|
2 \3 S. p7 p4 u9 e: \
原标题：声声声声临其境，一起坠入阿里云超音感空间
! [5 x" O/ d9 B) D( f! S9 q
p& J. C& p( l" c
/ Q) ~& O, q8 F& d. |+ H% }- W4 w4 z6 ?3 U5 s" |7 y5 y9 j4 P# 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。
9 E1 [, [' b% h
4 F7 ]4 j8 ]+ Z' M" U) l# T$ o! H
: O) V3 q2 I* o8 ^7 D }3 X; Y 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。
+ t4 Z) Y: v6 A 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。 + N, I/ L5 s5 K& P
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。 7 \- Q! Y* ?. u' i4 }: N9 _' A* 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。 % d7 `4 t/ C9 m' K' w! Z
/ u6 j* d& S$ x" Z) W
; g2 F7 ]% T1 y0 Z" x
01“视”之外的沉浸之“声”
& T. X3 \! r0 `# O' H$ O 「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？ & e/ K( [ M/ C% | w2 k
“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。 9 L+ |; s: q. i8 R% X u
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。
# N# B% E! s( B/ R8 v 「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。
8 L2 {2 j. |' G- s 从技术角度是如何实现呢？
0 n( ]4 K5 ^+ c. u# f ] 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。 - X7 k, h' d8 O! ] `: q) l
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。 & T h% H) [( M; A$ D
 图片来源于网络
2 G& E3 N0 _8 ^; j 02一个「球面」的声场？) d: e* N) g4 |
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）。 3 Z! X- C- L$ R5 v5 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。 t. ~! |7 g4 X% _1 K
❖ 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。 7 D- \. ^5 f: _, ^1 P
❖ 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。 / g( a- D' Q6 C$ R; r) @
 图片来源于网络
9 _/ K) a0 a1 n* C3 O6 T
本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。 ; Q; D) R3 k, W9 A( y2 J m: j/ @
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。 3 P+ y8 u/ {$ F8 k0 x1 T9 g
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。
% E' `0 \' P& S" `' B9 j 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。 ) | x, z- P0 \) \9 u2 ^
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。
4 h! P0 ?+ F9 J4 F, c& M! | 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。
7 S! I% H$ ?! U/ l3 b1 Y 
# j" {$ \% _5 x% b, R" ]7 _
 图片来源于网络
1 V6 s, b0 j. M4 O+ R 03实现声声入耳的引擎：AliBiAudio
2 x# K! H* h- x0 e' L 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。
6 i6 y6 i3 t' s" d8 f; Q 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。
; |$ l8 ]! l; j9 V' c 相对于多扬声器重建，耳机重建成本低、易部署、效果好。 ' {9 K5 ^- C4 r) [
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。
- S+ g6 p* \5 F1 C S' Y; V 
* }3 h- t' N7 [ 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。 + G9 Z5 n; {! O0 M N7 i
❖ 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。
: z( J# f5 `# q ❖ 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）。 , w2 t" l$ u# a
❖ 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。
' _+ }% B6 G; ~/ E0 @- f 
& s" h1 E. @) ` 04如何让声音跟随脑袋一起摇摆
! @2 h! x7 {, Z ❖ HRTF
# r/ a4 C2 G( _4 A( K 双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
3 U! [1 o6 k4 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。
: K/ z) G/ }6 \0 F" g+ g 
w) P9 l; h8 b ^ ARI HRTF 数据库
. }' @1 B3 y; Q6 ]- A% l 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：
" ]! j1 B4 w0 F; B7 o- R 
! M' ^2 X* J8 y9 `! t/ G 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。
' \. R* {" Z5 N: B ❖ Ambisonics数据格式
