声声声声临其境，一起坠入阿里云超音感空间

原标题：声声声声临其境，一起坠入阿里云超音感空间

% z( U7 \* D9 I; t& n0 F . e1 s' b4 n- C 大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。 K/ m+ Z% L' ]& p( o1 l F $ P& ]9 q3 K" ?! L$ W3 ~2 X# c9 X# s

随着硬件技术的升级、软件内容的丰富以及5G网络环境的优化，推动几经浮沉的VR产业走向正循环。

9 J$ d. ] g( B: }0 ], S( }3 m

就在去年，「Roblox上市」、「Facebook更名为Meta」、「微软收购暴雪」等将元宇宙相关产业推向风口，而Oculus Quest 2（VR一体机）出货量破千万台的成绩，更是一件将沉浸式VR从概念落地场景实践的标志性事件。

) [9 c5 ?7 X# [5 p2 U1 O v& F6 W! C

在本次云栖大会阿里云视频云的8K VR视频技术展台，体验者通过佩戴Pico VR头显，感受清晰度高达8K的360度VR视频，实时捕捉超高清细节。

- ?% B7 H; }/ f7 f! r% b

不仅如此，体验者还能以“声”临其境，感受令人惊艳的全景声技术带来的沉浸式视听体验。

/ [3 a" G$ b3 A7 B% l' o4 h2 {

" W8 x) T6 q8 W% a

01“视”之外的沉浸之“声”

「沉浸式视听体验」一词已多次出现在大众视野，究竟什么是沉浸式视听体验呢？

“沉浸式视听体验”是指通过视频、音频及特效系统，构建大视角、高画质、三维声特性，从而具备画面包围和声音环绕的主观感受特征，观众在所处位置就能获得周围多方位的视觉、听觉信息，带来身临其境之感。

听觉作为仅次于视觉的重要感官通道，对沉浸式的视听体验至关重要。随着用户对视听体验的极致追求，在“视”之外，沉浸之“声”技术应运而生。

「沉浸式音频」是指能够呈现空间的还音系统的声辐射，至少能覆盖观众的前、后、左、右、上五个方位。除此之外，还能真实地营造出声场的水平纵深和垂直高度，即从听者角度能精准地定位声音的方向和位置。

9 F' ~7 R; L5 p; P( g

从技术角度是如何实现呢？

6 O" y) H- C' U8 l6 q0 \

其实，真实世界的声音来自环境的四面八方，人耳往往可以通过声波的时间差、强度差、相位差、频率差等辨别声音的方位。

但现有的立体声和5.1环绕声只能呈现部分方向传来的声音信息，若想获得声音带来的沉浸感，需要尽可能全方位再现真实世界的声音，也需要一种沉浸式音频技术来实现。

6 }. [* H3 P1 i9 w* N. H

图片来源于网络

02一个「球面」的声场？

4 o4 k# D3 I) N5 A- S- R

沉浸式音频主要技术有三大类: 基于声道 Channel Based Audio（CBA）、基于对象Object Based Audio （OBA）、基于场景 Scene Based Audio（SBA）。

❖ 基于声道技术（CBA）：在传统 5.1 环绕声的基础上，增加了 4 个顶部声道，通过增加声道的方式来补充空间中的声音信息，但只能呈现部分方向来的声音信息。

2 \ j" n7 ^0 Q$ g

❖ 基于对象的技术（OBA）：是目前主流技术，并在电影领域已广泛应用，如 Dolby Atmos 全景声。该技术会产生大量的数据和运算，除了声道的音频外，还有关于声源的元数据Metadata，即：声源（位置/大小/速度/形状等属性）、声源所在的环境（混响Reverb/回声Reflection/衰减Attenuate/几何形态等），该技术在VR领域只适合主机VR上的大型游戏，对于普通移动端的硬件设备来讲，算力及带宽承载具有较大压力。

* d9 T6 c. @6 A; t, h7 |8 L

❖ 基于场景的技术（SBA）：用来描述场景的声场，其核心的底层算法是Ambisonics 技术,可被映射到任意扬声器布局中。Ambisonics技术的特点是：声源贴在提前渲染好的全景球上，即所有声源将被压缩在了这个球上。

图片来源于网络

本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。

Ambisonics作为全景声的一种录取格式，在上世纪70年代就已经问世，但一直没有获得商业上的成功。

随着近几年VR，AR等相关领域的兴起，Ambisonics开始逐渐被讨论。与其它多声道环绕声格式不同，Ambisonics传输通道不带扬声器信号，允许音频工作者根据声源方向而不是扬声器的位置来思考设计，并且为听众提供了用于播放扬声器的布局和数量，因此，大大增加了灵活性。

