索尼XB950N1 震撼人心的重低音

 

 虽然题目是震撼人心的重低音,但是低音可以通过app调节,所以我们可以用这个耳机听各种类型的歌曲。

索尼XB950N1与XB950B1非常相似,但索尼XB950N1提供了主动降噪,续航稍长一些。从蓝牙3.0升级到了蓝牙4.1,改善了传输范围和性能,有黑、绿色可选。

外观方面,950N1比较简洁,加强了头梁部分,有金属带,带纹理的塑料,可以折叠,铰链是塑料的,没有吱吱声。

舒适度方面,在戴上两个小时后,有稍微的佩戴疲劳。没有任何夹头的问题,耳机相当舒适。

可拆卸的耳垫很大,提供了很棒的被动降噪,室温在21到24度之间,经过30分钟的佩戴后,耳朵会温热,但从来不会出汗。

这些厚气垫的另一个好处,是防止漏音,如果你在图书馆等安静的环境中使用它,旁边的人会听到微弱的音乐,只有他们很仔细听的时候听得见。存在其它背景噪声时,几乎听不到漏音。

右耳罩有暂停/播放、前进、后退、音量按钮。左耳罩是电源、索尼的bass功能、micro USB接口、一个3.5毫米的物理连接接口,最后是主动降噪开关。也可以在应用程序中控制低音量,可以用3.5毫米的接口进行物理连接,音量水平显著降低。用有线连接,需要80%至85%的音量,蓝牙实现相同的响度,基本上只需要50%。如果使用有线时,bass效果、降噪仍然有效,除非没电了。你想节约电池,XB950仍然可以工作,将它有线连线,你会失去bass功能和降噪,但仍然可以享受音乐。

 

对于续航,索尼声称最多22个小时的使用,50%的音量,extra bass模式,实测有32小时12分钟。无线范围有所改善,隔一堵墙,能够离开我的手机走50英尺,直到信号不稳。再来谈谈主动降噪,在随机的各种环境中,与QC 35、sony 1000x、森海塞尔PXC550s相比,主动消除噪音是一个弱项。戴着950N1,可以明显的听到汽车喇叭,仍然可以听到我身后的施工,环境噪音仍然很明显。

 

音质方面,低频是比较大的卖点,当你第一次佩戴时,这款耳机非常重低音、震耳朵,小白第一次听可能会被震撼到。过几天,可能是我适应了它的声音,低频还不错。索尼在低音方面,真的很丰满和温暖,很适合hip-hop,挺强调低音的,比如在流行、电子乐中。

 

虽然索尼提供不同的配置文件,在该应用程序中有音乐厅、俱乐部、竞技场模式,自我感觉不会有明显的提升,音乐厅可以尝试,其它的我真的不太感冒。我们还可以通过app调节重低音级别,我们听一些节奏感很强的歌曲可以吧重低音调到最大。听其他歌曲可以调小一些。甚至可以调到-10,这是我对这款耳机最有好感的地方。这样它就不再是一款只能听重低音的耳机,而是一个什么都可以听的杂事耳机。

 

总的来说,如果你喜欢重低音耳机,可以考虑索尼MDR XB950N1,适合预算在1000左右,希望买一款蓝牙头戴耳机重低音的消费者可以入手,希望这篇文章能够帮助到大家。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/445444.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数据结构和算法(04)---数组,动态内存,vector(c++)

文章目录目录数组1.数组的申明2.数组的初始化3.二维数组4.指向数组的指针5.传递数组给函数动态内存1.new ,delete运算符2.数组的动态内存分配vector1.vector基本操作2.vector使用3.vector动态二维数组 初始化和赋值目录 数据结构: 逻辑结构:数…

数据结构和算法(05)---链表(c++)

文章目录目录链表的基本概念1.数组和链表链表的使用1.链表的简单使用2.链表的进阶使用3.链表的高阶使用4.链表的其他操作链表容器list1.list介绍2. list使用3. list与vector之间的区别4.list例子代码目录 数据结构: 逻辑结构:数组,栈&#xf…

论文阅读 状态压缩

状态压缩 Abstract 信息学发展势头迅猛,信息学奥赛的题目来源遍及各行各业,经常有一些在实际应用中很有价值的问题被引入信息学并得到有效解决。然而有一些问题却被认为很可能不存在有效的(多项式级的)算法,本文以对几个例题的剖析&#xf…

数据结构和算法(06)---二叉树(c++)

文章目录目录二叉树1.二叉树的基本概念2.二叉树的应用和时间复杂度3.二叉树的插入4.二叉树的查找5. 二叉树的遍历6.二叉树的删除二叉树的基本操作1.二叉树的基础操作2.代码实现创建二叉树和三种遍历二叉树的方法目录 数据结构: 逻辑结构:数组&#xff0c…

如何转载CSDN博客

前言 对于喜欢逛CSDN的人来说,看别人的博客确实能够对自己有不小的提高,有时候看到特别好的博客想转载下载,但是不能一个字一个字的敲了,这时候我们就想快速转载别人的博客,把别人的博客移到自己的空间里面&#xff0c…

程序员歌曲推荐

更多的时候,不光是电脑和键盘陪着我们度过一天,耳机和音乐也成了IT人生活中必不可少的一部分 上班和下班的路上,心情失落时,失眠时,甚至是工作时都可能会听音乐,让音乐为我们疗伤,让精神得以放…

