|
# U5 H+ r' ~* v+ \. n% h% F% Y c! k 原标题：声声声声临其境，一起坠入阿里云超音感空间 5 x) \, K8 ~8 {, n( x5 G I
# o9 i9 G4 b. o3 C( u( q( ^4 d& z* M: l" b5 s% m
1 \* ~' K, u7 Y8 s
大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。
1 Z3 k3 Q" [) y
+ z* f% A0 j D8 x7 ]
% N- O- z0 H8 V) p1 M 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 e& A0 ?- H8 |7 w+ W 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。
; S5 U) D4 F2 j( N' Z; }8 f; k4 k 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。 0 X. m% T2 ^* M" d$ y! D
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。 ' E' Q! V% ^) {3 q8 }: N
2 U, ^: e9 E) n
/ g, l+ i" F" Y2 Z/ G- C/ w8 W- P
01“视”之外的沉浸之“声”
) s( o$ u4 |; H 「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？
/ N6 T3 W. d. [3 g! ~! `7 C9 ? “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。
/ N& j# y5 ^1 @. K9 h3 C 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。
7 E1 o) G- `/ \ 「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。
+ |- W7 V3 P9 A. I q5 Z6 Y' u 从技术角度是如何实现呢？ 8 Q' S. E" B# h% f( v6 p) d
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。
# S) X$ O5 \4 Q3 i) t0 `' q 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。
9 `- X- Z; |, @7 t& U& @  图片来源于网络
; M6 ?4 ^0 X6 E z 02一个「球面」的声场？1 A7 W) Y, {5 ]* Q6 x1 _/ b, F
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）。
$ p/ Q0 U( q- k" l+ w' s ❖ 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。 + N, \* y2 ~) D( Q
❖ 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 M5 G+ _! h0 Q6 O$ A9 v$ ~
❖ 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。
4 M7 j2 _* e8 A7 ]$ {7 q) |3 `4 o  图片来源于网络
$ b9 }+ _* b. x& ^ 本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。
7 L7 B9 f0 w4 n+ R7 R 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。 i5 x4 X& x! d( ^( b/ I# \
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。 & g; L+ z# L9 ~) b7 g' n
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。 0 e! G8 g f% Q" G# h) P- A
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。
; H$ m. x, f: v 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。
% P' P" G& i3 Q; n 
+ v0 G8 w! t3 R& A4 {( K  图片来源于网络
' Z1 \4 J! a8 M9 U( D2 {0 \
03实现声声入耳的引擎：AliBiAudio9 `- D( `0 V, U" o. U8 m9 H
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。 ; n+ H" D+ Q/ r# H 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。 - C3 ~& ^ q4 {' A& Z' i$ P
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 - g/ j9 o- C% d
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。 5 c: d- k3 C r3 l0 ]
, S, q1 I9 R8 f4 ]( q
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。 . B4 H: f9 D; \ B- u1 Y
❖ 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。 3 J% w9 ], \+ B6 t8 `' R. _
❖ 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）。
# ~. m& Q' T+ E) |! [, @ ❖ 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。 9 `7 V! E8 w9 [" v& Y- L
* y, q g3 {' P1 P 04如何让声音跟随脑袋一起摇摆
" r# F% t; R/ F ❖ HRTF 7 d* }. c- ]. T
双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
* M, q2 U+ ?' m0 q 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 Z M" M) q/ ^ 
% h. h" G$ M" Y9 l0 s9 x/ r, I" v
ARI HRTF 数据库
% s% H( E- c& e 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： * v$ K6 H1 W" Z+ z3 h
7 _! P6 W5 `# q9 D L3 H; t" i: m8 } 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。 3 o O, u! c$ m! h) m
❖ Ambisonics数据格式 # n0 s+ \6 d! [* e6 i; L2 o& ]
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。 6 T. y6 P% m3 Y& K2 W& J
$ r1 X6 `: ~/ l1 Q9 }+ [0 x/ w
W 是一个全向& k1 }! V% A( u; ?
