4.4 立体声、环绕声与空间音频

4.4 立体声、环绕声与空间音频编码

空间听觉的两大线索是双耳时间差（ITD）与强度差（ILD），辅以耳廓与躯干滤波（头部传递函数 HRTF）；立体声用两声道制造幻象声像；对象音频把"声音在哪"从混音端搬到还音端，是空间音频的现代形态。

旅程的最后一站：数字处理后的信号如何让听者"看见"声音的位置。人只有两只耳朵却能定位三维声场，靠的是一套精巧的双耳线索——所有空间音频技术，本质上都是在伪造这套线索。

双耳线索：ITD、ILD 与 HRTF

声源偏右，右耳先听到（时间差）、也更响（强度差）。低频段波长长于头径，绕射使两耳强度差微弱，定位靠时间差；高频被头颅遮挡，强度差成为主力——双工理论：低频 ITD、高频 ILD 分工。耳廓的褶皱对高频形成方向相关的滤波（谱形线索），垂直定位几乎全靠它；头部转动改变 ITD/ILD 图样，是消解"前后混淆"的动态线索。把这些线性滤波完整记录下来，就是头部传递函数——每个人的 HRTF 都像指纹一样个性化，用他人 HRTF 做耳机渲染，声像常会"缩进头里"或前后翻转。

import numpy as np

def itd_ild(theta_deg, r_head=0.0875, f=None, c=343.0):
    """球头近似：theta 为相对正前方的方位角
    返回 ITD(ms)；f 给定时同时返回 ILD(dB)（简化遮蔽模型）"""
    th = np.radians(theta_deg)
    d = r_head*(np.sin(abs(th)) + abs(th))              # Woodworth 球头近似路径差
    itd = d/c*1000
    if f is None: return itd
    ild = min(20*np.log10(1 + 0.5*abs(np.sin(th))*(f/700)), 15)  # 粗量级
    return itd, ild

for a in (0, 30, 60, 90):
    itd = itd_ild(a)
    _, ild_low = itd_ild(a, f=200)
    _, ild_high = itd_ild(a, f=4000)
    print(f"方位 {a:2d}°: ITD={itd:5.2f} ms | ILD: 200Hz≈{ild_low:4.1f} dB, 4kHz≈{ild_high:4.1f} dB")
# 方位  0°: ITD= 0.00 ms | ILD: 200Hz≈ 0.0 dB, 4kHz≈ 0.0 dB
# 方位 30°: ITD=0.20 ms | ILD: 200Hz≈ 0.7 dB, 4kHz≈ 4.9 dB
# 方位 60°: ITD=0.38 ms | ILD: 200Hz≈ 1.4 dB, 4kHz≈ 8.6 dB
# 方位 90°: ITD=0.52 ms | ILD: 200Hz≈ 1.9 dB, 4kHz≈11.5 dB
# 低频靠时间差（人耳对 ~10 μs 级差敏感），高频靠强度差 —— 双工理论的数值肖像。
​

从声像到对象：空间编码三代目

立体声（1930 年代起）：两音箱等强时，听者正前方产生幻象声像；左右声级差调 azimuth，正弦定律给出近似映射。便宜、稳健、至今统治音乐分发。环绕声（5.1/7.1）：加后方与低频效应声道，把水平面围起来；代价是"甜点区"狭窄，离轴即糊。对象音频（如影院全景声、双耳渲染标准）：混音不再烙死声道，而是把对白、飞机、雨声存为带位置元数据的对象，还音端按实际扬声器布局或耳机 HRTF 实时渲染——一次制作，处处适配。虚拟现实进一步要求六自由度：听者一转头，声场必须反向补偿，HRTF 个性化与低延迟成为主战场。

图：空间音频三代技术演进

⚠️ 常见坑：耳机双耳渲染沿用通用 HRTF，前后混淆与"头中效应"是常态而非缺陷；个人化 HRTF 测量与适配是目前空间音频最活跃的工程方向，别指望一版参数通吃所有耳朵。

本节要点回顾

• 双工理论：低频靠 ITD（微秒级敏感）、高频靠 ILD，垂直定位靠耳廓谱线索
• HRTF 个性化如指纹，通用 HRTF 的头中效应是原理性问题不是调试问题
• 立体声用级差造幻象声像；环绕声围起水平面但甜点区窄
• 对象音频把空间信息做成元数据，还音端适配布局渲染——一次制作处处还音
• 六自由度 VR 要求头部转动实时补偿，低延迟与个性化是主战场

第4章走完信号全程。第5章换介质：水与钢里的声学。

常见问题

两个音箱的"甜点"多窄？ 与两只音箱构成等边三角形的位置附近，偏离半米声像即开始漂移。这就是"皇帝位"的物理来源，也是对象音频与头部追踪想解决的问题。

耳机听立体声为什么"在头里"？ 标准立体声混音假设扬声器交叉馈入双耳；耳机直连单耳，交叉通路（含 ITD/ILD 的自然混合）消失，声像坍缩进头内。交叉馈电（crossfeed）电路用滤波重建部分交叉通路，是老烧友的模拟解法。

import numpy as np
fs = 48000
f = np.geomspace(20, 20000, 400)
def crossfeed(depth_db=-4, shelf_hz=700):
    # 简化交叉馈电：对侧声道注入低通后的小量信号
    g_low = 10**(depth_db/20)
    g = g_low + (1-g_low)/(1 + (shelf_hz/f)**2)   # 低频多馈、高频少馈
    return g
print(f"100 Hz 交叉馈电量：{20*np.log10(crossfeed()[np.argmin(abs(f-100))]):+.1f} dB")
print(f"8 kHz 交叉馈电量：{20*np.log10(crossfeed()[np.argmin(abs(f-8000))]):+.1f} dB")
# -3.5 dB / -0.1 dB 量级：低频被适度"推过头中"，高频保持分离 —— 
# 模拟音箱交叉听音的第一近似。
​

空间音频的"对象"会不会文件更大？ 通常更小。声道制式要为不发声的声道存静默数据，对象制式只存发声对象的音频与元数据，复杂场景反而节省码率——这是广播与流媒体接纳它的商业动因之一。
关于"空间感"与"清晰度"的取舍也值得一提：早期反射声太强会损害语言清晰度（会议扩声大忌），却是音乐厅"包围感"的养料。同一段反射声，在讲台是毒药、在舞台是蜜糖——空间音频设计的核心判断，从来不是"多与少"，而是"对谁、在何时"。