7 t! o2 `3 K, f7 ^5 V, b% a

Ambisonics音频格式可以解码任何扬声器阵列，并且可以完整地、不间断地还原音源而不受任何特定编解码播放系统的限制。

下图是一个一阶的Ambisonics结构，4个MIC垂直部署在一个四面体上，播放效果与Dolby Atmos类似，但和Dolby Atmos不同的地方是：Dolby Atmos 只解决了半球的声场。

/ u1 _, u8 i# ^- g% G

而Ambisonics除了水平环绕声音，还可以支持拾音位置或者听众上下的声源，即整个球面的声场。

: p2 ]0 V0 z3 a! S& L- W& f- U

图片来源于网络

$ K( P1 h6 g& b: i

03实现声声入耳的引擎：AliBiAudio

全景声不仅仅是增加几个声道那么简单，而是把整个声音系统架构都颠覆了，从之前基于声道来混音的技术上升为基于对象的音频处理技术，使人在环境中的听觉感受与现场实际声音一致。

1 E) |% F4 ~$ g2 ?

将全景声音频重建成用户可测听的形式有两种途径，一种是多扬声器重建，即电影院或家庭影院中的音响系统，其本质是将全景声音频转换到5.1.4或7.1.4格式；另一种是耳机重建，即将全景声音频通过双耳渲染技术转换为双声道音频，并保留其全部空间信息。

相对于多扬声器重建，耳机重建成本低、易部署、效果好。

不言而喻，耳机重建全景声音频，需要一个双耳渲染的过程，以此来通过两个立体声通道创建空间和维度的听觉感知效果。

% a }! E% {/ Z, }! i7 K8 r$ g

AliBiAudio 就是一个阿里自研的双耳实时渲染引擎，结合头部跟踪坐标，可以达到人转动，声源位置不动的效果。当前双耳渲染引擎，具有支持全平台、多场景、易部署等特性。该引擎既可以部署在移动端，也可以部署在云端，并支持三大场景的渲染。

❖ 单声道输入：用于虚拟会议场景，可将不同位置的人，渲染在不同的角度发声，通常部署在服务端。

❖ 5.1/7.1 输入：用于影视剧渲染，得到更逼真的环绕声，类似优酷中的“帧享”音效。既可以部署在端上（如：Apple Music 空间音频），也可以部署在服务器上（如：作为媒体处理，将多声道数据下混成2路数据）。

❖ Ambisonics输入：对Ambisonics格式进行渲染，用于VR直播，VR点播，当前部署在Aliplay中。

; \1 D: J/ k: L- C! n* z/ E+ j+ ^

04如何让声音跟随脑袋一起摇摆

& A" }# r# `0 t2 P2 q+ `! n* Q

❖ HRTF

1 C( `2 z9 s3 {- R

双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。

' g0 T/ X @9 p7 z

每一方向都有两个HRTF，分别代表音源到左右耳的房间冲击响应，通过720度扫描可以得到一个球形的HRTF库，如下图是一个ARI HRTF 数据库的分布。

* Z) r3 L8 `1 i5 g* l6 S* E! G

% B# s9 q+ [) @

ARI HRTF 数据库

: h0 Z' `5 g0 R4 m% V# {

在渲染时，通过输入的角度信息，先从数据库中选出当前角度的HRTF对。然后再将输入数据分别和HRTF对进行卷积得到左右耳信号。为了得到更逼真效果，还可以添加一定量的房间混响如下图所示：

4 W- n& @: G+ N, C3 l4 Q+ x

5 _. b) A/ g5 Y. r4 }1 W

本项目对大量HRTF库进行筛选，获取到一个最优的数据库。

❖ Ambisonics数据格式

Ambisonics 的基础功能是让来自不同方向点声源，作为360度的球面来处理，这个中心点，就是麦克风放的位置。当前广泛用于VR 和 360 度全景视频的Ambisonics 格式，是一个叫做Ambisonics B-format的4声道（还有另一种格式叫A-format）。由W, X, Y and Z组成。对应着360度球面的，中心，左右，前后，上下。

0 B1 h& \7 t( J% n7 S; i+ J8 \/ b6 L / l' O# Y( e' f# t7 E W 是一个全向 X 是一个双极 8 字指向，代表前后 Y 是一个双极 8 字指向，代表左右 Z 是一个双极 8 字指向，代表上下

B-format 有两种格式分别是ambix 和fuma（它们只是排列顺序不同），而A-format 代表4个mic 采集的原始数据。B-format和A-format的关系如下：

