如果沒有3D音頻 ，VR注定是場鬧劇

　　行業(yè)缺少優(yōu)質(zhì)標(biāo)的，關(guān)鍵性技術(shù)節(jié)點(diǎn)遠(yuǎn)未突破，VR如同一個牙牙學(xué)語的嬰兒，尚在襁褓之中，遠(yuǎn)未成熟。這里的“關(guān)鍵性技術(shù)節(jié)點(diǎn)”其中之一，就是空間音頻技術(shù)。在今天，人們更愿意叫它3D音頻。核心技術(shù)瓶頸突破之前，VR還將在泡沫收縮過后進(jìn)行理智思考。而3D音頻，作為VR產(chǎn)業(yè)的關(guān)鍵性技術(shù)節(jié)點(diǎn)，值得在今天被關(guān)注。

　　在百度上搜索“VR寒冬”，有1,660,000個結(jié)果?！顿Y本變臉：6個月，VR從狂歡到慘淡》(極客公園，2016年09月07日)，《吸引了無數(shù)資本和創(chuàng)業(yè)者的VR行業(yè)，似乎已進(jìn)入寒冬》(中國企業(yè)家，2016年08月26日)，《VR創(chuàng)業(yè)公司的寒冬來了?聽聽資本大咖怎么說!》(網(wǎng)易新聞，2016年05月27日)，《小心被套!VR將迎來寒冬》(搜狐新聞，2016年05月11日)……

　　人們猶記得2015年下半年到2016年年初的VR熱：從創(chuàng)業(yè)者到投資人，大家都對VR有著無限的熱情與希望。而從計算機(jī)背景出生轉(zhuǎn)行做VR的人真不在少數(shù)：他們正是看準(zhǔn)了這塊“熱土”，從大公司走出，一頭鉆進(jìn)VR行業(yè)。

　　行業(yè)缺少優(yōu)質(zhì)標(biāo)的，關(guān)鍵性技術(shù)節(jié)點(diǎn)遠(yuǎn)未突破，VR如同一個牙牙學(xué)語的嬰兒，尚在襁褓之中，遠(yuǎn)未成熟。與其說VR凜冬已到，不如說之前的泡沫正在合理地被擠破。

　　這里的“關(guān)鍵性技術(shù)節(jié)點(diǎn)”其中之一，就是空間音頻技術(shù)。在今天，人們更愿意叫它3D音頻。

　　蘋果音樂和VR工作室Vrse聯(lián)手為U2樂隊制作了一段VR音樂視頻《Song for Someone》，圖為MV片段中U2在空無一人的多倫多體育場的演唱

　　聽覺決定了人類對空間的定位、對物體距離的感知等等。視覺給出一個線索，聽覺則去證實(shí)這個線索是否真實(shí)存在。如果少了視覺的沉浸感，那么一切畫面的真實(shí)性就蕩然無存。不解決聽覺問題，虛擬現(xiàn)實(shí)就不能成為虛擬現(xiàn)實(shí)?？梢赃@么說，3D音頻決定了我們念叨著的VR時代是否真正到來。

　　首先科普一下3D音頻

　　什么是3D音頻?簡單來說，3D音頻是對聲音最逼真的模擬技術(shù)，能讓聽眾完全還原到與現(xiàn)場相似的聲場。類似的叫法還有全景聲方案、Immersive Audio（沉浸式音頻）。你能完全聽到逼真到“現(xiàn)實(shí)”的聲音，而不是“現(xiàn)實(shí)主義”的。目前世界范圍內(nèi)最成熟的空間音頻制作公司之一，VisiSonics的創(chuàng)始人之一拉瑪尼·杜瑞斯沃米(Ramani Duraiswami)有一句話：“當(dāng)你聽到的聲音是極度真實(shí)的時候，耳機(jī)就消失了。”

　　人耳對聲音信號有一套自己的分析系統(tǒng)，來得以對聲音進(jìn)行分析與定位。從空間任意一點(diǎn)傳到人耳(鼓膜前)的信號都可以用一個濾波系統(tǒng)來描述，音源+濾波器(傳遞函數(shù))得到的就是聲音到達(dá)兩耳鼓膜前的信號。

　　HRTF圖示，人耳對聲音信號有一套自己的分析系統(tǒng)，來得以對聲音進(jìn)行分析與定位

　　我們不必關(guān)心聲音是如何傳遞到雙耳的，而只需要知道：音源與到達(dá)我們雙耳之前的信號是有差別的;并且我們的左耳和右耳聽到的聲音是不一樣的。這可能是源于我們的進(jìn)化，視覺沒有辦法在黑夜中定位，而耳朵可以通過左右耳的聲音不同，進(jìn)行定位與防御。

