1. 先把混响这层窗户纸捅破：梳状滤波器为什么能模拟空间

音频混响模拟这件事，说穿了就是在跟一串脉冲打交道。你在一个真实房间里拍一下手，麦克风收到的不是一声干脆的"啪"，而是直达声之后跟着几十上百个越来越密、越来越弱的反射声，最后糊成一片尾巴。做算法的人要把这条尾巴造出来，最省钱也最经典的办法，就是拿梳状滤波器（Comb Filter）当积木。我在几个音频算法项目里反复用过这套结构，它便宜、可解释、参数少，而且放到 Simulink 里做验证特别顺手——你可以一边跑仿真一边实时听，调一个增益立刻知道听感变了多少。这篇文章面向的是手上有信号处理基础、想动手把混响算法跑起来的人，不管你是做音频插件、游戏音频中间件、车载音响调音，还是做空间音频和声学仿真的，这套思路都能直接搬过去用。

1.1 房间脉冲响应拆开来看是什么

任何一个线性时不变的空间，它的声音特征都浓缩在房间脉冲响应（Room Impulse Response，RIR）里。这条响应可以粗暴地切成三段：第一段是直达声，就是声源到耳朵最短路径那一下，通常在几毫秒内；第二段是早期反射，来自墙面、地面、天花板、桌面这些大平面的首次反射，时间大概在 5 毫秒到 80 毫秒之间，它们是离散的、可分辨的几根尖峰，人耳靠这一段判断房间大小和声源方位；第三段是晚期混响，反射次数多到无法分辨单根，能量呈指数衰减，形成一条连续的"雾"。

人耳对这三段的敏感度完全不同。早期反射决定"空间感"和"清晰度"，晚期混响决定"空间大小"和"距离感"。所以做混响算法，本质是分别建模这三段：预延迟负责把直达声和混响尾巴拉开距离，抽头延迟线负责堆早期反射，而梳状滤波器加全通滤波器这一套，专门负责生成那条指数衰减的晚期尾巴。把复杂问题拆成三段分别处理，比用一个巨型卷积去硬扛整条 RIR，可控性高得多，这也是我为什么一直推荐从 Schroeder 结构入门的原因——它的每一个参数都对应一个物理直觉，调起来心里有数。

1.2 一个延迟加一个反馈，就长出了指数衰减的尾巴

反馈型梳状滤波器的差分方程只有一行：

y[n] = x[n] + g * y[n - M]

M是延迟长度（样本数），g是反馈增益。它的意思非常朴素：把输出延迟 M 个样本，乘上一个小于 1 的系数，再叠回输入。你喂一个脉冲进去，它会吐出1, 0, 0, ..., g, 0, 0, ..., g², ...这样一串等间隔、按几何级数衰减的脉冲。这串东西在时域上看着很"假"，但如果间隔足够短、数量足够多，人耳就分辨不出单根脉冲，只会感知成一条平滑的衰减尾巴——这正是混响晚期的数学本质。

我经常用生活里的事物打比方：这就像一个人在两面平行的光滑墙壁之间拍球，球每次撞墙回来都比上一次低一点，频率固定、高度递减。真实房间不会只有两面墙，所以单个梳状滤波器听起来是"嗡嗡"的、有明显的音高感，业内管这叫"金属声"或者"管风琴效应"。解决思路不是把单个滤波器做得更复杂，而是并联多个延迟长度互不相同的梳状滤波器，让各自的周期互相错开，脉冲密度叠起来就自然了。这个"多个并联"的动作，是整个混响算法里性价比最高的一步。

1.3 为什么我先在Simulink里搭而不是直接写C

很多人上来就写 C 或者用现成的音频框架，跑起来有问题再去猜。我不太推荐这种做法，尤其是在你还没把参数和听感的对应关系摸清楚之前。Simulink 的价值在于，它把信号流可视化了：延迟块、增益块、求和块、低通块摆在那里，信号从哪来、到哪里去、在哪里反馈，一眼看得见。调试的时候我可以直接拿示波器（Scope）或者频谱仪（Spectrum Analyzer）挂上去，看反馈环是不是发散、看频响上的梳齿有没有按预期排列，比在代码里打断点要快得多。

