Atmos и иммерсивный звук в стриминге: Netflix, Disney+, Apple TV+, Tidal

Кратко

Стриминговые сервисы не отправляют вам домой полный студийный микс Atmos – они шлют небольшой поток с потерями, в котором лежит обычный surround-звук плюс набор инструкций по сборке трёхмерной версии. В видеоприложениях вроде Netflix и Disney+ это поток Dolby Digital Plus с Joint Object Coding, ограниченный примерно 768 kbps. В музыкальных приложениях вроде Tidal и Apple Music это обычно Dolby AC-4 в режиме иммерсивного стерео, а телефон или AirPods берут на себя пространственный рендеринг. Сложность иммерсивного звука почти никогда не в полосе пропускания – она в мастеринге, правилах громкости и метаданных, которые подсказывают плееру, какую дорожку выбрать.

Зачем это нужно

Если вы запускаете OTT-видеосервис, музыкальное приложение или платформу для прямых трансляций, фраза «добавить Atmos» звучит как одна галочка, а на деле это решение об архитектуре всего конвейера. Выбранный кодек определяет, какие устройства «заговорят», сколько вы добавите к стоимости хранения и доставки контента и как поведёт себя громкость на телефонах, саундбарах и наушниках. Эта статья объясняет, что именно отдают крупные сервисы в 2026 году, почему они сделали такой выбор и где сидит настоящая инженерная стоимость. К концу вы сможете оценить фичу иммерсивного звука и говорить со своим вендором по кодированию без блефа.

Сначала – что вообще такое «иммерсивный звук»

Стерео даёт два канала: левый и правый. Surround-звук добавляет колонки вокруг вас – распространённая схема «5.1» означает пять полнодиапазонных колонок (фронт-лево, фронт-право, центр, тыл-лево, тыл-право) плюс один канал низкочастотных эффектов, та самая «.1». Иммерсивный звук – он же трёхмерный или объектно-ориентированный – добавляет третье измерение: высоту. Теперь звук может приходить и сверху, а не только сбоку и сзади.

Описать звуковую сцену можно двумя способами, и разница между ними определяет всё дальнейшее.

Старый способ – канальный (channel-based): микс представляет собой фиксированный набор сигналов для колонок. Микс 7.1.4 – семь колонок на уровне ушей, один низкочастотный канал, четыре потолочных – это двенадцать отдельных аудиоканалов, каждый заранее закреплён за колонкой. Если в вашей комнате другое число колонок, эти двенадцать каналов придётся «сворачивать» (downmix).

Новый способ – объектный (object-based): вместо сигналов для колонок микс хранит отдельные звуки (вертолёт, реплику диалога) как «объекты», у каждого из которых есть метаданные о том, где он должен быть в комнате и когда. Метаданные, путешествующие вместе с объектом – его положение, размер и уровень во времени – называются Object Audio Metadata (OAMD). При воспроизведении программа-рендерер читает объекты и метаданные и размещает каждый звук с помощью тех колонок или наушников, которые у вас реально есть. Один и тот же микс правильно играет на саундбаре 5.1, домашнем кинотеатре 7.1.4 или паре AirPods.

Dolby Atmos – самая известная объектная система. Она использует гибридную модель: bed (подложка) из канального звука – фон, атмосфера, музыка, шум комнаты – плюс до 118 объектов поверх. MPEG-H 3D Audio, стандарт за Sony 360 Reality Audio, чисто объектный и сценовый. Оба «иммерсивные»; различаются тем, как описывается сцена и кто лицензирует технологию.

«Запомните это различие – оно объясняет всю статью: стриминговый сервис хранит один объектный мастер и даёт каждому устройству самому его отрендерить. Поэтому «Atmos на телефоне» и «Atmos на домашнем кинотеатре 7.1.4» могут идти из одного и того же файла.»

Нажмите, чтобы увеличить

Проблема полосы пропускания и трюк, который её решает

Очевидное противоречие. Полный мастер Atmos большой. Студия работает со звуком как с файлом 48 kHz, 24 бита, где bed плюс десятки объектов – легко десятки мегабит в секунду. Протолкнуть это в домашний интернет рядом с 4K-видео и ждать плавности нельзя. Netflix рекомендует для Atmos-тайтлов соединение всего около 3 Mbps, и видео съедает почти всё.

Трюк, который делает иммерсивный звук пригодным к доставке, называется Joint Object Coding (JOC). Идея – не передавать каждый объект отдельным потоком. Вместо этого энкодер сворачивает иммерсивную сцену в обычный surround-bed – микс 5.1 или 7.1 – и сжимает этот bed обычным кодеком. Рядом с bed он шлёт небольшой набор параметров: инструкции, как декодеру вытащить исходные объекты обратно из этого свёрнутого микса. Объём аудиоданных остаётся примерно как у surround-потока; «трёхмерность» едет рядом лёгкими side-данными.

Кухонная аналогия: вместо того чтобы везти каждый ингредиент в отдельной коробке, вы везёте готовый суп плюс карточку рецепта, как разделить его обратно на ингредиенты. Суп – это surround-bed; карточка рецепта – метаданные JOC.

На стороне видео кодек, несущий этот bed, – Dolby Digital Plus, он же E-AC-3 (Enhanced AC-3). Он стандартизован как ETSI TS 102 366; расширение JOC описано в Приложении E этого стандарта. E-AC-3 может нести до пятнадцати каналов и доходить до 6.144 Mbps, но для стриминга его настраивают гораздо ниже. Полное название стримингового формата – «Dolby Digital Plus with Joint Object Coding», обычно сокращают до DD+ JOC или E-AC-3 JOC.

