在耳机、音箱、可穿戴设备等消费音频产品遍地开花的今天，用户对“好声音”的要求已经不止于能听清，而是要听得舒服、干净、没有任何多余的“沙沙声”“咯噔声”“刮蹭声”。但在大多数工厂里，异音测试仍然大量依赖人工听音——排班、人为主观差异、疲劳、情绪波动，都在真实地影响你的良率和品牌口碑。

这篇文章，我们就结合CRYSOUND的TWS耳机AI听音检测实际项目经验，聊聊如何用AI把“人耳”从产线解放出来，让听音测试真正做到稳定、高效、可复制。

一、为什么音频听音测试这么“伤人力”？

在传统方案中，产线通常是：电声指标自动测试 + 人工听音复判。

人工听音的痛点非常清晰：

• 主观性强：不同听音员对“沙沙声”“刮蹭声”的敏感度不同，同一个人早班和晚班判断也可能不一致；

• 扩展性差：人耳听音需要高度集中注意力，长时间工作很容易疲劳，在大规模量产时难以支撑高UPH；

• 培训成本高：合格的听音员要经过系统培训和长期经验积累，新人上手慢；

• 结果难以追溯：主观判断很难形成量化数据和轨迹，给后续质量分析与改进带来困难。

这也是为什么业界一直在寻找一种方式——在不牺牲“人耳敏感度”的前提下，用自动化和算法把这件事做得更稳定、更经济。

二、从“人耳”到“AI 耳”：CRYSOUND 的整体思路

CRYSOUND 给出的答案，是一套围绕CRY异音测试系统打造的标准化机台平台，再结合AI听音算法与专用治具，形成软硬件一体的完整方案。

1.方案的核心特性：

• 一机多用的标准化平台：模块化设计，既可做常规SPK音频、底噪等测试，也可做异响/AI异音测试；

• 一拖二并行测试：单台设备可同时测试2只耳机，在典型项目中UPH可达120 PCS；

• AI听音分析模块：通过收集良品数据建立模型，自动判定异响品，显著减少人工听音工位；

• 低底噪测试环境：高性能隔音箱+箱中箱结构，将本底噪声控制在约12dBA，为AI算法提供稳定的声学环境。

简单理解，这套方案就是：
“一台标准机台 + 一套专用治具 + 一套AI听音算法”。

2.典型测试通路

以测试主机为核心的“实验室/产线一体化”链路：

• PC 主机 → CRY576 蓝牙适配器 → TWS 耳机；

• 耳机发声由 CRY718-S01 仿真耳 采集；

• 信号经 CRY6151B电声分析仪采集与分析；

• 软件端调用AI听音算法模块，对WAV数据进行自动分析，输出PASS/FAIL结果。

3.治具与隔音箱：把“工位波动”降到最低

产品放置姿态与耦合状态往往决定测试一致性。方案通过治具与箱体层面尽量固化每一次测试条件：

• 治具：软胶仿形凹模设计。仿形凹模保证每次都以同样姿态贴合仿真耳，减少位置误差带来的测试波动；软胶保证密封性，避免对耳机造成机械损伤；

• 隔音箱：内箱减震与声学隔离，降低外部机械振动与环境噪声对结果的影响。

4.专业级声学硬件（示例配置）

• CRY6151B 电声测试仪：20–20 kHz 频率范围，低本底噪声与高动态范围，兼顾信号输出与测量输入；

• CRY718-S01 仿真耳套装：符合IEC/ITU相关要求，低底噪特性可达 12 dBA 级别（以配置/条件为准）；

• CRY725D屏蔽隔音箱：集成射频屏蔽与声学隔离能力，适配TWS测试场景。

三、AI 算法：无监督异常检测如何“识别不正常”

