3D 沉浸式音樂錄音傳聲器陣列技術(shù)發(fā)展綜述

高 杰

（南京藝術(shù)學(xué)院 傳媒學(xué)院，江蘇 南京 210000）

0 引言

“沉浸”一詞最早應(yīng)用于視覺藝術(shù)，指利用人的感官體驗(yàn)和認(rèn)知體驗(yàn)，營造氛圍讓參與者身臨其境的體驗(yàn)狀態(tài)。在利用互聯(lián)媒體進(jìn)行娛樂的背景下，3D 沉浸式音頻通常是指為聽者提供除寬度和深度外還具有高度信息的三維（3D）音頻體驗(yàn)，聽者依靠雙耳可以分辨出前、后、左、右、上等方位的音頻技術(shù)，克服了傳統(tǒng)立體聲和環(huán)繞系統(tǒng)平面化的局限性。近年來，國內(nèi)外已經(jīng)開發(fā)出多種用于3D 音頻的音頻格式和錄制方式，如Dolby Atmos，Auro-3D，DTS：X，NHK 22.2 以及中國多維聲等等［1］。3D 音頻從最初應(yīng)用于影視作品，逐步拓展到音樂、游戲及互聯(lián)網(wǎng)視頻等新領(lǐng)域，應(yīng)用的領(lǐng)域和數(shù)量逐漸增加。2018 年，國際電信聯(lián)盟發(fā)布ITU-R BS.2051-2 標(biāo)準(zhǔn)，推薦了用于音響系統(tǒng)的3D 揚(yáng)聲器配置。在揚(yáng)聲器設(shè)置方面，這些3D 音頻系統(tǒng)通常在原有水平環(huán)繞的基礎(chǔ)上增加了頂部揚(yáng)聲器。目前3D 音頻的實(shí)現(xiàn)方式主要有以下幾類：基于通道的音頻（Channel Based Audio，CBA），基于對象的音頻（Object Based Audio，OBA），基于場景的音頻（Scene Based Audio，SBA）或這些方式的組合。

CBA 是基于聲道的概念來實(shí)現(xiàn)3D 沉浸式音頻系統(tǒng)，需要對系統(tǒng)中的每一只揚(yáng)聲器進(jìn)行固化，才能實(shí)現(xiàn)聲音的定位和移動(dòng)效果，傳統(tǒng)的5.1，7.1，NHK22.2，Auro-3D 以及中國多維聲都是采用此種方式。OBA 則拋開的聲道的概念，基于聲音對象概念，系統(tǒng)會(huì)根據(jù)聲音的運(yùn)動(dòng)軌跡、位置等數(shù)據(jù)，結(jié)合揚(yáng)聲器的數(shù)量進(jìn)行即時(shí)的運(yùn)算，然后把音頻流分配到系統(tǒng)中的每一只揚(yáng)聲器中。OBA 不再受揚(yáng)聲器的數(shù)量限制，但揚(yáng)聲器的數(shù)量越多，運(yùn)動(dòng)和位置將會(huì)更準(zhǔn)確。Dolby Atmos 與DTS：X 就是采用了這兩種方式的組合。

隨著嶄新的3D 沉浸式音頻格式的出現(xiàn)，音頻內(nèi)容制作技術(shù)也在更新。在傳統(tǒng)聲學(xué)空間錄制音樂的背景下，麥克風(fēng)陣列技術(shù)對于呈現(xiàn)錄音師和制作人所需的聽覺場景的空間特征至關(guān)重要。雖然OBA 可以在后期制作中靈活混合音頻信號(hào)，但是在聲學(xué)環(huán)境中使用麥克風(fēng)陣列進(jìn)行CBA 記錄需要考慮各種因素，如傳聲器的間距角度、指向性以及擺放的位置等等。

21 世紀(jì)以來，國內(nèi)外音頻工程師和錄音工程師已經(jīng)提出了許多用于CBA 的不同3D 傳聲器陣列錄制系統(tǒng)。其中一些系統(tǒng)是根據(jù)聽覺感知的科學(xué)原理設(shè)計(jì)的，而另一些系統(tǒng)則是錄音師從錄音實(shí)踐中衍生出來的，例如著名的2L 唱片公司提出的“2L-Cube”，中國著名錄音師李大康老師提出的“LDK-Cube”等。由于一種技術(shù)不太可能同時(shí)滿足各種不同的錄制場景需求，因此對于錄音師和制作人而言，了解不同技術(shù)的設(shè)計(jì)原則，以便能夠選擇最適合的技術(shù)來實(shí)現(xiàn)藝術(shù)目標(biāo)至關(guān)重要。

