噪声场景下语音输入与输出同时退化
别名: Lombard effect · 朗博效应 · 双向退化
概念解释
嘈杂环境不止让用户听不清设备说什么，同时也让设备听不清用户在说什么：麦克风采集到的语音信噪比同样恶化，语音识别的错误率随之上升。这是一个双向问题——输出侧（用户能不能听清系统）与输入侧（系统能不能听清用户）在同一个噪声场景下一起变差，而不是两个各自独立、可以分开优化的问题。
更容易被忽略的是，用户自己也会在噪声下不自觉地提高音量、放慢语速、拉长元音，这个现象叫朗博效应（Lombard effect）。它看起来像是用户在"帮忙"提升输入端的信噪比，但同时也改变了语音的音高、音色与节奏分布，如果语音识别模型是在正常语速语调的语料上训练的，朗博语音反而可能不落在模型熟悉的分布里，识别率不升反降。
机制
麦克风与人耳面对的是同一个物理声场，遵循同一条信噪比规律：环境噪声能量越接近语音能量所在的频段、越接近语音的量级，无论是耳朵还是麦克风的信号检测/识别环节，都会因为可分离的信息变少而退化。人耳退化表现为可懂度下降，语音识别系统的退化表现为声学特征与训练分布之间的失配增大，转写错误率上升；两者的物理起点相同，输出的表现形式不同。
朗博效应之所以会让情况更复杂，是因为它是一种代偿性反射而非用户主动选择：说话人无法在噪声中维持原有音量、语调而不做任何调整，这个调整是不自主发生的，且调整方向（提高基频与响度、拉长元音时长）对着重训练于安静语音的识别系统来说，反而是一种分布偏移，而非单纯的信噪比改善。
怎么研究
对输出侧沿用言语接收阈范式（见信噪比条目）；对输入侧则在同样受控的背景噪声中录制或实时采集语音，用词错误率（word error rate, WER）或识别置信度作为因变量，系统改变噪声类型（稳态/多人语音/间歇性）与信噪比水平作为自变量，观察识别系统性能曲线。要单独捕捉朗博效应，需要对比"同一说话人在安静环境正常说话"与"同一说话人在噪声环境自然说话"两组录音的声学特征差异（基频、时长、共振峰），而不能只用安静录音加噪声叠加来模拟噪声环境下的真实语音，后者遗漏了说话人自身的代偿性调整。
这套方法通常用来评估一个语音交互产品在嘈杂场景（车内、街头、开放办公室）下的端到端可用性下限，而不是分别汇报"合成语音清晰度"和"识别准确率"两个互不关联的指标。
边界
- 朗博效应的幅度因噪声类型而不同：突发的间歇噪声比稳态噪声更容易诱发明显的音量与语速调整；持续、可预期的噪声下调整幅度较小。
- 用叠加噪声的干净录音训练或测试识别系统，会低估真实噪声场景下的错误率，因为缺少朗博效应带来的声学特征偏移；反之如果训练数据本身采集自噪声环境（说话人已经自然代偿），泛化到安静场景时又可能表现不同。
- 该问题在双方都依赖听觉/语音通道时最严重；一旦交互退化为纯文本输入或触屏操作，输入侧的退化不再适用，只剩输出侧的可懂度问题。
怎么落地
- 为噪声场景设计语音交互时，不要只优化播报音量或只优化识别模型中的一项，两侧要一起纳入验收标准：同一噪声条件下，既测用户能听懂多少播报，也测系统能识别多少用户实际说出的话（包括朗博语音）。
- 训练或评测语音识别模型时，采集或合成包含朗博效应特征的噪声环境真实语音，而不是"干净语音+背景噪声"的简单叠加。
- 验证办法：把说话人放进目标噪声场景实测录音，同时记录识别系统的转写结果与用户对系统播报的听懂程度，两条数据在同一时间轴上对比，找出输入退化与输出退化各自开始失效的噪声阈值。