视频云沉浸式音视频技术能力探索与建设

随着传输技术、显示技术与算力的持续提升，用户对于音视频体验的需求在提高，各家设备厂商也在探索和推出对应的技术与产品。打造空间感的空间视频与空间音频是其中最为关键的2项技术，bilibili视频云在这两项技术领域也进行了相关代探索与建设。

空间视频

背景

人类视觉的空间感，来自于人类双眼的视角差，传统的2D视频为双眼提供的相同视角的画面，在此基础上，为双眼分别提供一幅互相具有视角差的画面，在设备端，通过各类光学和显示组件，降对应的画面投射到对应的眼镜，即可显著提升观影的沉浸感。对于视频云团队，我们最为关心的数据编码层面相关的技术。该领域目前存在2类方案，传统的2D编码与苹果在最新产品上使用的MultiView编码。

相比使用传统2D HEVC编码3D内容，MV-HEVC有大约20%~30%的压缩率提升，且在解码侧不支持MV-HEVC解码时，仍然可以以单目的形式得到单眼的画面，行为与2D视频一致。

目前该技术的生态还较为薄弱，生产侧目前只有iPhone15pro系列与VisionPro眼镜支持拍摄，只能在VisionPro眼睛上实现3D观看。

2D编码

2D编码是将空间视频的左右眼画面在空域内合并在一个2D画面上，使用传统的2D视频编解码技术即可实现内容传输，再播放端分割画面后得到左右眼画面，进行3D渲染。根据不同的空间布局与尺寸关系，可进一步区分为如下几种格式：

该方案开发和执行成本较低，只需在采集与渲染做一些适配开发工作，中间传输都可以复用现有系统。而相对的，由于无法告知视频编码器左右眼画面，继而无法有效挖掘左右眼画面之间的数据冗余度，造成编码压缩率较低，需要较大的传输带宽，一般来说同内容的3D视频会比其2D版本需要额外的50%~100%的传输带宽。

当前线上也已经有采用该方案的视频投稿，如BV1Nh411a7Q1。

MultiView编码

MV编码是视频编码领域，针对类似场景而生的技术方案，可以有效利用左右眼画面之间的数据冗余，显著提升压缩率。而此次苹果在iPhone15pro和VisionPro上采用的，就是在HEVC基础之上的MV-HEVC技术。

相比使用传统2D HEVC编码3D内容，MV-HEVC有大约20%~30%的压缩率提升，且在解码侧不支持MV-HEVC解码时，仍然可以以单目的形式得到单眼的画面，行为与2D视频一致。

目前该技术的生态还较为薄弱，生产侧目前只有iPhone15pro系列与VisionPro眼镜支持拍摄，只能在VisionPro眼睛上实现3D观看。

视频云空间视频探索与建设

规划方案

综合考虑两种方案各自的优缺点，我们认为较为适合当前点播类业务形态的方式可以简单归纳为：

1. 支持以MV-HEVC的投稿输入，以支撑iPhone用户的UGC投稿
2. 云端侧实现苹果设备拍摄的MV-HEVC空间视频到SBS空间视频的转码，使用SBS进行分发与播放，来实现尽可能多的VV覆盖

基于该方案的需求，我们需要建设的是从苹果MV-HEVC到SBS的转码能力，该项工作目前还未得到开源社区的支持，我们根据自身业务需求，基于现有的转码框架进行了相关能力的开发，主要覆盖以下3个部分的工作。

空间视频识别

根据苹果提供的封装侧技术文档，通过在转码框架中识别相应的MP4 BOX，从而实现了使用命令行识别出苹果空间视频的能力。结果示例如下：

HTM解码器封装&集成

目前的多媒体开源框架都未提供MV-HEVC解码器，使用常规解码器解码码流只能得到layer-0的主视角画面。所幸，我们在JCT-3V组织的HTM编解码库找到了相关能力的支持，但是项目本身是为了验证H265协议而实现的，只针对二进制流数据进行操作，需要将其封装成转码框架接口的解码器。

同时为了让解码器能正常工作，需要在mov的解封装器中获取lhvC信息。我们添加新的mvhevc_mp4toannexb二进制滤镜，将封装信息嵌入到数据流中，得到二进制数据。然后送入HTM解码器得到layer0，layer1单独的raw数据。

SBS转帧输出

要得到正确的SBS画面，需要确定MV-HEVC的layer与视角的映射关系，这部分由码流中的vps和sei信息来确定。我们使用转码框架的现有能力提取到vps信息。通过修改HTM接口，对外暴露解码得到的sei信息。

如果要得到SBS格式视频，还需要对raw数据进行左右眼帧对齐、图像拼接，二次编码等操作。我们对HTM封装新的接口，并将其集成在转码框架中，得到了新的解码器mv_hevc。在新解码器中实现SBS格式数据生成逻辑，再根据所需要的SBS格式输出结果，搭建了如下的处理流程：

