|
, u6 N7 M: K. |- k' e3 C% y& i 原标题：声声声声临其境，一起坠入阿里云超音感空间 4 V/ e/ a0 S# S8 o. _# V1 y
0 k5 K6 [% ? b. r) b7 a# D9 B1 J+ \. Q4 d# g5 e& q
+ k4 A& e/ D( {1 o
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 V$ ?; ]! j' x2 K r# I3 H, a, Z: Q7 J
" F6 g2 c, F& E8 w9 }
; [2 |9 n2 l1 p6 H7 g 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。 - V5 X/ w; e( g
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。
. D2 Y$ j3 t3 x. ~ 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。 + X" c1 B4 g" e! 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。 5 ^8 K% I: W1 _! a' Y b' z% ^2 R; n
0 S" F/ C) S: Z
2 x7 u0 t3 Y8 ~7 b 01“视”之外的沉浸之“声”9 ]/ s% S, m3 {. {" K; h' z9 Q6 N+ z
「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？ 5 I' N3 [7 L& A; K" B1 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。 2 x5 _ p; q1 {% y2 r
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 i( _7 \% H4 L8 G0 L7 b; O
「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。 9 u8 U; `. H& n* M, n( j
从技术角度是如何实现呢？
) c) w+ ~( M% d7 ~5 y: m e3 O" [* 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。 % ]; Q5 }1 b! x$ b- p) a0 W
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: X2 j5 Y% ?  图片来源于网络
( C1 _$ G# i4 v( U' v
02一个「球面」的声场？* ?5 u# p- b( Z8 I1 U$ w) ~, Y
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 N9 z; T2 ^2 [0 u3 v q$ n ❖ 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。
+ J- X0 G; T& @: [1 l( q- S ❖ 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。
* J6 s) T" `1 a' F- Z# A ❖ 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! w/ P2 T2 k9 C3 h- s, K5 F  图片来源于网络
7 K: e, L% `( f* P v* D' e
本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。
4 I$ t7 w' m" x) N( I& m4 D 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。 4 }9 |( p# F. |# r- q, V6 o
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 \/ |2 h2 A/ v9 i 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。 # S s: e2 }6 f+ @
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。 : }' {. }$ I. f: s2 ~ ~0 n
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。
+ p* k% ?: w. K1 ? 
5 C5 [% y; l+ l* ?# G! b  图片来源于网络
6 {& w! `4 K( L$ t, m' v) l 03实现声声入耳的引擎：AliBiAudio
' ?# e- N4 E, h0 w b 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。 5 }: \* ~- F2 b; v" c" s; x
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$ G7 ]+ ~. H& @
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 * ]) T# c" m* B1 ~9 [) D
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。 - n3 n8 [! p p
5 p/ {7 i3 ?( |0 y 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。 8 _# ?! I/ v4 p$ n' j7 a f$ M
❖ 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! l( o& K* ^' T6 x& _, D& `
❖ 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）。 ' O2 s, f4 ~# A# `. ] p
❖ 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。
$ d X+ |7 f7 V) b 
3 N3 d$ S/ G* V% H
04如何让声音跟随脑袋一起摇摆* s/ u/ ?$ I4 w' q* A" G& n3 K
❖ HRTF
3 C7 N! D. J$ O6 S* Q1 W: N 双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
4 G7 X: Q! 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。 ) Z. d/ r+ [$ |
) t2 @ |$ o; V3 F
ARI HRTF 数据库 y2 r: x- Y2 p- J
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： % M, \9 m/ y9 r5 i
+ E. }) F& ^1 O 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。
2 l8 ?: S/ d' ^ V% ~ ❖ Ambisonics数据格式 5 g/ @2 o, r, [& p8 B. q
