做音频算法的人大概都经历过这个阶段：一开始觉得混响不就是"加几个延迟、乘一个衰减系数"，等真把它塞进 Simulink 跑起来，听到的声音却像有人在铁皮桶里敲弹簧——金属味重、尾巴发抖、低频糊成一团。我在给一个语音交互的模拟项目做前端处理时，就整整卡在这上面两天。后来才明白，问题不在代码写错，而在于梳状滤波器（Comb Filter）这套结构本身有很强的"个性"，你不顺着它的物理规律调，它就用最难听的梳齿回敬你。这篇就围绕基于 Simulink 的音频与语音处理滤波器场景，把梳状滤波器在音频混响模拟中的那一整套东西摊开讲：它是什么、为什么混响要用它、参数怎么算、Simulink 里怎么搭、跑起来之后哪几个坑最要命。无论你是刚接触离散滤波器的新手，还是已经能用延迟线拼出简单效果器的老手，下面这些参数推导和排查过程应该都能直接用上。

1. 先把"混响"拆开：为什么一个延迟加一路反馈就撑起了整个模型

1.1 房间脉冲响应的两种读法

拿一支气球在空房间里炸一下，录下来的那条曲线就是房间脉冲响应。它有两种读法。第一种是时域读法：曲线开头几十毫秒内散布着一簇离散的尖峰，这些是早期反射，来自墙面、地面、天花板的第一次弹射；过了大约 50 到 80 毫秒，尖峰密到分辨不出来，连成一片缓慢下降的噪声状包络，这部分叫晚期混响。第二种是频域读法：如果把这条脉冲响应做傅里叶变换，会看到一条极其密集的、近似随机的幅度谱，峰谷之间的间隔非常窄。

这两种读法对应两种完全不同的建模思路。频域那套直接拿真实脉冲响应做卷积，音质最好但不可调；时域这套用延迟线加反馈去"生长"出那条尾巴，参数可调、计算量小，梳状滤波器就是这条路线上的第一块积木。我习惯把梳状滤波器理解成一间"只有两面平行墙"的房间：声音在两面墙之间来回弹，每次弹回来幅度乘以一个小于 1 的系数，弹一次花固定的时间。这个极简模型虽然离真实房间差得远，但它抓住了晚期混响最本质的两个特征——离散的重复周期和指数的能量衰减。

理解了这一点，后面所有参数调整就都有了物理依据。延迟时间决定"这间房子有多大"，反馈增益决定"墙面吸音棉贴了多少"，而不是靠耳朵瞎试。

1.2 梳状滤波器在信号链里补的到底是哪块短板

有人会问，既然卷积混响音质更好，为什么还要费劲搭梳状网络？答案在实际部署场景里。卷积混响需要一个几秒长的脉冲响应文件，做一次卷积就是几千次乘加，在资源紧张的嵌入式设备、或者需要实时调混响时间的交互式语音系统里，成本压不下来。而梳状网络的核心计算只有"取一个延迟样本、乘一个增益、加回输入"，一路延迟线只占一个长度为 N 的缓冲区，N 通常在一千到两千个样本之间。

更关键的是可调性。卷积混响的混响时间是录制那一刻就定死的，想改就得换一整套脉冲响应、重新加载；梳状网络的混响时间由反馈增益一个系数直接决定，运行时实时改这个系数，尾巴长度立刻跟着变。这在语音交互模拟中特别有用——同一个场景里，用户可能从会议室走到走廊再走到大厅，混响时间需要平滑过渡，梳状网络天然支持这种连续调节。

所以梳状滤波器不是卷积混响的廉价替代品，它是另一种设计哲学：用极少的自由度去逼近混响的统计特征，牺牲的是细节真实度，换来的是可控性、低延迟和低算力。搞清楚这个定位，你就不会拿它去跟卷积混响比"像不像真房间"，而是去比"参数响应快不快、听感自不自然"。

1.3 从"回声"到"混响"的临界点在哪里

单个梳状滤波器最容易翻车的地方，是延迟时间选得不对，导致听感从"混响"滑向"回声"。人耳有个大约 50 到 80 毫秒的回声感知阈值，具体数值跟声音类型有关：对 clicks 这类瞬态信号，阈值在 10 毫秒左右就能听出分离感；对持续性的语音，要 50 毫秒以上才明显。这意味着如果单路梳状的延迟设成 100 毫秒，你听到的是清清楚楚的"喂——喂——喂"，而不是混响。

