烏克蘭前線靠聲音偵測無人機，能拿來訓練的樣本只有 1.1 小時。

一支麥克風架在離地約一公尺的地方，位置在前線。它錄到人講話、音樂、機具運轉，還有戰場上各式各樣的雜訊，偶爾有無人機從頭上飛過去。錄音以九秒為單位切開，由人一段一段聽過去標記。

標完之後，被歸為「小型無人機」的片段有 441 段，加起來 1.1 小時。

這批資料屬於 Zvook，一家設在利維夫的聲學偵測公司，把麥克風佈在通訊塔和前線陣地上，聽出空中有什麼。2026 年 5 月在英國巴斯舉行的 ICMCIS 軍事通訊與資訊系統研討會上，Zvook 與基輔理工學院、基輔經濟學院的研究者發表了一篇論文，用的正是這些來自烏克蘭前線、訓練場與現役防空聲學感測器的錄音，全部資料超過三十萬段、取樣率 32 kHz。

被動聲學的長處與代價

麥克風不發射任何訊號，不會因為自己開機而被找到，也不受電子干擾影響。它不需要視線，樹林、夜間、遮蔽物都不妨礙。設備不像紅外線或雷達那樣需要專用硬體，成本低、便於量產，可以大量佈設。代價是有效距離短，而且環境裡所有聲音都會一起進來。

在一場雙方都大量使用小型無人機、電磁環境又極度擁擠的戰爭裡，這幾項特性讓被動聲學成為多層防禦的前端。論文作者也把北約邊境監視列為同一類應用場景。

只用前線資料訓練，模型幾乎一律不報。

研究者的第一次嘗試是最直覺的做法：拿目標環境的資料，訓練目標環境要用的模型。可用的材料就是那 441 段無人機，加上同一支麥克風錄的 2,519 段環境噪音。

結果是作者所說的模型崩潰。測試集上 F1 只有 17.4%，精確率 87.7%，召回率不到一成。它開口說有無人機的時候幾乎都對，但大部分飛過去的無人機它不出聲。

塔上的六萬五千段錄音，和它帶進來的新問題。

另一批資料來自架在通訊塔上的麥克風，高度 10 到 40 公尺。這批多得多：論文主要使用的小型訓練集裡，塔上資料共 65,126 段，其中光環境噪音就有 50,000 段、125 小時，此外還有長程無人機（以 Shahed 類為主）4,758 段、噴射機 6,012 段、直升機 2,559 段、螺旋槳飛機 1,797 段。

兩支麥克風錄到的聲音差得很遠。塔上的位置高、環境穩定，背景是機械振動、風聲、動物叫聲。前線那支貼著地面，收進來的是人聲、音樂、機具與戰場雜訊，低頻能量強得多，起伏也不規則。兩種硬體的頻率響應本來就不一樣。

作者用對抗驗證把這件事量出來：另外訓練一個模型，專門判斷一段噪音錄自哪一支麥克風。基準模型在驗證集上的 ROC AUC 是 99.99%，也就是幾乎每一段都分得出來。直接把兩邊混在一起訓練，模型會去記住塔上的背景質地。

一項一項疊上去

論文把塔上資料當輔助材料用，做法逐項加上去，每一項都回報測試集的 F1。

把塔上資料連同它的四個類別（長程無人機、噴射機、直升機、螺旋槳飛機）一起放進訓練，F1 從 17.4% 升到 49.8%。這些飛行器佔用的頻段與小型無人機重疊，模型必須分辨糾纏在一起的諧波結構才能過關，光靠能量高低不夠。

隨機權重平均（SWA）把不同訓練週期的權重平均起來，壓掉驗證指標在週期之間的震盪，F1 再升 9.9 個百分點，來到 59.7%。

接著是噪音混入式的 Mixup：把來源域或目標域的噪音以最多 0.3 的比例混進訓練音檔，標籤保持原樣，等於合成出一批低訊噪比的樣本，同時把塔上的表徵往前線的聲音空間拉。59.7% 到 75.6%，資料增強裡幅度最大的一步。

再來是 RMS 遮罩。作者發現模型偏好整段音檔裡能量最強的地方，於是找出能量最高的 2 秒區間，隨機挖掉其中 0.3 到 1.0 秒換成噪音，從第 5 個訓練週期開始，遮罩長度隨訓練逐步加大。驗證集 F1 從 83.2% 升到 90.6%，測試集則從 75.6% 微降到 75.2%，模型被迫去聽整段裡較弱的諧波。

頻率投影器處理的是另一件事。原架構在頻率軸上做廣義平均池化，把整個頻譜壓成單一數值；低頻噪音一強，無人機的基頻就被蓋掉。改成沿頻率軸做卷積的可學習投影之後，頻譜結構保留下來，模型能靠諧波比例判斷。75.2% 到 77.8%。

換上 PCEN 前端另跑一條路線。PCEN 做的是逐通道的自動增益控制，壓掉穩定的背景聲、放大微弱的頻譜線條，論文附的頻譜圖裡，Log-Mel 看不到的線在 PCEN 上顯現出來。這條路線配上頻率投影器與完整訓練集，測試集 F1 是 78.6%，也就是論文摘要拿來對比的數字：公開的 AST-Drone 模型在同一套測試集上是 55.4%，SAM-Audio 的零樣本結果是 4.45%，輕量的 TRIDENT LeNet-Audio 是 19.3%。

最後把 Log-Mel 與 PCEN 兩條路線集成起來，兩者的失效方式不同，PCEN 對參數調校敏感，Log-Mel 對增益敏感。用小型訓練集的集成是 81.14%，用完整訓練集是 82.22%。Zvook 自家以完整訓練集訓練的五折集成模型，在同一套測試集上是 69.1%。

驗證集 98%，測試集 82%。

三份資料按時間與地點切開，彼此在時間上完全獨立。訓練集錄於非戰區的控制場測試，驗證集錄於冬季、混合戰區與試場，測試集錄於春季、全部來自實際交戰區。

集成模型在驗證集上的 F1 是 98.18%，測試集是 82.22%。作者比對兩份資料的嵌入分布，飛行器訊號本身看不出季節偏移（輪廓係數 0.0048 到 0.0093），但前線麥克風錄到的環境噪音在冬春之間差異明顯，基準模型在這兩群噪音上的輪廓係數是 0.3851、k 近鄰純度超過 98%。換個季節、換個陣地，那支麥克風周圍的聲音就換了一批。

測試集裡的小型無人機片段另有人工標記的遠近分組。近距與中距共 2,304 段，ROC AUC 97.2%；遠距 241 段，93.8%。距離拉開，訊噪比下降，聲學特徵變弱，掉幅在預期之內。

模型還不會做的事

論文自己列了三項限制。無人機在模型裡是單一類別，分不出 DJI Mavic 與高速 FPV，作者認為要處理戰術問題，這兩者必須分開。音檔以九秒為單位各自判斷，前後段的資訊沒有串起來，誤報因此壓不下去。資料裡沒有距離與高度，只有人耳判斷的遠近分組，誤差分析做不細。

作者提的後續方向裡，有兩項都在補前線標記資料太少這個缺口：加入記憶模組或循環架構，去利用九秒片段之外的聲音脈絡；以及發展半監督流程，好在標記稀少的新陣地快速適應。

完整訓練集裡的目標類別錄音是 4,648 段，比小型訓練集多了十倍，集成模型的測試集 F1 多了一個百分點。