空間聲拾音方法研究及展望

于雅詩，胡澤

(中國傳媒大學音樂與錄音藝術學院 北京100024)

1 引言

人類在錄音技術的領域中已有近兩個世紀的學習與實踐經驗。一百年前，我們從僅有縱深感的單聲道時代步入立體聲的“面”聲場。隨后，環繞聲技術將聽音位從“面”聲場的外部被拉入內部，我們被來自前后左右的聲音所包圍。近年來，高度通道的加入使聲音從“面”拓展成了“體”，通過電聲重放系統感知到來自三維空間各個方向的聲音成為了現實，空間聲的時代已經到來。

空間聲(Spatialized Audio)技術，是指可以重放三維聲空間信息的聲重放技術。空間聲技術的研究其實已有近百年的歷史，但一直沒有合適的應用場景。而VR(虛擬現實)與8K、5G等技術的成熟，為空間聲的應用與傳輸提供了可行方案。目前，空間聲在游戲、電影電視、音樂錄音中都占有舉足輕重的位置，是音頻技術領域最熱門的話題。而如何獲取帶有空間高度信息的空間聲音頻，則是廣大音頻工作者目前最為關心的問題。本文將結合空間聲拾音方案實例，簡單介紹空間聲拾音的三種技術原理。

2 雙耳拾音技術

雙耳拾音(Binaural Recording)技術是一種能夠記錄出類似人耳聽感的聲音信號的方法。這種拾音方法能有效的拾取具有良好空間感和臨場感的聲音信息。

雙耳拾音技術的本質是模擬人耳聽音的方式。區別于其他普通的拾音方式，人耳具有精細的空間定位能力。而HRTF(頭部相關傳輸函數)是一個空間聲源定位模型，能夠反映空間中某點的聲源是如何傳遞到人耳中(一般指到外耳道處)。利用HRTF，我們可以擴展耳機重放時的聲像范圍，有效避免頭中效應，使聲音聽起來是來自各個方向的。但HRTF感知的準確度取決于HRTF數據庫與聆聽者本人頭部特征的匹配度。

HRTF的定義是：

HL=HL(θ，φ，r，ω，α)=PL/P0

HR=HR(θ，φ，r，ω，α)=PR/P0

(1)

其中，PL、PR是聲源在聽音者左、右耳產生的復數聲壓；P0是人頭不存在時頭中心的復數聲壓。HRTF是聲源的水平方位角θ、仰角φ、聲源至人頭中心的距離r和聲波的角頻率ω的函數，且與人頭的大小α有關。[1]

目前，雙耳拾音技術主要包括如下幾種制式：人工頭拾音技術、類人工頭拾音技術、真人頭拾音技術等。

人工頭(Dummy Head)也被稱為頭部和軀干模擬器(Head And Torso Simulator，HATS)，是最為常見、應用最廣的雙耳拾音技術。人工頭是由聲學材料制成的假人頭模型，它有人頭和耳朵的形狀，某些型號的人工頭還有軀干。人工頭的形狀取的是人類頭部以及軀干的平均值。人工頭的雙耳耳道處安裝有兩個全指向性傳聲器，以此來模擬人耳聽覺。常見的人工頭包括：Neumann的KU100(被廣泛用于音樂錄音，見圖2.1)、GRAS Sound & Vibration的KEMAR(有軀干，常用于HRTF測量，最初用于助聽器研究)、Head Acoustics的Aachen Head(有肩部)、Brüel & Kj?r的4128D/C(有肩部)。

圖1 人工頭：Neumann KU100

類人工頭是一種只有外耳形狀的雙耳拾音話筒。它沒有人工頭傳聲器的完整頭部形狀，只有安裝了傳聲器的外耳。這種傳聲器在拾取聲音時因為缺少了頭部和軀干的衍射，損失了一部分HRTF參數，空間感的聆聽體驗會比人工頭差一些。3Dio的Free Space Binaural Microphone就是典型的類人工頭話筒。