我一般在混响网络里把单路梳状延迟控制在 25 到 45 毫秒这个区间。短于 20 毫秒，梳齿间隔太宽（对应 50Hz 以上），会在语音的基频附近形成明显染色；长于 50 毫秒，又开始有可辨识的重复感。这个区间不是死规矩，但作为起点很可靠。还有一个必须注意的细节：多路梳状的延迟长度不能成整数倍关系，否则它们的梳齿会周期性重合，重合处能量叠加，听起来就是突兀的嗡鸣。业内常用互质（素数）长度来错开，这个做法后面会详细算。

2. 前馈梳状与反馈梳状：同一个名字，两套完全不同的听感

2.1 前馈梳状的传递函数与梳齿分布

前馈梳状（Feedforward Comb）的结构是：输入信号分成两路，一路直通，一路延迟 N 个样本后乘以增益 g，两路相加。写成差分方程是 y[n] = x[n] + g·x[n−N]，对应的传递函数 H(z) = 1 + g·z⁻ᴺ。

这个式子的幅度响应很有特点。把 z 换成 e^{jω}，得到 |H(e^{jω})| = |1 + g·e^{−jωN}|，展开后是 sqrt(1 + g² + 2g·cos(ωN))。当 ωN = 2πk 时 cos 取 1，幅度是 1 + g，这是峰值；当 ωN = (2k+1)π 时 cos 取 −1，幅度是 |1 − g|，这是谷值。峰谷比是 (1+g)/(1−g)。g = 0.7 时，这个比值是 5.67，约 15dB。

峰和谷在频率轴上等间隔排列，间隔是 fs/N，也就是延迟时间的倒数。这就解释了"梳状"这个名字的由来——频响曲线上一排排的齿。以 fs = 48000、N = 1200（25 毫秒）为例，齿的间隔是 40Hz，在 20kHz 带宽内会有一共 500 个齿。齿这么密，在音乐上会产生一种"金属味"的染色。

前馈梳状有个绕不开的问题：它的冲激响应只有两个脉冲——一个在 0 时刻，一个在 N 时刻，然后就没了。也就是说它只能造出"一下回声"，造不出尾巴。所以在混响模拟里，前馈梳状通常不用来生成混响主体，而是用于其他用途，比如做单点延迟、做梳状滤波效果、或者跟反馈结构配合做全通。

2.2 反馈梳状的极点和指数衰减

反馈梳状（Feedback Comb）的结构是：输入先跟"延迟输出乘以 g"相加，再送进延迟线。差分方程 y[n] = x[n] + g·y[n−N]，传递函数 H(z) = 1/(1 − g·z⁻ᴺ)。

这一改，性质完全变了。它的冲激响应是 g⁰、g¹、g²、g³……每隔 N 个样本出现一个，幅度按几何级数衰减，一直延伸到无穷。这才是有"尾巴"的结构。

关键在于极点位置。分母 1 − g·z⁻ᴺ = 0 意味着 zᴺ = g，也就是 N 个极点在复平面上均匀分布在半径 g^(1/N) 的圆上。注意这个细节：极点的模是 g 的 N 次方根，不是 g 本身。g = 0.85、N = 1200 时，极点模长是 0.85^(1/1200) ≈ 0.99986，非常靠近单位圆。这解释了为什么反馈梳状对增益变化如此敏感——g 从 0.85 涨到 0.9，极点模长从 0.99986 涨到 0.99991，看着差别极小，但对应的时间常数变化很大。

关于会不会发散：只要 |g| < 1，所有极点严格落在单位圆内，系统就收敛。g 越接近 1，衰减越慢，尾巴越长。这个界限是硬性的，但在实际实现里，如果反馈路径里还有别的滤波器（后面要讲的阻尼低通、全通），它们的增益会跟 g 相乘，总环路增益可能超出预期，那就真的要炸了。这一点后面单独说。

2.3 一张表看清两者的取舍

这张表是我自己在选型时反复对照的。要造混响，主体必然是反馈梳状；前馈梳状更多是配角。但有一点容易被忽视：两者在频响上的梳齿形状是一样的，峰谷比公式完全一致。区别只在于群延迟——前馈结构的相位响应比较平缓，反馈结构的相位在极点附近变化剧烈，这也是反馈混响听起来比前馈"厚重"的原因之一。

