От стерео к иммерсивному звуку: 60-летняя история многоканального аудио

Кратко

Многоканальный звук прошёл путь от одного динамика к множеству – три крупных этапа: стерео (два канала, 1930-е), surround (пять и более фиксированных каналов, 1976–1999) и иммерсивное объектное аудио (звук, размещённый в трёхмерном пространстве, 2012–наши дни). Каждый из этих переходов стал возможен, когда новая технология доставки сделала дополнительные каналы достаточно доступными. Некоторые форматы, несмотря на отличную инженерную проработку, не прижились – потому что сбивали с толку потребителя или не приносили очевидной пользы; квадрофония 1970-х остаётся классическим примером. Сегодня граница больше не определяется количеством динамиков, а зависит от того, как описывается положение каждого звука: один и тот же микс одинаково корректно воспроизводится и на телефоне, и на саундбаре, и в кинозале с 64 динамиками.

Почему это важно

Если вы создаёте или покупаете любой видеопродукт – стриминг, конференции, OTT, онлайн-образование, телемедицину или VR – рано или поздно вас спросят: «У вас есть пространственный звук?» или «Можно отгрузить Dolby Atmos?». Чтобы ответить грамотно, нужно понимать, что эти слова означают и почему индустрия пришла к ним. Эта статья даёт продакт-менеджеру полную хронологию, словарь (5.1, 7.1.4, объектный звук, ambisonics) и закономерность за каждым успешным и провальным форматом – чтобы отличить реальную функцию от маркетинга и спланировать аудиоапгрейд без догадок. Она написана для человека без аудиобэкграунда: каждый термин объясняется до его использования.

Одна закономерность за 60 лет звука

Перед хронологией – закономерность, объясняющая всё. Каждый скачок в числе каналов происходил по одной причине: новый способ доставки звука к слушателю делал дополнительные каналы дешёвыми. Стерео ждало появление пластинки LP и FM-радио. Surround ждал оптическую звуковую дорожку на плёнке, а затем DVD. Иммерсивный звук ждал цифровые кинофайлы и интернет-стриминг, где добавление метаданных почти ничего не стоит.

И каждый формат, который провалился, провалился по одной причине: он требовал от покупателя денег и усилий без ясной, очевидной выгоды – или заставлял выбирать сторону в войне форматов, которую тот не понимал. Держите в голове эти две мысли – дешёвая доставка делает скачок возможным, неясная выгода его убивает – и вся история читается как единый сюжет.

Нажмите, чтобы увеличить

Эпоха 1: Стерео – идея двух ушей (1881–1940)

Человек слышит в стерео, потому что у него два уха, расположенные на расстоянии нескольких сантиметров друг от друга. Звук, приходящий слева, достигает левого уха чуть раньше и немного громче – мозг интерпретирует эту минимальную разницу как направление. Стереозвук – сокращение от stereophonic, что означает «объёмный звук» – представляет собой попытку записать и воспроизвести два слегка отличающихся сигнала так, чтобы сохранилась иллюзия пространственного положения источника звука.

Первая демонстрация произошла совершенно неожиданно рано. В 1881 году французский инженер Клеман Адер протянул провода от Парижской оперы до Международной выставки электричества, находившейся в двух километрах от неё. Слушатели держали по два наушника – один от микрофона слева от сцены, другой – справа – и сообщали, что оркестр «располагается» перед ними. Это был бинауральный звук – два канала для двух ушей – за полвека до того, как его научились записывать.

Настоящий фундамент заложил в 1931 году Алан Блюмлейн, инженер компании EMI в Британии. Его патент UK 394,325 (подан 14 декабря 1931 года, выдан в июне 1933 года) описывал почти всё, что используется в современном стереозвуке до сих пор: пару совмещённых микрофонов для записи стереокартины, метод 45/45, при котором два канала вырезаются в одну канавку пластинки, и матричную идею смешивания и разделения каналов. Блюмлейн называл это «бинауральным звуком». Двумя годами позже, в апреле 1933 года, Bell Labs под руководством Харви Флетчера передали живой концерт Филадельфийского оркестра под управлением Леопольда Стоковского по трём телефонным линиям на три громкоговорителя в Вашингтоне – первая публичная демонстрация того, что Bell назвали «звуком в слуховой перспективе».

