STI 全称 Speech Transmission Index，语言传输指数，依据MTF 调制传递函数计算，是国际通用、工程验收强制使用的语音清晰度指标，遵循 IEC 60268-16 / GB/T 12060.16-2017。人说话依靠音量起伏（幅度调制 modulations）传递语义；房间长混响、噪音、劣质音响会抹平声音起伏，MTF 数值下降，STI 随之变低，人就听不清。STI 数值区间 0～1，数值越高，说话清晰度越好。以下将介绍 STI 的工作原理、所需评分标准，以及为何仅考量混响时间是不够的。

STI类比解释

想象一个调谐完美的调频广播电台。电台主持人的声音清晰通透，每个辅音都干脆利落，每个单词都辨识度十足。这就是语音传输指数为1.0时的听觉效果。现在，想象你驶出了信号覆盖范围：杂音开始出现，信号逐渐减弱。你只能听到只言片语——“前方路段有交通……”——其余的都消融在噪音里。等到信号一半是杂音时，你只能靠猜测来拼凑每一句话的意思。

这些干扰并非无线电干扰，而是建筑内混响、暖通空调系统的背景噪音，以及说话者与听者之间的距离过远。房间本身就成了干扰源。语言传输指数（STI）衡量的是房间在说话者的嘴和听者的耳朵之间增加了多少干扰——它通过一个简洁的单一数值范围 0.00 到 1.00 来体现这一指标。

国际标准IEC 60268-16:2020针对STI定义

语言传输指数在IEC 60268-16:2020中有明确定义，该国际标准用于对语言可懂度进行客观评级。此标准将语言传输指数（STI）定义为一种衡量扩声系统传输通道对语言时间包络保留程度的指标。

用通俗的话来说，你说话时，声音的音量一直在变化。元音更响亮，辅音更轻且短。音量大小之间的快速波动——每秒可达数十次——正是传递意义的关键。你的大脑会将这些波动解码成文字。如果房间通过混响模糊了这些波动，或是通过背景噪音掩盖了它们，你的大脑接收到的信号就会变差。你能听到声音，却听不清文字。

STI 能精确量化声音衰减的具体程度。数值 1.00 表示房间能完美传递语音——所有音频信号都能完整到达。数值0.00 则表示声音完全失真——听者只能听到噪音，无法分辨任何语音内容。

STI 质量等级

IEC 60268-16 标准提供了一个五级音质等级量表，该量表将可懂度指数（STI）值与主观可懂度对应起来。该表格是该标准中被引用最多的内容，它将一个抽象的数值转化为用户能够理解的概念。

从这张表格中可以看出几个显著特点。

首先，“一般”类别——即科学技术指标（STI）在0.45至0.60之间——是大多数未做声学处理的商业室内空间。例如一间采用石膏板吊顶、无任何声学处理措施、暖通空调（HVAC）系统噪音为38dBA（dBA）的会议室，其科学技术指标（STI）通常在0.50至0.55左右。人们可以进行交流，但沟通起来会倍感吃力。导致工作人员疲劳感会不断累积，失误率也会上升。这种声学效果就如同阅读用浅灰色墨水打印的文件，虽然看得见，却导致毫无必要地费劲。

其次，在0.60这个节点从“尚可”提升至“良好”并非细微的改进。研究一致表明，一旦言语传输指数（STI）超过0.60，听众满意度、任务完成度以及理解能力都会显著提升。这一阈值在建筑规范中出现得极为频繁，因此已成为以语音交流为主要功能的空间的事实上的最低标准。

第三，达到“优秀”等级（0.75以上）难度大且成本高昂。这需要极短的混响时间、极低的背景噪音，以及说话者与听者之间的短距离。专门建造的演讲厅和法庭可达到这一标准，而大多数普通房间则无法实现。此外，在语言传输指数（STI）最后0.10的提升上，所投入的成本相较于前0.10的提升要高得多。

