|
" N7 e E. |# Y' c& ^
原标题：声声声声临其境，一起坠入阿里云超音感空间
- o G1 l4 J4 e) R+ e
0 ^& w1 L _3 a) `8 S" J. f. M5 k% y' p5 l- |. ]3 i& q/ x; l" ?. t
) M; k0 Z+ `: e& L 大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。; x$ T# f" T/ O0 p: c1 v0 y
; Y3 W; R2 |1 M: D, G/ }
8 z- C; }( d7 w2 a
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。
: {% X' D* C! _6 `! C0 | ]- 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。
' \7 _, c E( R6 z2 Q' Q/ _ 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。
1 Q2 t$ g" I- z4 O 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。
$ F2 t7 w4 E* t( L 
, w/ d& Y5 l$ s( U9 S3 ~- o9 } 
9 J1 V+ M8 I7 I( Q
01“视”之外的沉浸之“声”
2 d8 X+ e1 |$ B; \3 ]0 Q, @! \ 「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？
3 J$ ]7 j0 S7 `* v. { “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 Y' A( p# h6 p: m 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。
5 ]5 t! `; W3 N' v; P- H- k 「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。 0 \2 e( t2 O2 p* F& u' B$ r
从技术角度是如何实现呢？
# @) U. E n2 q 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。
+ y$ q3 P# @! i5 O% U9 b4 S 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。 ) v, H3 f/ m9 o0 @* u
 图片来源于网络
+ y" M. E* ^8 E C' G6 V# |. L! @
02一个「球面」的声场？( W% g. h1 p* t
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）。 / m, }/ u( q& d1 X& v3 j
❖ 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。
5 R. d. B' ~- A8 o. R ❖ 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。
% k5 o" L8 d f4 F9 G3 {% e" W ❖ 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。
/ f8 B8 e) o' x  图片来源于网络
$ a( }: Z& ]- [* _. ] 本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。 3 q/ ], ^; j9 U# g1 U1 H6 _
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。
6 k7 A+ A2 C+ d3 p 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。 " c' G0 v% |9 b3 w# @: e. Z" L
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。 ) C2 U$ H" n, y3 _2 j: I
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。 . |) u1 O8 O$ B* } e5 Y
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。 & {- Z) X( j9 c8 m
+ i# H! H# T6 _, v7 }% f- F
 图片来源于网络
: }% M+ x. g& O 03实现声声入耳的引擎：AliBiAudio: a: V1 \6 N- 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。 ! a4 {8 N9 n$ P u2 h7 N8 E0 H' D% A
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。 * i- F" z* ?. o7 N3 ~- G; P
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 / s8 E$ ~6 w9 z. X# w
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。 3 O5 v6 T2 Z5 Z- p; m$ z% Q
& \6 _. ^% ]4 S+ ?: _1 ] 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。
5 d. y& x( }8 w+ X& r" L. O ❖ 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。
! J5 U5 p. C/ ]! f! n. X$ 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）。
, j, S* P' X$ h ❖ 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。
; ^1 Z: N8 ~% ~) t5 {( W3 | i% G 
8 K" r z) d' V
04如何让声音跟随脑袋一起摇摆/ P. ]2 m0 o; F1 h/ F
❖ HRTF
/ m+ ~9 y0 G& ]: } 双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
8 d: @7 a7 z4 ` F# B 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。
5 e4 ?; Z3 W5 R ~- a 
5 r& x6 b, n8 ^! ]
ARI HRTF 数据库 6 G# P3 }. W! b' S$ x" 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：
% W1 h7 b$ S S 
' U. M. I$ _# M9 R1 S% A* c7 o 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。 + Q& s" g6 F# v Y% v( w$ V