还有一个实际原因：Simulink 的 Delay 块天生带状态，天然能处理跨帧的延迟样本。音频处理里经常按帧处理，一帧 256 或 1024 个样本，而延迟长度动辄上千样本，跨帧是必然的。手写 C 的时候如果没处理好帧间状态保持，就会出现每帧开头爆一下的"咔哒"声，这种 bug 极难定位。用 Simulink 先验证算法、确定参数，再去做定点化和手写实现，这个流程我走过很多次，仿真阶段多花的两小时，通常能在后期省掉两天的排查。

2. 梳状滤波器的数学骨架与参数推导

动手连块之前，得先把几个参数算明白。混响算法调参最忌讳"凭感觉拧旋钮"，因为你拧的不只是一个数字，而是背后的一整条频率响应。这个章节我把关键推导和选取原则摆出来，后面搭模型的时候直接代进去就行。

2.1 前馈型与反馈型的频率响应差异

梳状滤波器有两种接法，名字很容易混：

前馈型是有限长的，脉冲响应只有两个尖峰，它产生的是"凹陷"而不是"尾巴"，适合模拟那几根早期反射，或者做电话音、机器人音的梳状染色效果。真正的混响尾巴必须用反馈型，因为只有无限长的几何衰减才符合晚期混响的物理规律。反馈型的频响是周期性的极点，在频率f = k·fs/M处出现尖峰，间隔为fs/M。这个间隔很关键：M 越大，梳齿越密，音高感越弱，但衰减也越慢；M 越小，梳齿越稀，金属味越重。

顺带提一句稳定性。反馈型的极点在z^M = g，稳定条件就一条：|g| < 1。看起来简单，但实际模型里反馈路径上还挂了一阶低通（阻尼滤波器），那个低通在直流处的增益是 1，理论上不影响稳定性，可如果它的系数写错了，或者某个中间环节误加了增益，整个环就发散。我在调试期一律把 Scope 挂在输出上，先跑一段白噪声看包络，确认不发散再上耳朵听。

2.2 从RT60反推反馈增益g

真正实用的地方在这里：混响时间 RT60 是唯一一个人能直接说出口的听感指标——"这个厅大概两秒的混响"。而g是模型参数。两者之间的换算必须搞明白。

推导过程不复杂。反馈梳状滤波器的脉冲响应第 k 个脉冲的幅度是g^k，它出现在时刻k·M/fs秒。RT60 的定义是声能衰减 60 dB，也就是幅度衰减到 10^-3 的时间。设这段时间内脉冲重复了 N 次，那么：

g^N = 0.001 → N · log10(g) = -3 N = RT60 · fs / M

代入消掉 N，得到：

g = 10^(-3M / (RT60 · fs))

这个公式我建议直接写成脚本，因为你要为 8 个不同的 M 各算一次 g，手算必然出错。下面这段是我常用的参数生成脚本，采样率按 48 kHz、目标 RT60 按 2 秒来：

fs = 48000; rt60 = 2.0; base_M = [1116 1188 1277 1356 1422 1491 1557 1617]; % 44.1k下的经典长度 M = round(base_M * fs / 44100); % 按采样率比例缩放 g = 10.^(-3 * M ./ (rt60 * fs)); disp(table(M.', g.', 'VariableNames', {'DelaySamples','FeedbackGain'}));

跑出来的 g 大概在 0.90 到 0.92 之间。这里有个容易踩的坑：RT60 这个指标对"并联结构"并不精确成立。8 个梳状滤波器并联之后，它们的尾巴互相叠加，实际听感衰减会比单个算出来的慢一点。我的经验是把目标 RT60 按 0.7 到 0.8 倍去代公式，再靠耳朵微调，比死磕公式准得多。而且g对听感极度敏感，0.90 和 0.93 的差别可能就是从"房间"到"大教堂"，调的时候务必小步走，一次改 0.01。