还有一个实用的推论：既然峰谷比是 (1+g)/(1−g)，那 g 大到一定程度，某些频率会被严重衰减。g = 0.9 时峰谷比是 19，约 25.6dB。如果单路梳状单独听，会出现明显的"某些频段被吃掉了"的感觉。这就是为什么单个梳状滤波器永远不够，必须靠多路并联把彼此的谷填上——下一节展开。

3. 在 Simulink 里把反馈梳状搭起来（含完整参数推导）

3.1 采样时间与信号维度的前置决定

搭模型之前必须先定一个事：信号是按单个样本传，还是按帧传。这个决定看着不起眼，实际上是我踩过最大的一个坑。

Simulink 里的 Delay 模块，延迟长度是按输入信号的样本维度算的。如果信号是一个标量（每步一个样本），设 1501 就是延迟 1501 个样本；但如果信号是一个 1024 维的帧（很多音频模块默认输出这种格式），Delay 模块设 1501 就变成了延迟 1501 帧，也就是 1501 × 1024 = 1537024 个样本，约 32 秒。我第一次搭的时候就是这个结果，等了半天只见输出迟迟不来，还以为是反馈回路卡住了。

排查方法是打开 Signal Attributes 看一眼信号维度。解决办法有两条：

• 方案一：在信号源后面不接 Buffer，直接让每一时刻只有 1 个样本。Sine Wave 模块默认输出标量，From Workspace 也可以配成标量。这样做最干净，Delay 模块的参数就是你想要的样本数。
• 方案二：如果确实要用帧信号（为了提升仿真效率），就不能用普通 Delay 模块，得在自己的 MATLAB Function 块里写环形缓冲区，或者用 "延迟 + 缓冲组合" 把帧拆开。

我一般先用方案一把结构跑通，把参数调对了，再考虑性能优化。因为方案一的仿真是逐步进行的，48kHz 采样率下跑 10 秒就是 48 万步，速度确实慢，但胜在每步都能看波形、能随时暂停检查内部信号，调试阶段这点比速度重要得多。

求解器配置也要跟着改。在 Model Settings 里把 Solver 设成 Fixed-step，Solver 选 discrete (no continuous states)，Fixed-step size 填 1/48000。用变步长求解器跑离散反馈回路，会出现"过零检测"反复触发的问题，仿真速度掉到几乎不可用。

3.2 Delay-Sum-Gain 回路的搭建与代数环

反馈梳状的 Simulink 拓扑其实非常短：

输入 → Sum(+) → Delay(length = N) → 输出 ↑ | └──── Gain(g) ←────────┘

具体接法：一个 Sum 模块配两个输入端口，符号设成 "++"（或者 "+-" 看你从哪边取反馈）。Sum 的输出接 Delay 模块的输入，Delay 的输出分两路，一路作为整个系统的输出，一路经过 Gain 模块回到 Sum 的第二个输入。

这里有个经典问题：这个结构看起来像代数环，因为 Delay 的输出回到了它自己的输入路径上。实际上不是——Delay 模块本身会断开代数环，因为它在当前步的输出只取决于历史步的输入，不依赖当前步。所以 Simulink 不会报代数环错误。

但有两个变种会真的触发代数环报警：

• 把 Delay 换成 Gain 或者 Sum，也就是纯组合逻辑构成回路，那就死循环了。
• 在反馈路径上误加了 Direct Feedthrough 的模块（比如某些自定义的 S-Function），打破了"输出不依赖当前输入"这个前提。

我遇到过一次更隐蔽的：Delay 模块的延迟长度被设成了 0。有些版本的 Delay 模块允许这么设，设成 0 之后就退化成直通，代数环立刻出现。所以延迟长度至少要是 1，实际用的时候都是上千，这个坑只会出现在刚开始搭骨架验证结构的时候。

3.3 延迟样本数与反馈增益的联动计算

这一段是整篇文章最值得抄走的部分。很多人调混响就是试参数，其实这两个数之间有精确的换算关系。

先推导。反馈梳状每循环一次，经过的时间是 N·Ts（Ts 是采样周期），幅度乘以 g。经过 k 次循环，幅度是 g^k，时间经过 k·N·Ts。所谓 RT60，就是幅度衰减到初始值的千分之一（−60dB）所需的时间。令 g^k = 10^(−3)，两边取对数得 k = −3/log₁₀(g)，因为 log₁₀(g) 是负数，可以写成 k = 3/log₁₀(1/g)。

