3D 环绕声如何让声音出现在耳机之外

空间音频最能暴露技术差异的时刻，不是某个声音绕着头转了一圈，而是听者转头以后，声源有没有跟着耳机一起转。

面前的对白仍像贴在屏幕上，右侧的环境声留在原来的方向。明明耳机随着头一起动，听觉场景却像属于房间。这种感觉比单纯的“左边响、右边响”更奇怪：左右耳里播放的仍然只是两路信号，但大脑接受了一个并不存在于房间里的声源。

问题因此从“耳机怎样模拟很多扬声器”，变成了另一个更准确的问题：现实中的声音究竟给了大脑哪些线索，耳机又复制了其中多少？

两个发声单元为什么已经够用

我们在现实中也主要依靠两只耳朵定位。一个声音从左侧传来，通常会先到左耳，再到右耳；头部对声波的遮挡，还会让右耳听到的高频成分更弱。这两种差异分别叫作双耳时间差（ITD）和双耳声级差（ILD）。

它们对判断左右很有效，却不能单独解释全部空间感。正前方、正后方以及某些上下方向，可能产生相近的双耳差异。如果听觉系统只会比较哪一边更早、更响，我们应该经常把身后的声音听成身前。

真正补上这部分信息的是耳廓、头部和躯干。声音进入耳道前，会被这些形状反射和遮挡。不同方向的声音经过的路径不同，某些频率被增强，另一些频率被削弱。大脑并不需要先懂得声学，它只是从长期经验里学会了：出现这组细小的频谱变化时，声源大概来自上方；出现另一组变化时，它更可能在身后。

因此，耳朵并不是两只只负责收音的孔。人的身体本身就是定位系统的一部分。

HRTF：把一个人的听觉几何记录下来

头相关传输函数（HRTF）描述的，就是声音从空间中某个方向传播到左右耳时发生的变化。它不只包含“左耳响一点”，还包含时间、相位和频谱的共同改变。

实际测量时，可以让扬声器从不同方位播放测试信号，在耳道入口附近放置微型麦克风，记录每个方向到左右耳的响应。测完一圈后，便得到一张听觉意义上的方向地图。若把某段原始声音分别经过目标方向对应的左右耳滤波，再送进耳机，大脑就可能把它解释为来自那个方向。

数字音频里，这个过程常用脉冲响应和卷积表达：

左耳输出 = 原始声音 * 左耳方向脉冲响应
右耳输出 = 原始声音 * 右耳方向脉冲响应

这里的 * 是卷积。直观地说，它让声音的每个瞬间都带上了一条传播路径的特征。HRTF 负责“它从哪个方向来”，房间脉冲响应则可以进一步加入墙面反射、混响和空间大小。方向和房间叠在一起，才逐渐接近一个完整的听觉场景。

这也解释了为什么普通的左右声道平移与真正的双耳空间化听感不同。把声音调到左边，只是在两耳之间移动声像；HRTF 试图让声音离开两耳之间的连线，进入前后、上下和远近组成的空间。

为什么前后和上下特别容易出错

左右方向有比较稳定的时间差和声级差，前后、上下却更依赖耳廓带来的频谱线索。问题是，每个人的耳廓都不一样。

系统使用一套通用 HRTF 时，相当于暂时借给听者另一副耳朵。那套滤波规则在测量对象身上可能非常准确，到了另一个人这里，峰谷位置却未必符合他从小形成的听觉经验。结果可能是声源被拉回头内、前后颠倒，或者明明应该在头顶，却只听出一种奇怪的音色变化。

这不是使用者“不会听”，也不一定是耳机素质不够。空间定位本来就是身体形状与大脑经验共同完成的。通用模型恰好匹配时，效果会令人惊讶；不匹配时，再精细的计算也可能只得到一个发虚的声像。

个性化空间音频因此会尝试估计使用者的头部与耳廓形状。以 Apple 的实现为例，用户可以通过相机扫描头部和耳朵，建立个人空间音频资料；支持的音频框架再利用这份资料调整渲染。它并不等同于实验室逐方向测量 HRTF，但方向很明确：减少“所有人共用一副标准耳朵”带来的偏差。

