|
$ Y6 x/ I9 h- y4 }/ V
原标题：声声声声临其境，一起坠入阿里云超音感空间 - x- f- W, O7 J% ?4 _6 F5 h( y
+ H) Z' s7 L4 O9 m
5 d2 r4 v$ A) O! }0 b' u) o$ l5 m. Q h# M6 |" f: B- b. ^5 T* R
大众对沉浸体验的追求，不再仅局限于“视觉”。声之切，境尤升。
& H: @1 ]) o& r2 k* `" t6 K) F
9 f. E$ Z; w. M" l
" B1 ~2 r4 w$ l- w! @ f! Y1 ~9 i 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。
/ T) b1 T! `3 L! m 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。
& B/ K; b% G# u, x L! w+ h 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。 # l4 ~: w, C0 x- ~1 F4 f% g& P/ q# 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。
b$ A4 I4 k% Q! U& b* I( [# ~3 r 
" |2 Y o' T' v- O 
" L) R1 r, h6 X9 k. J' ?
01“视”之外的沉浸之“声”; t, j1 ~* E# R- D8 V
「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？ & u" }' |- v+ C; X5 \' D- P* \
“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。
) R" e a7 d6 h3 s' v2 M+ g 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。 2 q- M# g+ M0 U. ~! 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。
6 s5 i7 y- o. C 从技术角度是如何实现呢？ ! q, W4 `$ \& @
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。 ' o. k8 b" O4 U9 b% t
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。
5 z) D$ A* P& l' l0 |& x, E  图片来源于网络
0 e7 ^& o) `/ E3 d) ^
02一个「球面」的声场？, @( p1 B; B1 C+ c# F2 M
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）。
8 {2 Q9 ]! R4 K) R ❖ 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。 ; o9 ^* E3 L0 T. ^
❖ 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。 0 C4 i2 i) Q. Y) V/ J4 {* ~
❖ 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。 + z# d* i4 G) c j" x
 图片来源于网络
! s1 B1 V" @# v! X% g/ [
本文的音频体验展示便采用了Ambisonics的录制格式（文末体验DEMO）。
/ n! u& K7 ~0 d9 I) K 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。 % S: j( {2 s: w( r
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。 $ d, W/ K/ E* \0 Z
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。 % K( D2 X. L$ X9 U
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 r0 I6 G6 q4 R 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。
' O: Z S" D- z& O" B% Z 
8 w$ H+ H- B- J" J( X; Z
 图片来源于网络
7 h: G9 w; J& J8 `/ A 03实现声声入耳的引擎：AliBiAudio
( ~& B6 |5 h) o) a* m' Z% K 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。
4 i' h/ E+ J. T. @ 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。 7 L) h- O2 Y' }+ q4 X' w2 d+ V
相对于多扬声器重建，耳机重建成本低、易部署、效果好。 3 i2 V3 H% v7 {: R1 Z+ {$ j
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。 & m6 S! f _2 ]* |. T: P
- s* x6 U2 i7 P3 o2 R 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。
4 ], P1 X$ w. X' E1 Z ❖ 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。
) i' X6 _$ a4 N5 g4 P+ A5 h ❖ 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）。 7 k( X* S9 X- u
❖ 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 e( B2 R' B x% K I 
( _( i2 M( F$ a; m
04如何让声音跟随脑袋一起摇摆
: ?1 p9 P( M- K7 c3 p0 E7 s0 E ❖ HRTF 8 \2 y3 L, q" {. x
双耳渲染引擎的核心模块是人头传递函数HRTF（ Head-related Transfer Function ）。
9 G# x+ s+ @2 t4 k& z$ D0 } 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。 : k7 S, N8 y4 |* ^9 ~" h+ O! j
6 c- Q' z/ L4 G/ J
ARI HRTF 数据库 - \8 s D" s2 O; E* f8 a2 c/ ?
