Пространственный звук в стереотелефонах

Рис. 1. Система Dolby Surround 5.1

И.А. Алдошина

В наших предыдущих статьях (см. «Шоу-Мастер», 2004-2007 годы) были рассмотрены современные пространственные системы звукопередачи, включая матричную стереофонию (Dolby-Digital 5.1,Dolby-EX,22.2 и др), бинауральную стереофонию, системы типа Ambiophonic, Wave Field Synthesis и т.д. Во всех этих системах звук воспроизводится через систему распределенных громкоговорителей (пример расположения громкоговорителей для системы Dolby 5.1 показан на рис.1).
Однако в практике работы звукорежиссеров при студийной звукозаписи достаточно давно и очень широко используются стереотелефоны. В современных стереотелефонах (особенно закрытых охватывающих) можно получить достаточно высокое качество звучания, позволяющее использовать их в студийном мониторинге. Поэтому попытки создания систем передачи пространственного звука с помощью стереотелефонов продолжаются на протяжении десятилетий.
К настоящему времени в связи с появлением новых средств процессорной цифровой обработки звука и накопленных знаний в области психоакустики, касающихся процессов восприятия пространственного звукового образа, достигнут значительный прогресс в этом направлении, позволивший реализовать с помощью стереотелефонов воссоздание виртуального трехмерного пространства (например, контрольной комнаты) с любой конфигурацией громкоговорителей с учетом движения источников звука и головы слушателя. Полученные в этом направлении результаты (представленные на последних конгрессах AES) и будут рассмотрены в данной статье.

.  .  .

Рис. 2.Стереотелефон фирмы AKG

Разработкой и производством современных стереотелефонов занимаются в настоящее время такие крупнейшие фирмы, как Koss, AKG, Sennheiser, Sony, Neumann, Shure и многие другие. Образец современного стереотелефона фирмы AKG показан на рис.2.
Все стереотелефоны при воспроизведении пространственной панорамы обладают определенными недостатками: стереообраз локализуется внутри головы (явление «латерализации»), отсутствует восприятие реверберационного процесса в окружающем пространстве и, наконец, источник звука поворачивается вместе с головой слушателя.

Рис. 3.Стереотелефоны с двумя излучателями в каждом корпусе и фазосдвигающими цепями

В 1970-е годы в связи с массовым увлечением квадрофонией (воспроизведением звука через четыре громкоговорителя) появились квадротелефоны, в которых использовалось по два преобразователя в каждом корпусе (рис.3): первые два излучателя имитировали передние громкоговорители, два последних (более тесно примыкающих к голове) – тыловые громкоговорители. Применение таких стереотелефонов позволило несколько расширить пространственную картину, но не решало главную проблему- выноса стереообраза из головы.
В 1971 году был зарегистрирован патент К.Oxma, в котором предлагалось использовать

Рис. 4. Стереотелефоны со сдвинутыми излучателями

фазосдвигающие цепи (первый вариант «стереоэкспандера»), поворачивающие фазу на 180 град. в тыловых излучателях, или более сложный вариант цепей, сдвигающих фазу только высокочастотных сигналов (рис. 3 а,б), что, по мнению автора, способствовало лучшему разделению каналов. Затем был предложен вариант расположения излучателей со сдвигом на 30 град. относительно оси, дополнительным заглушением верхней части излучателей и введением дополнительной реверберации и «перекрестных связей», т.е. добавлением в каждый канал сигналов из другого канала с некоторой задержкой от 5 до 30 мс (рис.4).