Урок Эпохи 1 – это урок о времени. Наука стерео была завершена к 1933 году, но потребительские стереопластинки появились лишь в 1958-м – до этого просто не существовало доступного носителя для двух каналов. Хорошая инженерия 25 лет пролежала на полке, ожидая дешёвую доставку.

Эпоха 2: Surround – погрузить зрителя внутрь (1940–2010)

Surround – это развитие идеи стереозвука за пределы передней стены: вместо двух каналов перед вами появляются динамики вокруг и сзади, так что звуки могут перемещаться по комнате. Кино стало лидером в этом направлении, потому что в кинотеатре уже было всё необходимое – и место для установки множества динамиков, и аудитория, готовая платить за эффектное впечатление.

Кинопионеры (1940–1955)

Disney оказались первыми. Фантазия (1940) использовала систему Fantasound – первый коммерческий фильм с многоканальным звуком. В залах премьеры устанавливались десятки динамиков за экраном и по периметру помещения. (Для точности: музыку записывали на множество дорожек, но версия, звучавшая в кинотеатрах, воспроизводила примерно три фронтальных канала и surround-звук, а не восемь дорожек, как иногда утверждают.) Fantasound оказалась слишком дорогой для массового внедрения, и Вторая мировая война положила ей конец – ещё один пример выдающейся инженерной мысли, опередившей возможности доступной доставки.

Бум широкого экрана 1950-х годов возродил многоканальный звук как средство борьбы с телевидением. Cinerama (1952) использовала отдельную многодорожечную магнитную фонограмму. CinemaScope (1953) наносила четыре магнитные дорожки на 35-мм плёнку: левый, центральный, правый каналы и один канал surround. Todd-AO (1955) разместила шесть магнитных дорожек на широкой 70-мм плёнке. Общая черта: магнитные полосы на плёнке стали новым достаточно дешёвым носителем – и число каналов увеличилось.

Поучительный провал: квадрофония (1970-е)

Затем ту же попытку повторила индустрия домашнего звука – и потерпела крах. Квадрофония, или «квад», использовала в доме четыре канала: два спереди и два сзади. На бумаге это был полноценный surround-звук в гостиной – за десять лет до появления аналогичных решений. На практике же это стало наглядным примером того, как можно загубить хорошую идею.

Фатальной ошибкой стала война форматов. Около 1971 года одновременно появились три несовместимые системы. SQ (от CBS) и QS (от Sansui) были матричными: они сжимали четыре канала в два и пытались восстановить их при воспроизведении – но восстановление было неточным, и на насыщенной музыке тыловые каналы «протекали» во фронтальные. CD-4 (от JVC и RCA) была дискретной: она действительно обеспечивала четыре отдельных канала с помощью ультразвуковой несущей на пластинке – но требовала специальной иглы, а обычный износ пластинки разрушал разделение тыловых каналов уже после нескольких проигрываний.

Покупатель в 1973 году оказался перед невыбором: выбрать одну из трёх систем, докупать дополнительные динамики и усилители и надеяться, что любимый лейбл сделал ставку на ту же технологию. Большинство послушали демонстрационные записи в формате квадрофоники, пожали плечами и остались при стерео. К 1977 году крупные лейблы отказались от квадрофоники. Она провалилась не из-за слабой инженерии – технология CD-4 работала – а потому что требовала дополнительных затрат и сложной совместимости ради выгоды, которую большинство слушателей не могли чётко услышать. Запомните эту историю: индустрия неоднократно повторяла подобные ошибки.

Dolby делает surround рабочим (1976–1999)

Прорыв, который закрепился в домашнем surround, пришёл от Dolby в 1976 году – и его суть заключалась в том, чтобы не требовать нового носителя. Dolby Stereo кодировал четыре канала – левый, центральный, правый и один surround – в две оптические дорожки, которые уже печатались на каждой 35-мм плёнке. Эта пара смешанных сигналов называется Lt/Rt – от «left-total» и «right-total». Декодер в кинозале превращал две дорожки обратно в четыре канала. Поскольку всё работало на уже существующем двухдорожечном оптическом формате, любой кинозал мог проиграть фильм Dolby Stereo без переделки проектора. Звёздные войны (1977) сделали технологию знаменитой.

Dolby привезли ту же матрицу домой. Dolby Surround (1982) позволил домашнему декодеру извлекать моно-канал окружения из любого стереосигнала. Dolby Pro Logic (1987) улучшил декодер, добавив активное управление и отдельный центральный канал для диалогов. Гениальность заключалась в обратной совместимости: дорожка с кодированием Dolby по-прежнему отлично звучала в обычном стерео, так что студии ничего не теряли, добавляя её. Квад навязывал выбор; Dolby – ничего.

