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

Кратко

Многоканальный звук прошёл путь от одного динамика ко многим тремя большими скачками: 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 скачок происходил, когда новый способ доставки делал лишние каналы достаточно дешёвыми. Некоторые форматы умирали несмотря на хорошую инженерию – потому что путали покупателя или не давали явной выгоды; квадрофония 1970-х остаётся классическим уроком. Сегодня граница проходит не по числу динамиков, а по описанию того, где живёт каждый звук, так что один микс корректно играет 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: «А 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 того, как использован.

Одна закономерность за 60 годами звука

Перед хронологией – закономерность, которая объясняет всё. Каждый прыжок в числе каналов происходил по одной причине: новый способ доставки звука к слушателю делал лишние каналы дешёвыми. Стерео ждало пластинку 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 стоит почти ничего.

И каждый формат, который провалился, провалился тоже 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, разнесённых на несколько сантиметров. Звук слева доходит до левого уха чуть раньше и чуть громче, и мозг читает эту крошечную разницу как направление. Стереозвук – сокращение от stereophonic, «объёмный звук» – это просто попытка записать и воспроизвести два слегка разных сигнала так, чтобы иллюзия направления сохранилась.

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

Настоящий фундамент заложил в 1931 году Алан Блюмлейн, инженер EMI в Британии. Его патент UK 394,325 (подан 14 декабря 1931, выдан в июне 1933) описал почти всё, что современное стерео использует до сих пор: совмещённую пару микрофонов для захвата стереокартины, метод 45/45 нарезки двух каналов в одну канавку пластинки и матричную идею смешивания и разделения каналов. Блюмлейн называл это «бинауральным звуком». Двумя годами позже, в апреле 1933-го, 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 про время. Наука стерео была закончена к 1933-му, но потребительские стереопластинки появились только в 1958-м, потому что до этого не было доступного носителя на два канала. Хорошая инженерия пролежала на полке 25 лет в ожидании дешёвой доставки.

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

Surround – это идея стерео, продлённая за переднюю стену: вместо двух каналов перед вами появляются каналы вокруг и позади, так что звуки могут двигаться по комнате. Лидировало кино, потому что у кинозала уже было основание поставить много динамиков и аудитория, заплатившая за впечатление.

Кинопионеры (1940–1955)

Disney оказались первыми. Фантазия (1940) использовала систему Fantasound – первый коммерческий фильм с многоканальной дорожкой. Премьерные залы оснащались десятками динамиков за экраном и вокруг зала. (Для точности: музыку записывали на множество дорожек, но версия, звучавшая в залах, воспроизводила примерно три фронтальных канала плюс surround, а не восемь дорожек, как иногда утверждают.) Fantasound была слишком дорогой для широкого внедрения, и Вторая мировая её похоронила – снова случай великой инженерии, пришедшей раньше дешёвой доставки.

Бум широкого экрана 1950-х возродил многоканальный звук как оружие против телевидения. Cinerama (1952) несла отдельную многодорожечную магнитную фонограмму. CinemaScope (1953) наносил четыре магнитные дорожки на 35-мм плёнку: левый, центр, правый и один канал surround. Todd-AO (1955) разместил шесть магнитных дорожек на широкой 70-мм плёнке. Общая нить: магнитные полосы на плёнке были новым достаточно дешёвым носителем – и число каналов выросло.

Поучительный провал: квадрофония (1970-е)

Затем тот же скачок попыталась сделать индустрия домашнего звука – и расшиблась. Квадрофония, или «квад», поставила в доме четыре канала: два спереди, два сзади. На бумаге это был surround в гостиной за десять лет до всех остальных. На практике он стал учебным примером того, как убить хорошую идею.

Фатальной ошибкой стала война форматов. Около 1971 года одновременно вышли три несовместимые системы. SQ (от CBS) и QS (от Sansui) были матричными: они сворачивали четыре канала в два и пытались развернуть обратно при воспроизведении – но разворот был неточным, и на насыщенной музыке тыловые каналы «протекали» во фронтальные. CD-4 (от JVC и RCA) была дискретной: она действительно держала четыре отдельных канала с помощью ультразвуковой несущей на пластинке – но требовала особой иглы, а обычный износ пластинки разрушал разделение тыловых каналов за несколько проигрываний.

Покупатель в 1973-м стоял перед невозможным выбором: взять одну из трёх систем, купить лишние динамики и усилители и надеяться, что любимый лейбл поставил на ту же лошадь. Большинство послушали демо квада, пожали плечами и остались со стерео. К 1977-му крупные лейблы от него отказались. Квад провалился не из-за плохой инженерии – CD-4 работала – а потому что требовал денег и запутанной приверженности ради выгоды, которую большинство слушателей не могли явно расслышать. Запомните этот сюжет: индустрия повторяла эти ошибки не раз.

