在电机、耳机、扬声器和整机产品测试中，异常音往往并不是一个简单的声压级超限问题。很多早期缺陷会表现为轻微的摩擦声、啸叫声、杂音、异响或频谱结构变化，传统电声测试和人工听检很难在大规模测试中长期保持一致。本文以TWS 耳机 AI 听音测试为例，介绍如何使用 OpenTest 序列模式串联采集、信号分析、AI 分析、Pass/Fail 判断和结果输出，将异常音检测配置为可重复执行的自动化测试流程。

在耳机、电机和整机产品的研发验证与产线测试中，异常音检测一直是一个典型难题。

以 TWS 耳机为例，当前常见测试方式通常包括两部分：先进行传统电声测试，再由人工听音测试站判断是否存在异响。传统电声测试可以覆盖频响、失真、底噪等基础指标，人工听音则用于识别杂音、刮擦声、碰圈、漏气、底噪异常等更接近听感的问题。

但在实际产线中，人工听音存在明显局限。不同人员对异常声音的敏感度和判断标准不同，同一人员在不同时间也可能受到疲劳、环境和经验影响。对于轻微、间歇性或复杂的异常声音，人工测试很难做到长期稳定一致；同时，人工听音依赖人力资源，在大规模生产环境中也不容易扩展。

OpenTest 的序列模式与 AI 分析能力，正是面向这类场景提供一种更标准化的实现路径。工程师可以将产品连接、声音播放、声信号采集、数据分析、AI 判断、结果保存和报告输出等步骤配置为标准测试序列，让异常音检测从“人工主观判断”逐步转向“标准流程 + 数据分析 + Pass/Fail 判断”。

异常音检测：传统时域和频域判断并不总是有效

异常音检测的难点在于，异常并不一定会表现为某个单一指标明显超限。

在 TWS 耳机测试中，某些异常样品在常规频域曲线上可能与良品高度重合，无法通过简单的上下限框线区分；有些瞬态异响在时域波形中也不一定形成稳定可见的差异。也就是说，即使工程师已经完成了频谱分析或波形观察，仍可能出现“良品和不良品曲线看起来很接近，但实际听感存在差异”的情况。

类似问题也会出现在电机、风扇、压缩机和扬声器测试中。轴承异常、轻微摩擦、电磁噪声、结构松动或瞬态杂音，往往只在特定工况、特定频段或短时间窗口中出现。如果只依赖固定阈值或人工听感，既可能漏检早期异常，也可能因为人员判断差异导致误判。

因此，异常音检测更适合被看作一个完整流程：先在稳定测试条件下采集声音，再通过信号分析提取时域、频域或时频特征，最后由 AI 分析辅助完成 Pass/Fail 判断。

测试搭建：构建稳定的 AI 听音测试链路

以 TWS 耳机 AI 听音测试为例，测试系统通常需要完成产品连接、音频播放、声信号采集和数据分析。

在测试过程中，产品放入测试工装或屏蔽隔音箱中，通过蓝牙适配器连接耳机，并控制耳机播放指定声源。耳机播放声音后，由人工耳或声学耦合器采集声信号，再通过采集设备转换为可分析的音频数据。随后，OpenTest 对采集到的 wav 文件或测试数据进行信号分析和 AI 分析，并输出 Pass/Fail 结果。

这一流程的关键在于测试条件稳定。对于 AI 异常音检测来说，模型判断的前提是输入数据具有可比性。因此，声源、播放方式、采集通道、采样参数、工装位置、测试环境和数据处理流程都需要保持一致。只有前端测试链路足够稳定，后端 AI 分析的结果才更可靠。

序列模式：将 AI 听音流程配置为自动化任务

在 OpenTest 中，工程师可以使用序列模式将异常音检测流程配置为一套标准测试任务。以 TWS 耳机为例，一个完整的 AI 听音测试序列可以包括：

• 产品扫码或读取样品信息
• 控制屏蔽箱或测试工装
• 连接蓝牙耳机
• 控制产品播放指定声源
• 采集信号
• 执行频谱、异音分析及AI分析
• 输出 Pass/Fail 判断
• 保存测试数据并上传MES系统

通过序列模式，测试人员不需要每次手动切换模块、重复连接设备或逐步执行分析。只要测试流程经过验证，就可以在研发验证、样品筛查或产线测试中重复使用，减少人为操作差异。

对于产线场景，这一点尤其重要。AI 听音测试不仅要能判断某一个样品，还要能在批量测试中保持稳定节拍和一致输出。通过序列模式，OpenTest 可以把“连接 – 播放 – 采集 – 分析 – 判断 – 保存”串联成标准化流程，为后续自动化测试和产线管理打下基础。