Цифровой 5.1 и смысл «точки один» (1991–1993)

Следующий прорыв ждал цифрового звука – и подарил миру число, которое теперь знает каждый: 5.1.

В июне 1992 года Бэтмен возвращается стал первым фильмом, вышедшим в широкий прокат с использованием Dolby Digital – формата сжатия звука, технически известного как AC-3. (Экспериментальный показ фильма Star Trek VI в формате Dolby Digital якобы прошёл в нескольких кинотеатрах в конце 1991 года, но Бэтмен возвращается стал первым настоящим массовым внедрением.) Формат обеспечивал пять полнодиапазонных каналов и один низкочастотный – именно так и записывается конфигурация «5.1».

Вот что на самом деле означает эта запись – она сбивает с толку почти всех:

«5.1 = пять полнодиапазонных каналов (Left, Centre, Right, Left Surround, Right Surround), каждый из которых передаёт весь диапазон частот – примерно от 20 Гц до 20 000 Гц, плюс один канал низкочастотных эффектов («LFE»), предназначенный исключительно для глубокого баса – примерно от 20 до 120 Гц. Обозначение «.1» означает, что басовый канал использует около десятой части полосы полного канала – отсюда «точка один», а не целый канал.»

LFE – это канал, через который работает ваш сабвуфер: гул взрыва, а не музыка. Он называется «точка один», потому что это дополнительный канал, а не потому что он единственный.

Раскладка 5.1 – не изобретение только Dolby, её закрепили международные стандарты. Рекомендация ITU-R BS.775 определяет эталонную конфигурацию «3/2» – три фронтальных канала, два канала окружения и опциональный LFE – которой следует формат 5.1: центральный канал прямо перед слушателем, фронтальные левый и правый – под углом ±30°, каналы окружения – примерно под ±110°. Текущая редакция BS.775-4 утверждена в декабре 2022 года, но сама раскладка восходит к первой редакции стандарта 1994 года. Формат AC-3 официально описан в ATSC A/52 (текущая редакция A/52:2015) и в ETSI TS 102 366.

Конкурент появился почти сразу. DTS (Digital Theater Systems) дебютировал в Парке юрского периода в 1993 году – тоже формат 5.1, но аудиодорожка хранилась на CD-ROM, синхронизированном с плёнкой, а не наносилась непосредственно на саму плёнку. Соперничество Dolby и DTS будет сопровождать индустрию следующие тридцать лет – в отличие от «войны квада», обе системы были совместимы с форматом 5.1, так что зритель никогда не оказывался перед выбором между несовместимыми стандартами.

Добавляем тыл, и счёт растёт (1999–2010)

Когда 5.1 стал стандартом, количество каналов увеличилось. Dolby Digital Surround EX (1999, дебют в Звёздных войнах: Эпизод I) матрично кодировал шестой канал – задний центральный surround – в два существующих канала surround, обеспечивая формат 6.1 и сохраняя совместимость с 5.1. Появление DVD, а затем Blu-ray дало домашним аудиосистемам возможность использовать дискретный звук: Dolby Surround 7.1 (2010) добавил два задних динамика surround – семь полных каналов плюс LFE.

«7.1 – семь полнодиапазонных каналов (левый, центральный, правый, два боковых surround, два задних surround) + один LFE. Число до точки всегда обозначает количество полнодиапазонных динамиков на уровне уха, число после точки – количество каналов LFE.»

К 2010 году эпоха surround достигла естественного предела. Можно было добавлять динамики вокруг слушателя, но все они располагались на уровне уха, в одной плоскости. У звуковой картины был пол, но не было потолка. Следующий шаг должен был пойти вверх – и отказаться от самой идеи динамиков.

Эпоха 3: Иммерсивный звук – описываем звук, а не динамики (2010–наши дни)

Иммерсивная эпоха одновременно сделала две вещи: добавила глубину и изменила саму природу фонограммы. Вместо записи фиксированных звуковых сигналов для динамиков она стала фиксировать звуки как объекты – каждый со своей позицией в трёхмерном пространстве – и позволила устройству воспроизведения самостоятельно выбирать, какие динамики задействовать. Это важнейший концептуальный сдвиг в истории аудиотехнологий, поэтому разберём его внимательно.