近幾年，市面上又出現了多方向的雙耳拾音類人工頭話筒，以使聲音匹配到360°的VR畫面上。3Dio的Omni Binaural Microphone(見圖2.2)就是其中的一個很好的代表，它由4對耳朵組成，每對相鄰的耳朵呈90°夾角，因此它可以捕捉到水平方向上0°、90°、180°、270°四個方向的聲音信號。這種拾音制式的出現可以很好的配合VR視頻中視角的水平旋轉，但并不能改變垂直方向上的角度切換。

圖2 類人工頭：3Dio Omni

真人頭拾音是將兩只微型傳聲器振膜置于聽音者的雙耳耳道末端，也就是耳膜所處的位置。這種拾音制式的優點就在于其效果十分逼真。相比于其他使用人工頭的拾音方式，真人頭耳道的存在避免了聲波在幾何邊界條件下產生的失真，有效提升了音色和定位的真實性。值得注意的是，在使用這種話筒錄音時，人不能動，需要保持頭部和軀干的穩定，否則就會擾亂錄音節目的聲像。目前，市面上的主要真人頭拾音話筒包括：GRAS Sound & Vibration的KB5000、Brüel & Kj?r的HATS Type 5128、DPA4560 CORE Binaural Headset Microphone(見圖2.3)。

圖3 真人頭傳聲器：DPA4560 CORE

雙耳拾音技術在音樂錄音、VR、及ASMR等諸多領域中都得到了應用。雙耳拾音技術在拾取一些聽音者熟悉或經歷過的場景時，聆聽真實感會更為強烈。[2]歌手林俊杰2015年的實驗錄音《和自己對話》是一張采用了人頭錄音的專輯。該專輯包括其通過雙耳拾音技術錄制的歌曲及一些生活中的場景，如音樂廳調音、夜晚的海邊等聲音。但是，相比于音樂部分的錄音，歌迷普遍反應生活場景的空間感效果更真實、更有代入感。

相比于其他空間聲拾音技術，雙耳拾音技術真實感強，其格式易于傳輸和播放。而其弊端則在于HRTF參數不匹配的問題，雙耳拾音中常使用人工頭的HRTF參數，或后期添加的某個HRTF參數，與聽音者本人的HRTF不符，可能會導致聽音誤差與聲染色現象。

3 基于Ambisonics的拾音技術

Ambisonics是一種基于球諧函數的球形空間環繞聲格式，這種格式包括了水平面以及聆聽者頭部上方和下方的聲源。Ambisonics的獨特之處在于，其傳輸通道不攜帶揚聲器通道信息；在重放時，它可以根據重放系統的布局，將聲源方向的信息解碼，再輸出給回放設備回放。[3]

球諧函數是對球面域內拉普拉斯方程的求解，而其諧波就是拉普拉斯方程的解。球面上的每個函數都是各個階數球面諧波的和，類似于傅立葉函數，球諧函數構成了一個完整的正交系統。階數越高，球諧函數的表達就越復雜、越精細。對應到Ambisonics中，再現的聲源定位就更精準、細節就更豐富。[4]

零階球諧函數在極坐標系中的表達就是一個球體；而一階球諧函數則包括三個分量：三對兩個大小相同、外表面相切、平面對稱的球體。因此，一階Ambisonics可以使用傳統的話筒直接拾取：將一只全指向傳聲器、三只分別指向前方、左方、上方的規格與參數相同的8字形傳聲器的振膜盡量放在同一個點上即可。這種通過四只話筒信號直接組成的一階Ambisonics也被稱為B格式(B-format)，四只傳聲器拾得的四個信號分別對應著W(全指向傳聲器的信號)、X(面向x軸的8字形傳聲器的信號)、Y(面向y軸的8字形傳聲器的信號)、Z(面向z軸的8字形傳聲器的信號)。這種直接錄制B格式的拾音方法為一階Ambisonics的拾音提供了實踐上的可能。