"> Рис. 5. Схема виртуалайзера фирмы Koss типа SPL

В современных процессорах такого типа, получивших название «виртуалайзеры» (например, фирмы Koss типа SPL), используются различные суммарно-разностные цепи с дополнительными фазовыми сдвигами, задержками и фильтрами, передаточная функция которых моделирует с некоторым приближением слуховые фильтры ушной раковины. Пример такого процессора представлен на рис.5, в нем формируется суммарный и разностный сигналы из левого (L) и правого каналов (R), затем выполняется их спектральный анализ, с помощью эквалайзеров производится усиление сигнала в определенных частотных полосах, после чего выполняется смешивание с основными сигналами. Это позволяет получить форму частотной характеристики входных сигналов, близкую к передаточной функции ушной раковины, за счет этого расширить воспринимаемое пространство и улучшить его восприятие. Такие схемы значительно легче реализуются, чем схемы для моделирования полных передаточных функций и еще находят себе применение в современных моделях стереотелефонов.

Рис. 6. Аналоговые схемы для выноса стереообраза из головы

Второе направление начало развиваться в 1960-е годы в связи с попыткой создания аналоговых процессоров, способных «вынести» звуковой образ из головы при воспроизведении стереосигналов через телефоны. Один из таких успешных процессоров представлен на рис.6, в нем используются фильтры, имитирующие фильтрацию на ушной раковине, междуушные линии задержки и выходные сумматоры. Поскольку передаточные функции ушной раковины моделировались с помощью аналоговых цепей очень приближенно, вынос образа из головы и воссоздание пространства выполнялось неточно.
В связи с интенсивным развитием бинауральной стереофонии, предполагающей запись стереосигналов на «искусственной голове» и воспроизведение двух каналов через стереотелефоны (статья «Бинауральная стереофония», см. «Шоу-Мастер», №4-2004 год), был достигнут значительный прогресс в создании приборов типа «искусственная голова», достаточно точно имитирующих дифракционные характеристики головы, ушных раковин и торса (одна из последних моделей показана на рис.7 ), что дало возможность провести большой комплекс измерений передаточных функций ушной раковины. Попытки воспроизвести записанные на «искусственной голове» сигналы через громкоговорители наталкиваются на определенные трудности из-за влияния перекрестных сигналов между ушами и вторичного реверберационного процесса, что пытаются компенсировать за счет использования бифонических процессоров.

Рис. 7. Внешний вид искусственной головы (выставка 122-го конгресса AES-2007)

