|
8 Z7 w/ e. h0 l- f$ J0 I6 V. w! j
原标题：声声声声临其境，一起坠入阿里云超音感空间 * c; \6 X& _3 j5 v% @2 C+ i* D+ n
' [! I' I: p* X/ S1 X1 t& h2 O; f) t2 W8 } c6 K! L4 `( x; O
, e4 ^( A& b4 u9 U
大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。
3 V9 {6 m4 v: T+ v/ x2 O' Q* M) ^4 E! S$ y- @' f2 s R
. i. }6 w( ^; c: k( Z' z4 z6 G
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 Q+ f( n" r2 ?+ y 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。 + m& l! S+ N6 _0 w ?
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。
2 |$ f% ?2 c3 j5 {' Z 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。 7 l9 v8 a& I; X& K6 G+ W5 e
^8 R% m% F6 W* X& o6 t8 h. P 
, `( H) R% D$ p- l 01“视”之外的沉浸之“声”8 u) c3 d. R; @
「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？
" F" l3 P1 R) Z$ O" O& }5 G3 S “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。 7 M/ j; m/ I5 ]7 B
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。
0 }% ~8 }! J" o8 ^- i1 Q' k6 J 「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。
" A. b4 n$ A$ _! c5 O 从技术角度是如何实现呢？
, o0 P( u* {: ~4 X 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。 - [* N7 \' T. J8 q$ Y
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。 1 H! [7 c9 G [ q' I! n: w' H- S
 图片来源于网络
, a" Y7 h" q) `8 \% e! G 02一个「球面」的声场？
3 g! J8 g5 ^5 E 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）。 1 n5 T) y: }' a0 b
❖ 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。 3 G) ~4 W2 C3 Y# {4 Q& y: _6 V
❖ 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。
( ]3 e) q- ~ q6 r7 B5 o0 E c ❖ 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。
1 a( W+ ?' F/ ~$ Z W- O  图片来源于网络
, a V6 n3 N& j! D8 R
本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。 ) {; {* A( e1 d: ~8 x
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。
: O1 W' k6 o- D. v 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。
+ b" e' ]- w) r6 b" [ 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。
" g2 C% W9 }( g1 m4 A' J& j 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。
5 A2 D" \9 V# D 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。 & a! e# H7 ?, A6 l( V. G
' `9 Q1 Z* m% V. H1 }, X" n2 j  图片来源于网络
( c F5 ^/ s7 F
03实现声声入耳的引擎：AliBiAudio
- c+ [. a- E/ H+ y! F 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。 , o$ `; O- j; X7 W( M
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。 ! e d1 b1 J) e+ N9 `
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 + b3 d5 l/ D) W! \1 {9 E2 V! @& e
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。
. H+ g- L- a& {6 \- S. C7 a 
5 \; @4 A+ I& o0 |3 T 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。
( r" c9 s+ p @2 Q2 o0 \3 d3 D' [ ❖ 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。 2 @0 c2 m( f5 S' m$ ?+ V7 |
❖ 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）。
2 T* ` i! J4 q) A: y ❖ 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。 5 h& Z# m+ E( [$ A- U: L% S3 w
2 ?0 p/ }% z4 u: _0 U6 X% T5 _ 04如何让声音跟随脑袋一起摇摆
) R* ~) `" y/ x! l; M' o ❖ HRTF ! I+ i% c1 _+ D- t6 d
双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
5 a) \! B3 Z+ d. ? 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。 * T `/ c) v, a
! a3 u) R0 ?' _ I( g
ARI HRTF 数据库
/ `5 _/ c9 t3 \. s8 u" k( R& H1 U 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：
+ n: v/ |: n) R! R' H0 a' M/ h 
( o. g1 Z( y0 s! ?8 W! B' }; m
本项目对大量HRTF库进行筛选，获取到一个最优的数据库。