但是，這種直接錄制B格式也有一些明顯的誤差：三只8字形傳聲器性能上的差異會影響聲音高頻定位及清晰度、傳聲器的物理尺寸導致四只傳聲器互相影響、以及聲影現象的產生……為了解決上述困難，1978年，Michael Gerzon與Peter Craven提出了一種聲場傳聲器(Soundfield Microphone，見圖4)。[5]聲場傳聲器是由四個緊密相鄰、規格相同的心形傳聲器單元組成的傳聲器，四個單元呈正四面體排列。四個傳聲器單元直接拾取的信號分別為：FLU(Front Left Up)、FRD(Front Right Down)、BLD(Back Left Down)、BRU(Back Right Up)，它們共同組成了A格式(A-format)。A格式獲取的四個信號未經處理是不能使用的。將A格式轉換成B格式只需要簡單的矩陣轉換。[6]

圖4 聲場傳聲器Soundfield SPS200

通過改變B格式各分量前的系數，我們可以用B格式衍生出指向任何方向的一階指向性虛擬傳聲器。一個B格式可以同時派生出多個具有不同指向性的虛擬話筒。將不同參數的虛擬傳聲器組合起來就可以得到各種各樣的立體聲拾音制式和環繞聲拾音陣列。[4]B格式可生成的指向性包括：全指向、次心形、心形、超心形、8字形；B格式可生成的重放格式：單聲道、立體聲、帶HRTF函數的雙耳技術、5.1、7.1、10.1以及其他任何包括高度信息的各種重放格式；

目前，主流的Soundfield話筒主要有以下幾種：

表1 聲場傳聲器

前文簡單討論了一階Ambisonics的拾音方式。相比于高階Ambisonics而言，一階Ambisonics僅有四個分量，還原出的聲場空間分辨率較低，聲源聽感較為模糊、粗糙，甜點區也比較小。此時，就需要更高階的Ambisonic來為B格式提供一些方向性更強的信息來解決。實踐證明，在非常大的聽音區內，中等階數也能達到非常滿意的結果。[7]在給定階數l時，完整的球形系統需要(l+1)2個信號通道。因此，在一階以上，用單只話筒就不存在直接獲得Ambisonics信息的可能性了。高階差分信號是使用特殊的傳聲器陣列拾取，通過復雜的數字信號處理技術運算得到的。但是，目前的高階Ambisonics傳聲陣列在音色和噪聲方面的表現還無法和傳統的高質量錄音話筒相比。

目前，專業領域主要使用的高階Ambisonics傳聲器有以下幾種：

表2 高階Ambisonics傳聲器

CoreSound OctoMic是二階Ambisonic話筒，它由8個傳聲器單元組成，通過VVEncode插件可以輸出一組9通道的B格式信號。三階Ambisonics傳聲器陣列Zylia ZM-1由19個MEMS傳聲器單元組成。可以利用Zylia Ambisonics Converter的軟件或插件輸出B格式。mh acoustics的em32 Eigenmike(見圖5)是一個四階Ambisonic傳聲器陣列，該陣列是一個裝有32個拾音單元的剛性球體，它也有相應的應用程序和插件實現A-B格式轉換的功能。

圖5 高階傳聲器：em32 Eigenmike

比利時樂隊GOOSE專輯Synrise的制作中，將Ambisonics技術作為拾音的一部分，并結合了其他多種拾音技術，完成了空間聲專輯的拾音工作。他們使用了Sennheiser AMBEO VR傳聲器，將其安裝在攝像機上，并將輸出信號通過4個SK6000無線發射器傳輸。這樣，聲像就可以隨著視角的移動而發生改變。

圖6 AMBEO VR傳聲器與SK6000無線發射器

Ambisonics傳聲器具有可選指向性，可靈活適應不同揚聲器布置的重放系統等優點。但是，目前的低階Ambisonics傳聲器僅適用于傳送環境氛圍信號，難以實現聲源的精準定位，定位較為粗糙；高階傳聲器目前在設計上有技術困難，市面上產品很少，造價昂貴。[8]

