阿里通义空间音频引擎：OmniAudio，重塑听觉边界

在数字音频技术的璀璨星河中，阿里巴巴旗下的人工智能实验室近日隆重推出了一项革命性技术——OmniAudio。这不仅仅是一个模型，它是通往沉浸式音频体验的门户，标志着我们对声音维度探索的新纪元。OmniAudio，以其深邃的算法理解和创新的音频生成能力，打破了传统音频处理的界限，为用户开启了360度全方位的声音景观。这项技术通过模拟真实世界中的声学环境，让每一位听众即使身处家中，也能感受到如临其境的立体声音效，无论是电影、游戏还是远程会议，都能带来前所未有的听觉盛宴。阿里通义的这一创举，不仅是技术实力的展现，更是对未来娱乐和通讯方式的一次大胆探索与革新。

　　

OmniAudio是什么

　　

omniaudio是阿里巴巴通义实验室语音团队推出的从360°视频生成空间音频（foa）的技术。为虚拟现实和沉浸式娱乐提供更真实的音频体验。通过构建大规模数据集sphere360，包含超过10.3万个视频片段，涵盖288种音频事件，总时长288小时，为模型训练提供了丰富资源。omniaudio的训练分为两个阶段：自监督的coarse-to-fine流匹配预训练，基于大规模非空间音频资源进行自监督学习；以及基于双分支视频表示的有监督微调，强化模型对声源方向的表征能力。

　　

OmniAudio的主要功能

　　生成空间音频：能直接从360°视频生成FOA音频，这种音频是一种标准的3D空间音频格式，能捕捉声音的方向性，实现真实的3D音频再现。采用四个通道（W、X、Y、Z）来表示声音，其中W通道负责捕捉整体声压，X、Y、Z通道则分别捕捉前后、左右以及垂直方向的声音信息。在头部旋转时，可以确保声音定位的准确性得以保持。 　　提升沉浸式体验：为虚拟现实和沉浸式娱乐带来了全新的可能性。可以解决传统视频到音频生成技术主要生成非空间音频，无法满足沉浸式体验对3D声音定位需求的问题。 　　

OmniAudio的技术原理

　　自监督的coarse-to-fine流匹配预训练 　　数据处理：由于真实FOA数据稀缺，研究团队利用大规模非空间音频资源（如FreeSound、AudioSet、VGGSound等），将立体声转换为“伪FOA”格式。具体来说，W通道为左右声道之和，X通道为左右声道之差，Y、Z通道置零。 　　模型训练：将转换后的“伪FOA”音频送入四通道VAE编码器获得潜在表示，然后以一定概率进行随机时间窗掩码，并将掩码后的潜在序列与完整序列一同作为条件输入至流匹配模型。模型通过最小化掩码前后潜在状态的速度场差异，实现对音频时序和结构的自监督学习。这一阶段使模型掌握了通用音频特征和宏观时域规律，为后续空间音频的精细化提供了基础。 　　基于双分支视频表示的有监督微调 　　数据利用：仅使用真实的FOA音频数据，继续沿用掩码流匹配的训练框架，但此时模型的全部注意力集中在四通道的空间特性上。 　　模型强化：通过对真实FOA潜在序列进行更高概率的掩码，强化了对声源方向（W/X/Y/Z四通道之间的互补关系）的表征能力，在解码端提升了对高保真空间音频细节的重建效果。 　　双分支结合：完成自监督预训练后，将模型与双分支视频编码器结合。针对输入的360°全景视频，使用冻结的MetaCLIP-Huge图像编码器提取全局特征；同时，从同一视频中裁取FOV局部视角，同样通过该编码器获取局部细节表征。全局特征经最大池化后作为Transformer的全局条件，局部特征经时间上采样后与音频潜在序列逐元素相加，作为逐步生成过程中的局部条件。 　　微调与输出：在保持预训练初始化参数大致走向的前提下，高效微调条件流场，从噪声中精准地“雕刻”出符合视觉指示的FOA潜在轨迹。微调完成后，在推理阶段只需采样学得的速度场，再经VAE解码器恢复波形，就能输出与360°视频高度对齐、具备精确方向感的四通道空间音频。 　　

OmniAudio的项目地址

　　项目官网： 　　GitHub仓库： 　　arXiv技术论文： 　　

OmniAudio的应用场景

　　虚拟现实（VR）和沉浸式体验：OmniAudio能为VR内容生成与视觉场景高度匹配的空间音频，增强用户的沉浸感。 　　360°视频配乐：为360°全景视频自动生成沉浸式音效，使观众在观看视频时能获得更真实的听觉体验。 　　智能语音助手：集成到智能家居设备中，如智能音箱、智能家电等，实现语音控制和交互。用户可以通过语音指令控制家电的开关、调节温度、查询信息等。 　　机器人和自动驾驶领域：OmniAudio可以应用于机器人和自动驾驶领域，为这些系统提供更准确的声音定位和环境感知。 　　

以上就是OmniAudio—阿里通义推出的空间音频生成模型的详细内容，更多请关注其它相关文章！