При воспроизведении через стереотелефоны удается воспроизвести пространственный звуковой образ, однако при этом также возникают определенные проблемы: хотя при прослушивании бинауральных записей не возникает явление латерализации, т. е. локализации звукового образа внутри головы (как у обычных стереозаписей), но тем не менее оценка расстояния до источника является не очень точной. Кроме того, возникают ошибки в направлении «фронт-тыл», что связано с отсутствием визуальных признаков и отсутствием восприятия реверберации вторичного помещения, а это также снижает ощущение натуральности звучания.
Глубинное изучение психоакустических процессов в слуховой системе и применение сложной процессорной обработки сигналов привело к преодолению этих недостатков и возможности воссоздания трехмерного виртуального пространства с помощью стереотелефонов.
Наличие двух приемников слуха обеспечивает человеку возможность воспринимать пространственный звуковой мир и оценивать перемещение источников звуковых сигналов в пространстве. Информация, которая поступает на оба слуховых канала, обрабатывается в периферической части слуховой системы и затем передается в высшие отделы головного мозга, где за счет сравнительного анализа этой информации из двух разных каналов формируется единый пространственный слуховой образ.
Наличие двух приемников информации, т.е. бинаурального (двойного) слуха обеспечивает человеку огромные преимущества, основные из которых следующие:
– локализация сигналов как от одиночных, так и от множественных источников, что позволяет формировать пространственную перспективу и оценивать пространственное звуковое поле (например, в помещении);
– разделение сигналов, приходящих от различных звуковых источников из различных точек пространства;
– выделение сигналов выбранного звукового источника на фоне других звуковых сигналов, например, выделение прямого звука на фоне реверберирующих сигналов в помещении, выделение речи на фоне шумов и т.д.
К числу основных свойств бинаурального слуха можно отнести: пространственную локализацию, эффект предшествования, бинауральную суммацию громкости, бинауральную демаскировку, бинауральные биения и слияние звуков, эффекты «правого» и «левого» уха при восприятии речи и музыки и др.
Прослушивая звучание симфонического оркестра в концертном зале (или пение хора в большом соборе), слушатель отчетливо воспринимает и разделяет расположение инструментов в горизонтальной плоскости на сцене, их расположение по глубине, а также ощущает пространственность окружающего звукового образа. Эта способность и называется пространственной бинауральной локализацией. Механизмы локализации в горизонтальной, вертикальной плоскости и по глубине имеют существенные отличия.
Горизонтальная (азимутальная) локализация: звук, исходящий из источника, расположенного справа от слушателя, должен пройти большее расстояние к левому уху, чем к правому, и поэтому возникает некоторая разница по времени прихода звуковой волны. Кроме того, поскольку звуки низких и средних частот имеют длину волны больше или сравнимую с диаметром головы, они «огибают голову» и поступают в расположенное дальше ухо (за счет эффекта дифракции). Однако звуки высокой частоты имеют длину волны меньше, чем диаметр головы, поэтому образуется «акустическая тень», которая уменьшает интенсивность звука, поступающего в ухо, расположенное дальше от источника звука, за счет этого возникает разность по интенсивности.
Таким образом, пространственная разнесенность двух слуховых приемников и экранирующее влияние головы и торса за счет дифракционных эффектов приводит к значительным различиям между сигналами, поступающими на правое и левое ухо, что позволяет произвести локализацию звукового источника в пространстве, обусловленную тремя физическими факторами:
– Временным (Interaural Time Difference-ITD ), возникающим из-за несовпадения по времени моментов прихода одинаковых фаз звуковой волны к левому и правому уху. Исследования зависимости между направлением локализации источника звука в горизонтальной плоскости, определяемым углом a, и временем задержки ITD позволили получить следующее соотношение: ITD=а/С (a+sin a) при -90 град.< a <+90 град., где a – азимутальный угол, отсчитываемый в горизонтальной плоскости от плоскости симметрии головы, а – радиус головы. ITD равно нулю при расположении звукового источника посередине и равно ITD=a/c(a/2+1) для расположения источника точно напротив одного уха, что составляет примерно 0,7 мсек. (средний радиус головы 9 см, кратчайшее расстояние вокруг головы от одного уха до другого 26 см). Предельное значение времени запаздывания, правильно воспринимаемое слухом, не должно превышать половины периода волны. Поэтому механизм локализации с помощью оценки временной разницы сигналов используется в области низких частот (примерно до 800 Гц).