4 多通道拾音陣列

多通道拾音方式類似于傳統環繞聲的拾音方式，它建立在心理聲學與空間感知原理的基礎上，是一種由多只普通錄音傳聲器組合成的空間聲拾音陣列。目前，在空間聲拾音設備的音質與成本限制下，在音樂節目制作中，我們還是主要傾向于使用多通道拾音陣列進行空間聲錄音。

為獲得良好的音質與空間感，多通道拾音陣列應達到的基本目標有：a)所有通道信號之間有良好的分離度，以避免梳狀濾波；b)相鄰通道之間應存在時間差或電平差，或兩者都有，以實現聲像定位的需求；c)環境聲的拾取應具有不相關性，以獲取良好的包圍感。

在本文中，多通道拾音陣列分為兩種類型，一種是在現有的環繞聲或立體聲制式的基礎上拓展而得的拾音陣列，另一種則是由多只點話筒組合的拾音陣列。

4.1 在現有制式基礎上拓展的空間聲拾音

1)OCT-3D

OCT-3D(見圖7)亦名OCT-9，該陣列包括9只傳聲器。最初，設計OCT的目的是為了最小化聲道間串音(InterChannel Crosstalk，ICC)。OCT的設計者Theile認為，為了保證通道間聲像定位的連續性，并盡可能避免聲染色，ICC應盡量最小化。他發現，當使用兩個指向兩側的超心形傳聲器時，可以有效地減少串音問題。隨后，Theile提出了一種多通道傳聲器陣列，兩只超心形傳聲器分別作為左聲道和右聲道，還有一只超心形作為中間聲道。[9]這種傳聲器陣列就叫做OCT(Optimized Cardioid Triangle)，它具有良好的聲道間分離度和定位。

圖7 OCT-3D

在OCT的基礎上增加兩只指向后方的心形傳聲器，拓展到5通道的環繞聲陣列，即為OCT-Surround。而OCT-3D則是在OCT-Surround上方1m處增加了4只指向上方的超心形傳聲器。在上層中傳聲器組中，四只指向上方的超心形傳聲器呈1m*1m的正方形。其中，左上在左聲道的正上方，右上在右聲道的正上方。[10]OCT-3D的主要用于錄制體育賽事轉播與電影中的環境聲錄音。

2)帶高度通道的Hamasaki Square

Hamasaki Square(見圖8)是日本NHK的Kimio Hamasaki提出的一種環境聲拾音系統。這是一種由4只8字形傳聲器組成的矩形陣列，這4只傳聲器均指向外部，避免拾取任何直達聲。

圖8 Hamasaki Square

而帶有高度通道的Hamasaki Square則是在其基礎上垂直拓展生成的。上層傳聲器使用了4只超心形傳聲器，其水平方向的位置與中層傳聲器重合。Hamasaki推薦傳聲器間的間距為2-3m，以獲得足夠的低頻去相干性。[11]該陣列一般安裝在廳堂的后部，且處于較高的位置。不過，與其他環境聲拾音技術相比，Hamasaki Square對主傳聲器和環境聲陣列之間的距離不太敏感。

3)ORTF-3D

ORTF-3D系統(見圖9)由Helmut Wittek和Günter Theile開發，該系統包括8個通道，主要用于錄制三維環境聲信號。該系統可以理解為是由兩個ORTF-Surround上下疊加組成的。在上層和下層傳聲器組中，各有4個超心形傳聲器，形成10*20cm的矩形。

圖9 ORTF-3D

此外，為了在垂直方向上定位聲像，該系統將傳聲器向上或向下傾斜，形成90度的超心形X/Y拾音對。由于超心形的強指向性，這種雙通道重合放置是合理的，且其通道間不相干性及聲像定位都非常好。[12]