本文旨在對常見的3D 傳聲器陣列進(jìn)行全面的綜述，并討論它們在物理和感知上的差異。傳聲器陣列的范圍僅限于室內(nèi)聲學(xué)環(huán)境以及室外環(huán)境聲錄制，與ITU-R BS.2051-2 標(biāo)準(zhǔn)中推薦的3D 揚(yáng)聲器配置兼容的陣列。

1 3D 沉浸式錄音制式的簡述與分類

目前，3D 沉浸式錄音傳聲器陣列大致分為水平和垂直間隔（HVS）、水平間隔和垂直重合（HSVC）以及水平和垂直重合（HVC）陣列三種。HVS 陣列將水平和垂直的傳聲器間隔一定的距離，通過垂直和水平方向上產(chǎn)生的時(shí)間差進(jìn)行聲音的空間營造。如果水平傳聲器間隔較寬，通道間電平和相位的差異性會(huì)更大，具有更強(qiáng)的空間信息。然而，國內(nèi)外研究表明，在3D 聲音再現(xiàn)時(shí)，垂直和水平傳聲器之間的間距對感知空間信息的影響甚小。在此理論的基礎(chǔ)上，研究人員采用HSVC 概念設(shè)計(jì)了一些麥克風(fēng)陣列，高度傳聲器和水平傳聲器處在一個(gè)水平面，而水平布置的麥克風(fēng)間隔以增強(qiáng)空間信息。這一概念要求在中層和上層使用定向傳聲器（心形或超心形），以實(shí)現(xiàn)足夠的通道之間的隔離度。HVC 陣列在所有傳聲器之間沒有間距或間距很小，主要依賴通道間電平差進(jìn)行定向信號(hào)源成像。通常被以四面體布局排列的四個(gè)心形振膜組成（First Order Ambisonics，F(xiàn)OA），或者在一個(gè)小球體的表面安裝多個(gè)振膜，提供比FOA 更高的空間解析度。

傳聲器陣列也分為“主傳聲器”陣列和“環(huán)境”陣列。主傳聲器陣列傳統(tǒng)上指的是一組傳聲器，以一定的間距和角度布置，用于定向源成像和從記錄空間中特定位置的角度產(chǎn)生空間信息。在古典音樂錄制中，根據(jù)樂隊(duì)的大小以及所需的空間和音調(diào)特性，主陣列通常放置在地面上方約2～4 m，通常布置在指揮后方。在3D 主陣列傳聲器中，陣列的中間層負(fù)責(zé)前面的聲源成像和后面的環(huán)境成像。上層通常旨在捕捉環(huán)境以及增強(qiáng)感知的空間信息，除非聲源在物理上升高（如舞臺(tái)上方的合唱團(tuán)）或垂直較大（如管風(fēng)琴），在這種情況下需要垂直聲源成像。有些錄音師傾向于依托一個(gè)主陣列，也有一些人傾向于增加多個(gè)傳聲器來補(bǔ)充主陣列。

環(huán)境陣列僅用于錄制漫射聲音（反射和混響），而不是直達(dá)聲，因此通常建議放置在錄制場所的混響半徑之外［2］。環(huán)境陣列可以與主陣列的正面中間層傳聲器配合使用。此方法的優(yōu)勢在于，由于環(huán)境陣列信號(hào)幾乎不包含直達(dá)聲，因此可能有更大空間來提升環(huán)境聲音而不影響主聲源的定位。

1.1 HVC 陣列

1.1.1 OCT-3D

OCT-3D 是由THEILE 和WITTEK 提出的4+5+0 陣列，使用OCT-SURROUND（優(yōu)化的心形三角形環(huán)繞）五聲道主傳聲器陣列作為中間層，并在其正上方1 m 處增加4 個(gè)朝上的超心形傳聲器，如圖1 所示。OCT 前方3 支傳聲器中兩側(cè)采用超心形傳聲器，抑制了前方3 支傳聲器的相關(guān)性，主要設(shè)計(jì)目標(biāo)是通過最小化通道間串?dāng)_來實(shí)現(xiàn)穩(wěn)定的正面成像，后方環(huán)繞和中間C 通道使用心形指向傳聲器。研究表明，環(huán)繞傳聲器陣列的相關(guān)性可能有助于增加感知到的聲源寬度，實(shí)際效果取決于聲源的類型。

