喧嚣街头，为什么对方总听不清你？—— 耳夹式耳机上行骨导技术全解

日常通勤、户外出行、闹市通话等嘈杂场景中，搭载VPU（Voice Pick-Up）骨导拾音单元的耳机，成为不少人提升通话体验的选择。但大众对VPU骨导拾音、骨传导耳机的实际性能与工作原理，普遍存在多处认知误区，这也是造成使用体验偏差的主要原因。

你以为的 VPU 黑科技，和实际上的拾音真相

误区一：骨传导耳机靠骨骼传声，不会损伤听力

该认知存在偏差。骨传导依旧会激励耳蜗，高音量工况下同样会造成听力损伤，其仅规避了外耳、中耳的传声路径，无法保护内耳。同时，骨传导受物理特性限制，低频下潜存在固有上限，无法实现20Hz–20kHz的全频段平直频响。

误区二：搭载VPU单元即可实现清晰通话

该结论不成立。VPU单元带宽有限，易丢失大量语音辅音信息，单独使用会导致人声发闷、细节缺失。优质通话效果依赖骨导+气导融合算法，而算法融合效果的优劣，可通过本文的测量体系完成量化评估。

误区三：降噪耳机等同于通话清晰

降噪性能与通话清晰度相互独立，核心原因是耳机包含「听」「说」两套完全独立的声学链路。

下行链路（对方→本人）：主动降噪（ANC）的核心作用场景。设备通过拾取环境噪声、输出反向抵消声波，净化收听声场，保障用户听清远端人声。
上行链路（本人→对方）：决定通话质量的关键隐性链路。设备通过空气麦克风拾取本地人声，经降噪、语音增强算法处理后编码传出。ANC仅优化下行收听体验，无法干预上行传声链路，无法解决对端听不清的问题。

典型场景中该矛盾尤为突出：在地铁风声、路口车流噪音等复杂环境下佩戴耳机通话，本人收听清晰，但对方常反馈：“你那边太吵了，听不清。”。

问题本质源于上行空气麦克风的固有缺陷：空气麦克风对所有空气压力波动“照单全收”，而人声与环境噪声早在空气中混合为单一复合波形输入设备。算法仅能通过模型甄别有效人声，极易出现人声削损、噪声残留等问题，导致通话音质劣化。

因此，想要从物理层面根治“对方听不清楚”的问题，必须依托不受环境噪音干扰的纯净声源。

幸运的是，这样的信号一直存在——它就藏在你自己的骨头里。

气导与骨导：声音走的两条路

我们从小就被告知：声音通过空气传播。这话没错，但不完整。因为我们说话时，声带的振动是同时沿着两条路扩散出去的。

气导（Air-conduction）：声带振动 → 口腔辐射出空气声波 → 在空气中传播 → 进入别人的耳朵，也进入耳机的麦克风。这是一条「公开」路径——风、车流、旁人的说话声都在这条路上汇合，麦克风没有能力把它们分开。
骨导（Bone conduction），更准确的叫法是结构声（Structure-borne sound）：声带振动 → 经颅骨、下颌骨和颈部软组织以机械振动传导 → 直达内耳。这是一条「私有」路径，不经过空气，所以环境声波对它几乎无能为力——空气的扰动推不动一块骨头。

一个日常现象便可证明：你听自己的录音，总觉得不像自己。这是因为你平时听到的自己发出的声音，是气导 + 骨导的混合版本（骨导补了低频，显得更厚实）；而录音里只有气导。别人听到的你，一直只是那个“录音版”。

同一句话的两条路：气导负责「完整」，骨导负责「干净」

VPU：把骨头的振动变成电信号

既然骨导信号这么干净，工程上就把它做成了传感器——VPU。VPU 并不神秘：它本质就是一个微型加速度计。主流有压电陶瓷式和 MEMS 式，都是把接触面的机械振动直接变成电信号。但VPU在耳机里的位置很关键：必须紧贴在与耳廓软骨、耳道壁或颞骨接触的硬质结构上。工程上有三个要点：