2.3 延迟长度的选取：互质原则与密度感

延迟长度的排布直接决定了混响的"密度感"和"金属味"。这里有两条我一直在用的经验。

第一条，避免整数倍关系。如果八个延迟长度是 1000、2000、3000 这种，它们的脉冲会在同一时刻重合，叠加起来还是稀疏的，等于白并联。理想的排布是让各路的回波尽量错开，业界常用一组看似随机、实则精心挑选的数。上面脚本里那 8 个数字就是这么来的，最小 1116、最大 1617，比例接近但互不整除，回波重合的概率很低。

第二条，总时长要够。延迟太短（比如 M 小于 500 样本，对应 10 毫秒出头），回波间隔太密，会形成强烈的音高感，听起来像弹簧混响或者金属管。延迟太长（M 大于 3000 样本，60 毫秒以上），回波开始能被单独分辨，混响就变成了"回声"（Echo），不再是一体的。经验的舒适区在20 毫秒到 50 毫秒之间，对应 48 kHz 下的 960 到 2400 个样本。八个梳状滤波器的延迟值散布在这个区间内、彼此无序，密度感最好。

另外提一句，延迟长度最好别选 2 的整数次幂。有些实现图省事用 1024、2048 这种数，结果在频域上极点和 FFT 的频点重合，测试的时候会看到异常的频谱尖刺，自己给自己制造困扰。

2.4 阻尼低通的插入位置与截止频率

真实的房间里，高频比低频衰减得快，因为空气吸收和墙面软性材料的吸声系数在高频段更高。这个现象如果不在模型里体现，混响会显得"亮"而"硬"，听起来像金属盒子而不是房间。

实现方式很简单：在反馈路径里串一个一阶低通。形式是：

y_lp[n] = (1 - d) · y[n] + d · y_lp[n-1]

d是阻尼系数，0 到 1 之间。d越大，低通截止越低，高频衰减越快。它的位置必须在反馈环内部，也就是每次循环都滤一次，这样高频成分在多次循环中被反复削弱，形成自然的频率相关衰减。如果你把低通放在环外，只在输出端滤一次，那只能改变音色，改不了衰减行为，这是个很常见的实现错误。

截止频率的选取取决于你想模拟的空间材质。粗略地讲，d取 0.2 到 0.4 是比较通用的范围，对应高频比中频早衰减 20% 到 40%。我一般把d做成一个可调参数，调的时候先设 0，听"金属盒子"，然后慢慢往上加，加到金属味刚好消失、房间感出来为止，通常在 0.25 附近。

这里有个隐藏的稳定性细节：一阶低通的直流增益是 1，但它的峰值增益在直流处，环路总增益会略微提升。为了绝对安全，我会把反馈增益再乘一个 0.995 左右的余量系数，或者干脆把低通写成严格的无增益形式(1-d)·x + d·y，系数和恒为 1，不可能放大信号。

3. Simulink模型搭建全流程

理论聊得差不多了，开始连线。这一章我把整个模型从顶层到子系统一层层拆开，参数全部给到具体数值，你可以照着复现。

3.1 顶层信号流与采样率设定

先规划顶层，别一上来就堆块。我的模型顶层分五个区域，信号从左到右流动：

1. 输入源：三种可选——Audio File Reader读一段干声素材、Audio Device Reader接麦克风实时输入、或者Signal From Workspace灌一段测试噪声。
2. 预延迟：一个纯延迟块，PreDelay参数，典型 20 到 40 毫秒。
3. 混响核心：并联梳状组 + 串联全通组的复合子系统。
4. 干湿混合：两路增益相加。
5. 输出：Audio Device Writer实时听，或者To Workspace存下来做客观分析。

采样率在模型里统一设成 48000，Model Configuration Parameters里的Fixed-step size设成1/48000，求解器用discrete (no continuous states)。这一步很重要，因为延迟块的长度是按样本数算的，采样率一变，所有 M 都要重算。我习惯在模型初始化回调（InitFcn）里用脚本自动算好参数推到工作区，避免每次改采样率都手动改一堆块。