Dolby делает surround рабочим (1976–1999)

Прорыв, который закрепил домашний surround, пришёл от Dolby в 1976-м, и хитрость была в том, чтобы не требовать нового носителя вообще. Dolby Stereo кодировал четыре канала – левый, центр, правый и один surround – в две оптические дорожки, уже печатавшиеся на каждой 35-мм плёнке. Эта пара смешанных сигналов называется Lt/Rt, от «left-total» и «right-total». Декодер в кинозале разворачивал две дорожки обратно в четыре. Поскольку всё ехало на уже существующем двухдорожечном оптическом формате, любой кинозал мог проиграть фильм Dolby Stereo без переделки проектора. Звёздные войны (1977) сделали технологию знаменитой.

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

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

Следующий скачок ждал цифрового звука – и дал нам число, которое теперь узнают все: 5.1.

В июне 1992-го Бэтмен возвращается стал первым широким кинорелизом с Dolby Digital – форматом сжатия, технически известным как AC-3. (Экспериментальный показ Dolby Digital фильма Star Trek VI якобы прошёл в нескольких залах в конце 1991-го, но Бэтмен возвращается был первым настоящим развёртыванием.) Формат давал пять полнодиапазонных каналов плюс один ограниченный – это и записывается как «5.1».

Вот что эта запись на самом деле означает, потому что она путает почти всех:

«5.1 = пять полнодиапазонных каналов (Left, Centre, Right, Left Surround, Right Surround), каждый несёт весь диапазон ~20 Гц–20 000 Гц, плюс один канал низкочастотных эффектов («LFE»), несущий только глубокий бас, примерно 20–120 Гц. «.1» означает, что басовый канал использует около десятой доли полосы полного канала – отсюда «точка один», а не целый канал.»

LFE – это канал, который играет ваш сабвуфер: гул взрыва, а не музыка. Он «точка один», потому что это частичный канал, а не потому что он один.

Раскладка 5.1 – не изобретение одной только Dolby; её освятил международный стандарт. Рекомендация ITU-R BS.775 определяет эталонную раскладку «3/2» – три фронтальных канала, два surround плюс опциональный LFE – которой следует 5.1: центр прямо перед слушателем, фронтальные left и right под ±30°, surround под примерно ±110°. Текущая редакция BS.775-4 утверждена в декабре 2022-го, но сама раскладка восходит к первой редакции стандарта 1994 года. Сам AC-3 формально специфицирован 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-м, тоже 5.1, но хранил аудио на CD-ROM, синхронизированном с плёнкой, а не печатал его на самой плёнке. Соперничество Dolby и DTS будет преследовать индустрию следующие тридцать лет – но в отличие от войны квада, обе были 5.1, так что покупатель никогда не оставался у разбитого корыта.

Добавляем тыл, и счёт растёт (1999–2010)

Когда 5.1 стал стандартом, каналов прибавилось. Dolby Digital Surround EX (1999, дебют в Звёздных войнах: Эпизод I) матрично кодировал шестой канал – задний центральный surround – в существующие два канала surround, давая 6.1 и оставаясь совместимым с 5.1. DVD, а затем Blu-ray дали домашним системам полосу для дискретного звука: Dolby Surround 7.1 (2010) добавил два задних динамика surround – семь полных каналов плюс LFE.

«7.1 = семь полнодиапазонных каналов (Left, Centre, Right, два боковых surround, два задних surround) + один LFE. Число до точки – это всегда счёт полнодиапазонных динамиков на уровне уха; число после точки – это всегда LFE.»

К 2010-му эпоха surround достигла естественного потолка. Можно было добавлять динамики вокруг слушателя, но все они были на уровне уха, в одной плоскости. У комнаты был пол из звука и не было потолка. Следующий скачок должен был идти вверх – и перестать считать динамики вовсе.

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

Иммерсивная эпоха сделала две вещи сразу: добавила высоту и изменила то, чем является фонограмма. Вместо записи фиксированных сигналов на динамики она стала записывать звуки как объекты – каждый с позицией в трёхмерном пространстве – и позволила устройству воспроизведения самому решать, какие динамики использовать. Это важнейший концептуальный сдвиг во всей истории, поэтому разберём его внимательно.

Нажмите, чтобы увеличить

Канальный, объектный, сценовый

Есть три философии хранения фонограммы, и иммерсивная эпоха – это переход от первой ко второй и третьей.

Канальный звук (channel-based) – это всё вплоть до 7.1. Микс – это набор сигналов, по одному на динамик. Файл 7.1 буквально содержит восемь сигналов с пометками «это идёт на левый surround». Просто и точно, но привязано: если в вашей комнате другие динамики, звук неверен или его приходится грубо сворачивать.

Объектный звук (object-based) хранит каждый звук как объект – моно-звук плюс метаданные «я здесь, в этой позиции, двигаюсь так». Меток динамиков нет. При воспроизведении программа-рендерер смотрит на динамики, которые у вас реально есть – два, пять, семь или шестьдесят четыре – и вычисляет в реальном времени, насколько громко каждый динамик должен сыграть этот объект, чтобы он оказался в нужной точке. Один и тот же файл корректно играет на телефоне, на 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 захватывает «что приходит в эту точку прослушивания со всех направлений». Его можно декодировать в любую раскладку динамиков или в наушники. Это фаворит виртуальной и дополненной реальности, где голова слушателя поворачивается и всё поле должно поворачиваться вместе с ней.