　　這個濾波器(傳遞函數(shù))叫HRTF(head-related transfer function)。如果我們有空間所有方位到雙耳的濾波器組，就能得到一個濾波矩陣，從而還原來自整個空間方位的聲音信號。

　　HRTF是極具個人性的。每個人成長中都會形成一套自己對聽力的感知。并且，我們每個人的頭部大小不一樣、耳間距不一樣，耳朵的輪廓、里面的旋渦狀也不一樣。加上，我們在成長當(dāng)中養(yǎng)成了自己獨(dú)特的聽力習(xí)慣?？梢赃@么說，每個人聽到的同樣物體發(fā)出的聲音，其實(shí)都有細(xì)微差別。

　　如何還原人耳真實(shí)聽到的聲音?科學(xué)家對此的探索不是今天的新事。在將近一個世紀(jì)之前，1933年，AT&T貝爾實(shí)驗(yàn)室就把這項(xiàng)技術(shù)帶到了芝加哥世博會上。這家公司的人聲研究部做了一個機(jī)械化的仿真人頭——他們把這個假人取名叫“Oscar”。Oscar的耳朵里裝上了兩個麥克風(fēng)，坐在展示房間中，錄取周圍的聲音。Oscar聽到什么，他就能錄到什么。

　　AT&T貝爾實(shí)驗(yàn)室提供的解決方案叫做雙耳錄音技術(shù)(Binaural Audio)。

　　雙耳錄音技術(shù)模擬人類真正的頭部的形狀、左右耳的耳間距，可以收錄到近乎于真正的人類聽到的聲音。這是一種有效的“笨方法”，物理層面上即還原了HRTF。沿著這條路徑，德國麥克風(fēng)公司紐曼(Neumann)在1973年到1992年間，連續(xù)在雙耳錄音技術(shù)上做出了各種突破——更好的收音設(shè)備、把麥克風(fēng)放置于仿真假人耳內(nèi)鼓膜上等等。

　　1933年，AT&T實(shí)驗(yàn)室的雙耳錄音技術(shù)仿真人，Oscar

　　雙耳錄音技術(shù)在這個世紀(jì)中一直處于緩慢的速度發(fā)展，原因在于，沒有強(qiáng)大的產(chǎn)業(yè)需求。一直等到這一波VR熱潮的來臨，它才重上舞臺。由于Oculus Rift，索尼Morpheus以及三星Gear帶來的VR普及，3D音頻技術(shù)迎來了它的“文藝復(fù)興”——于是它又被稱作了VR音頻。

　　3D音頻技術(shù)到底難在哪兒？

　　VR需要有3D音頻才能產(chǎn)生更真實(shí)的沉浸感。正如著名VR制作公司Jaunt的音頻首席工程師亞當(dāng)·桑默（Adam Somers）說的：“（在VR這件事上面），聽覺占了五成，視覺占剩下五成。”

　　Jaunt是美國著名的VR制作公司，去年得到上海華人文化產(chǎn)業(yè)基金(CMC)與迪斯尼的6500萬美金投資。然而，雙耳錄音技術(shù)本身不能支持收聽的時候轉(zhuǎn)動頭部。玩家在玩VR游戲的時候，如果有聲音從后面?zhèn)鱽恚说谋灸芊磻?yīng)是轉(zhuǎn)頭向后看。這時候如果聲音繼續(xù)在你的前方，那么會大大降低沉浸感。

　　另一種還原真實(shí)聲場的技術(shù)也不能支持收聽的時候轉(zhuǎn)動頭部，叫環(huán)繞立體聲(surround audio)。環(huán)繞立體聲用多個物理揚(yáng)聲器來打造一個360度的聲場，來自不同方向的聲音通過不同的音箱/揚(yáng)聲器來播放。該項(xiàng)技術(shù)最著名的公司是DTS和杜比(Dolby)。

　　比如一家環(huán)繞立體聲影院，它會在觀眾的周圍放置很多音箱/揚(yáng)聲器。如果畫面左邊出現(xiàn)了爆炸，那么左邊的音箱會發(fā)出聲響，而不是右邊。由于播放器的位置固定，聽眾只有在固定的點(diǎn)，才能聽到模擬得最真實(shí)的聲場。

　　真正的沉浸體驗(yàn)，來自于高中低音頻在空間內(nèi)全方位的還原，即以人頭為中心收錄一個球形內(nèi)所有角度的聲音，并進(jìn)行還原。

　　如何解決這個問題?計算成為了重中之重。

　　在雙耳錄音技術(shù)取到的聲音之后，還原HRTF，然后進(jìn)行計算，把各個方向的HRTF還原，才能合成一套隨著轉(zhuǎn)頭、位置移動聲場自然發(fā)生變化的空間音頻。