圖1 OCT-3D 傳聲器陣列

OCT-3D 陣列共需要9 支傳聲器，其中心形指向3 支，超心形6 支。選擇上層超心形傳聲器是為了減少傳聲器之間的相關(guān)性。THEILE 和WITTEK認(rèn)為，由于使用ICTD或ICLD進(jìn)行垂直平移的限制，不可能在中上層之間實(shí)現(xiàn)穩(wěn)定的垂直方向的成像。所以THEILE 和WITTEK 建議，中上層揚(yáng)聲器拾取的應(yīng)該是反射和混響，而不是直達(dá)聲。對上層使用朝上的超心形傳聲器可以充分抑制直達(dá)聲，從而拾取的主要是彌散的反射聲和混響聲。

1.1.2 LDK-Cube

LDK-Cube 是李大康教授基于多年的環(huán)繞聲錄音實(shí)踐總結(jié)的一種由大間距主傳聲器和環(huán)境傳聲器組合而成的3D 傳聲器陣列［3］。該陣列使用八支傳聲器組成一個(gè)立方體，下層為4 支全指向傳聲器，上層為4 支心形指向傳聲器指向天花板，如圖2 所示。各傳聲器之間的間距建議在5 m 以上，對于傳聲器的選擇和擺放位置更加靈活。傳聲器之間的間距越大，彼此的相關(guān)性就越小，拾取到的空間信息也就越多［4］。

圖2 DK-Cube 傳聲器陣列

1.1.3 2L-Cube

2L-Cube 是LINDBERG 開發(fā)的一種采用9 支全指向傳聲器排列在一個(gè)正方體上，可實(shí)現(xiàn)4+5+0的雙層傳聲器陣列，如圖3 所示。正方形的寬度和深度可以根據(jù)樂隊(duì)的大小從0.4 m 到1.2 m 變化，而高度維度保持1 m 不變。中置傳聲器放置在左右傳聲器之間的中間位置稍前方。將樂隊(duì)呈圓形布局，并將2L-Cube 放置在圓形的中心位置，以實(shí)現(xiàn)360°成像。LINDBERG 還傾向于調(diào)整個(gè)別樂手與傳聲器陣列的距離，以便為不同的音樂作品實(shí)現(xiàn)最佳水平平衡。2L 唱片公司使用此種陣列錄制并發(fā)行大量作品，效果非常不錯(cuò)。

圖3 2L-Cube 傳聲器陣列

2L-Cube 陣列使用9 支全指向形傳聲器。與單向或雙向傳聲器相比，全指向傳聲器通常會(huì)提供更好的低頻響應(yīng)。此外，上層麥克風(fēng)的精確垂直方向取決于所需的音調(diào)特性。該陣列經(jīng)常使用均衡器配件（圓球形狀）來增加高頻的指向性，在垂直方向產(chǎn)生一些ICLD，有助于避免聲像位置在垂直平面上向上移動(dòng)。

1.1.4 Hamasaki Cube

HAMASAKI 和VAN BAELEN 在Hamasaki Square（HS）錄音制式的基礎(chǔ)上，通過添加4 個(gè)向上的超心形傳聲器來捕捉上層的環(huán)境聲音，如圖4所示。HS 是一種成熟的技術(shù)，用于錄制常規(guī)0+5+0再現(xiàn)的四聲道環(huán)境聲音。其由4 個(gè)側(cè)面的8 字形傳聲器組成，呈正方形排列。研究發(fā)現(xiàn)，同時(shí)使用前后通道進(jìn)行環(huán)境聲記錄和再現(xiàn)，與只使用后通道相比，可以產(chǎn)生更大的空間感。由于麥克風(fēng)朝向側(cè)面，零點(diǎn)朝向前方，HS 可以充分抑制來自舞臺(tái)的直達(dá)聲，同時(shí)拾取來自橫向的早期反射和混響聲。

圖4 Hamasaki Cube 傳聲器陣列

根據(jù)主觀評估結(jié)果和基于聲像定位估計(jì)，建議HS 的大小為2～3 m，這表明在傳聲器間距為2 m的情況下，在100 Hz 以上可以實(shí)現(xiàn)完全的信道分離度。建議在增加的上層以及中層和上層之間使用相同的2～3 m 間距的超心形傳聲器。此外，還可以在上方正方形的中心額外放置一個(gè)朝上的超心形傳聲器。結(jié)果顯示，Hamasaki Cube 總體上比Hamasaki Square（HS）更好。