– Интенсивностным (Interaural Intensity Difference-IID), возникающим из-за неодинаковой величины интенсивностей звуковой волны вследствие дифракции ее вокруг головы и за счет образования «акустической тени» со стороны, обратной источнику звука. Наибольшая разность уровней интенсивности (звукового давления), действующих на левое и правое ухо, возникает при боковом положении источника (а=90°). По мере повышения частоты эта разность существенно возрастает, достигая на 5000 Гц величины примерно 20 дБ.
На средних частотах действуют оба механизма локализации, на высоких частотах действует только интенсивностный механизм. Последнее обстоятельство, однако, не означает, что при повышении частоты звука обостряется способность к локализации источника. Напротив, чистые тона очень высоких частот (свыше 8000 Гц) почти не поддаются локализации. Так же слабо выражена способность человека определять направление на источник синусоидальных звуков низкой частоты (ниже 300 Гц она значительно ухудшается, а ниже 150 Гц отсутствует вообще), поэтому в современных системах Surround Sound расположение низкочастотных блоков (subwoofers) выбирается достаточно произвольно.
Максимальная угловая различимость источников достигается на оси в передней плоскости перед испытуемым, минимальная, когда источники находятся точно справа или слева от испытуемого, возникает так называемый «конус неопределенности» с каждой стороны уха. Внутри него изменение положения источника звука не вызывает ощущения этого изменения (поскольку при расположении источника сбоку получается большая разница и в интенсивности, и во времени и небольшие сдвиги источника дают малое относительное изменение общей разности), поэтому для улучшения локализации очень важно движение головы, т.к. это изменяет положение конуса и уменьшает его влияние.
— Спектральным, возникающим из-за разницы в спектральном составе звуков, воспринимаемых левым и правым ухом, вследствие неодинакового экранирующего влияния головы и ушных раковин на низкочастотные и высокочастотные составляющие сложного звука. Наибольшая острота локализации достигается при восприятии сложных звуков и звуковых импульсов. Например, если звук, приходящий под углом a =90° на ближайшее ухо, содержит как низкочастотные, так и высокочастотные составляющие, то в спектре звука, действующего на дальнее ухо, высокочастотных составляющих будет меньше, так как на этих частотах скажется теневое действие головы. Кроме того, сами ушные раковины производят сложную фильтрацию звука, зависящую от его частоты. Существенное значение для локализации имеет также энергия переходных процессов, причем наибольшее значение имеет наличие в звуке низкочастотных составляющих переходного процесса. Поэтому при прослушивании музыкальных и речевых сигналов изменение спектрального состава сигнала (следовательно, и его тембра) в зависимости от расположения источника помогает в его локализации.
В целом анализ способности к локализации в горизонтальной плоскости показывает, что наименьший ощутимый угол отклонения источника при восприятии звуковых импульсов составляет около 3°. Эту величину следует считать угловой, или бинауральной разрешающей способностью слуха.. Однако слух замечает угловое смещение на 3°, но при определении направления совершает ошибку в среднем на 12°. Поэтому точность локализации имеет величину 12°для источников, находящихся в передней полуплоскости; для источников, расположенных позади слушателя, эта точность еще меньше.
Вертикальная (высотная) локализация: способность определять направление прихода звука в вертикальной плоскости у человека развита значительно слабее, чем в горизонтальной. Она составляет 10-15° (по сравнению с 3° в горизонтальной). Эту способность связывают обычно с ориентацией и формой ушных раковин. Ушная раковина действует как фильтр, внося максимальные искажения в области 6-16 кГц, причем форма этих искажений зависит от того, спереди или сзади находится источник звука и под каким углом подъема он расположен в медианной плоскости. Вид АЧХ, записанных на микрофоны, находящиеся в ушных раковинах, при разных положениях источника показан на рис.8. (они называются бинауральными передаточными функциями головы — HRTF). Эта зависимость АЧХ звукового давления, поступающего на барабанную перепонку левого и правого уха, от положения источника используется для сравнения спектральных компонент сигнала в вертикальной плоскости.

