驗重傳的問題,從而革了線材商的命。)

有同學發言了:老師老師,但是這種變化有可能極其微小,甚至會被熱噪音/隨機因素噪音/前後級本身的失真/音箱自身的失真/羊毛紙盆單元在上海黃梅天受潮/黑膠碟子上面的爆豆聲音/日本acg歌曲製作時候瘋狂拉EQ之類的因素掩蓋,因此應該是人耳不會有可聞區別的。

是這樣的啊,道理是這麼個道理,但問題是在於說換線了能不能聽出來只有買線那個人才知道,他一口咬死能聽出來,你還難不成把他抓起來酷刑拷打讓他招供是不是真聽出來了?

說到底,音響玄學這種事情,本身就是建立在一個非常主觀的「感覺」上,換句話說,「信仰」,對於一個商品來說,信仰的價值也是很重要的。


你跟他說某某器材素質高,他說聽感最重要。

你跟他說換線能改善聽感,他說線材玄學對素質沒影響。

你高興就好。


能,最後機器學習擁有了全世界作家都難以企及的好文采


目標函數如何定義?

如何評價機器學習的結果,如何將音樂播放效果量化。首先要解決這些問題。


人心是無法預測的


其實已經有朋友在做一些機器學習和音響設備研發相結合的嘗試了,不過玩的變數都是大多數一般用戶覺得是玄學的東西。。。

比如說用機器學習反覆生成並篩選迭代對於回放特定類型音樂更合適的數字濾波器演算法或者時鐘相位噪音頻譜分布。。。

不過以往折騰這些變數基本不是一般用戶能有條件玩的,玩數字濾波器需要一些數學功底、心理聲學基礎加上音樂素養,折騰音頻時鐘相噪頻譜分布一般也就是某幾個型號的音頻分析儀用戶可以在一定範圍內可控地實現而已。


深入地玩與泛泛的玩,是完全不一樣的。我身邊就有很多初燒線材無用論者,經過5-6年的歷練之後,都會在自己的系統上更換一些高級線材。

類似的還有中國的茶藝,以及生活中的各個方面,你越深入地了解一個事物,就越覺得這件事博大精深。


聽感本身就是一種非常主觀的東西。同樣的設備在不同的人的耳朵下聽感是不一樣的。

所以...


數據集去哪找……


推薦閱讀:

《TensorFlow實戰》和《TensorFlow:實戰google深度學習框架》兩本書有何異同?
怎麼理解在模型中使用L1+L2正則化?
支持向量機(SVM)方法在預測方面有什麼優缺點?
點擊率模型中遞進特徵適合一起訓練嗎?
深度學習領域有哪些瓶頸?

TAG:人工智慧 | 耳機 | 機器學習 | Hi-Fi |