2 點話筒組成的空間聲拾音陣列

1)2L Cube

挪威唱片公司LindbergLyd(2L)提出了一種由8個全指向傳聲器組成的陣列，2L-Cube(見圖10)。2L的錄音作品具有其獨特的審美體驗，其主傳聲器往往置于樂團的中間，使聽眾被所有樂器包圍。[13]該陣列的設計受DeccaTree影響，各個傳聲器與重放揚聲器直接一一匹配，可用于四個高度通道的重放(例如Auro-3D，4.5.0)。Cube的體積大小視節目類型而定，從40cm(錄制小型室內樂時)到120cm(錄制大型管弦樂隊時)不等。[14]該陣列使用的傳聲器均為全指向傳聲器，其低頻延展性會很好；然而由于全指向傳聲器在拾取直達聲時幾乎不會有電平上的損失，可能會產生通道間串音，導致水平方向定位模糊、垂直方向聲像位移。因此，Lindberg更推薦使用大振膜傳聲器，以生成更加集中在軸向的聲像。

圖10 2L Cube

2)Bowles Array

Bowles array(見圖11)是由David Bowles提出的一種帶有高度通道的傳聲器陣列。它的環繞(水平方向)陣列由4只全指向傳聲器、中央聲道的一只單指向傳聲器、和一個包括4只超心形傳聲器高度陣列組成。設計高度陣列的目的在于拾取來自天花板和側墻較高區域的聲反射。因此，高度陣列傳聲器指向斜上方30度的方向，而不是像OCT-3D陣列或帶有高度通道的Hamasaki Square那樣直接指向正上方。前面的兩只高度傳聲器主要拾取前方的天花板和高墻反射，后面的兩只傳聲器則負責拾取后部的天花板和高墻反射。[15]

圖11 Bowles Array

同其他傳聲器陣列一樣，該陣列的中間層和高度層的距離也視情況而發生變化。這個距離主要取決于聲學空間的共鳴及高度層是否會受到屋頂的限制。如果有需要的話，也可以再額外增加一些側面或中間的超心形傳聲器。

3)PCMA-3D

PCMA-3D(Perspective Control Microphone Array，透視控制傳聲器陣列，見圖12)是由Huddersfield University (UK)的Dr. Hyunkook Lee提出的一種的三維聲拾音方式。該陣列由5只心形傳聲器和4只超心形傳聲器組成。心形傳聲器組成了一個拾取水平環繞聲的陣列，而超心形傳聲器則都垂直指向上方，為高度通道提供環境聲。區別于其他拾音制式的是，PCMA-3D是一個所有傳聲器均在水平面上，但是卻具有高度信息的三維聲傳聲器陣列，4只超心形傳聲器(上左、上右、上左環、上右環)分別與水平方向上的4只心形傳聲器(左、右、左環、右環)的振膜一一重合。Dr. Hyunkook Lee的研究發現，中層傳聲器組和上層傳聲器組之間的間距基本不會對空間感造成什么影響。當兩組傳聲器有一定高度差時，聲音會發生梳狀濾波效應；而當兩組傳聲器組處于同一水平面時，即間距為0m時，聲音并不會產生明顯的幅度調制。[16]為防止聲像升高過多，高度傳聲器的電平應比相應水平傳聲器組低7dB。這樣設置上層傳聲器組電平，可以達到與典型三維聲傳聲器陣列相似的空間感。[17]

圖12 PCMA-3D

4)Twins Cube

Twins Cube傳聲器陣列(也稱Zielinsky Cube或AMBEO Cube，見圖13)是由Gregor Zielinsky提出的。這種陣列使用了Sennheiser的一款特殊的傳聲器：MKH800 Twin。Twin有兩個具有心形拾取性能的換能器，沿話筒軸背靠背對齊，兩個換能器的信號作為話筒的兩個聲道獨立輸出。因為每個輸出信號可以獨立的被輸入前置放大器，Twin的指向性可以隨時調整。[18]由于每個換能器的前后兩個振膜是重合的，在重放時，聲音幾乎不可能從前方噴射到后方。

