9 月 17 日，冰岛声学仿真公司 Treble Technologies 宣布完成 1800 万美元（约 1500 万欧元）Series A-2 融资，由 Paladin Capital Group 领投。公司将用这笔钱扩张美国市场，并把原本服务建筑、耳机和扬声器开发的平台延伸到语音 AI、可穿戴设备、汽车和机器人。
Treble 要解决的是物理 AI 的听觉数据问题。机器人离开实验室后，会同时遇到房间回声、设备位置变化、空调噪声、多人说话和自身机械声。平台先计算房间脉冲响应，再把干净语音和噪声转成不同距离、朝向、材质与设备条件下的音频，用于训练、模型比较和硬件虚拟样机。
现有证据覆盖 Amazon、Logitech 的音频开发流程，以及固定房间条件下的算法评测；机器人客户、真机任务和成对收益数据尚未公开。这轮融资由此标记的是一条从音频工程进入机器听觉的新产品路线，下一项里程碑是同一机器人在真实与模拟声场中的对照结果。
Treble 把声学仿真从产品设计推向机器听觉
Treble 2020 年成立，2023 年推出平台。2024 年的上一轮融资为 1100 万欧元，当时公司主要强调建筑、汽车和音频产品设计；这次公告把“physical AI”放到了用途中心。官方称本轮后累计融资达到 3600 万欧元。TechCrunch 将本轮称为 Series A 的延伸轮，并确认 Amazon、Logitech 是客户，但没有披露合同金额、收入规模或机器人客户名单。
客户关系也说明了 Treble 目前已经验证到哪里。Treble 的新闻稿引用 Amazon 音频研究负责人称，Alexa 开发会用虚拟声学环境评估难以通过实体测试复现的场景；Logitech 的音频 AI 负责人则强调，平台用于模拟复杂环境和支持产品工程判断。这些客户案例确认了平台进入 Alexa 和音频产品开发流程。机器人端的训练收益尚无成对实验和任务成功率数据。
Treble 正把已经服务音频产品的仿真基础设施推向机器人客户。投资人押注的核心变量，是机器人和可穿戴设备是否会像摄像头系统一样，需要持续采购、生成和回归测试自己的“听觉数据”。
一套声场同时服务训练、评测和虚拟样机
Treble 的产品流程可以拆成四步。开发者先导入房间或设备的三维几何，定义墙面材料、声源、噪声、麦克风阵列及其位置；求解器再计算声音从声源到接收器的传播结果，输出房间脉冲响应（RIR）。RIR 可以理解为一个空间对声音留下的“指纹”：直达声、反射、衍射和混响会怎样叠加，都编码在其中。
接下来，团队可以把干净语音和噪声与 RIR 卷积，批量生成不同距离、朝向、房间和设备条件下的音频。相同声场数据有三种主要用途：扩充语音增强、声源定位或识别模型的训练集；在固定条件下比较多个模型；在硬件制造前虚拟测试扬声器、麦克风阵列和设备外形。Treble SDK 提供 Python 接口，可批量设置场景，并在后处理中加入特定设备的播放和拾音特性。
它的技术取舍是混合求解。低到中频使用基于波动方程的有限元方法，以保留衍射、干涉和房间模态等现象；高频改用计算成本更低的几何声学。Treble 的技术文档同时写明代价：波动仿真的计算量随最高频率约按四次方增长，多模拟一个倍频程，计算时间粗略增加 16 倍。混合方案用波动仿真保留关键低频现象，用几何声学控制高频批量计算成本。
实验已验证音频算法评测，移动机器人还在范围外
Treble 团队 2025 年发布的一项研究，为这条路线提供了比营销口号更具体的验证。研究在两个房间、四种布置中收集 72 组真实 RIR，用一种波动求解器和两种几何声学方法重建相同环境，再评测一个传统去混响算法、一个神经网络去混响模型和一个声源距离估计模型。波动仿真产生的评测结果与实测结果相关性更高、误差更低；几何声学的匹配较弱。
这项结果验证了固定房间模型、材料参数、声源和接收器配置下的音频算法评测。移动、遮挡、机械噪声与开放环境没有进入实验。论文作者均来自 Treble，实验使用 Treble SDK，且只覆盖三种算法；这是一组产品技术证据，结论范围限定在实验设置内。
Treble 与 Hugging Face 在 2026 年推出的远场语音识别榜单，把评测扩大到 14 个模拟房间。隐藏测试集使用 2000 段无混响语音，在三档信噪比下加入房间响应和噪声；榜单还设置同一实验室的实测与模拟列，用于检查 sim-to-real 一致性。移动声源目前仍处于测试阶段，多人同时说话、麦克风阵列和回声消除则在后续路线图中。公开基准目前覆盖远距离与噪声条件；移动声源、多人语音、麦克风阵列和回声消除将决定它能否扩展到完整机器人听觉。
未建模的机身与环境决定仿真误差
独立研究给出了这条边界如何出现。Google Research 与卡内基梅隆大学研究人员曾用房间仿真数据训练 AR 眼镜的语音分离前端。只用大量模拟 RIR 可以改善识别；加入麦克风方向性后，效果更接近真实测量；把少量真实 RIR 与模拟数据混合，测试中的词错误率从 37.6% 降到 30.2%，相对下降 19.7%。
同一实验也发现，仿真器没有建模头部对声音的遮挡。测试数据包含人头与躯干模型时，模拟数据的收益明显变小；去掉这项影响后，模拟与实测更接近。这个案例对机器人尤其重要：机身外壳、关节运动、风噪、马达和扬声器自噪，都可能像“头部遮挡”一样，成为几何房间模型之外的误差源。
声学数字孪生适合重新分配真实录音预算：先用仿真批量覆盖房间、距离、噪声和设备参数，再用少量真实数据校准缺失的物理因素，并保留最终真机测试。购买这类平台的团队需要检查三件事：每个部署失败因素是否进入模型、模拟与实测的差距是否可量化、更新硬件后能否重复回归测试。
Treble 的 1800 万美元扩张把机器听觉列为声学仿真的新市场。下一项可验证里程碑是公开同一机器人系统在真实与模拟声场中的成对结果，以及对移动、自发噪声和实时行动条件下仿真误差的校准。