Нажмите, чтобы увеличить

Канальный, объектный, сценовый

Существует три подхода к хранению фонограммы, и иммерсивная эпоха – это переход от первого ко второму и третьему.

Канальный звук (channel-based) – это формат до 7.1 включительно. Микс представляет собой набор сигналов, по одному на каждый динамик. Файл 7.1 буквально содержит восемь сигналов с пометками «это идёт на левый surround». Простота и точность – но есть ограничение: если в вашей комнате другая конфигурация динамиков, звук будет искажён или его придётся грубо сворачивать.

Объектный звук (object-based) хранит каждый звук как отдельный объект – моноаудиофайл плюс метаданные: «я здесь, в этой позиции, двигаюсь так». Метки динамиков отсутствуют. При воспроизведении программа-рендерер анализирует конфигурацию ваших реальных динамиков – два, пять, семь или шестьдесят четыре – и в реальном времени рассчитывает, с какой громкостью каждый из них должен воспроизвести объект, чтобы тот оказался в нужной точке пространства. Один и тот же файл корректно воспроизводится на телефоне, саундбаре и в кинозале, потому что файл описывает намерение, а не выход.

Сценовый звук (scene-based) записывает всё звуковое поле как математическую сферу вокруг точки с помощью техники под названием ambisonics. Вместо отслеживания отдельных источников он фиксирует «что приходит в эту точку прослушивания со всех направлений». Такой звук можно декодировать для любой конфигурации динамиков или для наушников. Это – фаворит виртуальной и дополненной реальности, где голова слушателя поворачивается, и всё звуковое поле должно поворачиваться вместе с ней.

Тренд последнего десятилетия очевиден: от канального – к объектному и сценовому звучанию, которое не зависит от количества динамиков.

Dolby Atmos приходит (2012)

Dolby Atmos, представленный в апреле 2012 года и впервые использованный в фильме Храброе сердце от Pixar в июне 2012 года, стал форматом, который вывел объектный звук в мейнстрим. Его кинопроцессор первого поколения мог обрабатывать до 128 одновременных аудиообъектов и передавать до 64 уникальных сигналов на динамики – включая, впервые, динамики в потолке.

Atmos представил новую запись из трёх чисел. Там, где у 5.1 и 7.1 было два, у раскладок Atmos появилось третье:

«7.1.4 = 7 каналов на уровне уха + 1 LFE + 4 потолочных (height) канала. Третье число всегда обозначает количество потолочных динамиков. Поэтому 9.1.6 – это 9 каналов на уровне уха + 1 LFE + 6 потолочных каналов – большая домашняя система или кинозал.»

Прочитаем одну вслух, чтобы арифметика стала наглядной. Система 7.1.4 включает 7 + 1 + 4 = 12 динамиков: семь расположены вокруг вас на уровне уха, четыре – над головой и один – сабвуфер. Эта «4» сверху – именно то, что отличает иммерсивную систему от классического surround 7.1; это был потолок, которого не было у эпохи surround.

Важно: файл Atmos – это не «12 каналов». Это небольшой канальный фундамент (часто основа 7.1.2 или 5.1.2) плюс набор объектов с метаданными позиции. Количество динамиков 7.1.4 – то, что рендерер производит, а не то, что файл хранит. Поэтому один мастер Atmos одинаково хорошо работает и в кинозале, и на паре наушников.

Конкуренты и открытые стандарты

Atmos был не один. Auro-3D (от Barco, с кинораскладками, запущенными в 2010 году) пошёл другим, слоистым путём: горизонтальный слой, слой высоты и один потолочный динамик – «голос Бога» – в конфигурациях вроде 9.1, 11.1 и 13.1. DTS:X (2015) повторил объектную, не зависящую от раскладки философию Atmos и адаптировался под имеющиеся в комнате динамики.

Два открытых стандарта важны для всех, кто разрабатывает вещательные или стриминговые продукты. MPEG-H 3D Audio (ISO/IEC 23008-3, опубликован в октябре 2015 года) – это стандарт ISO, который поддерживает три подхода к аудио: канальный, объектный и сценовый – в одном битстриме, а также добавляет интерактивные возможности, например, позволяет зрителю усилить диалог. Южная Корея с 2017 года транслирует MPEG-H 3D Audio в рамках своего ультравысокого ТВ ATSC 3.0. Для цифрового кино серия стандартов SMPTE ST 2098 (опубликована в 2018 году) определила единый, независимый от производителя иммерсивный битстрим, чтобы кинозал не оказался привязан к формату одной компании.

