|
% t$ F7 X! ~/ y2 N7 X
原标题：声声声声临其境，一起坠入阿里云超音感空间 & Y. I- @1 g8 s* w5 w
) ?. r* r% |" R9 C" g d5 P
R0 k* O9 ~% W2 m8 B: k9 T' G4 a8 O; 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。, C: P8 a; ^7 X' r. [8 u6 L
, ^( ~' f& _! W! l( Y! c5 j) ~% z/ j' t
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。 + p$ T) C; W+ Z3 R6 a; n; b2 O
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。
$ _0 j3 F; |2 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。
2 ~7 c! ]1 y+ Y* B9 b 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。 . q% k2 I# q+ @1 {8 A5 e, c5 u9 x- n
+ s' h: h6 p: E) y6 ~ 
+ K8 q [$ U3 l# j! ]- s: j$ \ 01“视”之外的沉浸之“声”
" w( E& p2 N/ T 「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？ . m0 i) t! z" A b$ z5 w
“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。 - Y! u0 y5 p- Z
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 b& E" r1 K; @& a% b 「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。 / |! w6 S9 L: _! t3 N$ Q& x# T
从技术角度是如何实现呢？ 2 j) ^2 s* Y' \6 B
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。 5 r9 @, H/ ^$ w. e1 J* L& y
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。 % g( \) V" S9 U5 U8 v3 i/ @
 图片来源于网络
* F- A' p7 e5 h# w3 C0 g+ c 02一个「球面」的声场？" y1 ~& @2 b# ]7 l9 q
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）。
! i0 b+ h; {# f2 ]7 `( \8 O ❖ 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。
2 r6 S. ?# i- z8 `" ` ❖ 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。 # n$ x& N5 G2 [9 B- B
❖ 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。
) s/ z. a* \% x5 Q  图片来源于网络
n- L7 m3 u8 |- i& ]: 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）。
7 T0 \, n& h0 t/ [ 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。
' c& T( q2 s3 o5 K 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。
7 P$ d! ? Q# 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。
' v5 z0 e7 k5 l8 g 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。
( m- J4 i9 x7 G: n0 V Q 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 g( y6 A) g, s% m, o 
; m- R" t/ M) ^6 s
 图片来源于网络
% Y. I1 `8 {* c3 v) n% _
03实现声声入耳的引擎：AliBiAudio
6 A) M+ t3 @0 I* Y n0 z 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。
1 T* y; o; E8 B7 R 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。 - b0 y$ y2 u+ K
相对于多扬声器重建，耳机重建成本低、易部署、效果好。
6 r: ^ p; f; b, 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。 2 x8 O/ m% u; c4 l ^* N' Q
. A# U$ D2 Z5 o% _' }. p 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。 6 p3 E" E6 [( s! t
❖ 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。 5 f7 D' N2 N! d/ j- J2 [
❖ 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）。 $ R: ]+ |, N# ^, |# J5 a# J
❖ 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。 , ^5 h, n, J: n& L, U; e4 C
! C) \# L1 w( k: f( M+ H' C3 N3 b* F 04如何让声音跟随脑袋一起摇摆
3 d4 W1 P6 m$ Z( O- x' x3 U ❖ HRTF
, C5 o' r2 @* _+ i5 T 双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
7 e7 b/ r6 L9 f 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。 8 }6 O( M' |/ q
# `, A6 B7 D* m1 \$ u# Q ARI HRTF 数据库 8 N- T: }: x! g" N' C1 K1 c$ M
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：
9 ? O: w2 v+ r3 w/ N; p 
' x; s. x, v. [6 F 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。 1 U5 f& u3 X7 L8 Y
❖ Ambisonics数据格式
1 y0 _$ }8 a; k 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 ^2 o" ?2 D& h9 i! {, F+ b, O' E1 f( d- [" k$ u5 o
W 是一个全向
, @0 `2 v5 M" T$ u# ~ X 是一个双极 8 字指向，代表前后
/ x$ T- Z3 K5 Y0 r% U Y 是一个双极 8 字指向，代表左右5 z8 k0 R, G. h3 j: G: R
Z 是一个双极 8 字指向，代表上下: u" [/ n9 @6 \2 t N5 ~
8 g/ ~/ d! V7 T! W5 R6 A$ k6 U; Y
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+ Z5 Y" K4 H  图片来源于网络
" L4 U9 f8 l# G1 b) `, y ❖ 头部跟踪
x( o+ T5 k1 ?, b+ p& w 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。
' z: X2 |' @; A/ d+ { 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。 # T3 ^2 s' L5 t& N+ H% |* a! ^
 图片来源于网络
: z5 B6 f0 Y/ Q I" J N 05一起「声」临其境* y7 L u9 ?3 P( g3 i
「佩戴耳机」体验全景声，效果更好哦！
9 M" `! l4 T5 W 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。
* B$ I9 f7 w0 x) D! h. J 01听：无人机掠过头顶
% ?, W/ H2 n4 z5 B/ w, ?