1.2 HSVC 陣列

1.2.1 PCMA-3D

PCMA-3D 是HYUNKOOK L 提出的PCMA 設(shè)計(jì)概念［5］的4+5（7）+0 陣列，如圖5 所示。最初的PCMA 為五聲道環(huán)繞記錄中靈活呈現(xiàn)感知距離和水平而設(shè)計(jì)的。陣列中的每個(gè)點(diǎn)都采用以一致方式排列的前向和后向心形傳聲器。通過將兩個(gè)不同比例的傳聲器信號(hào)混合，可以創(chuàng)建不同方向和指向性的虛擬麥克風(fēng)，從而可以靈活地控制每個(gè)通道信號(hào)的大小與混合比。

圖5 PCMA-3D 傳聲器陣列

國內(nèi)外研究結(jié)果表明，兩層傳聲器之間的間距將不會(huì)對3D聲音再現(xiàn)中的感知空間產(chǎn)生顯著影響，垂直通道間時(shí)間差對于垂直成像來說是一個(gè)不穩(wěn)定的因素。這些發(fā)現(xiàn)也成為所有其他HSVC 陣列上層配置的理論基礎(chǔ)。也就是說，上層和下層傳聲器之間的間距并不會(huì)影響3D 聲音的成像。

布局圖表明，上層的4 個(gè)超心形傳聲器與其對應(yīng)的中間層傳聲器排列在同一水平面上。垂直方向放置的傳聲器比中間層傳聲器的電平至少低9.5 dB 左右，防止聲像定位向上移動(dòng)。中間層和上層的心形傳聲器也可以“背靠背”的方式布置，使得上層的心形傳聲器背離聲源，以獲得最大的聲道分離度。上層主要捕捉來自天花板的反射聲，而中間層捕捉來自前方的直達(dá)聲和來自后方的反射聲。這將在平衡高度通道中的環(huán)境級別方面提供靈活性，而不會(huì)影響主要在中層的聲像定位。這種重合布置的另一個(gè)好處是在后期制作中，3D 下混到立體聲時(shí)幾乎不會(huì)出現(xiàn)染色的現(xiàn)象。也就是說，當(dāng)高度傳聲器信號(hào)與其對應(yīng)的中層傳聲器信號(hào)混合時(shí)，將不會(huì)產(chǎn)生相互抵消與相位失真。

1.2.2 ORTF-3D

ORTF-3D 是 由WITTEK 和THEILE 提出的4+4+0 陣列。ORTF 是一種成熟的雙通道錄音技術(shù)，使用兩支間距為17 cm、角度為110°的心形傳聲器。SCHOEP 的ORTF-3D 就是使用了窄間距定向傳聲器的概念。在基于ORTF 的基礎(chǔ)上以垂直重合的方式排列的中層和上層各采用四支超心形傳聲器。麥克風(fēng)之間的排列緊湊。中上層傳聲器之間的夾角為90°，由于傳聲器都為強(qiáng)指向性，提供了足夠的通道分離度。另外，ORTF-3D 有室外布置和室內(nèi)布置兩個(gè)版本。室內(nèi)采用方形布局，每對垂直傳聲器之間的間距為18 cm，夾角為90°，如圖6 所示。而戶外為矩形布局，寬20 cm，深10 cm，如圖7所示。

圖6 ORTF-3D 傳聲器陣列室內(nèi)布置

圖7 ORTF-3D 傳聲器陣列室外布置

1.2.3 Au3Dio

Au3Dio是由VAIDA提出的4+6+0傳聲器陣列。中間層由6 支心形傳聲器組成，呈六邊形布局。根據(jù)SENGPIEL 的心理聲學(xué)模型的計(jì)算，建議每個(gè)相鄰傳聲器之間的間距為62 cm，以便為每個(gè)立體聲段產(chǎn)生60°的SRA。如圖8 所示，前面和后面的傳聲器都增加了向上的8 字形傳聲器，以垂直重合的方式排列。8 字形傳聲器可以直接分配到上層揚(yáng)聲器，在這種情況下，正面心形傳聲器應(yīng)該直接指向聲源，以最大限度地抑制上層信號(hào)中的直達(dá)聲。

