机器聆听（machine listening）是指使机器能够分析、解释和理解音频信号（尤其是非结构化声音数据）的一系列技术与方法。该领域依赖于人工智能、信号处理和机器学习，从声音录音中提取有意义的信息。与传统的语音识别不同，机器聆听关注整个声音频谱：语音、噪声、音乐、声环境等，是一种面向听觉自动化的整体方法，旨在赋予机器类似于人类的听觉能力。
应用场景与示例
机器聆听广泛用于环境声音检测与分类（如警报、事故、机械噪音）、音乐分析（乐器识别、声源分离）、声学监控（安全、预测性维护）、交通或医疗中的事件识别（跌倒检测、呼吸监测），以及交互式助手（结合整体声场环境的语音指令增强）。
例如，在工厂中，机器聆听可通过分析机械特有噪音检测运行异常。在城市中，则可用于声景分析，助力噪音管理或城市安全。
主要软件工具、库与框架
常用工具包括音频特征提取的PyAudioAnalysis、librosa，语音与情感信号分析的OpenSMILE，声音分类的YAMNet（TensorFlow）。通用深度学习框架如PyTorch与TensorFlow常用来训练适用于机器聆听的定制模型，模型结构多为卷积或循环神经网络。
面向行业的解决方案还有AudioSet（数据集）和Sonic Visualiser（音频可视化与标注工具）。
最新发展与趋势
受益于深度学习模型的快速进步，尤其是transformer架构在音频领域的应用，机器聆听正变得更为强大，能更好地理解声音上下文。多模态模型（音频、图像、文本）的融合为跨数据分析带来新机遇。
当前趋势包括面向物联网的低功耗嵌入式机器聆听系统、提升在嘈杂环境下的鲁棒性，以及构建更大规模且丰富注释的数据集以支持有监督和自监督学习。