代入 RT60 = k·N·Ts，得到：

RT60 = 3·N·Ts / log₁₀(1/g)

反过来解 g：

g = 10^(−3·N·Ts/RT60)

这个反解公式是实际搭模型时用的那个。给定想要的混响时间和延迟长度，直接算出增益，不用试。

举个具体例子。fs = 48000，Ts = 1/48000 ≈ 20.83 微秒。选四个延迟长度 1501、1627、1753、1879 个样本，对应的物理延迟分别是 31.27、33.90、36.52、39.15 毫秒。这四个数都是我特意挑的素数，互不成整数倍关系，梳齿不会重合。目标是 RT60 = 1.4 秒。

计算过程写成 MATLAB 代码：

fs = 48000; Ts = 1/fs; N = [1501 1627 1753 1879]; RT60 = 1.4; g = 10.^(-3 * N * Ts / RT60); fprintf('%d 样本 -> g = %.4f\n', [N; g]);

跑出来的结果是 0.8570、0.8461、0.8351、0.8242。

注意这个结果里最重要的信息：四路梳状的目标混响时间相同，但增益各不相同，延迟越长增益越小。这是很多人忽略的点。如果四路都用同一个 g，那延迟长的支路衰减慢、延迟短的支路衰减快，最后整体包络会变成双段衰减，听起来头部一阵密、尾部一阵稀，很不自然。按公式分别算，才能让四条尾巴以同一速率消退。

还有一点：四个数这么接近（0.857 到 0.824），说明在实际工程里对增益做微小调整，混响时间就能明显变化。g 每变化 0.01，RT60 大约变化 10% 到 15%。这也是为什么调参时不能用鼠标拖 Gain 模块的数字框，要用代码或变量统一算，不然手一抖就过冲了。

3.4 反馈支路里的阻尼低通

纯反馈梳状有个物理上不真实的毛病：所有频率以同样的速率衰减。真实房间里，高频被空气吸收、被软性表面吸收，衰减得比低频快得多。这个差异正是"混响听起来有空间感"的关键之一。用纯梳状网络做出来的混响，尾巴是"白"的，所有频率一起消失，听感偏硬、偏电子。

解决办法是在反馈回路里串一个一阶低通。差分方程是 y[n] = (1−d)·x[n] + d·y[n−1]，其中 d 在 0 到 1 之间。d 越大，截止频率越低，高频衰减越厉害。

截止频率的近似换算：fc ≈ fs·(1−d)/(2π·d)。d = 0.5 时 fc ≈ 7640Hz，d = 0.7 时 fc ≈ 3270Hz，d = 0.9 时 fc ≈ 850Hz。做语音场景的室内混响，d 取 0.4 到 0.6 之间比较合适；做大厅，可以到 0.7。

但这里有个必须处理的问题：这个低通的直流增益是 1/(1−d)，不是 1。d = 0.6 时，直流增益是 2.5。这意味着反馈回路的总增益变成了 g × 2.5，原本算好的 0.85 一下子变成 2.1，立刻发散。

两个修法。一是把低通写成归一化形式 y[n] = (1−d)·x[n] + d·y[n−1]，然后在 Gain 模块里把 g 提前除以 (1−d) 的补偿……等等，这样会让直流增益变回 1 但有效反馈增益也变了。更干净的做法是把低通直接写成y[n] = a·x[n] + (1−a)·y[n−1]，其中 a 在 0 到 1 之间，这个形式直流增益严格等于 1，a 越小截止频率越低。

关系是 fc ≈ fs·a/(2π·(1−a))。a = 0.5 时 fc ≈ 7640Hz，a = 0.3 时 fc ≈ 3270Hz，a = 0.1 时 fc ≈ 850Hz。跟前面那个 d 表述正好是互补的（a = 1−d），但归一化后的行为完全不同，不容易搞混。

加入阻尼后，实际 RT60 会跟公式算的略有偏差，因为低频和高频的衰减速率不一样了。我一般用中频段（500Hz 到 2kHz）测出来的衰减斜率当作标称 RT60，这样跟公式对得上。

