上海AI實驗室、Meta聯(lián)合開發(fā)開源模型 可為人體生成3D空間音頻

　　近期上海AI實驗室與Meta合作推出的開源模型標志著在3D空間音頻領域邁出的一大步。該模型通過處理頭戴式麥克風的輸入音頻信號和分析人體姿態(tài)關鍵點，成功地實現(xiàn)了為人體生成3D空間音頻的目標。這一技術突破為虛擬環(huán)境的沉浸感和臨場感提供了關鍵支持，彌補了目前學術界和企業(yè)在聽覺方面的疏漏。

　　然而，從技術層面看，開發(fā)這樣的3D空間音頻模型并非易事。文章指出，面臨著三大技術難題，其中包括音源位置未知、麥克風距離音源較遠等挑戰(zhàn)。為了解決這些問題，研究人員創(chuàng)新性地構(gòu)建了多模態(tài)融合模式，并引入了身體姿態(tài)信息，從而成功消除了聲源位置的歧義，實現(xiàn)了正確的空間音頻生成。

　　具體而言，模型包括音頻編碼器、人體姿態(tài)編碼器和音頻解碼器等模塊。音頻編碼器處理頭戴式麥克風的輸入音頻信號，通過時間平移對齊不同身體部位的音源位置，最終得到包含各個可能音源位置信息的音頻特征表達。人體姿態(tài)編碼器則分析人體姿態(tài)關鍵點，生成姿態(tài)特征表達，為正確生成三維空間音頻提供了重要的提示。

　　盡管該模型在技術上取得了顯著進展，成功實現(xiàn)了身臨其境的3D音場效果，但研究人員也指出了其局限性。目前，該模型僅適用于渲染人體音，難以處理非自由音場傳播環(huán)境，且計算量較大，難以在資源受限的消費類設備上部署。這一點對于模型的實際應用和推廣提出了一定挑戰(zhàn)。

　　綜合而言，上海AI實驗室和Meta聯(lián)合開發(fā)的這一開源模型為人體生成3D空間音頻開辟了新的可能性，為虛擬現(xiàn)實領域的發(fā)展貢獻了有力的技術支持。然而，未來仍需進一步優(yōu)化和拓展，以滿足更廣泛的應用場景和設備要求。