Рис. 8. Передаточные функции слуховой системы при разных углах падения звуковой волны

Глубинная локализация (оценка расстояния до источника): чувствительность слуха к расстоянию до источника имеет жизненно важное значение. Среди основных факторов, определяющих оценку глубины, можно выделить следующие:
— Уменьшение уровня звукового давления с расстоянием. На низких частотах, где длина волны большая, любой источник можно считать точечным и звуковые волны вокруг него — сферическими. В сферической волне давление падает обратно пропорционально расстоянию (p~1/r), т.е. на 6 дБ при каждом удвоении расстояния. Многочисленные эксперименты по смещению источника и оценке кажущего расстояния до слухового образа (выполненные в заглушенной камере или на открытом пространстве) показали, что при удалении источника (например, громкоговорителя) на расстояние от 1 до 10 м «слуховой образ» у экспертов (при отсутствии визуального контроля) также смещается в этом же направлении, но имеет место отставание «слухового образа» от реального источника чем дальше, тем больше. Ощущение удвоения расстояния до звукового объекта возникает только при уменьшении уровня звукового давления на 20 дБ (а не на 6 дБ, как при объективном измерении). При этом точность локализации оказывается небольшой: ошибка составляет от 3,5 до 30 см при изменении расстояния от 1 до 8 м для широкополосного сигнала. Если при увеличении расстояния повышать напряжение на громкоговорителе так, чтобы уровень звукового давления у слухового канала эксперта не менялся, то способность определять расстояние до источника (т.е. глубинная локализация) исчезает. Таким образом, при отсутствии визуального контроля в условиях свободного поля решающим признаком, по которому оценивается расстояние до источника, является уровень звукового давления в месте расположения эксперта.
— Затухание звука, которое начинает сказываться при больших расстояниях, проходимых звуковой волной (больше 15 м). При этом высокочастотные составляющие затухают быстрее и спектральный состав сигнала при удалении источника меняется (тембр становится «темнее»). Кроме того, на распространение звука оказывает влияние влажность воздуха и направление ветра на открытом пространстве. Следует отметить, что возможности слуха при определении глубины расположения источника ограничены, имеется «акустический горизонт».
— На близком расстоянии (менее 3 м) на глубинную локализацию начинает оказывать влияние также дифракция на ушной раковине и голове, т.е. сказываются разности уровней интенсивностей (выше1500 Гц) и временные задержки (ниже1500 Гц), как и в предыдущих случаях.
Таким образом, при изменении расстояния до источника меняется одновременно громкость и тембр, что и служит различительными признаками. Общая точность глубинной локализации не очень велика, при смещении широкополосного звукового источника от 50 до 150 см ошибки составляют 15-30%.
— Существенную роль для глубинной локализации играет личный опыт — если слушателю знаком сигнал или если он имеет возможность сделать визуальную оценку, то точность глубинной локализации многократно увеличивается.
— Точность глубинной локализации звукового источника значительно повышается в закрытом помещении. При перемещении звукового источника по глубине меняется отношение энергии прямого звука к энергии отраженного (реверберационного) звука, что помогает точнее определить расстояние до источника. Важнейшее значение имеет также разность по времени между приходом прямого звука и приходом первых отражений.
Таким образом, слуховой аппарат, используя разные механизмы обработки звуковых сигналов, имеет возможность определить (локализовать) положение звукового источника в трехмерном пространстве. Именно эта способность и используется при создании современных систем их компьютерного моделирования.
В основе современных технологий создания трехмерных виртуальных звуковых пространств при прослушивании через стереотелефоны лежит процессорное моделирование таких механизмов обработки звука, как учет дифракционных процессов на голове, ушной раковине и в слуховом канале; восприятие реверберационных процессов в помещении с учетом затухания звука в процессе распространения и звукопоглощения в данном помещении; возникновение перекрестных связей между ушами, изменение внутриушного давления при движении головы слушателя и др.
По существу в периферической слуховой системе производится бинауральное пространственное кодирование звуковых сигналов, поскольку именно в бинауральных передаточных функциях заложена информация о местоположении источника звука в трехмерном пространстве (в горизонтальной плоскости по азимуту и глубине и в вертикальной плоскости) и свойствах самого пространства.
Поэтому в основе создания новых методов обработки звука для стереотелефонов лежат некоторые общие принципы: запись передаточных функций головы в заглушенной камере (в условиях свободного поля), свертка их с импульсными характеристиками моделируемого помещения, которые меняются в зависимости от выбранных позиций и количества громкоговорителей и поворотов головы слушателя.
Из наиболее известных технологий, используемых в настоящее время в стереотелефонах, можно отметить Dolby Headphone Technology и Binaural Environment Modelling фирмы Sonic Emotion,которая широко используется в новых моделях стереотелефонов фирмы Beyerdynamic.
Технология Dolby Headphone Technology начала развиваться с 1997 года, она позволяет, используя сравнительно недорогие DSP процессоры, обеспечить воспроизведение пространственного звука (например, по системе Dolby Digital 5.1).

