一句话定义：响度归一化（Loudness Normalization）就是按“人耳感觉到的平均音量”把音频调到统一目标，LUFS（Loudness Units Full Scale）是衡量这个平均响度的单位。
人耳对音量的感受，不取决于某个瞬间的最高点，而取决于一段时间内的平均能量。可以把它想成会议室里说话：偶尔有人拍一下桌子，不代表会议很吵；大家持续说话的平均音量，才是你感受到的“吵不吵”。LUFS 的做法类似：先按人耳对不同频率的敏感度做滤波，再按声道计权、按时间分块，算出一段音频的平均响度。常见的 integrated loudness 看整段，short-term 看约 3 秒，momentary 看约 400 毫秒。LUFS 和 LKFS 在数值上等价，只是叫法不同；EBU R128、ITU-R BS.1770 等规范都用它来定义响度。
它容易和这些指标混淆：
| 指标 | 它回答的问题 | 常见误区 |
|---|---|---|
| dBFS | 数字峰值有多高 | 峰值不超标，不等于听着够响 |
| RMS | 简单平均能量 | 没有模拟人耳频率敏感度 |
| LUFS | 人耳感知的平均响度 | 要区分 integrated、short-term 等类型 |
| dBTP | 转码后会不会削波 | 只看采样峰值可能漏掉真峰值 |
为什么你合成出来的声音总比别人小？很多 TTS 或生成音频默认只做“峰值归一化”：把最高点拉到接近 0 dBFS 就结束。但语音里停顿多、能量稀疏，峰值达标时 integrated LUFS 可能仍然很低。如果平台只把过响的内容调小、不把过轻的内容调大，你的音频就会一直偏小；如果交付规范要求 -16 LUFS，你交了 -23 LUFS，也会被判定不合格。
对 AI 从业者，结论很直接：交付前用响度表测 integrated LUFS，按目标调整增益，再用限制器控制 true peak，别只盯着波形峰值。对普通职场人，做播客、网课、视频时，如果总觉得自己的声音“缩在后面”，先查 LUFS，而不是反复拉音量条。不少流媒体会把播放响度归一到大致 -14 LUFS 左右，播客和视频交付也常见 -16 LUFS 一类目标，但各平台策略会变，具体以官方页面和交付规范为准。