|
, [* b, M$ h0 u% g3 l5 b
原标题：声声声声临其境，一起坠入阿里云超音感空间 7 g# K) L! I& s+ _- ^+ S
5 Y. `+ M! n E x) g5 n
8 i2 ?" T- r& R* U
$ b) g+ H5 o% J) F: ] z 大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。
7 |- n5 V Q. J8 j% j" ^9 g7 h8 e
5 d8 Y n- H9 u& R% J* K r6 K7 D* Q- \7 T- h' V L7 N r
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。 $ a( Y. \ Z! t" ~$ p$ `. n' [$ }
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 Z f d$ H3 z8 y 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 Z! t& h7 N7 w3 q4 P( Q6 J* K3 v
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。
" r+ A L& U# |. @1 O+ U 
% r, ~# S8 q1 ~: G, u$ ^' ?
5 R5 s2 [4 b0 h$ `1 B. G 01“视”之外的沉浸之“声”
2 F6 z! V( M+ m/ x/ 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？
! F2 E- F$ K, N5 j+ e' _7 @ “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。
5 E8 z1 B, w- ^7 C" J 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。
) T+ W1 x! b6 t: Y- ~/ |1 P 「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。 ; T! E \ K7 S# C
从技术角度是如何实现呢？
c1 ^* t* Z, @! O, r 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。 % C; v: Q1 D: x6 F( Y& O* W9 V
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 G# N; L# u6 r! {3 v/ C  图片来源于网络
2 G, a" ^% E3 q
02一个「球面」的声场？
' S3 U- y _& e% m5 t0 b 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）。
4 x2 |+ G) j# {* o' a( S1 Z ❖ 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。
w- ?# a" u4 M ❖ 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。
+ u, ~6 T' F! O+ K( X3 t: q! e( ^ ❖ 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。 . b& o7 [6 [* V% b
 图片来源于网络
- D6 F& I4 _1 z* O0 M) }
本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。 & R O. {5 h9 _
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。 / M" }$ C I6 N! ^/ y
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。
8 }* u9 x5 `/ T M8 n" I: D8 f 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。 $ M; s8 {- x4 `# h
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。
/ p! K9 E: l) \ 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。 + X' W4 { u: S( ~4 P1 U
' d8 K9 }: Z7 W  图片来源于网络
$ Y. `+ @6 a& T8 q6 F! T
03实现声声入耳的引擎：AliBiAudio
& z" ]% K9 ^. a2 z1 j7 e; 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。
# e6 s5 k3 i+ Q+ u) I8 C$ \+ y 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。 9 _1 R$ T0 | a. y/ n0 x) m
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 6 z9 e3 Q/ J' z# n1 W. c9 x
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。
: @# N# ~3 k4 V 
; W% |3 J4 l3 n! P/ H S! E 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。 . b) F% t8 V) |4 b2 G
❖ 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。
7 E" r. f, i' w; i ❖ 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）。 ( h9 R9 v5 ], B9 w7 X
❖ 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。
4 X s7 E. R, ]" ? 
+ s$ f3 `: W5 ^4 W5 j- u. a 04如何让声音跟随脑袋一起摇摆
- ~, c( o' V% H ❖ HRTF 1 x7 Y6 [# ^1 y8 e# C" O. F, X( Y
双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
* b9 s& A8 I: J, k% p! ^ 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。 7 x! |' r8 X* B1 C
1 G+ q$ e8 y6 l
ARI HRTF 数据库 5 r8 ]1 }/ a2 X3 w
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：
+ W5 Z. T- u0 B% ^( }# D. F6 g8 L 
$ j% |0 x2 j9 {# ~9 H
本项目对大量HRTF库进行筛选，获取到一个最优的数据库。 + ~( B+ M" W, H/ }' w* D; j
❖ Ambisonics数据格式 : U! c3 l- M) Q9 }* A# E- }, I
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。
7 m" U$ y5 S# W! P6 c4 p# T- S6 Q; W! b/ U% P
W 是一个全向
6 F0 q0 k) c( G7 h3 h X 是一个双极 8 字指向，代表前后 u* d4 h$ _4 Z8 U1 |' v' D% _- F# e
Y 是一个双极 8 字指向，代表左右
3 a1 r+ C0 p" q3 L4 X Z 是一个双极 8 字指向，代表上下
7 T! u3 Y, x1 @. \' `6 e- c$ e; k0 Y0 p) E. 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：
' @7 h; r" Y/ S6 J# p  图片来源于网络
! t- u) B' u: }8 G9 Y- k0 d3 ?