方向要对——敏感轴大致垂直于耳道方向；
材料要硬——软质硅胶、泡棉会把 1 kHz 以上的振动「吃掉」；
泄气孔要密封——既保证声学隔离度，也顺带提升防水防尘能力。

VPU 有两大重要价值。首先，它拥有天然的免疫风噪与环境噪声。声压波动推不动加速度计，所以哪怕在大风里骑行，VPU 通道的信噪比依然很高。其次，它自带「语音活动检测」。说话时头骨才会振动，不说话时就没有输出——耳机因此能判断「现在是不是用户在讲话」。

但我们也要诚实面对它的短板，这恰恰是后面所有工程工作存在的理由：

带宽窄，本质上是低通。−6 dB 衰减点约在 1.5–2.5 kHz，3 kHz 以上能量骤降，群延迟约 1–3 ms。
丢掉大量辅音。VPU 只在浊音（有声带振动）期间有效，像 /s/、/f/ 这类清擦音几乎没有输出——这就是单靠骨导传递的声音听起来闷、听不清字的原因。
会有机械串扰。脚步声、耳机与皮肤的摩擦、轻微碰触，都会以宽带瞬态串进来。

所以业界的做法从来不是用骨导取代气导，而是两路融合：骨导负责「是不是用户在说话、低频骨架是什么」，气导负责「高频细节和辅音」。

同样嵌入VPU的耳夹式 vs 入耳式，区别在哪？

很多人以为VPU 就是 VPU，装在哪儿都一样。非也。

传感器的原理确实相同，但它贴在哪里、靠什么贴住、周围是什么声学环境，这三件事决定了骨导通道最终能拿到什么信号。而这三点，恰恰是耳夹式和入耳式分道扬镳的地方。

同样的 VPU，两种佩戴形态：拾振点、耦合方式与耳道状态全都不一样

真正的难题：每个人的骨头都不一样

到这里逻辑很顺：有干净信号可用，测一下耳机在噪声里的表现不就行了？难就难在「怎么测」。

骨导传函因人而异，而且差异很大。颅骨几何、软组织厚度、耳廓形状、佩戴位置、夹持力，都会改变振动从声带到耳机接触面这一路的传递特性。同样一副耳机，换个人戴，曲线不尽相同。这带来了三个工程死结：

不可复现。真人今天测和明天测都可能不同，更别说跨实验室、跨年份比对。
无法做重复性测试。需要「同一个人、同一个位置、同一副耳机、同一个噪声场景」反复跑，真人做不到。
研发没法闭环。算法改一版就要拉一批人来听，效率极低，也无法做回归验证。

出路只有一条：把「真人的骨导路径」从人身上搬进实验室，做成可以随时调用的硬件。

三步法：把真人的骨导路径搬进实验室

HEAD acoustics 为此做了一项真人测试。思路分三步走：先把真人身上的骨导路径测出来，再把它做成可加载的滤波器，最后在人工头上把它复现出来。

Step 1　骨导路径真人测量

项目采集了 21 位受试者的数据，其中男 12 人、女 9 人。为什么要分男女？因为女声基频更高，而骨导传函是低通——女声在低频段的激励能量更弱，低频端信噪比更难做。分开统计，是为了避免一方的特性被另一方平均掉。

受试者佩戴耳夹式耳机，嘴前 10 cm 处为标准测量传声器（加防风球），颈部靠限位杆固定距离

下图是 9 位女性受试者的实测结果。细线代表单人，粗虚线代表平均值。

9名女性单人骨导传函与平均值（粗虚线）

下图是 12 位男性受试者的实测结果。细线代表单人，粗虚线代表平均值。

12名男性单人骨导传函与男性平均值（粗虚线）

从测试数据我们可以看出：

典型的低通形态——低频段存在一条约 −30 dB 的平坦平台，100 Hz 附近抬起，1 kHz 以上迅速跌落；

个体差异确实很大——中低频段各条曲线之间的散布轻松超过 10 dB 量级。

因此，平均传函才是工程的落脚点——它不是某个人的特性，而是一个人群代表，这正是实验室复现所需要的目标。男女平均曲线的整体形态高度接近，主要差异落在低频细节与极高频的个体散布上。

