04 空间音频与双耳 HRTF 渲染¶

1. 硬件解决什么问题：用普通双声道耳机还原真实三维全景声场¶

人类之所以能通过双耳分辨声音是在头顶、后方、远方还是近处，完全依赖物理声波在传播到耳膜前经过人脸轮廓、肩部反射和耳廓皱褶产生的微小时间延迟差（ITD）与频率衰减差（ILD）。

传统的普通双声道音乐播放，声音听起来仿佛是从颅骨正中央发出的（头中效应，In-Head Localization），缺乏任何临场感与空间包围感。

空间音频（Spatial Audio / 3D Binaural Rendering）通过在 DSP 芯片中实时卷积头部相关传输函数（HRTF, Head-Related Transfer Function），结合 6 轴惯性传感器（IMU）极低延迟动态追踪佩戴者头部姿态，构建真实三维环绕声场。

2. 硬件微架构与组成：空间音频声学渲染引擎¶

graph TD
    subgraph IMU_Tracking["头部姿态追踪 (6-Axis IMU, 1kHz 采样)"]
        GYRO["陀螺仪 (角速度)"] --> EULER["姿态解算 (四元数 / 欧拉角: Yaw, Pitch, Roll)"]
        ACCEL["加速度计 (重力向量)"] --> EULER
    end

    subgraph Spatial_Engine["DSP 空间音频实时卷积微架构"]
        AUDIO_71["多声道音频输入 (7.1 声道 / Dolby Atmos 床声道)"]

        VIRTUAL_POS["空间虚拟扬声器绝对坐标映射"]
        EULER --> VIRTUAL_POS

        HRTF_LUT["HRTF 空间滤波器网格查找表 (方位角/仰角网格)"]
        VIRTUAL_POS --> HRTF_LUT

        FAST_CONV["快速多路频域复数卷积引擎 (FFT Overlap-Add)"]
        AUDIO_71 --> FAST_CONV
        HRTF_LUT --> FAST_CONV

        FAST_CONV --> STEREO_OUT["双耳 3D 双声道输出 (Binaural L/R)"]
    end

3. 双耳定位三大声学物理机制¶

双耳时间差（Interaural Time Difference, ITD）：
声音来自侧面时，到达远端耳朵需要绕过头部多走约 $20\text{ cm}$；
最大时间差为： $$\tau_{\text{max}} = \frac{r}{c} (\theta + \sin\theta) \approx \frac{0.09}{340} \left( \frac{\pi}{2} + 1 \right) \approx 0.68\text{ ms}$$
人脑利用低频（$< 1.5\text{ kHz}$）信号的相位差精准锁定水平方位角。
双耳声级差（Interaural Level Difference, ILD）：
高频声波（$> 2\text{ kHz}$）波长小于人头尺寸，头部形成强烈的声影遮挡（Acoustic Shadow），远端耳朵声压大幅衰减达 $10\text{ dB} \sim 20\text{ dB}$。
耳廓滤波（Pinna Spectral Cues）：
耳廓的复杂凹凸结构会在 $5\text{ kHz} \sim 10\text{ kHz}$ 产生独特的谱凹陷（Spectral Notches），大脑利用这些特征区分声音是在头顶还是下方、在前方还是背后。

4. 软硬件设计约束¶

动作到声音延迟（Motion-to-Sound Latency）：从用户转动头部，到耳机内声场相应完成旋转补偿更新的总时延，必须严格控制在 $< 20\text{ ms}$ 以内。若延迟超过 30ms，人脑的前庭系统与听觉反馈将产生严重割裂，引发强烈的晕动症（Motion Sickness）与恶心眩晕感。