如何在博客内添加音乐

<center> <iframe border"0" width"480" height"640" src"//music.163.com/outchain/player?type0&amp;id448977181;auto1&amp;height430"> </iframe> </center> 将代码复制到markdown编辑器里&am…

CSDN写博客(字体颜色、大小)

markdown里面的标记语言可以使用标签对来实现对文本文字颜色大小信息的控制。下面给出几个实例&#xff1a; 黑体字示例 微软雅黑示例 华文彩云示例 color#00ffff size可以根据实际大小进行设置&#xff0c;一般不超过7。 红色字体CSDN 红色字体CSDN 使用十六进制颜色值 …

bose qc30 安静的城市是什么样子

使用感受 网友1&#xff08;20岁&#xff09;&#xff1a; 当你带着这个耳机听音乐的时候&#xff0c;有一种感觉&#xff0c;感觉这个世界都是你歌曲里的MV&#xff0c;这个枯燥乏味的世界都被赋予了你心中的那份情感&#xff0c;这种感觉&#xff0c;真的很棒 网友2&#…

DeepLearning.ai 提炼笔记(5-1)-- 循环神经网络

参考博客 Class 5: 序列模型Sequence Models Week 1: 循环神经网络RNN (Recurrent) 文章目录Class 5: 序列模型Sequence ModelsWeek 1: 循环神经网络RNN (Recurrent)目录序列模型-循环神经网络1.序列模型的应用2.数学符号3.循环神经网络模型传统标准的神经网络循环神经网络的…

常见人工智能比赛平台总结

目录1.kaggle比赛1.1 kaggle比赛是什么&#xff1f;1.2 为什么举办kaggle比赛&#xff1f;1.3 kaggle比赛形式是什么&#xff1f;1.4 kaggle比赛的奖励制度是什么&#xff1f;2.阿里天池比赛2.1 阿里天池比赛是什么&#xff1f;2.2 为什么举办阿里天池比赛&#xff1f;2.3 阿里…

机器学习模型评分总结(sklearn)

文章目录目录模型评估评价指标1.分类评价指标acc、recall、F1、混淆矩阵、分类综合报告1.准确率方式一&#xff1a;accuracy_score方式二&#xff1a;metrics2.召回率3.F1分数4.混淆矩阵5.分类报告6.kappa scoreROC1.ROC计算2.ROC曲线3.具体实例2.回归评价指标3.聚类评价指标1.…

kaggle (02) - 房价预测案例(进阶版)

房价预测案例&#xff08;进阶版&#xff09; 这是进阶版的notebook。主要是为了比较几种模型框架。所以前面的特征工程部分内容&#xff0c;我也并没有做任何改动&#xff0c;重点都在后面的模型建造section Step 1: 检视源数据集 import numpy as np import pandas as pd读…

《Head First设计模式》第二章笔记 观察者模式

背景 客户有一个WeatherData对象&#xff0c;负责追踪温度、湿度和气压等数据。现在客户给我们提了个需求&#xff0c;让我们利用WeatherData对象取得数据&#xff0c;并更新三个布告板&#xff1a;目前状况、气象统计和天气预报。 WeatherData对象提供了4个接口&#xff1a; …

libsvm总结

1. 训练 格式&#xff1a;model libsvmtrain(training_label_vector, training_instance_matrix [, libsvm_options]); 这个函数有三个参数&#xff0c;其中 -training_label_vector:训练样本的类标&#xff0c;如果有m个样本&#xff0c;就是m x 1的矩阵&#xff08;类型必须…

《Head First设计模式》第三章笔记 装饰者模式

装饰者模式&#xff08;Decorator Pattern) *利用组合&#xff08;composition&#xff09;和委托&#xff08;delegation&#xff09;可以在运行时实现继承行为的效果&#xff0c;动态地给对象加上新的行为。 *利用继承扩展子类的行为&#xff0c;是在编译时静态决定的&#x…

机器学习中如何解决数据不平衡问题?

文章目录目录什么是数据不平衡问题&#xff1f;数据不平衡会造成什么影响&#xff1f;如何处理数据不平衡问题&#xff1f;1、重新采样训练集1.1随机欠抽样1.2.基于聚类的过采样2.使用K-fold交叉验证3.转化为一分类问题4.组合不同的重采样数据集5.用不同比例重新采样6.多模型Ba…

《Head First设计模式》第四章笔记 工厂模式

之前我们一直在使用new操作符&#xff0c;但是实例化这种行为并不应该总是公开的进行&#xff0c;而且初始化经常会造成耦合问题&#xff0c;工厂模式将摆脱这种复杂的依赖&#xff0c;本次内容包括简单工厂&#xff0c;工厂方法和抽象工厂三种情况。 1 2 3 4 5 6 Duck duck&a…

《Head First设计模式》第五章笔记-单件模式

单件模式 定义&#xff1a;确保一个类只有一个实例&#xff0c;并提供全局访问点。 编写格式&#xff1a; 1 2 3 4 5 6 public class MyClass{ private MyClass(){}//构造方法私有化 public static MyClass getInstance(){ //提供全局访问点 return new My…

处理机器学习大数据的7种方法

文章目录目录1.分配更多的内存2.使用较小的样本3.将数据提交至服务器上4.更改数据格式5.使用数据流方式或者逐行读入的方法6.使用关系数据库7.使用大数据平台目录 在实际的生产过程中&#xff0c;我们经常会遇到数据文件太大&#xff0c;而无法直接读入到计算机中进行处理&…