Step 2　传函拟合：把曲线做成滤波器

有了平均传函，接下来就是让它变成能被硬件加载的东西。

这里有个容易被忽略的事实：从「声带到 VPU」的链路其实由两段构成，必须分开处理——骨导路径（骨头、软组织怎么传导振动）和耳廓路径（耳机外壳、耳廓、接触面这一段的几何与力学如何“整形”振动），正好对应第四节点出的耳夹式特有的柔性环节。

先看耳廓这一段（右耳平均，已做 EQ 滤波）：

耳廓传函（右耳平均，EQ 滤波后）

这条曲线的形状很有个性：低频约 +20 dB 起步，100 Hz 附近出现一个高约 +40 dB 的峰，紧接着在 150–200 Hz 之间有一个深达 −50 dB 量级的陡峭“坑”，随后回到 +20 dB 附近并逐步收敛。那个极深的窄带凹陷尤其值得注意，它说明耳廓 + 外壳这条力学通路在特定频率上会发生强烈的反相抵消，这正是“每个人耳廓形状不同、所以佩戴体验不同”的物理来源之一。

再看骨导这一段：

平均骨导传函：低频平台 → 100 Hz 抬起 → 300–500 Hz 峰 → 1 kHz 以上陡降

此曲线形态一目了然：低频平台（约 −30 dB）→ 100 Hz 附近的第一个峰 → 300–500 Hz 的第二个、也是最高峰（约 −8 dB）→ 之后急剧下跌，1 kHz 以上进入约 −50 dB 的平坦区。

把两段串起来，就能得到实际进入 VPU 的总传递特性，最终会变成滤波器文件（本项目为 .hdf 格式），测量系统可直接加载使用：

ACQUA 的 ViBRIDGE 滤波器管理界面：上方为滤波器列表，下方为实时预览的传函曲线

到这一步，真人的骨导路径已经从人身上，变成了一段可以被复制、被加载、被分发的数据。

Step 3　回归验证：拟合效果如何？

搬进实验室的曲线，到底与真人有几分相似？我们把拟合传函与真人实测平均传函直接叠在一起比对：

女性：绿线 = 拟合传函（骨导 + 耳廓），红线 = 真人实测平均传函

男性：绿线 = 拟合传函（骨导 + 耳廓），红线 = 真人实测平均传函

从图中可以看出：主要语音频段吻合良好——约 200 Hz 到 4 kHz 之间两条曲线几乎重合，而这恰好是决定语音可懂度与自然度的核心频段；低频段存在系统性偏差——100 Hz 以下拟合值偏低约 5–8 dB，考虑到该区间本身散布就很宽，从“人群代表”的意义上而言，这个量级可以接受；极高频段（8 kHz 以上）出现离散，属低通通带的边缘效应，对语音质量评估影响有限。

从项目结果来看，拟合传函在决定语音质量的关键频段上成功复现了真人平均特性，因此可以在无人、可重复的条件下代替真人，用于耳机上行语音质量的评估。

拟合得到的可加载曲线可通过以下公开路径获取（点击可跳转下载）

这套方法解决了什么？

从「不可复现」到「可重复」。真人在环测量给出人群代表性数据；拟合成滤波器后，任何实验室、任何时候都能加载同一套特性。测试结果第一次真正可比。
从「只能测一半」到「全链路覆盖」。过去只能测气导麦克风 + 降噪算法；现在人工头能同时发出气导与结构声，带 VPU 的耳机终于可以在实验室里实现完整被测。
从「调音玄学」到「可量化工程」。有了可加载的标准传函，再配上 3QUEST 的三维指标，骨导通道就变成了可测量、可优化、可验收、可回归的工程对象。即便算法调整，跑一遍也能看到 S-MOS / N-MOS / G-MOS 的变化。