AI 分析：基于时频图谱重建识别异常声音

在异常音检测中，AI 分析的核心价值并不是简单替代上下限判断，而是从声音数据中识别传统时域或频域框线难以区分的异常特征。

以 TWS 耳机 AI 异音算法为例，算法可以将原始测试录音转换为时频图谱。原始录音中同时包含正常声音特征和可能存在的异常特征。模型基于正常产品数据进行训练后，可以对时频图谱进行重建：正常部分能够被较好恢复，而异常特征在重建过程中会被削弱或消失。

随后，系统可以比较原始时频图谱与重建时频图谱之间的差异，并结合时间轴、频率轴等特征指标进行判断。对于良品，原始图谱和重建图谱之间的差异较小；对于存在异常音的不良品，异常特征会导致差异更加明显。基于这种差异，AI 分析可以输出 Pass/Fail 判断。

这种方法适合处理传统框线判断难以覆盖的异常声音，例如瞬态杂音、刮擦异音、底噪异常、碰圈、漏气或局部频段异常。对于电机异常音检测，也可以参考类似思路，将运行声音转换为可分析的时频特征，用于辅助判断摩擦、轴承异常、周期性异响或电磁噪声异常。

从人工听音到 AI 判断：提升一致性和可扩展性

人工听音的优势在于直观，但它很难在大规模产线中保持长期一致。不同测试人员对“异常”的边界理解不同，复杂或轻微异响也容易受到经验差异影响。

AI 听音测试的价值在于，它可以把样本经验转化为可复用的模型判断。工程师可以通过收集良品数据建立模型，再在后续测试中由 AI 分析步骤对样品进行 Pass/Fail 判断。这样既能保留历史样本中的声音特征经验，也能让判断过程更加标准化。

对于研发团队来说，这有助于沉淀不同样品、不同结构和不同缺陷类型的数据经验；对于生产团队来说，则可以减少人工听音站的主观差异，提升测试流程的可扩展性。

需要强调的是，AI 分析并不是脱离工程判断独立存在。工程师仍然可以结合原始音频、时域波形、频谱曲线、时频图谱和 AI 输出结果进行复核。当出现异常样品时，也可以回溯对应数据，用于缺陷定位和工艺改进。

结果输出：让异常判断可追溯

在研发验证和生产测试中，异常音检测结果不仅要判断“通过”或“不通过”，还需要能够复核和追溯。

通过 OpenTest，测试数据、分析结果、AI 判断结果和样品信息可以围绕同一个测试任务进行管理。对于异常样品，工程师可以进一步查看对应的音频文件、频谱结果、时频特征或测试记录，定位异常出现的时间段和频段；对于批量测试结果，也可以用于样品对比、质量追踪和后续工艺优化。

这使异常音检测不再只是依赖测试人员当下的听感，而是形成可复查的数据记录。对于需要持续改进产品声学品质的团队来说，这一点比单次测试结果本身更重要。

适用场景：从研发验证到产线筛查

OpenTest 序列模式与 AI 分析可应用于多类异常音检测场景：

• 电机异常音检测：识别轴承异常、摩擦声、电磁噪声、周期性异响等问题。
• 耳机异常音检测：识别杂音、刮擦声、碰圈、漏气、底噪异常等问题。
• 扬声器异常音检测：识别破音、擦圈、装配异常、腔体泄漏等问题。
• 家电与整机 NVH 测试：识别风扇、电机、压缩机、泵类部件的异常运行声音。
• 生产下线测试：将稳定流程配置为标准序列，减少人工听检差异。
• 研发样机对比：对不同结构、材料、装配方案的声音表现进行对比分析。

在这些场景中，OpenTest 的价值不只是完成一次声学测试，而是帮助团队把异常音检测方法沉淀为可复用、可追溯、可扩展的流程。

结语

异常音检测的核心挑战，是在复杂工况和大量样品中稳定识别“不正常”的声音。传统阈值和人工听检仍然有价值，但在重复测试、批量筛查和早期异常识别场景中，团队需要更标准化的流程和更高效的数据分析工具。

通过 OpenTest 序列模式，工程师可以将连接、播放、采集、分析、AI 判断和结果输出配置为标准测试流程；通过 AI 分析，系统可以基于声音特征输出 OK/NG 判断，辅助识别传统时域或频域方法难以稳定区分的异常变化。

对于 TWS 耳机、电机、扬声器和整机产品测试团队来说，这为异常音检测提供了一条更工程化的实现路径：用稳定的测试链路采集数据，用 AI 分析辅助判断，用标准化序列保证流程一致，并用测试记录支撑后续追溯和改进。

免费版 OpenTest 可通过 OpenTest 官方网站下载使用。如需了解 OpenTest 序列模式、AI 分析或异常音检测解决方案，欢迎联系 CRYSOUND 团队：0571-88225198。