7 I( `5 {8 A" q% ~5 J ❖ Ambisonics数据格式
9 y! Y* L. I9 S% ]) | D 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。
* S, t3 K" q# ]! s4 V1 v5 q
! l. L$ l: k4 t0 Q2 ^ W 是一个全向' {/ f+ d2 t$ O" F& Z
X 是一个双极 8 字指向，代表前后$ u- U* l! x! C4 {; ?, q
Y 是一个双极 8 字指向，代表左右
9 n7 M9 V" m. h2 v- q" U Z 是一个双极 8 字指向，代表上下. @# q9 e% L/ o8 f) F" I3 n
! V2 S) p! k( e4 a) _; K% B% M f/ a$ } 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： ( [0 k `6 H+ X7 b9 c5 u% _8 p
 图片来源于网络
# `5 O6 B0 ~) z# Z0 W
❖ 头部跟踪
9 L5 ?( r/ p7 w2 `" Z0 j7 h5 J, A 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。
0 w3 f" V1 Z; B; F 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。 5 A7 d: I$ _8 S
 图片来源于网络
% W% Z6 r7 L: c; ] 05一起「声」临其境
3 n! l& e6 b' j# y o 「佩戴耳机」体验全景声，效果更好哦！
3 L7 R4 y( I! K2 Y% O; L$ y% Y 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。
& r% E- Z1 w) v 01听：无人机掠过头顶
) V6 w8 I& B- Q$ p0 [( Q$ I! N3 e' I. O. y# n0 f/ f2 S1 D
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。
& _+ X9 H' ~, @9 m/ X/ V 02听：滴答滴答 # E$ Y2 c+ I! ?7 A3 I p
" @8 ]* B: ^& _3 v# t 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。 % ?0 c) v, p' w" A$ V
03听：沉浸游园 . j9 W* M G# U2 y0 A" ] @$ Z: J$ T
" w. s$ C0 q& }! r
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。
3 m G& P/ I9 J: ]) F" l9 R) h 04听：PING PANG之声
; N" G) w2 Z; v" d2 x1 K- q1 O# F4 z; p( ^* {, F/ b
沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。
; x; ^. T. a7 Z6 |8 r+ G( s4 m# C 06音频的未来，炫到无法想象
7 H$ X# B* d2 Z 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。 ) x. Q/ N* E+ g. x, q
❖ VR演唱会 " O- i/ L5 V3 v, Q6 j% c
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。 9 H" Q+ |) p' Z! s% ^9 T
- ]' I+ J/ f1 X5 a
❖ 沉浸式影院 , X4 D& j7 w7 c& d$ \% T
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。 ) W- A/ S: p6 Z8 N) m: u% I
❖ 智慧教育
7 c9 s7 }$ h# H 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。
* y, V1 J. {, }% j& H6 `, k ❖ 虚拟会议 # [2 B" V+ i4 M: s
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。 / [$ q `/ G/ C
图片来源于网络 2 V# }0 ^' M& n o! w9 U
未来的沉浸音频技术将如何发展？ " n7 M8 s3 A3 O7 a" y% Y
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。
7 n" ?0 w( g$ P! P! U$ [ 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：
# {8 o( x. `: R, y# e; U. q% r 3月开始，杜比支持个性化HRTF的定制。
; L' o' Z& I% i% d! [ 图片来源于网络
6 y' ]0 B. D) D- k 9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
. ^0 y5 S% ]( l- {% p2 _ 图片来源于网络
; l* a8 y8 T- H5 A 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。 $ O- M; V/ a0 M5 `% N+ f+ i
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。 $ r. l0 P- y0 w
参考文献： + K$ [7 v2 i0 O- |
[1] 5G 高新视频—沉浸式视频技术白皮书
9 k' f; ]1 e/ i1 M2 ]- o0 a o [2] https://m.fx361.com/news/2018/0326/3298705.html / L' W# v+ M( N9 T. @4 E* E
[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe
2 L2 d* q2 U' |$ c [4] https://www.birtv.com/Magazine/content/?246.html - `4 P E: I4 c" A4 e
[5] https://m.midifan.com/article_body.php?id=6201
, _, e! w- B) |# h* i [6] https://sound.media.mit.edu/resources/KEMAR.html
: A$ k" u7 y( T5 [7 Z' w [7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf 5 w0 i. m+ u5 {& W7 y8 u; P/ p
[8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
- @6 }7 c. p' \6 J& `3 y( \- s. K! s
责任编辑：
. c) F6 W: l4 m- U( l; J1 D1 z8 g5 C: v% Z8 e0 f5 g6 Y
# N @+ z- `. O; z- a
3 M A& j' F: Q0 }
2 x3 \0 E t" I& H( a: Y | 