转头是一次比静止试听更严格的测试

如果虚拟声源被设在屏幕方向，而渲染只相对头部固定，那么人一转头，声音也会跟着头转。在听者的坐标系里它一直位于正前方，在房间的坐标系里却滑走了。

头部追踪要做的是实时获得头部姿态，再反向更新听者与声源的相对方向。头向左转，系统便让原本在正前方的声源相对头部移到右侧；大脑于是继续把它听成留在屏幕那里。Apple 对开发者描述这项功能时，也把它解释为将虚拟左右扬声器从人的头部“分离”，固定到物理环境中的位置。

这件事难在连续性。定位准确但更新太慢，声场会拖着走；姿态数据抖动，声源会轻微晃动；延迟忽高忽低，听觉与前庭感觉便互相打架。静止的一秒可以靠一组漂亮的滤波骗人，转头的几秒却会暴露整条链路：传感器、姿态估计、坐标变换、音频缓冲和实时卷积，任何一处不稳定都会被听见。

因此，判断空间音频不能只观察“声音能否从背后出现”。更有效的测试是缓慢转头，观察对白是否仍贴在屏幕上；闭眼后再转回原位，检查声源是否发生漂移；比较固定空间音频与头部追踪模式，区分方向感究竟来自 HRTF，还是来自运动中的坐标一致性。

距离感不是把音量调小

知道方向仍不等于知道距离。现实里，一个声源远去时，变化的不只是音量。直达声相对房间反射会减弱，高频可能被空气和障碍物衰减，声源稍微移动造成的角度变化也会变小。近处的声音则可能出现更明显的头部遮挡、低频差异和贴近耳边的细节。

如果系统只是把远处声音调轻，大脑可能听到一个“很小声但仍贴在耳边”的声源。要让它真正后退，需要把直达声、早期反射、混响比例、频谱变化和场景尺度一起处理。

这也是游戏和影视里的空间音频不只是一个耳机特效。上游内容可能是多声道，也可能由带坐标的音频对象组成；渲染器还要知道声源、听者和墙面的关系。最后送入耳机的虽然仍是两路波形，但这两路波形是一个不断变化的三维场景压缩后的结果。

一个不需要专业设备的小实验

想分辨这些机制，可以做一个很简单的试听，不必先购买更贵的设备。

先找一段可信的双耳录音，用普通立体声耳机播放，闭眼判断声音的左右、前后和距离。双耳录音在采集阶段已经把假人头或真人耳部的方向线索写进左右声道，因此即使没有头部追踪，也可能产生明显的外部声像。

然后保持音频不变，转动头部。因为录音中的声场不会根据你的动作重算，所有声源都会随头一起转。它可以在静止时很立体，却没有真正固定在房间里。

最后再试听支持动态头部追踪的内容，重复同样动作。重点不是哪一个“更震撼”，而是观察三件事：声源是否离开头内、前后有没有颠倒、转头时位置是否稳定。这三个问题分别对应外部化、个体 HRTF 匹配和动态更新，混在一起只会得到一句模糊的“空间感不错”。

实验也有边界。网络上的“8D 音乐”常常只是自动声像移动和混响；它能制造声音绕头旋转的效果，却不能代表完整的三维定位。音源本身的录制方式、平台是否二次处理、设备是否启用重复空间化，也都会改变结果。

研究到这里，问题才刚开始变具体

“两只耳机怎样模拟三维空间”并没有一个单独答案。它至少包含几个相互连接的问题：人怎样利用双耳和耳廓定位，HRTF 怎样测量与个性化，房间反射怎样制造距离，头部追踪怎样保持世界坐标稳定，以及整套处理怎样在足够低的延迟下运行。

进一步研究不应停留在某款耳机支持何种格式，而应回到两个更基础的问题。

第一，个性化到底需要多精确？一张耳部照片、少量主观校准和完整实验室测量之间，效果差距有多大？第二，大脑会不会学习一套原本不匹配的 HRTF？如果连续使用同一种空间化系统，人是否能够逐渐减少前后混淆？

这些问题没有必要在一篇文章里假装解决。对兴趣研究来说，比较可靠的终点不是“我已经讲明白了”，而是原来模糊的惊讶被拆成了下一批可以查、可以听、也可以实验的问题。

资料入口

作者：张艺聪 · 原文链接