❖ 头部跟踪
3 r! j8 ^. k( F 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。 4 A0 c) g0 }* y" I; i
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。 6 X, ^8 l! w& {6 ]2 ?
 图片来源于网络
1 c6 [. |4 e6 O8 L" h& J
05一起「声」临其境
) q5 _ w9 \9 K9 H7 o 「佩戴耳机」体验全景声，效果更好哦！ % n( h7 Y; o9 F
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。
! Q3 U! D' T ^6 e 01听：无人机掠过头顶 # `% e, U5 d1 Q
1 Y% M9 M# f" e, s# | 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。
4 x$ ]2 j# F3 v0 Z/ ]% q" P& v 02听：滴答滴答
% W( l5 ?4 k$ ?; E+ N8 m: _$ F. X/ N# B/ \# @
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。 9 K7 w% L2 z5 Z, S
03听：沉浸游园
/ G2 W8 @4 U% f/ b
8 `# D3 z0 W3 J; R0 ^( G 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。 4 G& ~4 s \0 ~4 e
04听：PING PANG之声 % K' D9 n. G" O1 @) t0 k
; d4 d! O& ]7 r" w 沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。 0 |% s1 V2 \; `) T S* _9 R! \
06音频的未来，炫到无法想象
& ^4 k% L( P5 J/ { 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。
0 i/ R; ~" d+ a" n L ❖ VR演唱会 % y+ a# R' C4 |# G+ G# g
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。 " ]. E. g0 k/ a
. Z1 z6 o5 H& R! b8 I8 @# U6 U9 f* c ❖ 沉浸式影院
9 h/ V [# L7 D3 M4 d! ^6 l. R6 y3 h 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。 / l6 r1 |: e" v
❖ 智慧教育
$ z; W1 Y" ]& x6 ~( ]+ V 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。 9 y. b+ O8 |/ q
❖ 虚拟会议 5 E' T) f9 U' t5 m1 I; w
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。 2 I, L* T. b; X" [5 |
图片来源于网络 " s( N. g" O* Q7 H4 F# B( O, U
未来的沉浸音频技术将如何发展？
$ g) r- l" @3 T7 a0 a) Q6 m 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。
- A% f$ m3 L# Z- _+ a 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：
0 l, l! w3 m5 q9 W4 B8 Y0 U1 V 3月开始，杜比支持个性化HRTF的定制。 1 e3 c" d6 k1 K, N
图片来源于网络
, ]# i- h0 O( v, h) N/ {, o2 d 9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。 5 S. N% ~6 E4 D3 N+ x/ Z2 @+ x
图片来源于网络
, O X3 o, T7 \- 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。 ( f, `. z% L' q
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。 7 Z7 c; x8 S4 z
参考文献： 1 T- P6 @0 l6 i/ u' j+ v3 {% j: w
[1] 5G 高新视频—沉浸式视频技术白皮书 ( u6 I) i2 l" e, m, O: V7 W
[2] https://m.fx361.com/news/2018/0326/3298705.html I* b" R% m( M8 r% [( Q
[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe 2 {6 R% {$ O$ k w( p; g3 n+ Z
[4] https://www.birtv.com/Magazine/content/?246.html
/ _; z1 p0 Q1 P! G [5] https://m.midifan.com/article_body.php?id=6201
* Y" Q8 w; b# c* n7 ^+ c6 } [6] https://sound.media.mit.edu/resources/KEMAR.html 4 U' `7 a/ e$ \7 k7 v
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf / @3 y8 }, z0 t7 A6 z. m, h# Q
[8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
6 F$ \6 D$ }0 o9 W( F
$ s( p* u% Z* n. b# _* x4 s! J, U 责任编辑：
b3 J" b+ g ~0 z6 |' c% v5 R6 X8 b- S7 ^2 [
3 g1 I" _, R5 l. R* u% P( y" |" ?- S8 ^" e8 x* j& U
* c- I! G6 L" p6 `' R# h
| 