图片来源于网络

❖ 头部跟踪

该技术利用了某些特定款式耳机中的传感器信息，如：加速度计和陀螺仪，从而更好地跟踪头部运动，并做出相应的音频调整。

Apple已经从 iOS 15 开始通过兼容耳机带来支持头部跟踪的空间音频功能，目前Android 13的发布预览版已完全支持在兼容设备上使用头部跟踪的空间音频。本次云栖大会的展台体验便主要利用了Pico头显设备中陀螺仪的信息。

图片来源于网络

05一起「声」临其境

% T2 q0 R; Q& r; y. G: l

「佩戴耳机」体验全景声，效果更好哦！

现场体验中，声音的变化会随着头部的转动而转动，本次线上DEMO体验将依靠手动界面移动来模拟头部转动。

01听：无人机掠过头顶

# s6 Z6 e, {( m9 c) \% @

无人机逐渐升起从头顶掠过，当视角跟随（模拟）无人机时，声音相应地实时变化。

02听：滴答滴答

: l( r& V" G+ i& X& V K, N

聆听水滴的同时，发现左方有无人机的声音，视角随声而转，一路跟随，感受无人机由近及远的变化。

03听：沉浸游园

# [7 w: @% n- k8 f) n3 ~

主持人在介绍园区时，用户向四周左右观看（模拟），在此过程中，主持人的声音呈现与他在你视角的位置始终保持对应。

9 d7 G8 p+ w7 Q% _+ ]* w/ y8 u

04听：PING PANG之声

沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。

06音频的未来，炫到无法想象

! o8 d1 U8 T/ W. i2 U' b

除此之外，全景声双耳渲染技术还可运用于多个场景，带来沉浸视听的无限想象力。

! e# A' d% {* B# u k! _ k2 U

❖ VR演唱会

现场混合360度视频和全景声音频， 同时将数据传输到相应的移动平台，并进行实时直播。让观众可以达到“不在现场，胜似现场”的感觉。

s Q. p$ A9 T, w

❖ 沉浸式影院

2 r2 Q4 w6 Y q s" o7 ~

也可以称之为沉浸式投影，是一种成熟的高度沉浸式虚拟现实系统。它将高分辨率的立体投影技术、三维计算机图形技术和音响技术等有机地结合在一起，产生一个完全沉浸式的虚拟环境，大大增加观影的沉浸感。

; v# ^1 @; ?" d& U( Z3 Y" j5 q

❖ 智慧教育

7 K$ v- W# g1 Q2 O

沉浸式教学模式逐渐受到教育界的关注。例如，IBM研究院和伦斯勒理工学院联合开发的“认知沉浸室 ”，它能让学生置身于中国的餐馆、商场、园林等虚拟场景，与AI机器人练习汉语对话，大大提升了学生的学习兴趣和专注力。

. U/ w' A) t: ^

❖ 虚拟会议

0 i- g- l* R, i0 G% I& y6 y

以Facebook基于VR开发的虚拟会议为例。而为了更贴近现实，Workrooms还加入了沉浸音频功能，让用户交谈时，声音的发出的方向跟他们所处的房间位置一致，从而进一步增加参会者的沉浸感。

) e2 B6 f9 r+ b5 ^& Z/ |; Y6 t

图片来源于网络

未来的沉浸音频技术将如何发展？

; J& q# h. g6 L5 M1 ^

以双耳渲染引擎的核心模块HRTF为例来说，当前的HRTF模型，是一个固定模型，无法适应不同人的声音感知差异，尤其在正前方的外化能力还不够好。若想得到更逼真的声音效果，需对HRTF进行进一步优化，使其适应每个人的个体差异性。

比如：根据每个人的人头大小，耳廓信息以及肩膀的形状独立建模。在国外HRTF的建模与个性化发展已经成为趋势：

! g% [3 o) J- t& F% \. V; N0 ~

3月开始，杜比支持个性化HRTF的定制。

2 O4 }8 R* L% t0 N* t8 P6 l

图片来源于网络

9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。

图片来源于网络

" s1 I6 b/ B; P0 h

此外，用机器学习的方法，将面部，耳部图片，转化成HRTF也在火热研究中。

X. l: H5 i& c8 w* Q) A

未来，阿里云视频云将继续探索基于深度学习与信号处理的的音频技术，为VR超高清视频直播带来以「声」临其境的超沉浸之感。

3 k& \% _; X# Y" \" }

参考文献：

[1] 5G 高新视频—沉浸式视频技术白皮书

[2] https://m.fx361.com/news/2018/0326/3298705.html

[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe

[4] https://www.birtv.com/Magazine/content/?246.html

[5] https://m.midifan.com/article_body.php?id=6201

[6] https://sound.media.mit.edu/resources/KEMAR.html

[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf

* C2 G9 }- y$ d$ \

[8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多

责任编辑：

% a+ |, j- \' F1 ]: ~+ a