計算機試聽（CA）或機器聽覺是研究機器理解音頻的算法和系統的一般領域。由于機器聽覺的概念非常廣泛，而且有些模糊，所以計算機試聽試圖把最初處理具體問題或有具體應用想法的幾個學科結合起來。工程師ParisSmaragdis在《技術評論》中接受采訪時談到了這些系統--軟件利用聲音來定位在房間里移動的人，監測機器是否即將發生故障，或者激活交通攝像頭來記錄事故。受人類聽覺模型的啟發，CA處理了表示、轉導、分組、使用音樂知識和一般聲音語義學的問題，目的是由計算機對音頻和音樂信號進行智能操作。在技術上，這需要結合信號處理、聽覺建模、音樂感知和認知、模式識別和機器學習等領域的方法，以及更傳統的人工智能方法來表示音樂知識。

就像計算機視覺與圖像處理一樣，計算機試聽與音頻工程處理的是對音頻的理解而不是處理。它也不同于機器的語音理解問題，因為它處理的是一般的音頻信號，如自然聲和音樂錄音。計算機試聽的應用范圍很廣，包括搜索聲音、流派識別、聲學監測、音樂轉錄、樂譜跟蹤、音頻紋理、音樂即興創作、音頻中的情感等等。

計算機試聽與以下學科重疊。音樂信息檢索：搜索和分析音樂信號之間的相似性的方法。聽覺場景分析：理解和描述音頻源和事件。計算音樂學和數學音樂理論：采用音樂知識分析音樂數據的算法。計算機音樂：在創造性的音樂應用中使用計算機。機器音樂學：試聽驅動的互動音樂系統。研究領域由于音頻信號是由人類的耳朵-大腦系統解釋的，所以這種復雜的感知機制應該以某種方式在軟件中模擬機器聆聽。換句話說，為了與人類相提并論，計算機應該像人類那樣聽到和理解音頻內容。準確分析音頻涉及多個領域：電氣工程（頻譜分析、過濾和音頻變換）；人工智能（機器學習和聲音分類）；心理聲學（聲音感知）；認知科學（神經科學和人工智能）；聲學（聲音產生的物理學）；以及音樂（和諧、節奏和音色）。此外，音頻轉換，如音調移動、時間拉伸和聲音對象過濾，應該在感知和音樂上有意義。為了達到最佳效果，這些轉換需要對頻譜模型、高級特征提取和聲音分析/合成的感知理解。最后，對音頻文件的內容（聲音和元數據）進行結構化和編碼，可以從高效的壓縮方案中獲益，這些壓縮方案會舍棄聲音中不可聞的信息。音樂和聲音感知和認知的計算模型可以導致更有意義的表現，更直觀的數字操作和音樂人機界面中的聲音和音樂的生成。對CA的研究可以粗略地分為以下幾個子問題。表征：信號和符號。這方面涉及時頻表示，包括音符和頻譜模型，包括模式回放和音頻紋理。

特征提取：聲音描述符、分割、起音、音高和包絡檢測、色度和聽覺表示。音樂知識結構：音調、節奏和和聲的分析。聲音相似性：聲音之間的比較方法、聲音識別、新穎性檢測、分割和聚類。序列建模：信號和音符序列之間的匹配和對齊。音源分離：對同時發生的聲音進行分組的方法，如多個音高檢測和時間頻率聚類方法。聽覺認知：對情緒、預期和熟悉程度、聽覺驚喜的建模，以及對音樂結構的分析。多模式分析：尋找文本、視覺和音頻信號之間的對應關系。表示問題計算機聽覺處理的音頻信號可以用各種方式表示，從直接編碼兩個或多個通道的數字音頻到用符號表示合成指令。音頻信號通常以模擬或數字錄音的方式表示。