注意：音频块的帧长（Samples per frame）要和延迟块的处理方式匹配。我一般设 256，实时性好、延迟低；做离线分析时设 1024 或更大，跑得快。

3.2 单个反馈梳状子系统的封装

八个梳状滤波器结构完全一样、只是参数不同，务必做成一个 Subsystem 然后复制或者用 For Each 子系统，别手搭八遍。子系统内部只有四个块：

• Input端口进Sum块
• Sum输出一分两路：一路去Delay，一路去输出
• Delay输出乘Gain（就是g）
• 乘完之后进阻尼低通，低通输出回到Sum

这里有几个必须注意的点。第一，Delay 块不能用Unit Delay，因为它只能延迟一个样本；要用Delay块（Discrete 库里的）或者 DSP System Toolbox 里的Integer Delay，长度设为 M。第二，反馈环天然存在代数环的风险，但因为环内有一个样本以上的延迟，Simulink 能自动解算，不会报错；如果你的 M 不小心设成了 0，立刻会报代数环，这也算一个免费的自检机制。第三，延迟块的初始条件设 0，避免仿真开头爆音。

如果你想让延迟长度可调（做参数扫描时很有用），把Delay换成Variable Integer Delay，把 M 从工作区喂进去。但要注意这个块在反馈环路里会拖慢仿真速度，做最终验证时换回固定延迟。子系统参数用 Mask 封装，把M、g、d做成三个可填的编辑框，这样复制八个实例只需要填三次数字，效率高很多。

3.3 并联梳状组与串联全通组

八个梳状子系统的输出全部接到一个Sum块（符号全正），然后除以 8 做归一化——这一步不能省，否则八路叠加后的幅度是单路的八倍，直接削顶。除以 8 之后信号进全通组。

全通滤波器的作用是打散周期性。梳状滤波器的回波虽然长度不同，但仍然是有规律的，叠加后容易在频谱上留下等间隔的尖峰，人耳感知为"金属味"。全通滤波器的妙处在于它不改变幅度响应，只改变相位，把时间上的规律性搅乱，让回波分布更自然。差分方程是：

y[n] = -g·x[n] + x[n-M] + g·y[n-M]

串联三到四个就够，不同的 M 依次递减，常用的比例是 1 : 0.8 : 0.6 左右。全通里的g一般取 0.5 上下，取太大相位扰动过强，声音会发飘。

用一个MATLAB Function块实现全通最省事，代码短、可读性好，也方便后面转 C：

function y = allpass(x, g, M, fs) %#codegen persistent buf idx if isempty(buf) buf = zeros(M, 1); idx = 1; end delayed = buf(idx); y = -g * x + delayed + g * y_prev_persist(); buf(idx) = x + g * delayed; idx = idx + 1; if idx > M idx = 1; end end

上面这个片段为了说明思路，把反馈项抽象成了一个占位函数。实际工程里更稳妥的做法是用 Simulink 原生块搭：Sum+Delay+Gain三件套，和前馈支路组合，逻辑一目了然，也避免MATLAB Function块里persistent变量带来的仿真重置问题。我的建议是：原型阶段用原生块，验证通过后要生成代码了再考虑MATLAB Function或者 Stateflow。

3.4 预延迟、干湿混合与输出保护

预延迟这一个小环节，对最终效果的提升往往比调半天参数还大。它的作用是把干声和混响尾巴在时间上拉开 20 到 40 毫秒，让听者先听清直达声，再感知空间。没有预延迟的混响，人声会明显"糊"，字头被尾巴盖住，清晰度骤降。做语音或者唱歌的场景，预延迟我一般设 25 毫秒起步。

干湿混合用两个Gain块加一个Sum。这里有个细节：不要用线性比例混合（比如湿 0.5、干 0.5），因为人耳感知的是能量而不是幅度，线性混合在中间位置会有明显的"凹陷感"。用等功率混合：

Gain_dry = cos(θ), Gain_wet = sin(θ), θ ∈ [0, π/2]