❖ Ambisonics数据格式
3 I. W2 W% G: m4 O: u0 Z. 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。
8 r9 D- p: [. {- X, c. Z K, B9 _& {! @8 b; D$ c, x2 y: W
W 是一个全向' q5 Q- p1 J+ f7 q5 i
X 是一个双极 8 字指向，代表前后! @) K" n6 G5 }/ o' m5 W1 N
Y 是一个双极 8 字指向，代表左右3 E3 o" n9 }' m
Z 是一个双极 8 字指向，代表上下
4 ^/ C8 Q+ J8 L6 Y% q
+ `' `' C% ?8 W& s4 r+ D9 B/ 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：
% N/ \2 X; g7 S4 _7 W* H6 o  图片来源于网络
1 P9 t9 H9 T, _
❖ 头部跟踪
% {/ G3 L& ^4 w* J& Z- }8 n 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。
- h# `) n. J% j0 M# G 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。 9 X0 e/ c/ K: h$ I$ \4 Y
 图片来源于网络
7 d8 Y/ _1 E: f P5 f2 ]* |4 I5 r 05一起「声」临其境
3 M& K7 k/ A. C0 J: e5 K6 i8 g 「佩戴耳机」体验全景声，效果更好哦！
' h3 ^+ z3 Z ^! x1 j 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。
( k( A' h# E# f4 p/ V 01听：无人机掠过头顶 $ y3 a* G$ ^+ t2 Q. T- c" n+ m
! L" y( U+ ~- n6 z 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。
7 x6 y# S/ v ?$ v% J4 ?- g- M7 r 02听：滴答滴答
6 h/ v9 C7 n: \! \) r$ h. S9 V
$ y( h& M/ w) p 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。 / z. ?; j; Z1 k) ^, q/ |6 \
03听：沉浸游园
* p3 \8 O1 y; M6 a+ j- ]
9 J. t- v- V- D, h9 U 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。 % S% c6 ]* z5 U+ |& [
04听：PING PANG之声
( t; I7 X* ]# i0 P$ W( G# c7 b
6 d! [1 A/ u# u. R4 H, J) r 沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。 * ~9 z& x: d% F+ X+ r
06音频的未来，炫到无法想象
8 A+ k$ ^8 G. o3 C) R6 M* P( P4 b3 \ 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。 $ q8 X% W5 G E& X( d
❖ VR演唱会
% j% b& G3 u8 w9 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。 + V9 R, u( `, e$ }* C
) \3 D( N6 E4 Q0 v$ r
❖ 沉浸式影院
1 s8 P% a) q1 y# h% S9 L 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。 : I6 `4 H9 i1 W1 @5 U5 K! z
❖ 智慧教育
" H# z1 E! M5 q% o6 S& y1 d5 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 q6 A' u$ F$ y: u. }
❖ 虚拟会议 : m: |+ W' f+ R9 k- 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。 % I- ^& ^3 U3 o& a7 {
图片来源于网络
3 f- W2 E) [" A j 未来的沉浸音频技术将如何发展？
. E0 ]4 j8 j) N8 I/ V# f4 C 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 Z- Y7 F" Q$ v! ~9 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： / B" g" V4 E: E; Q/ X
3月开始，杜比支持个性化HRTF的定制。
r2 e( c1 H: Q! J& o) `7 e2 W 图片来源于网络 . }0 H! f6 u) S! u
9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
d5 _; n ` } 图片来源于网络 6 s8 U1 B* j- I9 y) 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。
! Y- ^ O# F" E0 b0 b* 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。 ( x1 {' _, z$ t9 ^5 R+ O/ V
参考文献：
+ L( I+ n8 z6 ~; b5 @ [1] 5G 高新视频—沉浸式视频技术白皮书 ! v( n9 p+ B: Z' t3 ]& x+ [2 b
[2] https://m.fx361.com/news/2018/0326/3298705.html * f/ o) K S8 k- Z; k! X2 o6 o
[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe
8 ~) H& F* ^& f [4] https://www.birtv.com/Magazine/content/?246.html
( @% f5 ~" k! x9 A( Z6 B4 o [5] https://m.midifan.com/article_body.php?id=6201 5 L" M; a& T3 @4 f# Q$ U
[6] https://sound.media.mit.edu/resources/KEMAR.html ! L+ d& j8 _, {% \
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf
7 T4 I* p7 H$ b) C2 T6 s) F [8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
2 c( R6 o, _* b0 ~* [, k3 E f7 ?3 c9 T
责任编辑： j5 N1 s9 H9 F- a% y) [/ y4 h+ a
: k" d: n# e7 H% W( F7 d) U7 I r/ {5 @9 g5 Q+ d, N: N& r
( E. n) v! s4 i) C- m4 j+ b" Z4 e2 |1 q' T
| 