Тренд последнего десятилетия безошибочен: прочь от канального – к объектному и сценовому представлению, которым неважно, сколько у вас динамиков.

Dolby Atmos приходит (2012)

Dolby Atmos, анонсированный в апреле 2012-го и впервые услышанный в Храброй сердцем Pixar в июне 2012-го, стал форматом, который вывел объектный звук в мейнстрим. Его кинопроцессор первого поколения мог обрабатывать до 128 одновременных аудиообъектов и питать до 64 уникальных сигналов на динамики – включая, впервые, динамики в потолке.

Atmos дал и 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 счёт потолочных динамиков. Так что 9.1.6 – это 9 на уровне уха + 1 LFE + 6 потолочных – большая домашняя система или просмотровый зал.»

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

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. Счёт динамиков 7.1.4 – это то, что рендерер производит, а не то, что файл хранит. Поэтому один мастер Atmos обслуживает и кинозал, и пару наушников.

Конкуренты и открытые стандарты

Atmos был не один. Auro-3D (от Barco, с кинораскладками, запущенными в 2010-м) пошёл другим, слоистым путём: горизонтальный слой, слой высоты и один потолочный динамик «Voice of God», в конфигурациях вроде 9.1, 11.1 и 13.1. DTS:X (2015) повторил объектную, не зависящую от раскладки философию Atmos и подстраивался под те динамики, что были в комнате.

Два открытых стандарта важны всем, кто строит вещательные или стриминговые продукты. MPEG-H 3D Audio (ISO/IEC 23008-3, опубликован в октябре 2015-го) – это стандарт ISO, поддерживающий все три философии – канальную, объектную и сценовую – в одном битстриме, и добавляющий интерактивные функции, например возможность зрителю прибавить диалог. Южная Корея вещает MPEG-H со своим ультравысоким ТВ ATSC 3.0 с 2017 года. Для цифрового кино серия SMPTE ST 2098 (опубликована в 2018-м) стандартизировала единый, не привязанный к вендору иммерсивный битстрим, чтобы кинозал не был заперт в формате 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-го Apple запустила Spatial Audio с Dolby Atmos в Apple Music. Технология рендерит объектный микс Atmos в два канала с помощью HRTF – Head-Related Transfer Function, математической модели того, как ваша собственная голова и уши окрашивают звук в зависимости от направления. С отслеживанием поворота головы AirPods чувствуют, когда вы поворачиваетесь, и вращают звуковое поле так, чтобы центр экрана продолжал звучать спереди. (Видео-версию этого Apple отгрузила в iOS 14 в сентябре 2020-го; запуск в Apple Music последовал в июне 2021-го.)

Это тихий триумф иммерсивной эпохи. Тот же объектный мастер, что играет 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, что квад не сумел дать пятьюдесятью годами раньше: 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 иммерсивную эпоху фонограмма – это описание объектов и небольшой канальный фундамент; счёт динамиков – это то, что рендерер производит из неё на конкретном устройстве. Практическое следствие: вы не храните отдельный файл под каждую раскладку. Вы храните один объектный мастер и рендерите его под устройство. Команды, которые планируют хранилище и полосу так, будто им нужны отдельные файлы 5.1, 7.1 и 7.1.4, закладывают бюджет на проблему, которую объектный звук был создан устранить.

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

60 лет в одной таблице

Таблица ниже сжимает всю историю до немногих фактов, которые реально важны для решения: что хранила каждая эпоха, сколько каналов и что её сделало возможной.

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

Где здесь Фора Софт

Мы делаем видеопродукты в конференциях, OTT и интернет-ТВ, онлайн-образовании, телемедицине, видеонаблюдении и AR/VR, и звук – это то, чем такие системы чаще всего разочаровывают пользователя первым. История выше для нас не пустяк: знание того, что иммерсивный звук объектный, а не «динамиковый», определяет, как мы проектируем хранилище, полосу и рендеринг для стриминговой или конференц-платформы, которая хочет отгрузить пространственный звук, не взорвав счёт за CDN. В работе с AR/VR особенно: сценовый (ambisonics) подход – правильный инструмент, потому что голова слушателя движется и звуковое поле должно поворачиваться с ней. Мы относимся к звуку как к полноправной части конвейера, а не довеску, прикрученному в конце.

Главное

• Число каналов росло, когда дешёвый носитель делал лишние каналы доступными.
• Квад провалился из-за войны форматов и неясной выгоды, а не плохой инженерии.
• «5.1» – это пять полных каналов плюс один басовый канал LFE.
• «7.1.4» добавляет третье число: четыре потолочных (height) динамика.
• Иммерсивный звук хранит объекты с позициями, а не фиксированные сигналы на динамики.
• Один объектный мастер корректно рендерится 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