θ 从 0 转到 π/2 就是从全干到全湿，中间任意位置的响度感知都是平稳的。这个细节不起眼，但实际对比一听就分得出来。

输出端必须加保护。混响的反馈结构在极端参数下可能产生超过 0 dBFS 的峰值，直接送到声卡就是刺耳的爆音，还可能伤耳机。我会在最后串一个Saturation块，上下限设 ±0.98，再加一个一阶高通（截止 40 Hz 左右）滤掉直流和次低频，避免低频能量在反馈环里堆积。做完这两步，模型才算"能安全上耳朵"。

4. 上线试听：调参、排查与避坑实录

模型跑通不等于效果好。这个章节是我在几个实际项目里踩出来的坑，按症状分类整理，遇到问题可以对照着查。

4.1 自激啸叫的三条排查路径

啸叫是最常见也最吓人的问题，声音一路飙升到满刻度，耳朵遭罪。出现这种情况，按这个顺序查：

第一，看反馈增益是不是越界。单个梳状的 g 必须小于 1，但八路并联之后，如果某一路的 g 已经接近 0.99，和其他路的输出叠加就可能局部超过 1。解决办法是给每路 g 统一乘一个 0.99 的安全系数，或者做整体归一化。

第二，看阻尼低通有没有引入额外增益。如果你的低通写成了y = (1+d)·x - d·y_prev之类的形式，直流增益就不再是 1 了。用freqz或者 Simulink 的Linear Analysis点一下反馈环的开环增益，直流处必须严格小于等于 0 dB。

第三，看延迟块的长度是不是动态为 0。如果用Variable Integer Delay且 M 来自一个可能被改成 0 的变量，反馈环就退化成了直通，瞬间发散。做参数扫描的时候，M 的下限必须加保护。

提示：仿真时先把Audio Device Writer的音量调到很低，或者干脆先不接声卡只存 Workspace，等波形包络确认正常了再开声音。这个习惯帮我避免过好几次耳朵受伤。

4.2 金属声、浑浊感与回声分离度

这三个是听感层面的问题，比啸叫难定位，因为它们没有明显的客观指标。

金属声（Metallic），表现是混响尾巴带有明显的音高，像敲钢管。原因通常是回波密度不够。对策三条：增加并联路数（从 4 路加到 8 路甚至 12 路）、把延迟长度散布到更宽的区间、增加全通级数。我遇到过最顽固的一次是因为四个延迟长度恰好形成了近似 2:3:4:6 的比例，把其中一个改成完全无关的数，金属声立刻消失。

浑浊感（Muddy），表现是人声字头被淹没、整体发闷。这个问题多半出在预延迟太短，或者湿声的低频太多。对策是把预延迟拉到 30 毫秒以上，并在湿声路径上单独加一个 200 Hz 左右的高通，让低频早衰减。真实房间里低频混响确实更持久，但做音乐时不需要那么"真实"，清晰度优先。

回声分离度（Echo），表现是混响不再连续，能听出一颗颗单独的重复。这说明延迟太长或者密度太低。把最长延迟压到 50 毫秒以内，同时增加路数，通常能解决。

4.3 参数扫描的快速试听流程

耳朵会疲劳，听十分钟之后判断力就下降了。我摸索出一套流程，能在半小时内把参数大致定下来：

1. 准备三段素材：一段干声朗读（判断清晰度）、一段鼓组（判断瞬态响应）、一段弦乐或者人声长音（判断尾巴的平滑度）。
2. 固定 RT60 和预延迟，只扫反馈增益 g，从 0.85 到 0.95 每次加 0.01，各听 15 秒。
3. 定下 g 之后，扫阻尼系数 d，从 0 到 0.5，判断金属感消失的位置。
4. 最后微调延迟长度，只听鼓组，找瞬态不糊的那一组。

为了让这个流程自动化，我把参数写成一个结构体数组，用parfor或者Simulink.SimulationInput批量跑，输出成 wav 文件编号，然后用播放器顺序听。这比一次一次改参数点运行快十倍不止。如果你做的是离线处理而不是实时效果器，强烈建议上这套批量流程。

