|
& `" k q1 W1 Q/ q 原标题：声声声声临其境，一起坠入阿里云超音感空间
/ _, ^4 t" i! C3 O9 q% u) N
2 s! m4 n% O+ M9 F$ c* o# S7 Y$ a4 F
$ Q) M2 S5 O/ k0 X* z" o4 J# Z( s( c+ P* b; C1 t: |' w
大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。
0 ^. p' s7 F; i, z6 z1 K
3 N+ F4 a2 n4 s7 J
& ]# L, i- Y* n+ M+ 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。
1 f' U5 g* J. v7 C! J, ^ 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。
8 F) [1 U4 w) L, @8 k0 U 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。
, o+ m( {$ X# C" w, v! U 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。
8 g! Y! E" j& r6 g 
. D! n; j) o6 W5 f( M. n) ~
2 ]# {2 }" m+ B$ A 01“视”之外的沉浸之“声”: q8 |+ c ?% u# @ _ x
「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？ 8 y7 N8 f6 f& V T( {; L
“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。 2 V( U, B; ?: |, 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。
; E* `' j( F( |0 f. x& ?& h 「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 q- c9 Y8 j8 j+ |& S8 _ 从技术角度是如何实现呢？
# p2 P1 h/ N7 i# \ 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。 ( X+ t; @3 {: R% p
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。
7 M( q, {/ ?7 O  图片来源于网络
7 R! }: e/ ]- Y+ s+ p 02一个「球面」的声场？
& K' }$ l" ~+ p, Z8 B1 X+ w! i& Q8 [( 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）。
0 O7 `. i8 m( ] ❖ 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。
1 }! j, T$ z4 ^ ❖ 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。
, m" E% Z* L" r* ^, Z ❖ 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。
. V& {4 f. X+ ~, ^  图片来源于网络
% L3 s" t2 s0 y5 ~6 c7 V7 Y 本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。
+ [% g( W& R9 X/ h! Q+ s 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。 7 z: B7 U& }; I$ F1 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。
) k, }/ ?8 W+ e9 X7 Y 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。
7 ?0 d4 _6 r2 w0 i7 Z( v% O1 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。
4 g5 n" `3 J0 e$ @. { 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。 1 ~$ O1 x+ F, u
* o% c9 I! b' J! Q: N  图片来源于网络
4 W3 W6 d2 L# p8 P3 n 03实现声声入耳的引擎：AliBiAudio8 ^5 O% Z& T+ A/ b: l2 ^$ p
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。
8 h% ^1 S* S8 V 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。 2 L* V) a: S. F1 _' |- K, H/ L
相对于多扬声器重建，耳机重建成本低、易部署、效果好。
9 `4 {" |: q" X4 W$ T, X7 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。 ! C; r" |7 z" u' ^
% {/ E) A( ?" M7 O
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。 7 J7 c% u; n# t# Q* X; ~
❖ 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。 6 g: K/ r l. i' N
❖ 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）。 g: D) R8 z; d% g$ W @7 z# K
❖ 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。 / t! F5 M/ M2 j( ]6 [) l( v
9 A: m: V* W+ L5 X 04如何让声音跟随脑袋一起摇摆* b8 V# L; X0 p6 z
❖ HRTF
3 E7 r1 O% P( e8 o* V6 v5 O 双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。 7 N6 c" M4 D) l+ B& V
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。 6 T0 N. a& u+ O5 K) I5 y3 \
" ?! L$ d/ I# @
ARI HRTF 数据库
) P: F) s+ u6 P4 p' r 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： $ z }: \8 W+ m0 q V3 {* G
, E) l3 f& q% ~' q; }! a7 c
本项目对大量HRTF库进行筛选，获取到一个最优的数据库。
8 i. B% j, Q8 R3 ?# H2 M: D ❖ Ambisonics数据格式 ; A8 E5 n0 P' f7 T/ c1 s5 w