/ a1 T$ ?% N" ? 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。 : m e- d( u& c: N: @, C" t
" r9 b: Z/ A8 s% P( v o; T
W 是一个全向9 r* R; h# T: Y" o
X 是一个双极 8 字指向，代表前后9 Z% \1 c9 t- [0 {$ y
Y 是一个双极 8 字指向，代表左右) v. U/ {; ?6 t' q) ?1 M+ Q
Z 是一个双极 8 字指向，代表上下
# ?- t) t, ^0 G9 _% x& f9 E2 h7 F$ d/ N1 X$ r" E6 ]) }
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" I, W5 B0 ]5 |8 N5 Z, C
 图片来源于网络
. V$ A% \5 L& R4 [% g4 i8 {" N
❖ 头部跟踪
/ s3 o. a5 p+ X 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。 - a# o; U- O6 g9 C' _
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。
3 |' L) s* p" G6 [9 {7 O. n  图片来源于网络
. s- l- |" V' ?* W8 v3 t' y 05一起「声」临其境
- [: x* D) n0 G# t5 X& h, f 「佩戴耳机」体验全景声，效果更好哦！
: _- P/ P& X$ M" c 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。
" j8 A$ j6 N- v4 J 01听：无人机掠过头顶
$ L$ R& B- C! E! N
3 F, m r% |' N. J, Y( L/ y 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。 ! N; q2 D& e; O9 {4 U( ?8 H1 E
02听：滴答滴答
* \9 F. r6 j: G. X: b, \1 R( }9 c/ [. |' k
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。
' `6 j& A, S" `1 R6 D) b 03听：沉浸游园 1 [0 s! s+ X( Z0 i4 z+ O; N
4 r/ Z0 M$ g' g* t; J" d9 k
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。 * k8 b! S3 k; _/ x( V8 o' S# b
04听：PING PANG之声
# P5 z+ d c$ p/ q g( Q& {6 a- b1 |7 ~: J+ W4 r1 K- a3 |
沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。 ( e& y' u" f- h+ {) `5 J! ~$ M
06音频的未来，炫到无法想象
! ]6 X" Y, U6 J: ]( | 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。
2 w5 V! h `, {7 N( s ❖ VR演唱会
# Z/ E! o8 S w) z: ^ 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。 6 \ O, W, H% O* g
6 O+ I7 l4 S+ r ❖ 沉浸式影院 & k' I+ v5 q: ]
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。 0 n4 [: E! W( X; r2 k3 g; ]% ]: |
❖ 智慧教育 " \1 E/ f' F- Y- K/ ^4 E
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。
- ]1 Z$ ~6 u. [0 B ❖ 虚拟会议 7 `) Y9 J# [' w3 Y W& f, V' d- h
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。
9 u2 w. Y" P7 y \ 图片来源于网络
+ ?& ]0 G: h5 P, K 未来的沉浸音频技术将如何发展？
* I. z7 G; H u1 L! O1 G. ] 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。 $ [0 T9 K% y6 m
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：
3 {1 }. y7 ^4 S/ x3 B" [. I 3月开始，杜比支持个性化HRTF的定制。
x, G6 p3 v- ~ 图片来源于网络
6 l7 p( |0 u4 R+ A# e 9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
+ f. P8 v6 E1 i4 y$ P 图片来源于网络
\$ ^3 Q5 t1 F( E0 B3 x% v 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。 ( `# A& @( g5 x4 R( g
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。 - J6 W+ n5 \) [4 B. `0 ~9 E1 _
参考文献： % ^$ @" \8 _ i2 x
[1] 5G 高新视频—沉浸式视频技术白皮书 ( f+ B7 @& @, J# E) C: X
[2] https://m.fx361.com/news/2018/0326/3298705.html
9 N. L% z( N4 |9 _6 K [3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe
C/ H! s+ G/ p2 o4 [: x [4] https://www.birtv.com/Magazine/content/?246.html $ p2 S2 o1 w3 n2 M* h( F) j
[5] https://m.midifan.com/article_body.php?id=6201
( ?9 K- ]" b4 Y [6] https://sound.media.mit.edu/resources/KEMAR.html 5 r0 ?( D' u# Z8 Y5 h
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf
$ M5 [3 ~% T# A, P, d+ R [8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多 # [2 |( K5 `% M, ~4 n! c& a
1 C k: K3 H2 l5 K- |$ h 责任编辑： % w9 V, n3 a8 z9 u; p. k6 z
7 o7 S- k. i% Y* ?8 H; ~: k5 Q6 f: \" I
% w2 d# Q! U. `8 O5 T8 G" i0 ~2 |. S# C- R
| 
