hum·lab

评分原理

每个维度都回答三件事：测什么、怎么算、为什么这么定。 阈值全部写在代码里（lib/analysis/score.ts），页面与代码一一对应； 标准有出处，代理指标如实标注局限。

总公式

8 个维度各得 0–100 分，按权重加权平均（权重合计 100）。 检不出人声的音频（纯伴奏 / 接唱版）会剔除音域、清晰度、留白三个维度，剩余权重重新归一。 时长超出场景上限不占权重，只轻扣总分（超 1 倍扣 4 分，超 1.5 倍扣 8 分）。 等级：A ≥ 85，B ≥ 70，C ≥ 55，其余 D。

维度权重核心问题
响度与安全15家长设一次音量能不能一直用；有没有削波
动态起伏8会不会一堵墙，或安静段在车里消失
节奏适配14孩子跟不跟得上拍；契不契合场景
适唱音域15孩子的嗓子够不够得着这条旋律
人声清晰度14词能不能被听清（辅音带有没有被伴奏盖住）
重复与结构14有没有能"洗脑"的钩子，又不至于单调
留白接唱12有没有孩子能接的空位
频谱舒适度8高频毛刺与低频轰隆

为什么在浏览器本地分析

音频解码用浏览器自带的 Web Audio，全部 DSP 用 TypeScript 手写、在你的设备上执行。 文件不上传：没有存储成本、没有隐私问题，断网也能用。代价是重度依赖近似算法 （见各节"局限"），这是有意的取舍——这个工具回答"值不值得进一步用"，不出具审计级数据。

1 · 响度与安全（15 分）

测什么

整体响度（LUFS）、响度范围（LRA）、真峰值（dBTP）。

怎么算

按 ITU-R BS.1770 做 K 计权（高架 +4 dB@1.68 kHz + 高通@38 Hz 两级双二阶）， 400 ms 块、绝对门限 −70 / 相对门限 −10 的门限积分；短期响度用 3 s 窗。 真峰值用 4 倍过采样（Catmull-Rom 插值）近似，误差约 ±0.3 dB。

为什么

流媒体和移动端的普遍归一目标在 −14 至 −16 LUFS，广播（EBU R128）是 −23。 儿童音频取 −16（睡前/用餐 −18）±2.5：孩子的收听环境是"家长设一次音量、连续放一列表"， 列表内响度不一致会迫使家长反复调音量，调大的那次就是超量暴露的来源—— WHO/ITU H.870 对儿童的安全暴露参考是 75 dB(A)、每周 40 小时。 真峰值高于 −1 dBTP 时，转码到蓝牙/AAC 常产生削波，所以直接扣分。

局限

LUFS 是信号侧指标，实际暴露还取决于播放设备与音量设置；真峰值为近似值。

2 · 动态起伏（8 分）

LRA 按 EBU Tech 3342（短期响度分布的 P95−P10，双门限）。目标带默认 3–9 LU： 低于 3 是"从头到尾一堵墙"，高密度压缩听感疲劳；高于 9 的安静段在 约 65–70 dB 的车内噪声里直接消失——而通勤正是 hum 的主场景。睡前带整体下移（2–7）。

3 · 节奏适配（14 分）

怎么算

谱通量起始包络 → 自相关（50–200 BPM），对数正态轻先验消除倍频歧义，抛物线插值细化； 显著度不足时（峰值 < 1.2σ）报告"节奏不明确"并把该维度封顶 70。 评分时也测 2×/0.5× 倍速，取最优（轻扣 5 分），因为孩子可能按半拍或双拍跟。

为什么

学龄前儿童的自发运动节奏（SMT）约 150 BPM（npj Science of Learning, 2026）， 与孩子自身节奏接近的音乐更容易跟拍、跟唱。但"适合跟拍"不等于"适合此刻"—— 睡前放 150 BPM 是灾难。所以评分基准不是单一最优值，而是 hum 的场景锚点：

场景锚点 BPM软带响度目标时长上限
通用—84–152-16 LUFS240s
晨间132116–148-16 LUFS100s
通勤120106–134-16 LUFS190s
用餐10492–117-18 LUFS160s
睡前7667–86-18 LUFS250s