Apple замыкает круг для наушников (2021)

Финальный фрагмент иммерсивной истории – тот, что реально переживает большинство потребителей: иммерсивный звук на обычных наушниках. В июне 2021 года Apple запустила Spatial Audio с Dolby Atmos в Apple Music. Технология преобразует объектный микс Atmos в двухканальный формат с помощью HRTF – Head-Related Transfer Function, математической модели того, как ваша голова и уши изменяют звук в зависимости от направления. Благодаря отслеживанию поворота головы AirPods определяют, когда вы поворачиваетесь, и поворачивают звуковое поле так, чтобы центр экрана всегда оставался спереди. (Видео-версию этой функции Apple добавила в iOS 14 в сентябре 2020 года; запуск в Apple Music состоялся в июне 2021 года.)

Это тихий триумф иммерсивной эпохи. Тот же объектный мастер, что работает в кинозале с 64 динамиками, рендерится на телефоне и двух наушниках в убедительное трёхмерное пространство – без лишних динамиков, без войны форматов, без выбора со стороны потребителя. Это ровно то, чего квад не смог дать пятьюдесятью годами ранее: surround, который просто работает на железе, которое у людей уже есть.

Типичная ошибка: путать число динамиков с файлом

Самая частая ошибка продакт-менеджеров – считать «7.1.4» или «Atmos» свойством файла. Это не так. В эпоху иммерсивного звука фонограмма – это описание объектов и небольшой канальный фундамент; количество динамиков – то, что рендерер генерирует из неё на конкретном устройстве. Практическое следствие: вы не храните отдельный файл для каждой раскладки. Вы храните один объектный мастер и рендерите его под устройство. Команды, которые планируют хранилище и полосу пропускания так, будто им нужны отдельные файлы 5.1, 7.1 и 7.1.4, закладывают бюджет на проблему, которую объектный звук был создан решить.

Вторая, связанная ловушка – считать, что «пространственный звук» в наушниках требует специального контента. Не всегда: многие продукты применяют HRTF-обработку к обычному стерео или 5.1, чтобы симулировать высоту. Понимать, использует ли функция настоящий объектный мастеринг или повышающее микширование на стороне воспроизведения – это разница между реальным конвейером Atmos и маркетинговой наклейкой.

60 лет в одной таблице

Таблица ниже сводит всю историю к нескольким ключевым фактам, важным для понимания решения: что хранила каждая эпоха, сколько каналов она использовала и что сделало её возможной.

Ячейки-победители не выделены: ни одна эпоха не «выигрывает» – каждая была права для своего носителя.

Где здесь Фора Софт

Мы создаём видеопродукты для конференций, OTT и интернет-ТВ, онлайн-образования, телемедицины, видеонаблюдения и AR/VR, и именно звук чаще всего становится первым, чем такие системы разочаровывают пользователя. История выше для нас не пустая формальность: понимание того, что иммерсивный звук – объектный, а не «динамиковый», напрямую определяет, как мы проектируем хранилище, пропускную способность и рендеринг для стриминговой или конференц-платформы, которая хочет передавать пространственный звук, не взорвав счёт за CDN. Особенно это важно в AR/VR: сценовый (ambisonics) подход – правильный инструмент, потому что голова слушателя движется, и звуковое поле должно поворачиваться вместе с ней. Мы рассматриваем звук как полноценную часть конвейера, а не как дополнение, прикрученное в конце.

Главное

• Число каналов росло по мере того, как дешёвый носитель делал дополнительные каналы доступными.
• Квад провалился из-за войны форматов и неясной выгоды, а не из-за плохой инженерии.
• «5.1» – это пять полноценных каналов и один басовый канал LFE.
• «7.1.4» добавляет третье число: четыре потолочных (height) динамика.
• Иммерсивный звук хранит аудиообъекты с привязкой к позициям, а не фиксированные сигналы для конкретных динамиков.
• Один объектный мастер корректно воспроизводится – от наушников до кинозала с 64 динамиками.

Что почитать дальше

• Канальный, объектный и сценовый звук: три подхода
• Dolby Atmos для кино, вещания, музыки и стриминга
• Каналы и раскладки: mono, stereo, 5.1, 7.1, 7.1.4