4.4 常见问题速查表

5. 从仿真到工程落地

Simulink 里跑通只是第一步，真正要用在设备上还有几道坎。这一章聊工程化的部分，也是很多人做完仿真就卡住的地方。

5.1 定点化与运算开销核算

浮点模型占用的算力，在 PC 上完全不是问题，但搬到嵌入式或者 DSP 上就得精打细算。先算一笔账：8 个梳状滤波器，每个每样本需要一次乘（反馈增益）、两次加（求和与低通）、一次低通乘加，粗算每样本约 5 次乘加；4 个全通每样本约 6 次乘加。合计每样本 60 次乘加左右，48 kHz 采样率下是每秒约 290 万次乘加，也就是 2.9 MFLOPs 量级。这个量级用一颗普通的定点 DSP 或者带 DSP 扩展的 MCU 完全能扛住，甚至有余量。

定点化要注意两点。一是反馈结构的累积误差：每次循环都做舍入，误差在反馈环里会被反复放大，可能出现极限环振荡——就是没输入的时候输出一直在小幅抖动。解决办法是在反馈路径上保留更高的位宽（比如内部 32 位、输出截到 16 位），并且用饱和而不是回绕来处理溢出。二是低通系数的量化：d很小的时候（比如 0.01），定点表示会有较大误差，导致实际截止频率偏离设计值，听感上高频衰减不够。我的做法是d的量化位宽至少留 12 位。

5.2 实时运行的稳定性验证

仿真跑 10 秒没问题，不代表连续跑 10 小时没问题。我一般做三轮验证：

第一轮，白噪声长时注入。灌 30 分钟白噪声，观察输出包络的均值和峰值是否漂移。如果 RMS 缓慢爬升，说明某个环节有微小的增益溢出，在反馈环里被慢慢放大。

第二，极限参数组合。把 RT60 拉到最大值、阻尼设为 0、预延迟设为 0，这组参数最容易出事，跑一遍确认不炸。

第三，实时性余量测试。用Audio Device Reader加Writer做成实时处理，观察 Simulink 的实时比（Real-Time指标），余量至少留 30%。如果实时比接近 1，说明刚好跑得动，一旦系统有别的负载就会掉帧，表现为爆音。

注意：实时跑的时候一定要用Audio Device Writer的BufferSize参数做匹配，缓冲太小容易欠载（under-run），表现为规律的噼啪声；太大则监听延迟明显，调参手感差。我一般从 512 试起。

5.3 立体声扩展与后续玩法

单声道混响听起来是"居中"的一团，缺乏空间包裹感。做立体声最省事的办法是左右两声道共用同一组梳状结构，但给右声道的延迟长度统一加上一个偏移量（比如 +23 个样本）。这几十个样本的差异不足以让人听出方向偏移，但足以让两个声道的回波不相关，听感上立刻变宽。这就是经典的 Stereo Spread 技巧，改动极小、效果明显。

再往外扩，玩法还有不少。多声道的话，可以给每个声道配一组独立但部分共用参数的梳状结构，通过声道间的增益差异来定位声像。如果要做动态混响，可以在反馈增益上挂一个低频振荡器做缓慢调制（LFO 频率 0.1 到 1 Hz，深度 1% 到 3%），让回波随时间轻微漂移，能进一步消除金属感，这就是很多合唱和空间类效果器共用的一套思路。反向的应用也值得一试：把梳状滤波器放进自适应滤波的框架里，做混响消除（dereverberation），用于会议系统的语音增强——同一个结构，正着用是加混响，反着用是减混响。

最后分享一个我在调这类算法时的习惯：每次实验都保存一份参数快照和对应的试听文件，命名带上时间戳和三个核心参数（RT60、g 基准值、d 值）。音乐和音频这类工作，判断标准是耳朵，而耳朵的判断会随时间变化。今天觉得对的参数，明天可能就听出问题了。有了历史记录，回退和对比才有依据。

我在实际操作中的体会是，梳状滤波器这套结构的门槛不在数学，而在"听感和参数的对应关系"这个隐性知识上。公式摆在那里谁都能推，但知道 0.91 和 0.92 之间差多远、知道金属声该往哪个方向调，只能靠一遍遍听出来。所以别急着优化性能，先在 Simulink 里把耳朵喂饱，后面的一切都会顺得多。