　　在這三個環(huán)節(jié)中——收音、錄音；計算、渲染(processing, rendering)；回放——技術(shù)壁壘最強(qiáng)的地方在于計算環(huán)節(jié)。

　　核心算法是考驗(yàn)各家空間音頻公司的能力指標(biāo)。Two Big Ears的公司廣告語說明了一切："We do mathematics so you can focus on being awesome."(我們做數(shù)學(xué)，你來好好做酷的事情。)這家位于愛爾蘭的公司目前在空間音頻技術(shù)上處于領(lǐng)先地位。

　　有些團(tuán)隊則為了減輕計算量，用了一些比較笨的辦法。比如3dio，他們創(chuàng)造出收音設(shè)備，可以盡可能地在同一時間錄到各個方向的HRTF。

　　3dio公司生產(chǎn)的四對仿真人耳的收音設(shè)備

　　The Verge在短片Hear New York in 3D Audio中展示他們所用的收音設(shè)備——仿真人耳，這個收音設(shè)備能夠模擬聲音在耳朵這種獨(dú)特物理結(jié)構(gòu)下的的傳輸過程，進(jìn)而重現(xiàn)紐約街頭的實(shí)景聲音。

　　通常，三個指標(biāo)可以用來判斷一家公司3D音頻核心算法技術(shù)水平：

　　Localization：指的是聲音的定位。環(huán)繞立體聲對于聲音的平面360度有較好的模擬效果，而對于上下360度則難以模擬。VR音頻的難點(diǎn)也在于做出上下360度的聲音模擬。能做到上下逼真的則技術(shù)更為先進(jìn)。

　　Propagation：聲音在封閉空間中，不是只傳輸一次，而是有無數(shù)次的反射(bounce back)，我們可以用回音來理解。Propagation用來描述是否能讓用戶感覺到自己的確在一個真實(shí)的空間中，這種真實(shí)感越強(qiáng)越好。

　　Occlusion：聲音在傳輸過程中，如果中間有一個障礙物，這個障礙物會對聲音的傳播產(chǎn)生影響。

　　如果一個VR音頻技術(shù)可以對障礙物對于聲音的影響模擬得很好，則是一個做得好的VR音頻。

　　除去以上三點(diǎn)，目前空間音頻最前沿的解決方案是Ambisonic技術(shù)。

　　于是，能不能做Ambisonic也是判斷一家公司技術(shù)高低的指標(biāo)。

　　Ambisonic同樣是一種聲場模擬手段，但它更考驗(yàn)團(tuán)隊物理、數(shù)學(xué)和計算機(jī)的綜合能力。如果我們把空間中某一個接收聲音的位置想象成一個充著氣的氣球，那么空間中各處傳來的聲波會對這只氣球表面產(chǎn)生作用力。Ambisonic利用這個簡單道理，在空間中擺放一堆揚(yáng)聲器，來模擬對應(yīng)現(xiàn)實(shí)情況下各處聲波對這只氣球的作用力，然后計算，還原HRTF。通過Ambisonic得到的音頻數(shù)據(jù)，是最全面的數(shù)據(jù)，它可以降解到任何其他音頻格式。打個比方，Ambisonic如果是圖像中的jpg，則杜比7.0、杜比5.1等等音頻格式相當(dāng)于像素。

　　如何評價3D音頻技術(shù)的行業(yè)現(xiàn)狀？

　　3D音頻技術(shù)勢必會改變所有的應(yīng)用場景。整個空間音頻產(chǎn)業(yè)有兩個機(jī)會：

　　第一個機(jī)會是做音頻引擎（audio engine），其核心在于HRTF函數(shù)、Propagation等技術(shù)，即如何在游戲里盡可能逼真地還原出立體聲來。目前簡單的做法是，在VR游戲中放置不同的虛擬音箱，并配合Oculus Audio SDK(實(shí)現(xiàn)了HRTF以及其他效果，包括reflection等)，就可以實(shí)現(xiàn)空間音頻。而不簡單的做法有很多，需要團(tuán)隊具有強(qiáng)大的計算能力，成立于2013年愛丁堡的Two Big Ears是其中翹楚。他們所做的plug-in可能是目前行業(yè)中技術(shù)最好的plug-in之一。

　　第二個機(jī)會是實(shí)現(xiàn)3D音頻在現(xiàn)實(shí)生活中的運(yùn)用，即怎么配合全景視頻錄制帶多個角度的VR音頻。這樣用戶觀看全景視頻的時候如果轉(zhuǎn)頭，聲音會進(jìn)行動態(tài)調(diào)整。就應(yīng)用場景來說，對于虛擬演唱會，3D音頻技術(shù)尤其重要。