圖8 Au3Dio 傳聲器陣列

心形和8 字形傳聲器可以配對成MS 制式，從而可以靈活地為中間層和上層分配信號(hào)。在這種情況下，需要將傳聲器陣列布置到聲源高度以上。

1.3 HVC 陣列

目前，市面上已有多種HVC 陣列的3D 傳聲器，大體呈四面體和球形陣列，如RODE NT-SF1（如圖9 所示），Sennheiser Ambeo VR（如圖10 所示）以及zoom-VR（如圖11 所示）。這些傳聲器可以理解為M/S 制式立體聲拾音的三維擴(kuò)展，采用一定的方式組合多個(gè)音頭形成的陣列來記錄具有高度、深度、寬度信息的多通道信號(hào)，稱之為A-Format 信號(hào)格式，并通過這些通道信息配合Ambisonic Plugin插件去運(yùn)算并形成一個(gè)3D音頻，轉(zhuǎn)換成5.1.4，7.1.4，B-Format 或其他3D 環(huán)繞聲格式的信號(hào)。由于振膜間距較小，在高頻時(shí)會(huì)導(dǎo)致所謂的“空間混疊”，導(dǎo)致聲音質(zhì)量以及再現(xiàn)中的聲像定位精度和水平方面的顯著差異。

圖9 RODE NT-SF1 傳聲器

圖10 Sennheiser Ambeo VR

圖11 ZOOM-VR 傳聲器

2 HSV、HSVC 和HVC 陣列一般性結(jié)論

由于聲源類型、記錄環(huán)境以及回放系統(tǒng)差異很大，因此不可能為所有陣列之間的差異得出一般性結(jié)論。然而，通過對現(xiàn)有國內(nèi)外研究的回顧，可以總結(jié)出HSV、HSVC 及HVC 這三種不同類型的物理配置的明顯差異。

在HVS 陣列中使用中上層之間的垂直間距的主要?jiǎng)訖C(jī)是漫反射聲音的垂直成像，隔離兩層之間傳聲器的相關(guān)性。眾所周知，隔離度對于水平圖像擴(kuò)展和增強(qiáng)層次是有效的。大多數(shù)HVS 陣列似乎都使用了垂直傳聲器間距的理論［6］。而HSVC 陣列在物理上更緊湊，從而在戶外音景或現(xiàn)場音樂會(huì)錄制情況下使用更加方便。另外一個(gè)最大的優(yōu)勢就是3D 到2D 的下混音。當(dāng)上層信號(hào)與其在中間層中的相應(yīng)傳聲器直接混合，便于2D 再現(xiàn)時(shí)由于重合的性質(zhì)產(chǎn)生梳狀濾波。與HVS 陣列相比，失真度較小，特別是使用全指向傳聲器。

在靈活性方面，HVS 陣列比HSVC 陣列更具優(yōu)勢，特別是對于大型再現(xiàn)系統(tǒng)。由于間距的原因，可以更靈活地選擇麥克風(fēng)的指向性和擺放位置。較大的間距更有助于控制音色特征。例如，在音樂廳錄制大型管風(fēng)琴時(shí)，頂部麥克風(fēng)信號(hào)可能會(huì)根據(jù)麥克風(fēng)的垂直位置而有很多變化。上層高度可以用作創(chuàng)造性工具，以產(chǎn)生所需的音色特征。

盡管兩種陣列都是在盡可能逼真地錄制和再現(xiàn)聲場，但HVS 和HSVC 陣列配置和放置背后的動(dòng)機(jī)往往介于真實(shí)感和藝術(shù)性之間。現(xiàn)實(shí)主義和藝術(shù)性都是錄音的重要因素，與創(chuàng)造身臨其境的聽覺體驗(yàn)相輔相成。從聽眾的角度來看，可以為上層設(shè)計(jì)出各種創(chuàng)造性的聲音。例如，在音樂廳錄音中，面向觀眾區(qū)域的心形麥克風(fēng)，往往比相對未經(jīng)處理的天花板吸收更多的高頻，可能會(huì)錄制到比直接向上的超心形麥克風(fēng)更柔和的反射聲。

3 結(jié)語

總體而言，目前三種類型的3D 沉浸式錄音傳聲器陣列都存在各自的優(yōu)勢與局限性。在實(shí)際應(yīng)用中，還需要更主觀和客觀的研究來探索3D 沉浸式錄音傳聲器陣列的客觀參數(shù)，完善沉浸式聲音質(zhì)量評估標(biāo)準(zhǔn)。