4 · 适唱音域（15 分）

怎么算

对 mid 声道做 180–700 Hz 带通后逐帧归一化自相关提取 F0（清晰度门限 0.62）， 统计落在 D4–B4（293.7–493.9 Hz）舒适唱区的时间占比与 P5–P95 音域跨度。 占比 ≥60% 得满分，35% 以下为 0；跨度超过一个八度按半音递减扣分。

为什么

这是整个评分里最"hum"的一条：孩子够不着的旋律，接唱机制直接失效。 儿童能发声的范围不小（VRP 研究显示未经训练的儿童可达约两个八度）， 但"能发出"与"舒适地唱准"是两回事——音乐教育研究（Welch 等）长期把幼儿的舒适唱区 放在 C4–C5 之间的中段，D4–B4 是常用的设计带。

局限

对成品混音提 F0 会受同音区乐器干扰，结果是"主旋律区能量的音高倾向"而非人声轨真值； 文献中的舒适区随年龄移动，这里用的是 3–6 岁的保守带。检不出人声时本维度不计分。

5 · 人声清晰度（14 分，代理指标）

怎么算

三个子项加权： 1–4 kHz 能量占比（0.4）；人声活跃帧内 1–4 kHz 的 mid/side 能量比（0.3，≥8 dB 满分）； 清晰度带通量峰率作为音节率代理（0.3，目标 1.5–4.2 峰/秒）。

为什么

语音清晰度指数（SII，前身 Articulation Index）把可懂度按频带加权，辅音信息集中在 1–4 kHz——这一带被伴奏盖住，"停下来"就会听成含混的元音串。 主流混音里人声居中（mid），伴奏摊开（side），所以 mid/side 比是"人声压得住伴奏"的低成本代理。 音节率则对应低龄儿童的跟读能力：语速太快，词进不了耳朵。

局限

这是声学代理，不是语音识别验证——真正的可懂度测试需要 ASR 或听测。 单声道文件测不了 mid/side，该子项按中性 85 分计。

6 · 重复与结构（14 分）

怎么算

0.5 s 帧级 chroma（12 音级）自相似：每帧找距它 ≥4 s 的最相似帧， 相似度 > 0.90 记为重复帧。重复帧占比 32–72% 为满分带。

为什么

重复是旋律进入记忆的第一机制（Margulis《On Repeat》；耳虫研究显示 90% 以上的人每周 都经历"歌在脑子里自动播放"）。对承载知识点的儿歌，副歌重复率直接决定钩子强度。 但满分带设了上限：接近 100% 的重复等于单曲循环式单调， 每分钟能装进去的新知识点趋近于零——重复是手段，不是目的。

局限

chroma 对移调重复、大幅变奏不敏感，测到的是保守下界。

7 · 留白接唱（12 分）

怎么算

mid 声道 300–4000 Hz 带通包络低于其活跃中位数 −9 dB、同时全带包络仍在 （伴奏没停）、持续 ≥300 ms → 记一个留白。评留白频次（目标 2.5–9 次/分） 与平均时长（目标 400–1600 ms）。

为什么

这是 hum 的核心机制在评分里的投影：被动听会制造"学会了"的错觉， 真正产生长期记忆的是主动提取（retrieval practice）。 挖空接唱需要歌里天然存在孩子能接的空位——从头唱到尾、没有呼吸口的歌， 无法改造成接唱版本。留白太长也不行：超过 2 秒孩子会失去节奏参照。

局限

没有做人声分离，乐器独奏段会被计入留白；结果应读作"可挖空窗口的上界"。

8 · 频谱舒适度（8 分）

>8 kHz 能量占比 ≤7% 为满分带（超过意味着齿音、毛刺偏多——儿童对高频更敏感，久听易疲劳）； <60 Hz 占比 ≤12%（小音箱放不出超低频，还挤占动态余量与车载功放的 headroom）。

总体边界

这套分数衡量的是"作为儿童音频的形式质量"：响度是否安全、孩子能不能跟、 词能不能听清、有没有记忆钩子和接唱空位。它不衡量教学有效性—— 歌词内容对不对、知识点结构好不好、孩子最终会不会，只能靠内容审查和真实孩子验证。 另外：所有指标在 3 分钟内的典型儿歌上校准；对器乐曲、白噪音、故事朗读类音频， 分数没有解释力。

依据清单