　　從目前整個全球市場來考量，3D音頻由于其自身技術(shù)難度，還沒有出現(xiàn)提供完美解決方案的公司與團(tuán)隊，大牌音頻公司DTS所做的技術(shù)已經(jīng)比較接近，但最終版本仍沒有公之于眾，并且面臨著價格極高的可能性。以下這張圖列舉了世界范圍內(nèi)，最被關(guān)注的七家3D音頻技術(shù)團(tuán)隊：

　　VisiSonics：

　　VisiSonic起步最早，團(tuán)隊來自美國馬里蘭大學(xué)的實(shí)驗(yàn)室，2015年10月與Oculus 達(dá)成合作。Oculus購買了他們的技術(shù)，叫做RealSpace 3D，用于Oculus Audio SDK。他們設(shè)計出了一個3D音頻視頻同步錄制的設(shè)備，由一個柱型加頂部球型裝置組成，球型裝置上有64個麥克風(fēng)。硬件層面上，技術(shù)拔尖并保持世界領(lǐng)先地位。

　　Two Big Ears：

　　位于蘇格蘭愛丁堡的團(tuán)隊，最近剛剛被Facebook收購。他們的核心技術(shù)是做3D音頻引擎，名字叫做3Dception。就plug-in層面上來講，這支團(tuán)隊是目前世界范圍內(nèi)技術(shù)最好的團(tuán)隊。在被Facebook收購前，據(jù)傳HTC Vive音頻的計算渲染用的就是這支團(tuán)隊。

　　3dio sound：

　　這家公司是目前市面上可見的空間音頻收音錄制領(lǐng)域最好的公司。他們出品了有八個耳朵的收音裝置。

　　Thrive Audio：

　　這家公司與Tilt Brush一同被Google收購，屬于Google VR戰(zhàn)略布局的一部分。團(tuán)隊來自愛爾蘭的都柏林圣三一學(xué)院。他們聲稱已經(jīng)申請了兩個專利。

　　Mint Muse:

　　一支之前在美國圣地亞哥、最近剛剛搬遷到上海的團(tuán)隊。主創(chuàng)團(tuán)隊來自高通。他們主攻渲染質(zhì)量、算法優(yōu)化、時延等領(lǐng)域，設(shè)計制作空間音頻后期制作、coding以及軟件插件工具，目前不涉及硬件生產(chǎn)。這支團(tuán)隊面向的解決人群是錄音師，他們正在開發(fā)一款專業(yè)VR全景聲調(diào)音軟件，讓調(diào)音師可以在編輯全景聲過程中實(shí)時監(jiān)聽成品效果，簡化整個工作流。

　　Waves：

　　這是一家位于以色列的空間音頻技術(shù)公司，之前做專業(yè)studio的工具，比如插件與音效，是很多著名studio的合作伙伴，如Abbey Road。

　　Impulsonic：

　　一支孵化于美國北卡羅來納大學(xué)計算機(jī)系的團(tuán)隊。主要針對VR游戲與應(yīng)用的3D音頻開發(fā)，產(chǎn)品叫Phonon。成立于2012年。創(chuàng)始人阿尼什·錢達(dá)克(Anish Chandak)博士說創(chuàng)立之初他的想法就非常簡單：“幫助游戲設(shè)計師與開發(fā)者更容易做出高質(zhì)量的空間音頻。”大部分收入來自于Phonon的license收入。他們?nèi)ツ杲邮苊绹鴩铱茖W(xué)基金的投資，研究同時應(yīng)用于一些政府項(xiàng)目。

　　大部分做VR游戲的工作室還沒有開始大規(guī)模使用3D音頻技術(shù)——原因主要是“窮”。既然“寒冬”來了，那么也就更窮了。事實(shí)上，這些沒有好內(nèi)容的游戲工作室還用著環(huán)繞立體聲技術(shù);只有少數(shù)極客風(fēng)格的工作室開始應(yīng)用一些空間音頻技術(shù)。3D音頻技術(shù)仍舊是一件挺前沿的事兒。

　　然而，3D音頻對于整個VR產(chǎn)業(yè)來講，是基礎(chǔ)的技術(shù)性板塊。擁有核心技術(shù)，才可能在應(yīng)用層面上等待下一個突破點(diǎn)。做無人機(jī)的大疆(DJI)就是一個例子，早在無人機(jī)變成商業(yè)模式之前，大疆的主創(chuàng)團(tuán)隊已經(jīng)在飛行控制這一個技術(shù)點(diǎn)上做了長時間的研究與努力。如果VR終有一天值得每一個用戶去花時間使用，那么它勢必在技術(shù)方方面面上已經(jīng)成熟到可以“沉浸式體驗(yàn)”的時候。

　　等待回春，先從3D音頻開始。