來源：極客公園

科幻小說《雪崩》是無比超前的。它出版的 1992 年，英特爾還在制造 486 系列處理器，直到次年，586 奔騰處理器才被推出。

在小說中，尼爾·斯蒂芬森創(chuàng)造了一個并非以往想象中的互聯(lián)網(wǎng)——元宇宙（Metaverse），在這個與現(xiàn)實世界緊密聯(lián)系但又相互平行的時空里，人們可以借由各自的「化身」在其中交流和娛樂。

Facebook 改名 Meta 后，越來越多的人才知道，原來這本科幻小說是「元宇宙」這個詞的起點。一瞬間，一個書里并沒有準(zhǔn)確定義的概念，30 年后開始成為了商業(yè)世界里火爆的新邊疆。

只不過，在目前看起來比較接近「元宇宙」的 VR 行業(yè)里，即使設(shè)備銷量逐漸攀升，但分辨率低、設(shè)備笨重、3D 眩暈等問題還未完全解決。元宇宙看起來是個性感，但還有著眾多技術(shù)問題無法解決，還非常遙遠(yuǎn)的概念。

「從 Utility（效用）到 Reality（現(xiàn)實），我認(rèn)為元宇宙是有發(fā)展路徑的，并且早晚會進(jìn)化到改變我們現(xiàn)實世界的程度?！雇跗嫠┞毜墓韭暰W(wǎng)，最近就開啟了「元娛樂」的新探索，他成為了這條業(yè)務(wù)線的負(fù)責(zé)人。

這次他們在實踐中，對于元宇宙下一步在技術(shù)上應(yīng)該去解決什么這個問題，有了新的思考。

01

「元娛樂」里，聲音

技術(shù)是關(guān)鍵的下一步

「現(xiàn)在所謂的那些元宇宙的應(yīng)用，離還原人類的真實體驗還差得特別特別遠(yuǎn)?！?/p>

根據(jù) Sensor Tower 2022 年的報告，自「元宇宙」概念爆發(fā)以來，平均每天都會新增一個「元宇宙」軟件，其中，元宇宙社交類軟件更是層出不窮。在一個個炫酷的 demo 里，我們似乎離再建一個虛擬現(xiàn)實很近了，但王奇并不這么認(rèn)為。

2020 年 4 月，《堡壘之夜》里舉辦的「ASTRONOMICAL」虛擬演唱會吸引了 1230 萬觀眾，玩家在霓虹燈束散射中舞動，很多玩家表示仿佛經(jīng)歷了一場真實的夢境。絢麗的布景渲染了人們對技術(shù)的最高想象，然而實際上，觀眾只是在「看」一場演唱會。算力等客觀因素限制下，多人同屏和物理交互往往就如魚與熊掌，玩家在一個「眾人場」里能得到的交互體驗其實很低。

《堡壘之夜》中的「ASTRONOMICAL」虛擬演唱會

「我們的元娛樂其實并不等同于元宇宙娛樂」，聲網(wǎng)元娛樂業(yè)務(wù)線負(fù)責(zé)人王奇在接受采訪時說，「我們更接近下一代的娛樂這個概念。」在他看來，現(xiàn)有的技術(shù)和體驗還不能滿足人類超越現(xiàn)實的需求，首先要思考的或許是如何去還原一個真實的世界。

5 月 16 號，聲網(wǎng)發(fā)布了「元娛樂」四大解決方案，其中，他們對音頻的處理十分惹眼。

在發(fā)布會上，聲網(wǎng)元語聊產(chǎn)品經(jīng)理楊帆展示了一個多人會議的場景：代表每個參與者的頭像分布在不同區(qū)域，而從其他人說話的聲音信息中，能體會到明顯的方位感。

