阈值是怎么在真实录音上测出来的

什么算作一次“呼气”，不是靠猜，而是从用户发来的真实声音样本里定出来的。这项工作是怎么做的。

阅读约 5 分钟

要让应用把一个声音算作呼气，那个声音必须比房间的安静高出一定的量。那么这个“一定的量”是从哪来的？

一开始靠猜。之后靠测。

为什么从猜开始

加一种新呼吸法时，我们手上一份它的录音都没有。阈值是从相似的呼吸法那里搬来的：从嘴呼气的，用同一类里另一种嘴呼吸法的值；鼻腔的，用鼻腔那一类的。

那个猜测通常大致是对的，但不精确。应用的文字不掩饰这一点——某个值没有来源时，它会写“初始值，等数据到了再测”。

从打开了匿名分享和声音样本分享的用户那里，偶尔会有一次练习的声音到达。随它一起到的还有那次练习的报告和原始时间线：目标呼气原本预期在第几秒、应用在哪些时刻检测到了呼气，以及底噪是多少。

有了这两样，测量才成为可能。音频文件会被送进应用自己的检测代码——同样的代码、同样的算法——只是把阈值换掉。然后问：在哪个阈值下，捕捉到了多少次目标呼气，又出现了多少次误判？

结果是一张表：

如果捕捉数上升、误判没上升，就把阈值调低。如果两者都上升，就保持不动。

应用给底噪能低到多少设了一个下限：它防止阈值在非常安静的房间里变得过于灵敏。

在一份平板录音里，真实的底噪测出来远低于那个下限。因为下限假定底噪比实际更高，呼气的余量被吃光了，什么都听不到——一个在离平板一掌远的地方呼气的人，被告知“把设备拿近些”。

我们在二十一份真实录音上扫了一遍，把下限调低：捕捉到的呼气次数上升，误判的次数没有变化。单是那一次练习，就从四分之零变成了四分之二。

这样的修正靠猜是找不到的。没有那份录音，我们甚至不会知道问题存在。

发送过来的声音只为这一件事被听：测量呼吸检测的准确度。它不用于任何其他目的，不交给第三方，发送后会从你的设备上删除。

如果它是关着的，任何一次练习都不会录音。没有这项权限，应用照样完整地工作——只是新呼吸法的阈值会多当一阵子的猜测。

写下这段时，仍有一些呼吸法的阈值跑在初始值上：录音还没积累够。随着积累，同样的扫描会再跑一遍，值也会更新。

所以应用的测量准确度，是跟着用它的人一起长起来的。