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 C+ g {" d0 f' }. |( _ 
/ f( R# q8 e( k: }' {" P0 d# \3 q2 f 本项目对大量HRTF库进行筛选，获取到一个最优的数据库。
2 X0 N f: c6 v) F. Q4 V* P; { ❖ Ambisonics数据格式
$ |3 o/ o+ x/ b 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。 9 _2 _0 X) x5 ~' L% o% C
2 W& D, B: o: E! X+ ]% T1 u( A
W 是一个全向8 G* ~0 B7 t& ^6 M/ ]3 L, w5 k1 s
X 是一个双极 8 字指向，代表前后& l7 P3 [. O8 m8 t6 M
Y 是一个双极 8 字指向，代表左右* h7 w7 i5 j9 x, \! }* Z
Z 是一个双极 8 字指向，代表上下
9 m I9 y0 o6 ~. `
5 S" A+ r/ b* [4 J 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：
8 U1 q, v: |1 W2 l/ D  图片来源于网络
- \* _+ K d g1 k* T ❖ 头部跟踪
, F. o& ^& {5 S 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。 , S5 M. _: L0 {6 m8 l, }' a
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。
7 f/ b: a! ~( a1 `7 n  图片来源于网络
: B, G( J7 `/ t 05一起「声」临其境
4 I# g; |4 i; |5 X- G8 d, v2 @ 「佩戴耳机」体验全景声，效果更好哦！ * b; K# C% j( q8 M
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。
& u! P9 S# w+ P) {9 F2 c+ w# f 01听：无人机掠过头顶 # d3 N9 [1 O' p: `' M
# D7 m# W1 l: K5 V2 c6 n
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。 5 v+ i1 _" X7 D: s3 a/ B/ c
02听：滴答滴答 $ T# v( K2 x8 G9 W
; _. G- w' f/ q. q" C8 g$ b8 G" _# G
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。
+ k3 `; s2 u4 o 03听：沉浸游园
/ \& o. p5 `4 d t4 u
% _" `% G' g; c8 [ 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。
" X% Z1 \ O9 Q$ s7 F& T8 x1 N 04听：PING PANG之声 0 d( H* \" p4 M' x5 ~+ \6 S2 j
0 U/ |: p. u, w. Q; L) l3 O
沉浸式场景怎能少了运动！一转头，乒乓之声已被“抛之脑后”。
6 \- l) _3 z7 V# ~* b- i+ I 06音频的未来，炫到无法想象+ E# }5 \3 l3 u
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。
( t" Q6 @* Q: C: k ❖ VR演唱会
1 v5 n% Q' n" [( L8 H6 e 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 Y; {5 F1 o2 \% C0 @9 W) ^
6 j3 x+ l* d3 Q* k2 T
❖ 沉浸式影院 * `# l1 N( m1 {$ X5 L1 D! 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。
3 I) J& W- i1 R }( a6 a ❖ 智慧教育
( B" I2 T, `$ S# g 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。
/ `# G: F1 |; m- k$ x3 L* d ❖ 虚拟会议 ' ~8 G8 ]1 W1 F' G! u$ 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。 9 p- h! G3 g- s4 _' p4 b2 E8 m
图片来源于网络
$ i# T6 B: A; f1 A' C3 ?: ]" g' t 未来的沉浸音频技术将如何发展？
9 K% Y' p* c/ n* o. V 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。
, { X5 F7 m" ~- l# I 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：
9 R- A* w8 G$ j- W! g, ]# D 3月开始，杜比支持个性化HRTF的定制。
1 x( u5 |" q0 z0 k4 ~ 图片来源于网络 ! f# \# ?7 B5 i' |, C; A% O
9月开始，iPhone升级了ios16，通过人脸扫描，可以定制自己的HRTF。 4 ^/ l, {& n# M4 H" t" D# [
图片来源于网络
. ~6 K& N# r4 X9 P 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。 , t9 y$ c" a9 x) h; 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。
) l0 U8 t( ]! `) s, Y 参考文献：
( E2 p7 l9 l, Y- _! o [1] 5G 高新视频—沉浸式视频技术白皮书 , X6 ~( I0 x' `: s
[2] https://m.fx361.com/news/2018/0326/3298705.html
( ^' l0 d# g( y" N. l6 ?5 p! l [3] https://3g.163.com/dy/article/ELBCI2OG053290QL.html?clickfrom=subscribe
/ U" n$ b$ M3 Z. Z' D) |+ V [4] https://www.birtv.com/Magazine/content/?246.html . ^$ v- d3 H! A; r# w, R; K
[5] https://m.midifan.com/article_body.php?id=6201 1 r) V# j i6 M& T
[6] https://sound.media.mit.edu/resources/KEMAR.html
* ]# O |, q3 E [7] https://juiwang.com/assets/projects/hrtf_nn_bem/hrtf_nn_bem.pdf
. ~& S6 |5 u) S: r1 m0 M [8] https://www.tvoao.com/a/208656.aspx返回搜狐，查看更多 / H: t3 t0 F# l
& Q% T, h' h( M 责任编辑： 8 Z; C& q8 D8 E& t# @
! _3 Z9 A* `; U. S# ]' b
4 D5 W- z6 b) j2 ^" t1 s" N
: l2 D0 C; n* ?+ ]! o0 Z. @, j+ ?% i0 _ R. @
| 