STI 计算方法

IEC 60268-16 标准中完整的 STI 计算涉及复杂的数学运算，但一旦理解其结构，背后的逻辑就十分精妙。下面为你提供一个简化的分步解析，无需信号处理专业知识即可掌握其核心原理。

步骤1：定义调制频率

语音通过调幅传递信息——即音量的起伏将一个音节与下一个音节区分开来。IEC 60268-16 标准测试房间在14个特定频率下对调幅的保留能力：0.63、0.80、1.00、1.25、1.60、2.00、2.50、3.15、4.00、5.00、6.30、8.00、10.00和12.50赫兹。

为什么是这些频率？因为它们对应着音素、音节和单词在自然口语中出现的频率。慢速调制（0.63赫兹）代表句子层面的节奏，快速调制（12.5赫兹）则代表单个辅音的转换。一个能很好保留快速调制的空间，会传递出清晰、易懂的语音；而一个会模糊快速调制的空间，声音听起来会“浑浊不清”——你能听到人声，但单词会模糊成一团。

步骤2：在7个倍频程频段中进行测试

研究人员在以125赫兹、250赫兹、500赫兹、1000赫兹、2000赫兹、4000赫兹和8000赫兹为中心的7个倍频程频段上测试了14种调制频率。这一点至关重要，因为不同的倍频程频段承载着不同的语音信息。2000赫兹和4000赫兹频段承载着区分“b”与“d”、“s”与“f”的大部分辅音能量。500赫兹和1000赫兹频段则承载元音能量。一个房间可能在500赫兹（此时吊顶板效果良好）处能很好地保留调制信号，但在4000赫兹（此时坚硬的玻璃墙面反射强烈）处保留效果极差。多频段方法能够捕捉到这种不均匀的特性。

结果得到一个包含98个数值的网格（14个调制频率乘以7个倍频程频段）。每个数值代表某一组合的调制传递函数——即输出调制深度与输入调制深度的比值。

步骤3：应用调制传递函数

对于网格中的每个像元，都会计算调制传递函数（MTF）。在简化模型中，调制传递函数取决于两个因素：

混响会降低调制传递函数（MTF），因为反射声会延迟到达，填补强弱声段之间的空隙。混响时间越长，调制信号的波动就越容易被平滑掉。从数学角度来看，混响对调制传递函数（MTF）降低的影响程度，是该倍频程带内调制频率与混响时间的函数。

背景噪声会降低调制传递函数（MTF），因为它会增加一个恒定的声音水平，从而部分掩盖语音中较安静的部分。背景噪声相对于语音水平的比例越高，调制信号被掩盖的程度就越严重。噪声的影响取决于每个倍频程频段内的信噪比。

每个频点单元对应的综合调制传递函数（MTF）取值范围为 0.0～1.0：0.0 代表调制信息完全衰减丢失，1.0 代表调制信号完整无损保留。

步骤4：转换为表观信噪比

每个MTF值均通过以下公式转换为表观信噪比：

SNR_apparent = 10 log10 (MTF / (1 - MTF))

该转换将0到1的调制传递函数（MTF）刻度映射到dB刻度，随后将其限幅至-15dB至+15dB的范围。这种限幅符合心理声学实际情况：信噪比低于-15dB时信号不具备可理解性，而信噪比高于+15dB时也不会带来额外增益。

步骤5：求平均并加权

表观信噪比（SNR）值在每个倍频程频段内的14个调制频率上取平均值，得出7个频段级数值。随后使用倍频程频段加权因子对这些数值进行合并，这些加权因子反映了每个频段对语音清晰度的相对重要性。男性语音的加权方式略微强调较低频段；女性语音的加权方式则强调较高频段。

步骤6：最终STI值

对加权平均值进行归一化处理，得出最终的STI值，范围在0.00至1.00之间。STI 将混响和噪声这两种独立的退化机制整合为一个单一数值。仅凭混响时间 RT60 或仅凭背景噪声水平都无法得出 STI，必须同时考虑两者。