4. 从单路梳状到完整混响网络：并联、串联与全通

4.1 为什么单路梳状必然"金属味"

单路反馈梳状最突出的听感问题是"金属味"（metallic ringing）。原因不复杂：它的冲激响应是一串等间隔、等比衰减的脉冲，这在频域上就是一组等间隔的谐波。用信号处理的说法，它的频谱是一把梳子；用听觉的说法，它把任何输入都染上了一个固定音高色彩，音高等于 1/(N·Ts)。

以 N = 1501、fs = 48000 算，这个重复频率是 31.98Hz。这个频率本身听不见，但它的各次谐波覆盖了整个可听频段，而且在每个谐波位置都有能量堆积。输入一个宽带噪声，输出听起来像是有个 32Hz 的低频在"嗡嗡"地调制，这就是金属味。

要打散这个规律性，思路有两条：一是多路并联，让各路梳齿错位、互相填充；二是加调制，让延迟长度随时间微小变化，把固定音高糊掉。前者是基础，后者是进阶。

判断金属味有没有缓解，有个简单的量化指标：看脉冲响应的回声密度。理想混响的脉冲响应在两个时间点上，回声数量的期望随时间的平方增长（因为房间里的反射路径数随时间增加）；单路梳状的回声数是严格线性增长的（每个延迟周期增加一个）。并联多路后，回声数变成各路线性增长之和，密度上来了，但因为各路延迟不成整数倍，重合点随机化，听感就散了。

4.2 四并两串的具体参数表

经典的组合方式是四路反馈梳状并联，后面串两到四个全通滤波器。这是我用的那套参数，全是 48kHz 下的样本数：

并联的四路输出先相加，再乘以 0.25 做归一化，然后进全通链。归一化这一步不能省，四路信号的功率叠加会让电平涨到大约 2 倍（相干处更高），后面稍微一放大就削波。

全通滤波器在这里的结构跟前馈梳状有点像，但增益符号反了。它的差分方程是 y[n] = −g·x[n] + x[n−N] + g·y[n−N]，传递函数 H(z) = (−g + z⁻ᴺ)/(1 − g·z⁻ᴺ)。分子分母的模在单位圆上相等，所以幅度响应平坦——不管频率多少，幅度都是 1。它只改相位，不改幅度谱。

在 Simulink 里搭这个全通，需要两个 Sum 模块、一个 Delay、一个 Gain（值是 −g 那个分支）和一路直通。具体接法：

x → Sum1(−, +) → Sum2(+) → Delay(N) → ×g → Sum2 第二输入 ↑ | └──── x[n] 直通 ───────┘

稍微绕。更简单的办法是把全通也看成一组方程，直接在 MATLAB Function 块里写环形缓冲区实现。我搭过一次模块化的全通子系统，封装好之后当黑盒用，省了很多连线的麻烦。

全通的作用是增加回声密度而不改变频谱。梳状网络出来的信号，回声虽然在时间上散了，但每个回声之间还是有明显的空隙感；串上两个全通之后，每个回声被展开成一小簇，密度上去了，听感立刻从"数字味"变成"空间感"。

4.3 为什么全通的增益必须和梳状分开算

这里有一个很容易犯的错误：把全通的增益也按 RT60 公式算。不行。

全通结构的环路增益是 g，但因为它分子分母同构，幅度响应恒为 1，对整个系统的能量衰减贡献不是简单的指数形式。它主要影响的是瞬态密度，不是包络斜率。所以全通的 g 取固定值就行，0.5 是常用值，取到 0.7 会开始有轻微的"喷气"感（因为全通的群延迟在低频处很大），取 0.3 以下效果就不明显了。

真正决定整体 RT60 的是那四路并联梳状。测出来的 RT60 应该跟设定值吻合，如果不吻合，先检查是不是某一路的反馈增益算错了，或者阻尼低通的归一化有没有做对。

5. 实测排查：几个把我卡了大半天的现象

5.1 帧信号把 Delay 模块的延迟放大了一千多倍

这个坑前面提过，值得单独展开，因为它太容易发生、排查起来又太不直观。

现象是这样的：模型跑起来，输出端只有开头一点点信号，后面全是静默；或者反过来，输入已经停了很久，输出还在持续出声音。用 Scope 看延迟模块内部，缓冲区里存的是一整块 1024 点的数据，而不是单个样本。