圖13 Twins Cube

Twins Cube是在Twins Square的基礎上形成的。Twin Square由一對在中間層的Twins，和一對位于中間層正上方的上層Twins組成。每個Twin包含兩個通道，因此，Twin Square共有8個輸出：左、右、左環、右環、上左、上右、上左環、上右環。

Twins Square向后位移，即可得到第二個Square，兩個Square組合成一個Twins Cube立方體。它模仿了帶有高度通道的重放揚聲器系統的配置。錄音工程師可以通過控制前后方的Square之間的延遲時間來改變聆聽者的空間感。[15]

5)重合Z-傳聲器技術

PaulGeluso基于Ambisonic和MS拾音技術，提出了一種可以錄制多聲道高度信息的Z傳聲器技術。這種技術將一個垂直方向的8字形傳聲器與水平方向的傳聲器配對，創建出一個重合的middle-Z(MZ)傳聲器對。由于Z傳聲器可以與任何傳聲器搭配使用，因此在立體聲和環繞聲拾音技術中可以存在多種MZ傳聲器對。利用一個基礎的MS解碼器，就可以獲得MZ傳聲器對的垂直拾音角度，以建立有效的高度通道。[19]

6)NHK重合式傳聲器

基于NHK22.2重放系統的錄音，需要數量巨大的傳聲器組。NHK為了解決這個問題，提出了一種新的重合式傳聲器(見圖14)。球體的直徑為45厘米，用擋板分成8個水平部分和3個垂直部分。傳聲器單元安裝在聲學擋板上，具有小角度指向性和恒定的波束寬度，能夠減少或消除串聲。另外，NHK還通過使用一種信號處理技術消除來自于非目標方向的聲音，有效提高了低頻信號的指向性。[20]

圖14 NHK重合式揚聲器

目前，國內外討論空間聲多通道拾音陣列實踐的文章非常少，錄音師們設置傳聲器組的主要依據還是心理聲學理論、廳堂實際情況及個人工作經驗，并沒有拘泥于特定的拾音制式。而上述的幾種多通道拾音陣列需要進一步的音質主觀評價實驗，并對其評價結果進行橫向對比，以便在日后的錄音工作中選擇合適的拾音方式。

5 總結與展望

本文通過對三種拾音技術的原理進行闡述，進而介紹了相關業態與實際應用場景。雙耳傳輸技術主要應用HRTF函數，采用人工頭等方法錄音，該技術在使用耳機重放時聲像定位準確；Ambisonics技術則是最適用于VR視頻制作的拾音技術，它是在球諧函數的基礎上基于聲場的諧波分解，其空間位置信息的準確度與階數有關，而階數的提升也伴隨著傳聲器設計難度的加大。在實際使用中，只能實現有限階的Ambisonics錄音。目前，我們還主要使用一階Ambisonic的聲場傳聲器；而多通道拾音陣列是在心理聲學基礎上構建的空間拾音陣列，它與環繞聲陣列的原理非常相像，一些陣列就是在環繞聲陣列的基礎上拓展得到的。受限于成本，目前大多數三維聲音節目都是通過這種技術錄制的。

空間聲作為近幾年才興起的一種聆聽維度，其拾音方法仍有很多需要完善與補充的部分。我們亟需建立一套針對空間聲拾音制式的評價體系，平衡聽覺體驗與技術手段的關系，尋找更好的拾音手段。另外，在雙耳拾音的揚聲器重放中，目前的串音消除算法仍處于理論階段，我們需要更穩定的串聲消除算法，以及更順暢的低延時頭部跟蹤系統。為達到更高的空間分辨率，更高階的Ambisonics傳聲器的設計需要突破技術壁壘；同時，也需要Ambisonics傳聲器與VR視頻拍攝設備更好的兼容。

關于空間聲理論及相關心理聲學概念的研究已有近百年的歷史，但直到最近幾年，VR、AI等技術的蓬勃發展，空間聲技術才初露頭角。未來，隨著各種媒體技術的蓬勃發展，技術在需求的推動下，空間聲在各領域都將有廣泛的應用前景。