這項技術(shù)被稱作 3D 空間音頻，貫穿在他們的元語聊、元 K 歌、元直播等方案里。

當(dāng)用戶操作 Avatar 在虛擬場景里移動時，聽到的音效會根據(jù) Avatar 的頭部及臉部朝向、聲源角度和距離不同而變化。比如，在玩家進(jìn)入一個元語聊的房間時，會聽到房間內(nèi)正在播放的背景音樂，隨著位置的移動、墻壁或卡座等障礙物的遮擋，玩家所聽到的聲音也會相應(yīng)地逐漸清晰或減弱。

這項功能的實現(xiàn)，依賴于聲網(wǎng)基于 HRTF 相關(guān)傳遞函數(shù)、心理感知聲學(xué)、聲源指向模擬等算法自研的一整套 3D 聲場渲染引擎。通過這套渲染引擎，可以動態(tài)模擬空間中任意角度、朝向的聲音在傳遞到左右耳時聲音發(fā)生的變化。他們還可以通過聲學(xué)建模的方式，模擬任意角度的音源方向?qū)е碌囊羯町悺?/p>

聲網(wǎng)的空間音頻技術(shù)

「這其實在業(yè)內(nèi)還沒有幾家能夠做到」，王奇談到這些技術(shù)時頗為自豪。據(jù)他介紹，聲網(wǎng)內(nèi)部有一個音視頻實驗室，專門研究各種跟音頻和視頻相關(guān)的算法，其中就包括 3D 空間音頻，此外還有人聲模糊、模擬現(xiàn)實中空氣衰減等技術(shù)。

在這些聲音技術(shù)的加持下，玩家操作 Avatar 不僅可以「移步換景」，還可以「移步換聲」，可以移動到其他玩家身邊開啟暢聊，也能憑借人聲模糊技術(shù)既不受周圍人說話聲音的干擾，又保留環(huán)境氛圍，在技術(shù)上極力還原現(xiàn)實世界中的真實聽覺體驗。

模擬現(xiàn)實其實十分困難的，因為對于一個玩家來說，一些很細(xì)微的「不合常理」都可能影響沉浸感。那些「不合理」會時時刻刻提醒玩家，這不是一個真實的世界。因此對于營造一個「栩栩如生」的虛擬世界來說，要不斷地打磨環(huán)境，細(xì)化交互的顆粒度。

當(dāng)然，這對技術(shù)實現(xiàn)來說并不容易。

除了聲音的擬真外，聲網(wǎng)解決方案中同樣有對虛擬環(huán)境的擬真。在元語聊和元直播中，聲網(wǎng)還基于 3D 引擎建模創(chuàng)建各種場景，能模擬碰撞、重力等物理效果。面部動捕技術(shù)、語音驅(qū)動嘴型的技術(shù)，則讓玩家與 Avatar 的表情匹配，實時表情與語音匹配。

而為了讓玩家在選擇虛擬形象時不受性別限制，他們還將開發(fā)聲紋變聲技術(shù)，在聲音上實現(xiàn)「any to any」的模擬。萌妹子選擇大叔形象后，也能在實時交流中擁有與虛擬形象匹配的低沉男音。

影響沉浸感的一大因素還在同步性與低延遲，就像《堡壘之夜》的那場虛擬演唱會，如果沒有上千萬人的同步參與，或許也不會如此轟動。

在那場盛大的虛擬演唱會中，玩家也被分到了上萬個服務(wù)器上，才讓千萬量級的同步參與得以實現(xiàn)。而在實時通信和互動上，聲網(wǎng)作為 RTC 領(lǐng)域全球頭部企業(yè)，有著行業(yè)領(lǐng)先的技術(shù)優(yōu)勢。

圖注：聲網(wǎng)的 MetaKTV 方案

聲網(wǎng)的 SD-RTN™，是全球規(guī)模最大的軟件定義實時網(wǎng)，官網(wǎng)上介紹，這項技術(shù)可以實現(xiàn)百萬人大頻道的實時互動。依靠基于 SD-RTN™的解決方案架構(gòu)，聲網(wǎng)打開了萬人云蹦迪、在線上造一個超級夜店的想象。