X 是一个双极 8 字指向，代表前后
' O% e2 U q' c4 [7 X) V Y 是一个双极 8 字指向，代表左右+ Y- J( h# h4 L6 K
Z 是一个双极 8 字指向，代表上下
7 {7 ~" ]! k, S9 `+ R2 h# w/ [0 @4 |0 ]& D& c
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： ; O- U2 a) f' R2 C0 A7 M3 {* Z
 图片来源于网络
% r% `8 {. }# z7 N ❖ 头部跟踪
& C9 u6 T# S6 `6 A) q" r 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。 - U' M) k) t3 p' [
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。 8 {* B Z0 H+ h0 J
 图片来源于网络
& X( |; ?2 T$ z5 _) R; X
05一起「声」临其境- U) S7 }9 A5 C: ^
「佩戴耳机」体验全景声，效果更好哦！ 7 o% L/ T0 ^- D, Q0 b
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。 W. l" l4 V) d- c7 A& \% A& s
01听：无人机掠过头顶 ! C" D3 ]; u9 m: M- q. a
+ ]# d/ r& V. l0 i1 h1 {$ ]0 }0 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。 6 ]# F$ d: [" R1 Q& x
02听：滴答滴答 / [8 M) J" M! E+ \3 F
$ z" ~: O* \/ z 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。
" n" ~# F6 C( z$ S 03听：沉浸游园 # p( l- ~# ^/ t$ I# O
( | D0 C$ f. v+ n, a9 _5 X \ 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。 " t# G9 l8 q4 [; \7 H
04听：PING PANG之声 9 v: {% L- H1 t7 Y3 S- s( W/ K& R5 }
2 K4 Y' W8 e x/ A& E! ~
沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。
6 [( Z0 H0 }0 Y( T! \ 06音频的未来，炫到无法想象9 J0 y) a% F0 W
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。 0 t* B* V2 ~: x( {, ~
❖ VR演唱会
0 A+ K5 c$ |5 s7 T8 o 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。 4 b2 H/ \- y8 M: ?
* m1 m V9 `! o% a7 w- n3 v
❖ 沉浸式影院 ; |8 c- ~4 o/ W5 ?- U
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。
2 o# t' m. O/ h* P ❖ 智慧教育 # t' D. t* e8 z) m# U! K
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。 : g/ C& T. V( [' u/ y/ }
❖ 虚拟会议 " r3 O, {7 Y( {0 M2 h7 w1 p$ b
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。 ) h4 X7 |; \/ w" }6 L
图片来源于网络
2 n" E" P) K/ L6 ]) x) S 未来的沉浸音频技术将如何发展？
% P2 j7 P2 ^7 `% |% ~! b 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。 ) F+ F3 a/ S$ ]) c, S# {
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：
$ |* P& C+ p# _ 3月开始，杜比支持个性化HRTF的定制。 ; G$ X/ t: h' N9 G
图片来源于网络 : a4 N4 b' m+ Y6 J5 a0 j
9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。 * }( m; w% I j1 n) P; a' z- y8 ]4 [+ x9 G
图片来源于网络
1 N! ~& f E4 @0 b+ }! B$ | 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。
9 O( o2 X2 E" ~ m+ p, `( q/ z& n; n 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。
' ~- m. y% J! z K9 t. c1 W 参考文献： / y, N5 o6 H7 f' z' C: W
[1] 5G 高新视频—沉浸式视频技术白皮书 # ^5 ?; V& I# B) m) q
[2] https://m.fx361.com/news/2018/0326/3298705.html
: H" t3 U# w+ n5 V6 B% K [3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe
2 w" j, z. W' c8 Z, g2 X0 P, a [4] https://www.birtv.com/Magazine/content/?246.html
, y3 K [7 a) a$ ? [5] https://m.midifan.com/article_body.php?id=6201 ' i; M" l- C, p4 T# o7 J
[6] https://sound.media.mit.edu/resources/KEMAR.html 6 `- I8 J( U5 v7 m
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf : y3 V$ s6 l- i% U1 k- g
[8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
7 k" l, ?$ X! V @
0 u# Y, S/ E0 z5 ~" T$ r 责任编辑： 1 D* T- Y9 Z2 p% I0 p2 s
+ d: m+ B% c: |9 }# ]5 C
: `$ @$ f* O, c2 t* S
- @ j- S5 M m
) r. z" e7 k, {$ U" a5 u: e- j) T | 