空间视频转码结果示例如下图：

空间音频

背景

在空间音频领域，视频云曾在2020年接入了杜比全景声的相关能力，从业务侧的反馈也印证了用户对于沉浸式音频的需求，体现了这项技术的价值。

菁彩声（Audio Vivid）是全球首个基于AI技术的三维声标准，由世界超高清产业联盟（简称UWA联盟）率先提出。2023年7月，其成为了国家4K超高清电视技术应用实施指南 （2023 版：http://www.nrta.gov.cn/attach/0/e0e2b226e24c4a74a910bbcc02ccc147.pdf）中的空间音频标准，这也间接指引了我们在该技术领域的投入方向。

Audio Vivid三维声技术

三维声音相对于传统声音增添了空间和方位感，使听众能够沉浸在仿佛置身真实世界中的声音体验中。

Audio Vivid的实现方式主要有以下几种方式：基于声道的实现、基于声床的实现、基于声场的实现、基于对象的实现，其中对象信号可以和另外三种信号互相组合，如下图。

传统的5.1或者7.1声道制作的音频，在超过声道数目的扬声器下无法发挥出扬声器的最大价值——更多的扬声器也只能渲染出音频文件所指示的声道数目。

Audio Vivid中基于声床+对象的实现很好地解决了上述的问题，声床信号承载了基本环境声，对象信号承载的是一系列单声道的音频及其元数据。它在生产端不需要考虑声道的布局，只需要考虑对象的位置，强度，大小，然后将其编码为元数据即可。

在渲染端播放器会根据扬声器的数目和元数据来进行渲染，这样不仅能发挥更多扬声器的作用，还能将声音在三维空间中的运动准确重现出来，极具沉浸感。除此，在渲染端，用户可以根据自身的喜好对每个对象的位置和属性进行实时调整，从而满足用户多样化的需求。

Audio Vivid也包含基于声场的实现方式。基于声场的实现方式主要依托于HOA（Higher Order Ambisonics）技术，它是一种定义在球体表面上的3D声场建模格式，可以在任何设备（如耳机、扬声器、音箱）上对声场实现准确处理和重构。

工程化实践

目前B站已经在云端建设了完整的Audio Vivid处理能力。对于投稿的Audio Vivid音频，我们能透传一路Audio Vivid音频作为一路音轨。同时，为了兼容那些没有Audio Vivid渲染能力的终端设备，我们还会转出一路经过双耳渲染的立体声音轨。

若终端设备有能力进行Audio Vivid的渲染，它可以通过多组扬声器来呈现Audio Vivid的三维声效，或者进行双耳渲染。否则，终端设备将以兼容模式播放由服务端渲染好的立体声音轨。下图详细展示了Audio Vivid在服务端和终端的处理流程。

我们在云端的转码过程中进行了大量的工作，以集成Audio Vivid。

参考处理流程

UWA联盟提供的参考代码是基于文件流的，如果不修改参考代码进行二进制渲染，我们只能先使用参考代码进行解封装，将以MP4封装的Audio Vivid音频解封装为xxx.av3a。

之后，需要调用参考代码的编译得到的解码二进制文件，将其用于解码为多通道WAV音频流。最后，调用参考代码将多通道WAV渲染为立体声WAV，并通过转码二进制进行立体声编码。

这种多步骤的双耳渲染方法效率较低，因此我们基于参考代码进行了一系列改造，并将其整合到现有的音频生产流程中

视频云处理流程

基于参考代码，进行相关改动

• 将仅支持windows平台的Audio Vivid解码的参考代码移植到linux，以支持服务端的的解码；
• 将仅支持文件流的解码模块修改为内存流，以方便接入其它流行的多媒体框架；
• 将解码模块和渲染模块重构后接入多媒体框架，以便进行流式处理；

重构前和重构之后的双耳渲染流程示意图如下图：

代码重构后，我们只需要一个转码二进制文件，就可以以流式方式对Audio Vivid音频进行解封装、解码、双耳渲染和编码等操作，而无需反复读写文件，从而避免性能下降的问题。这种优化不仅可以缩短处理时间，还可以减少中间过程对存储的消耗，并且非常适用于直播场景。除此，我们也修改了bento4的部分代码，来适配Audio Vivid的转Dash过程，以实现Audio Vivid的动态自适应流媒体传输。

参考资料

• Multiview High Efficiency Video Coding (MV-HEVC) | HEVC（http://hevc.info/mvhevc）
• 265：High efficiency video coding（https://www.itu.int/rec/T-REC-H.265）
• https://developer.apple.com/av-foundation/HEVC-Stereo-Video-Profile.pdf
• 三维菁彩声（Audio Vivid） 技术白皮书（V1.0）
• T/UWA 009.1-2022 三维声音技术规范 第 1 部分：编码分发与呈现

作者丨lhcde、猫先生、老王