Рис. 9. Схема процессора Dolby Headphone Technology

Структура процессора, воссоздающего через стереотелефоны пространственную систему Surround Sound 5.1, представлена на рис.9 и включает в себя блок усиления низких частот, базу данных передаточных функций для различных направлений (HRTF), блок для свертки сигнала с передаточной функцией, соответствующей направлению на левый передний громкоговоритель, на центральный, на правый передний и два тыловых громкоговорителя, а также блок цифровой реверберации и суммирующие цепи.
Технология Binaural Environment Modelling включает в себя три основных модуля:
— Модуль с использованием алгоритма M3S phones, который позволяет реализовать вынос стереообраза из головы за счет моделирования передаточных функций ушных раковин (что позволяет также значительно уменьшить слушательскую усталость, характерную для прослушивания в обычных телефонах, которая приходит из-за локализации образа внутри головы). При этом одним из недостатков моделирования передаточных функций, выполняемых в предыдущие годы, являлись значительные индивидуальные различия в параметрах HRTF, особенно на высоких частотах, что приводило к ошибкам в локализации типа «фронт-тыл». В новом алгоритме допускаются более тонкие настройки, позволяющие минимизировать эти ошибки.
— Модуль с алгоритмом M3S rooms, который моделирует реверберационный процесс в виртуальном трехмерном окружении и различное размещение виртуальных громкоговорителей в нем, при этом учитывается, что, когда громкоговорители находятся на различных расстояниях от слушателя, отношение прямого звука к реверберирующему существенно меняется, так же, как меняется и воспринимаемая громкость.

Рис. 10. Учеты смещения виртуальных громкоговорителей при повороте головы

— Модуль с M3S Tracker, который моделирует движение головы. В реальных условиях при повороте головы источники звука остаются на месте. При создании виртуальных систем Surround Sound 5.1 источники смещались вместе с поворотом головы при прослушивании через стереотелефоны. В новом алгоритме учитывается реальное соотношение между положением источников и позицией головы (рис. 10), что значительно усиливает реальность воспринимаемых событий.
Комбинации этих трех модулей позволяют моделировать передаточные функции слухового аппарата (HRTF) с учетом процессов отражения звука в помещении, соотношения прямой и отраженной энергии реверберационного процесса, что помогает в определении глубины расположения источников, а также движения головы. Все это создает чрезвычайно реалистичный трехмерный звуковой образ и делает возможным виртуальное смещение любого числа звуковых источников вокруг головы. Угол и расстояние до любого источника могут быть изменены в реальном времени. Свойства виртуальной комнаты (размеры и степень диффузности поля в ней) также могут быть изменены в реальном времени. 

Рис. 11. Система фирмы Веуеrdynamic Headzone 5.1 Monitoring System

Фирма Beyerdynamic на базе вышеуказанных технологий разработала и представила на 122-ом конгрессе AES профессиональную систему для студийного мониторинга с использованием стереотелефонов Headzone Professional 5.1 Monitoring System, включающую в себя охватывающие стереотелефоны, ультразвуковой передатчик для контроля движения головы, ультразвуковой приемник и блок процессорной обработки звука. Система позволяет моделировать виртуальную трехмерную контрольную комнату с заданным распределением в ней акустических систем (контрольных агрегатов) по системе Dolby SS 5.1, а также любое другое размещение громкоговорителей — для моно, стерео, квадро и др. воспроизведения. (см. рис. 11).
Впечатление от прослушивания такой системы (по собственному опыту) действительно очень реалистичное.
Вероятно, такие системы будут активно развиваться, правда, необходимо отметить, что окончательное суждение о качестве фонограмм в студии пока лучше делать собственными ушами через хорошие студийные мониторы. Однако есть много других направлений, где они могут также широко использоваться – для компьютерных игр, в транспорте и т.д.