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。
2 r7 e7 G5 r* O6 d
4 z/ o: d4 h6 R1 q' s n& S W 是一个全向
+ c% H5 E; E7 D5 a. j3 V- u+ O7 M X 是一个双极 8 字指向，代表前后9 d+ F' c0 J' g, G$ M, [/ s
Y 是一个双极 8 字指向，代表左右! e7 B, I$ b4 ?, Y
Z 是一个双极 8 字指向，代表上下
J: P* y8 o# d8 A/ ~) }7 W U4 J9 m1 `6 z
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：
: J: c' Y* K1 r. h8 d  图片来源于网络
/ B" F/ l* o, H N
❖ 头部跟踪 & Z; l4 a3 A/ z1 P/ O6 i
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。 6 u p- J4 ~( r
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。
4 `; I1 ?; S1 Q$ N' U- S  图片来源于网络
3 Q' ~( `; u+ |- x! }( j9 O$ E 05一起「声」临其境
; t% v- q4 q+ l# w# c# R5 ?4 V( X, s% f 「佩戴耳机」体验全景声，效果更好哦！ ( [. Q9 ]0 |/ X6 Z# r3 r+ e
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。
( t/ N; i: V- e% S% t. T, ^ 01听：无人机掠过头顶
8 _" I, F) k, d0 m0 i
w: k8 z. T& p0 z% {3 b 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。
* n5 D. z4 q2 s9 i6 A8 c2 N, Y 02听：滴答滴答 % x/ C. k2 t+ U' \
1 N0 j) O4 z6 g( P5 ?% R( d 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。 - T5 h( J' \; s# D! r& r
03听：沉浸游园 + q" y8 N" R. i0 y3 o3 J; P
0 l/ A0 m1 V4 k# l/ X, `" Y 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。 0 }; D5 @! ~) J5 A/ {6 K% y
04听：PING PANG之声
) N4 N- X0 @/ l% I7 m; g& F: m4 D' E% o- c
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 U \7 \$ l6 \9 b& [9 v
06音频的未来，炫到无法想象
* l2 B3 R' M. F& L 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。
, u! @* o, x) b9 J" F* C ❖ VR演唱会
- @# M! z" C% V) N" I: | 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。
% x6 z6 C( t' k6 n
. p+ `; U% `% Q5 ` ❖ 沉浸式影院
4 g6 w9 l7 H1 q: 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。 4 J' ]5 s6 d$ M" ~2 L8 [" s9 H
❖ 智慧教育
+ m8 J& C j6 A& } 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。
3 [6 n! U" W. b% y- ^ ❖ 虚拟会议 . |) }& n* v: C! w% K5 d
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。
* Q1 k# ?6 }8 e/ d' T, [8 e( Q 图片来源于网络 ) i8 L1 t8 Y# l" q7 e2 F
未来的沉浸音频技术将如何发展？ 2 v4 `9 @' L# D& }
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。
: j6 N* |- S4 \5 G/ q6 o 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： & l$ N) q! o: S1 n
3月开始，杜比支持个性化HRTF的定制。
& I& O6 v5 M. ]8 B2 ] 图片来源于网络 ' T1 v, j% z/ Q4 q* {
9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
. a p# f/ E/ T6 h 图片来源于网络
( S+ r' M1 s, s1 H+ s) m' Q 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。
% q5 F. ?7 C' [6 t+ y2 @ 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。
% ^/ S5 H( O; X# a- c0 V 参考文献： - n9 u* @2 t& C8 v5 J
[1] 5G 高新视频—沉浸式视频技术白皮书
) }1 T0 L+ j' B" A* l' q [2] https://m.fx361.com/news/2018/0326/3298705.html
/ F5 j) Q; u, |5 _# T5 O1 [ [3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe 8 x; @; E+ b. j
[4] https://www.birtv.com/Magazine/content/?246.html
8 ?6 {4 B: G5 P0 P' V" X0 s [5] https://m.midifan.com/article_body.php?id=6201
" {. S. e1 m) ^3 i& T7 j [6] https://sound.media.mit.edu/resources/KEMAR.html 5 O% N# M8 H$ p0 z$ |
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf
I; Y, r2 t- {' J6 d Y [8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
5 I- V' r2 t0 }7 Q8 z8 _" Y$ \ H3 t7 [- ?
责任编辑：
$ P6 d) b. k! A: M
' @4 e p2 M3 i. Q3 j
& o; \6 h& Q3 Y5 \
. ?( g3 m7 _* T6 K2 P5 F% c/ U/ h& U4 Y w
| 