它的合作伙伴 XRSPACE，也在近期推出了全球首款音樂元宇宙 PartyOn。利用聲網(wǎng)的實時音視頻技術(shù)和 XRSPACE 自研的表演同步技術(shù)，PartyOn 實現(xiàn)了 50ms 以下的同步誤差，不僅讓讓眾多玩家享受低延遲的同步 K 歌，還讓人聲、歌曲和 Avatar 肢體表演實時匹配。

這些「擬真」的技術(shù)賦能了更沉浸的體驗，王奇說，「3D 空間音頻，包括聲紋變聲、面部捕捉還原，所有的這些技術(shù)，它本身都是跟元宇宙的發(fā)展相關(guān)的」，「我們本身也是看好元宇宙發(fā)展的」。

02

通過提升可用性，

聲網(wǎng)在瞄準(zhǔn)

下一代的娛樂生態(tài)

陳際陶是聲網(wǎng)元直播的產(chǎn)品經(jīng)理，她在發(fā)布會上展示的實時面捕功能，可以在直播中同步玩家單邊眨眼、挑眉、眼球轉(zhuǎn)動、吐舌頭等動作。

這項技術(shù)似乎已經(jīng)在各種 AR 換臉軟件中得到了很好的應(yīng)用，但對他們來說其實并不容易。她介紹說，「我們要解決移動端的普通單目攝像頭的問題，要解決光源的影響，光亮的陰暗對于人臉關(guān)鍵點判別的難題，以及說眼鏡遮擋對于眼部的識別的問題。」

這也引出了聲網(wǎng)技術(shù)解決方案的另一個特點——強兼容性。

圖注：聲網(wǎng)面?zhèn)杉夹g(shù)能完成對高級表情的捕捉

作為一家技術(shù)服務(wù)提供商，聲網(wǎng)并不是產(chǎn)品的最終「締造者」，他們的責(zé)任在于對接每個場景內(nèi)盡可能多的客戶，提供底層和通用的技術(shù)，讓客戶能在他們提供的技術(shù)服務(wù)基礎(chǔ)上創(chuàng)造價值。某種意義上來說，他們的最終目標(biāo)在于客戶的使用便利與商業(yè)成功。

「大家用過蘋果應(yīng)該都知道，如果在不使用 iPhone 的情況下使用 Airpods，很多體驗其實你是用不了的?！箺罘诮榻B空間音頻技術(shù)時，同樣提到了聲網(wǎng)技術(shù)服務(wù)的獨特性，「我們的跟他們的區(qū)別在于，蘋果是傳感器硬件加上軟件算法，我們是純軟件的，安卓端、iOS 端、 PC 端，多平臺都能支持?！?/p>

這在他們的「互動游戲」解決方案中也有體現(xiàn)。聲網(wǎng)為它的技術(shù)集成方案適配 3 萬多個移動終端，幾乎覆蓋所有中低端機(jī)型。昌瀟瀟是聲網(wǎng)互動游戲的產(chǎn)品經(jīng)理，他補充說，「像在海外，特別是在一些落后的地區(qū)，市場上一般情況下都是千元機(jī)，我們在中低端機(jī)型的適配這一塊兒是非?？粗氐?。」

聲網(wǎng)對元娛樂業(yè)務(wù)的探索同樣是在做適配。

聲網(wǎng)創(chuàng)始人趙斌曾說，「實時音視頻是一種通用能力，作為服務(wù)商，需要持續(xù)推動能力與具體場景的碰撞與融合」。實際上，聲網(wǎng)開展元娛樂業(yè)務(wù)并非沒有依據(jù)。

聲網(wǎng)連續(xù)多年蟬聯(lián)全球?qū)崟r互動解決方案市場份額第一，全球注冊應(yīng)用超過 40.5 萬，活躍客戶數(shù)量達(dá)到 2670 家。在這些客戶中，很大一部分來自于社交娛樂領(lǐng)域，比如一些國民級別的在線 K 歌應(yīng)用。

