我喜欢“人脑会把声音的频率数出来”这种说法。话糙理不糙。
从解剖学的角度，人耳主要分为三部分：外耳——鼓膜腔体（Tympanic cavity）——内耳（下图1,2,3）；
从信号转换的角度，声音被大脑感知走过：机械——神经电信号——中枢信息处理这一过程；
从机械声传播的角度，声音先后经历了：空气传播——机械传播——液体传播。
听个声音，也挺不容易的。
一、外耳
外耳分为：耳廓，耳道和耳骨。
- 耳廓 (Pinna)：对声音的空间感知（Spatial hearing）有重要作用。比如，闭上眼睛，一个高频声音分别在前后方播放，由于耳廓的特殊形状，声音在耳廓上发生的反射不同，导致传导到内耳的声音不一样，因此人能判定声音的前后位置。这个叫做spectral cue。当然这只是对于高频声音，在低频由于波长很大，闭上眼睛人很难分清前后。
YouTube上面有人做了个非常有趣的实验：把他儿子的眼睛蒙上，他在周围拍手，孩子总能指向正确的方向；之后，他用橡皮泥贴到孩子的耳廓上，然后孩子就迷失了。
- 耳道 (Ear canal)：外侧连接耳廓，内部止于鼓膜。成年人的耳道平均长2.7厘米，直径在6-8毫米之间。类似于1/4共振器，共振频率在3kHz左右，这也是人耳最敏感的频率部分。对f>3kHz的声音，耳道扮演着功放的角色。
- 鼓膜（耳膜, eardrum）：类似于音响的振动膜（membrane），只不过小很多，只有85平方毫米，有效面积不过55平方毫米，厚度大约0.1毫米。外耳接收到的声音，被鼓膜接收并产生振动，传入下一环节——鼓膜腔。
二、鼓膜腔 (Tympanic cavity)
鼓膜腔中充满空气，为了平衡外界大气压，与耳咽管相连。从鼓膜到鼓膜腔中，依次连接三块骨头（听小骨，Ossicles）：锤骨，砧骨和镫骨，这三块骨头将声音传递给卵圆窗（oval window），进而传导到内耳的耳蜗处。
其中，镫骨连接镫骨肌，起到“保险丝”作用。当传入声音超过85dBHL （HL为“听力级”，声压级通过个体听力敏锐度补偿之后的值），这块肌肉通过延迟来保护内耳。
从下图可以看到，从鼓膜到三块骨头再到卵圆窗，他们从尺寸上是逐渐变小的。为什么呢？因为耳蜗中不再是空气，而是淋巴液。如果鼓膜腔和耳蜗直接相连，那么人类的世界将会是安静的——由于阻抗变大，加上鼓膜振动产生的压力不够大，声音几乎会被完全反射！而经过鼓膜-锤骨-砧骨-镫骨-卵圆窗这一系列传导，压力被放大，以确保声音能够进入最后一道工序。这一过程也称阻抗匹配 (Impedance matching)。
除了通过鼓膜腔传导声音至内耳，还有另一种传导方式——骨传导。最直观的例子，把耳朵捂住（假设我们有万能的大手），还能听见自己的说话声音。是不是含糊不清？那是因为骨传导的听觉敏感度远比常规的耳道传导低得多。
三、内耳
如果把人比作听力系统（Auditory system），那么内耳的重要程度相当于大脑。声音将在这里转化成电化学信号，并被中枢听觉系统处理，分析并感知。
内耳，尤其是耳蜗的构造让我不得不感叹，人的确是这个星球上最精密的机器。
镫骨连接骨迷路 (bony labyrinth)， 里面充满淋巴液，最→_→那头蜗牛就是耳蜗 (cochlea)。把这头蜗牛抻平，大约有30-35毫米，直径0.3-0.9毫米。声音在耳蜗中发生质变，终于从机械信号变成了电信号。简单说，在耳蜗里面，声音走过了如下路径：
—— 声音从基底膜（Basilar membrane）上面的腔体进，下面的腔体出 ，引起基底膜振动
—— 毛细胞 (hair cell)上面的纤毛检测到振动，转化成电信号
—— 电信号通过轴突，传递给大脑处理
—— 咦，我好像听见了什么？
在柯蒂氏器（Organ of Corti）上面，分布着近2w个毛细胞，每个毛细胞上面又有50-150个纤毛（有密集恐惧症的就别细想了，耳朵里居然住着这么个妖怪）。
耳蜗的另一个牛逼功能，是“傅里叶变换”，不同部位采集不同频率。
耳蜗外部的基底膜刚度较高，因此只有高频能激起这部分的振动，进而被毛细胞感知；而耳蜗内部相反，刚度较低，因此这部分毛细胞主要检测低频。这和音响同理，低音炮往往很大，刚度低； 而高音Tweeter则小很多，刚度高。因此，人类才得以区分各种不同频率的声音，比如贝斯比吉他更低沉，女人比男人语调更高等等。
另外，在同样大小的空间，卷曲状的耳蜗要比直版的耳蜗接收到更低的频率，才让人能听到20Hz的低频。
题外话，不得不吐槽中文的直观性：
耳蜗=在耳朵内，形似蜗牛的器官
cochlea=??
查过才知道，是从希腊语κοχλίας (kōhlias)引进过来的，直译：螺旋的蜗牛形状。英语在很多词上都直接引进外来语，一点首创精神都没有……
词语的直观性这一点，德语和中文一样优秀：Hörschnecke。Hör：Hören（Hear）的词根，Schnecke=snail=蜗牛。
扯了这么多，回到题主的问题：
听到一个音，人能感受到一个音调。这个过程在脑中具体是怎么发生的呢？
已解答。
网上有说法是人脑会把声音的频率数出来，我感觉这个说法欠妥：首先，高频声音每秒几千次甚至上万次的振动怎么数的清？
数的清，只不过不适用大脑来数，它还有更重要的事情去做，这种糙活儿交给基底膜和毛细胞就可以了。
其次，今天我测试了在无干扰下，能在440赫兹附近分辨出0.4赫兹偏差的两个音，这么小的差别人脑不会数错吗？
Psychoacoustics（心理声学）这本书告诉我们 [4]：
500Hz一下，人耳能区分差别1Hz的纯音；500Hz以上，这个区分值（有专业称呼，Just-Noticeable Frequency Differences，简称JNFD）为0.002*频率值。比如，在1000Hz能听出2Hz的区别。不过这些都是基于平均值。题主很可能基底膜刚度的gradient比较细分，外加多长了一些毛细胞;)
刚好赶在2018年的尾巴写完这个回答。祝大家2019新年快乐！
参考：
[1] Janina Fels. RWTH Course: Medical Acoustics
[2] Brandon Pletsch: https://www.youtube.com/watch?v=PeTriGTENoc （和交响乐结合的动画演示非常生动）
[3] Jennifer Kincaid: https://www.youtube.com/watch?v=epjV4bD_8rU （分解图做的很细致）
[4] Zwicker, E., & Fastl, H. (2013).Psychoacoustics: Facts and models(Vol. 22).
来源：知乎 www.zhihu.com
作者：子鱼
【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。
点击下载
此问题还有 5 个回答，查看全部。