1.训练流程：只需要“正常的”耳机

CRYSOUND的AI听音方案采用一种无监督异常声音检测算法。它的最大特点是：无需提前收集各种异常样本，只用正常良品就能训练出一个“懂好声音”的模型。

在实际导入时，典型步骤如下：

① 准备不少于100个听音良品，在与量产测试相同的环境下，采集这100个良品的WAV数据；

② 用这些良品数据训练模型（每个10秒的100个样本，训练时间通常 < 1分钟）；

③ 使用模型对良品和不良品样本进行测试，对比结果分布，制定判定框线；

④ 训练结束后，模型即可用于量产测试，单个样本预测时间 < 0.5秒。

在这个过程中，无需工程师手动标注每一种异音类型，大幅降低项目导入门槛。

2.原理简述：让模型先“复述”一遍正常声音

算法大致分为三步：

① 时频图谱化：将录制的波形转换成时频图谱（类似一张“声音的照片”）。

② 深度学习重建：

• 使用在“正常耳机”上训练好的深度学习模型，对时频图谱进行重建；

• 对正常样本，模型能较好“复刻”出原图谱；对含有异音的样本，异常部分难以被重建。

③ 差异分析：

• 比较原始频谱图与重建频谱图，分别沿时间轴和频率轴计算，得到两条差异曲线；

• 异常样本在这两条曲线上会呈现显著异常“峰值”或能量集中特征。

通过这种方式，算法对“正常”模式具有极强的拟合能力，对偏离正常模式的所有异常会天然敏感，因此无需为每一种异音单独建模。

在实际项目中，这套算法已经在10个以上项目上验证，缺陷检出率可达99.9%。

3.AI听音的实际优势

• 不依赖异常样本：不再需要苦苦收集各种“刮蹭声”“电流声”样本；

• 适应新异常：即便出现训练阶段未见过的新型异常，只要其与正常模式差异明显，算法就能识别出来；

• 持续学习：后续可以不断补充新的良品数据，让模型长期适应线体与环境的轻微漂移；

• 极大减少人工工作量：从“人人听音”变成“AI扫描 + 少量抽检”，将人力释放到更高价值的分析和优化工作上。

四、典型落地案例：某ODM TWS产线实战

某ODM厂商的TWS产线，单日出货规模在千套级。为了提升良率并减少人工听音压力，导入了
AI异音测试方案：

项目	导入AI异音测试方案前	导入AI异音测试方案后
测试方式	4 个人工听音工位，纯人工听音判异响	4 台 AI 听音测试设备，每台测试一对耳机
用工配置	4 名操作员（全职听音）	2名操作员（上/下料 + 异常复判）
质量风险	受主观性与疲劳影响，存在漏测、不良流出	试产阶段设备结果与人工抽检一致，稳定性明显提升
试产阶段工作	确定人工听音流程	采集样本、训练AI 模型、设定框线、人工抽检确定可行性
产线日产能（单线）	以人工节拍为限	约1000套耳机/天
异音检出率	存在漏检，未量化	≈ 99.9%
误测率（误判良品）	受主观性与疲劳影响，未量化	≈ 0.2%

在这一条产线上，AI听音基本接管了原有的人工听音工作，不仅减掉了一半人力，也显著降低了漏检风险，为后续在更多产线复制铺开提供了数据依据。

五、导入建议：怎么把这套方案用好？

如果你正在考虑导入AI异音测试，可以从下面几个方面着手：

1.尽早规划样本采集

• 在试装/小批阶段就开始积累“确认无异音”的良品波形，为后续AI训练抢占时间。

2.保证周围环境干扰少

• AI听音测试机台需远离点胶机、焊接机等高噪音工位，通过关闭报警器声音，规范搬运车通道需远离测试机台、避免地面振动等措施，可降低误测。

3.确保测试条件一致

• 训练阶段与量产阶段采用同一套隔音箱、仿真耳、治具及测试序列，避免环境差异导致模型迁移困难。

4.保留一段时间的人机共存阶段

• 初期可以采用“AI 100% + 人工抽检”的方式，逐步放开到“AI 100% + 少量 DOA 复判”，最大化降低导入风险。

结语：让测试回归“看数据”，把人力用在更有价值的地方

AI听音测试，本质上是一次 从“人耳经验”向“数据与算法”迁移的产业升级。

依托CRY标准化机台、专业声学硬件、针对不同种类产品优化的治具与AI算法，CRYSOUND正在帮助越来越多客户，把耗时耗力又主观的人工听音，变成一件稳定、可量化、可复用 的事情。

如果你正在为耳机异音测试头疼，或者希望在下一代产线中尝试 AI 听音，不妨考虑让CRY AI听音测试解决方案做一次“试装”——也许从这一站开始，你的产线就再也不用为“谁今天值班听音”而发愁了。

欢迎通过官网https://www.crysound.com.cn/或通过邮箱info@crysound.com联系我们。