排查链路我总结成三步：

第一步，看信号维度。在 Delay 模块的输入线上加一个 Display 模块，或者打开信号属性，看维度是 [1×1] 还是 [1024×1]。这是最直接的验证。

第二步，看延迟模块的参数含义。Simulink 的 Delay 模块，"Delay length" 这个参数在帮助文档里写得很清楚，单位是"采样时间"而不是"样本数"。当信号的采样时间不是 1/fs 的时候，这两个概念就脱节了。帧信号的采样时间是帧周期，一个帧周期里包含 1024 个样本，所以延迟 1501 个采样时间就是 1501 × 1024 个样本。

第三步，确认上游模块。很多音频输入模块（包括一些文件读取模块）默认输出帧信号，因为帧处理对块运算更友好。想让它输出标量，得改 Buffer 设置，或者中间插一个 Unbuffer 模块（信号处理工具箱里有）。

我的经验是：只要是做样本级延迟的算法（梳状、全通、延迟线混响都属于这一类），一律在信号链最前面把帧拆成标量，后面就不需要再操心这个问题了。代价是仿真变慢，但正确性优先。

5.2 输出削波和直流累积

削波的表现很直观：输出波形被削平在 ±1 的位置，听感上是刺耳的失真，而且是那种"破碎"的失真，不是模拟电路过载的柔和饱和。原因是混响是能量累积型处理，稳态增益可以远超 1。四路并联梳状虽然每路反馈增益小于 1，但四路叠加之后，在梳齿重合处的瞬时增益可能达到几倍。

处理办法是归一化：并联输出除以路数。我在 4.2 的表里写的 0.25 就是这个。更保守一点可以用 0.2，留 6dB 的余量。另外在系统输出端串一个限幅器（Saturation 模块，上下限设 ±0.98）作为最后一道防线，防止极端输入把后面的设备冲坏。

直流累积是另一个隐蔽的问题。反馈回路对直流分量的增益是 g/(1−g)，g = 0.85 时是 5.67 倍，g = 0.9 时是 9 倍。只要输入里有一点点直流偏移（比如某些信号源开机瞬间的偏置），就会在回路里被反复放大，最后把整个可用动态范围吃掉，表现为输出缓慢漂移到一边。

解决办法是在反馈梳状的输入端串一个高通。最简单的一阶高通：y[n] = a·(y[n−1] + x[n] − x[n−1])，a 取 0.995 左右，截止频率大约几个赫兹，对音频内容几乎没有影响，但能把直流彻底压住。我一般把这个高通放在整个混响网络的最前面，一路就够，不用每路都加。

5.3 梳齿太尖、尾巴发抖、低频糊成一坨

这三个现象是调参阶段最常遇到的，对应的原因各不相同。

梳齿太尖，听感上是明显的音高染色，输入什么都有同一个"调"。原因是并联路数不够，或者延迟长度凑得太近。检查方法：把四路延迟值列出来，看有没有公约数。1501、1627、1753、1879 这四个数都是素数，最大公约数是 1，安全。如果用了 1500、1600、1700 这种整数，它们的最小公倍数是 13600，意味着每 13600 个样本（283 毫秒）就会出现一次四路对齐的强重合，这就是听到的"重影"。改动方案：全部换成附近的素数。

尾巴发抖，听感上是混响尾音有周期性的音量起伏，像有人在快速推拉音量旋钮。原因通常是反馈增益太高，环路处于临界状态附近，数值误差被放大成可听的振荡。检查方法：看 RT60 实测值，如果比设定值长很多（比如设定 1.4 秒、实测 3 秒以上），说明有效增益超了。修法是把 g 乘以 0.95 降一点，或者检查阻尼低通的归一化有没有做对。

低频糊成一坨，听感上是低频拖得很长、糊在一切上面，中高频却消失得很快。这是阻尼低通设得太重（a 太小）的典型表现，因为低通让高频衰减快、低频衰减慢，反差被放大了。检查方法：把阻尼旁路掉跑一遍，如果低频恢复正常，就是阻尼的问题；把 a 从 0.4 提到 0.6 试试。另一个可能是输入信号本身低频能量太强，可以在输入端加个 100Hz 以下的高通。