這些客戶原本只是采購了實時音視頻服務(wù)，但在跟客戶的溝通中，聲網(wǎng)團(tuán)隊發(fā)現(xiàn)了這些客戶的普遍痛點：沒有時間和精力投入研發(fā)；一個平臺單獨去談音樂版權(quán)合作時門檻太高，都要千萬打底。

去年 9 月，聲網(wǎng)推出了一個叫「K 歌房」的解決方案，由聲網(wǎng)提供 K 歌互動場景的研發(fā)，集中解決音樂版權(quán)的問題。

聲網(wǎng)與數(shù)字音樂內(nèi)容提供方合作，為開發(fā)者提供豐富 MV 資源

解決方案的發(fā)布象征著聲網(wǎng)業(yè)務(wù)模式上的進(jìn)階。這意味著聲網(wǎng)在 RTC 技術(shù)服務(wù)商的基礎(chǔ)上，嘗試疊加基于場景的通用技術(shù)服務(wù)、整合生態(tài)內(nèi)的其他內(nèi)容，最終打包成一個整體的解決方案。

這項業(yè)務(wù)很快驗證了新模式的可能性，短短幾個月里，「K 歌房」發(fā)展了幾十個客戶。在他們看來，聲網(wǎng)提供解決方案的嘗試提高了行業(yè)的效率，同樣的邏輯在泛娛樂領(lǐng)域同樣如此。

「這些社交娛樂的客戶，他們的音視頻服務(wù)其實之前就已經(jīng)用聲網(wǎng)的了」，王奇說，「在此基礎(chǔ)上，如果我們?nèi)プ鲆恍﹫鼍案鷥?nèi)容的疊加，其實會非常方便」。

如果說聲網(wǎng)之前提供的 RTC 技術(shù)服務(wù)是賣面粉，王奇將提供元娛樂解決方案比喻成對面粉的二次加工，「當(dāng)我們開始關(guān)心到他（客戶）其實是做餃子館的時候，我們會把面粉做成一摞一摞的餃子皮，然后去整合了一些優(yōu)質(zhì)的牛肉跟豬肉剁成餃子餡?！?/p>

聲網(wǎng)元娛樂發(fā)布會后，Cocos CTO 林順參與了圓桌討論，在他看來社交類應(yīng)用主要聚焦在特定場景，相較于其他領(lǐng)域確實更易與元宇宙概念結(jié)合。

現(xiàn)實卻是如此，2021 年燃起的「元宇宙」之火，還在以一種更容易落地的「+泛娛樂」的方式延續(xù)。

去年，VR 社交平臺 Rec Room 融資了 1 億美元，VRChat 也完成了 8000 萬美元的 D 輪融資，Snapchat 收購 6 家 AR 相關(guān)底層軟件算法和硬件企業(yè)。3D Avatars 公司 Genies 近期宣布獲得了 1.5 億美元的 C 輪投資，用以擴(kuò)展 Metaverse Avatars 的開發(fā)。國內(nèi)網(wǎng)易、騰訊、字節(jié)等大廠的元宇宙社交平臺，也在 2021 年底和 2022 年初紛紛上線。

聲網(wǎng)的很多客戶也都是元宇宙領(lǐng)域的種子選手，比如中東及北非地區(qū)最大的語音社交娛樂平臺 Yalla、火遍北美與拉美的元宇宙社交軟件 Oasis。聲網(wǎng)還發(fā)起了「聲選計劃」，項目聚焦 RTE 賽道下的技術(shù)型合作方，協(xié)作推出更豐富和更優(yōu)質(zhì)的聯(lián)合產(chǎn)品解決方案。

這家實時互動領(lǐng)域的技術(shù)領(lǐng)頭羊在元娛樂業(yè)務(wù)上的動作，是要為共建一個面向「元宇宙」的、下一代的娛樂生態(tài)做準(zhǔn)備了。