+ {8 j0 A/ 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。 3 K( x* c8 W: p
02听：滴答滴答 8 G, }* T8 M* p7 y! H( a
0 x2 l* F9 c& h* n7 C% q- ^
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。
- {1 L# o$ O* V, Q: ~1 h' ] 03听：沉浸游园 9 z: o6 C( G; u5 B8 [
, I, j7 W. K. q% C 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。
1 N7 w1 i( I9 U( x ]7 d 04听：PING PANG之声 ( }" I. Z$ I ?
' l! g" O6 n& L6 I9 a7 o& _( |: v8 s9 J 沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。
2 G) h) \+ Q& `1 _$ K8 W 06音频的未来，炫到无法想象5 Q9 H$ P( R" b5 `8 }' O4 m
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。 + i3 T1 s$ t2 k$ f; E+ |
❖ VR演唱会
0 m% U7 a+ D6 j. j$ H6 u4 w 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。
0 O0 `, n( \1 m8 \1 r3 l
6 G7 M0 U r8 F1 a. K9 t3 h: |; u( U ❖ 沉浸式影院 * d/ `' K. x4 A# b
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。
- A/ {+ k7 F; J0 [& E" M [ ❖ 智慧教育
/ p$ ?# Z6 q$ ?) D: A9 h p 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。
' G6 ?+ [" H8 P; r/ l0 v ❖ 虚拟会议 8 I, f' q: d; s; U1 l
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。
; C+ N, p0 d0 V7 e 图片来源于网络
, Y0 j5 {3 d8 p( k 未来的沉浸音频技术将如何发展？ , z4 e% r* ]3 K0 Z8 V 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。 5 B. v* O* N6 s1 h: \
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： 6 B7 Q6 l% p1 c: f- t
3月开始，杜比支持个性化HRTF的定制。 0 i! N: N$ ?( q, n9 L3 F. [2 J8 y% F- K
图片来源于网络 $ d$ U Z. b2 X* U( x4 V l: y$ I
9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
$ g l$ l3 E/ |( i/ X 图片来源于网络 9 y6 l: T; Z; o
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。
; V) n) l$ A$ A# Z 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。
$ ?; N0 @0 h! u8 h4 s 参考文献： & c- W, O6 a" `0 ?7 Z2 E: g9 b# s6 e
[1] 5G 高新视频—沉浸式视频技术白皮书
1 A( e* g, [6 X% z [2] https://m.fx361.com/news/2018/0326/3298705.html 9 Z( D2 b) O+ j. ^
[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe ! B5 R8 {- w" B3 ^9 Z0 G
[4] https://www.birtv.com/Magazine/content/?246.html & w9 c, v9 v* \3 w4 J, I
[5] https://m.midifan.com/article_body.php?id=6201
Q% c/ _0 u5 o A' t/ r) | [6] https://sound.media.mit.edu/resources/KEMAR.html ; I5 r: W3 d% J# E4 z
[7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf f# e$ X$ J3 _
[8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
d, Y w8 E3 g s R6 }
3 p+ n7 ^$ W$ ^8 H 责任编辑： % |. l* h8 j5 |; A8 n' f/ B' e
. K" W1 z: l! q' L! t
" i+ \, S! ^+ y: i* c2 q6 E
( `+ w% o5 f# |( K2 M6 m- \5 a2 ]% F+ a' }6 C& g
| 