6. 再往前走一步：时变调制与卷积方案的取舍

6.1 给延迟做微小的时变调制

梳状网络还有一个顽固问题：即使四路并联、全通加密，长时间听还是能感觉到一个固定的"音高感"，尤其在处理持续音（比如长音的人声、弦乐）的时候。这是因为整个网络的延迟长度是恒定的，梳齿位置固定。

解决办法是让延迟长度随时间做极其缓慢、幅度极小的变化。常见做法是用一个 0.5 到 2Hz 的低频正弦，幅度在 ±3 到 ±8 个样本之间，去调制每一路梳状的延迟长度。幅度必须小，大了会变成明显的"颤音"效果；频率必须低，高了会觉得声音在抖。

在 Simulink 里实现时变延迟，不能用普通的 Delay 模块，因为它只支持固定长度。三个选择：

一是用 Variable Integer Delay 模块，延迟端口接受一个整数输入。这个模块能直接接正弦调制，但要求延迟值在每一步都是非负整数，所以调制信号要先经过取整和限幅。取整会引入量化台阶，在慢速调制下可能出现阶梯感的噪声。

二是分数延迟滤波器，用拉格朗日插值或 Thiran 全通来做亚样本精度的延迟。音质最好，但计算量大，每一路要好几次乘加。Thiran 全通的做法是把一个一阶全通串在延迟后面，系数随目标延迟小数部分变化，能实现平滑的连续延迟。

三是自己写 MATLAB Function 块，用环形缓冲区加线性插值。灵活性最高，也最容易出错，插值系数的边界处理需要格外小心。

我自己的偏好是第二条：音质和复杂度的平衡最好。给四路梳状各配一个低频调制源，相位错开（比如 0°、90°、180°、270°），这样四路的调制不会同步，避免整体音高一起漂。

调制会带来一个副作用：RT60 的实测值会略微变化，因为有效延迟长度在变。变化幅度一般在 5% 以内，听感上无感。

6.2 什么时候该彻底放弃梳状网络改用卷积

我需要说一句实话：如果项目对混响的真实度要求高（比如做音乐制作工具、影视后期），梳状网络再怎么调也追不上卷积。卷积直接拿真实空间的脉冲响应，所有早期反射、频率相关的衰减、扩散特性都是现成的，梳状网络的参数化模型在物理上就表达不了这些细节。

判断该用哪种，看三个条件：

第一个是实时可调性要求。如果用户需要在运行中连续改变混响时间、房间大小、阻尼，梳状网络几乎是唯一选择，因为卷积方案的参数是"烧"在脉冲响应里的。当然也有折中方案——预生成多套脉冲响应然后做插值，但那个复杂度和内存占用会迅速失控。

第二个是算力预算。梳状网络每路延迟线每样本只做一次乘加，四路加两个全通，总共也就十几次乘加；卷积混响做 2 秒的脉冲响应，每样本要做十万次乘加。相差四个数量级。嵌入式场景基本没得选。

第三个是混响的"功能性"还是"艺术性"。如果混响只是为了模拟"这个声音是在某个空间里录的"，或者为了让语音交互系统在不同房间条件下都表现一致，那功能性优先，梳状网络的可控性更重要。如果混响本身是创作的一部分，那真实度优先，上卷积。

还有一个我很少见人提但很实际的判断依据：你的信号是什么。语音信号的能量集中在 300Hz 到 4kHz，而且有很强的时变结构，梳状网络在这个频段的表现完全可以接受，参数化带来的规律性也被语音本身的非平稳性掩盖了。音乐信号宽带、持续，梳状网络的固定音高染色就很容易暴露。所以做语音处理的项目，用梳状网络搭混响是性价比很高的选择；做音乐，就得掂量一下。

我在那个语音交互项目里最后就是用的梳状方案，四并两串加低频调制，跑在一块算力有限的板子上，实时性毫无压力。后来做过一次对比测试，同一段语音分别过梳状网络和卷积混响，让几个同事盲听，在"像不像在房间里说话"这个维度上评价差异不大；但在"长时间听的疲劳感"上，卷积确实更舒服。所以怎么选，还得看你的实际场景更在乎哪个。

最后分享一个小技巧：调梳状混响的时候，别用音乐当测试信号，用一段有明显停顿的语音。语音的停顿处会暴露出混响尾巴的所有问题——金属味、抖动、低频堆积，在连续音乐里全被掩盖了。我每次改完参数，都会用同一段带停顿的语音听三遍，比看频谱图管用得多。