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。 : d) C0 b( S) \- a7 T
- ~7 u7 w2 q1 E- D; j/ z W 是一个全向
( d+ }* y3 g$ J/ t) n1 @ X 是一个双极 8 字指向，代表前后4 @8 v2 A. m# X* d# m$ H
Y 是一个双极 8 字指向，代表左右
9 B9 [( d7 k5 t9 s5 q E7 ^ d) X Z 是一个双极 8 字指向，代表上下
% Q! r3 b$ C; K1 B
! O$ r. I# Y( h( L0 h: ] 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： ! z( r; V' U( `# E6 l3 S9 }5 T+ O) a
 图片来源于网络
* K8 T# f: x" _$ G/ K. H
❖ 头部跟踪
T+ W; i- d; u9 B 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。 - \; B" k4 F* l7 i' W
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。
' H5 y1 u n4 F4 B4 W* t9 u8 S2 I7 G  图片来源于网络
6 |& q; Y6 [& g. D9 H0 s6 _. b! B# B$ n
05一起「声」临其境
, w$ \; h+ o+ I N 「佩戴耳机」体验全景声，效果更好哦！
& Z5 W9 a2 l8 z 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。
) n) l1 Q0 r; L' b 01听：无人机掠过头顶 . T& P6 M6 a( J9 I( m" |5 A8 J! q
$ Z- s2 W0 M: T$ 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。 - g$ n0 ~+ }. t [+ {) G
02听：滴答滴答 8 n/ K8 Z1 G. y u
' Q4 }( P; l0 q% x3 B, d/ n 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。
( W) ^9 Y- F+ j% K' x1 C& R$ Z% a 03听：沉浸游园
: j! H \9 E: b# |. ?4 m" B, p) \2 l( V w
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。 . J! F' A% {4 s* j9 G
04听：PING PANG之声
, b* s; V+ w) I+ E3 _" z3 r/ A+ U/ {9 @! j; h3 P" h
沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。
. R% Y) z. D, o6 l( ^; O3 ~* M 06音频的未来，炫到无法想象4 a. \! y1 s9 C0 ?
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 H3 q" u3 r( {! R4 y ❖ VR演唱会
' c0 y2 @& |: [9 ? 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。 3 B) F( D0 r$ r$ D; D
4 h+ l; `5 L% Y# X2 _ ❖ 沉浸式影院
) Q1 b* P* s0 g2 \$ ]% t 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。 9 G' z! M( u0 Z! Y8 F4 K7 F
❖ 智慧教育 ' l0 x* n: [) ]& c$ c
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 m7 C( u4 v; Z1 i, F" g ❖ 虚拟会议 & x0 J' L( }" h C
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。 7 C! q# |! U5 U: Y6 o7 J; A
图片来源于网络 ) p9 T/ v- ]2 v' L: S8 k
未来的沉浸音频技术将如何发展？ 4 N( k5 H; S% C3 T' A
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。
: w6 g( i4 _5 O( d8 k. V 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：
: o; V& D) u( Y3 U8 o4 Y/ D 3月开始，杜比支持个性化HRTF的定制。 i0 y$ E$ o9 K: z9 b
图片来源于网络
- x" F3 {+ s# ~$ D6 f* ?3 G 9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。
* E$ e4 j1 }7 R) e& `/ M 图片来源于网络
4 K- }, [5 J; ^8 S, n7 L& E 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。
% E3 p+ j0 j4 B2 L 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。
6 W# E/ j9 z6 {. z5 F! C6 ]2 z 参考文献： $ Y1 k2 ~% N" X, `" u
[1] 5G 高新视频—沉浸式视频技术白皮书
. H7 }# k$ D n [2] https://m.fx361.com/news/2018/0326/3298705.html s) Z: n/ I4 `, D* E( q
[3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe 3 D# W8 v+ I& K5 P; V
[4] https://www.birtv.com/Magazine/content/?246.html 7 U! U$ c7 m& H. ^% w
[5] https://m.midifan.com/article_body.php?id=6201 5 _. p, d) F+ ]5 @# ?. d
[6] https://sound.media.mit.edu/resources/KEMAR.html
, @5 f7 p! X7 u* H6 O3 _, T& h [7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf
1 t* C- S& q) k) t: l9 j0 h& ~ [8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多
3 _$ H) Q0 P- Q" D; ~' Y+ ~. ]2 w4 Z/ v* a. E# b/ ?
责任编辑： 8 i; f; j% k; d( Z/ V. x% s
1 f" @/ F8 ^: Q6 D! K1 s R% |! N F4 S% O+ _
- A# o, h2 T* i8 L
+ \* d1 |9 m. s) T
| 