Одно свойство DD+ JOC важнее любого другого для оператора сервиса: он обратно совместим. Декодер, который не понимает Atmos, просто читает ядро 5.1 и игнорирует side-данные JOC. Декодер, который понимает Atmos, читает и то, и другое и восстанавливает высоту. Это значит, что сервис отдаёт один поток, а не два, и он правильно играет и на новеньком ресивере с поддержкой высоты, и на десятилетнем ресивере 5.1. Именно этот факт – главная причина, почему стриминг стандартизовался на JOC, а не на отдельном иммерсивном потоке.

Нажмите, чтобы увеличить

Считаем битрейт

Полезно увидеть, зачем нужен трюк, в цифрах. Возьмём полнометражный фильм на 90 минут – это 5400 секунд.

Стереодубляж на 128 kbps стоит:

128 000 бит/с × 5400 с ÷ 8 бит/байт = 86 400 000 байт ≈ 86 MB

Дорожка Atmos в DD+ JOC на потолке Netflix в 768 kbps стоит:

768 000 бит/с × 5400 с ÷ 8 бит/байт = 518 400 000 байт ≈ 518 MB

То есть дорожка Atmos примерно в шесть раз больше стереоязыка – заметно, но мало рядом с видео. Тот же фильм на 90 минут при видеобитрейте 1080p в 5 Mbps стоит:

5 000 000 бит/с × 5400 с ÷ 8 бит/байт = 3 375 000 000 байт ≈ 3.4 GB

Звук Atmos – примерно 15% от размера видео. Аудио дёшево относительно видео; стоимость иммерсивного звука не в байтах. К тому, где она реально сидит, вернёмся в конце.

Что именно отдаёт каждый сервис в 2026 году

Четыре сервиса из этой статьи делятся ровно на два лагеря: видеоприложения на DD+ JOC и музыкальные приложения на AC-4 в режиме иммерсивного стерео для наушников. Понимание этого раскола спасает от распространённой ошибки планирования – считать, будто «Atmos» означает одно и то же.

Netflix и Disney+ – DD+ JOC для гостиной

Netflix отдаёт Dolby Atmos как DD+ JOC. Потолок битрейта – 768 kbps для подписчиков Premium, поднятый с 448 kbps в мае 2019 года. Netflix называет 768 kbps точкой, выше которой «дополнительное качество неощутимо» – своим перцептивно прозрачным потолком, который явно не lossless. Чтобы получить Atmos, зрителю нужен тариф с поддержкой Ultra HD, устройство с Atmos, аудиосистема с Atmos и качество потока, выставленное на High или Auto.

Disney+ использует тот же подход DD+ JOC для воспроизведения в гостиной. Оба сервиса выбирают E-AC-3 JOC по одним и тем же причинам: он широко поддержан на телевизорах, саундбарах, ресиверах, игровых консолях и стриминговых приставках, а единый обратно совместимый поток упрощает доставку.

Apple TV+ – DD+ JOC плюс наушниковое «Spatial Audio»

Apple TV+ отдаёт иммерсивные звуковые дорожки фильмов и сериалов как Dolby Atmos через DD+ JOC на домашний кинотеатр – так же, как Netflix. Путаницу вызывает Apple Spatial Audio, и это другое, наложенное сверху.

Apple Spatial Audio – это не кодек и не формат доставки. Это система обработки на стороне воспроизведения. Она берёт источник 5.1, 7.1 или Atmos и рендерит его в двухканальный микс для наушников, моделируя, как этот звук дошёл бы до ваших ушей в виртуальной комнате. Когда вы используете AirPods, датчики внутри них (гироскоп и акселерометр) отслеживают голову, чтобы звуковое поле оставалось закреплённым в пространстве при повороте – это «head tracking». Кодек, доставляющий звук на устройство, всё тот же DD+ JOC или AAC; пространственный эффект вычисляется локально на устройстве.

Так что на Apple TV+ один и тот же мастер Atmos обслуживает три выхода: полный иммерсивный микс на домашней системе, бинауральный микс с head tracking на AirPods и обычное стерео или свёртку 5.1 на всём остальном.

Tidal и Apple Music – AC-4 и бинауральный рендеринг для наушников

Музыкальные сервисы оптимизируются под наушники, а не под гостиную, поэтому сделали другой выбор кодека.

Tidal отдаёт Dolby Atmos Music через Dolby AC-4 – кодек, который наследует E-AC-3. AC-4 впервые стандартизован ETSI как TS 103 190 в 2014 году; его иммерсивные и персонализированные возможности описаны в ETSI TS 103 190-2, последняя редакция которого (V1.3.1) вышла в июле 2025 года. Для музыки в наушниках AC-4 работает в режиме «immersive stereo» – бинауральный Atmos запекается под двухканальное воспроизведение в наушниках. Tidal добавил это на тарифе HiFi.

Apple Music идёт похожим путём. Он стримит Atmos на 768 kbps с потерями, а затем использует собственный рендерер на основе head-related transfer functions (HRTF) – математической модели того, как звук с заданного направления доходит до каждого уха, – чтобы вывести бинауральный микс для наушников из виртуальной комнаты 7.1.4. Полезная оговорка: Atmos в Apple Music – это lossy на 768 kbps, тогда как стереоверсия того же трека может предлагаться как lossless. Слушатель, выбравший Atmos, меняет часть стереоточности на пространственный эффект.

«Частая ошибка. Считать «Atmos» единым deliverable. Atmos, который зритель слышит на саундбаре Disney+ (DD+ JOC, восстановление из канального bed), и Atmos, который слушатель слышит в Tidal через наушники (AC-4 immersive stereo, бинауральный рендер) – это разные кодеки, рендерящиеся разным софтом. Если ваше ТЗ просто говорит «поддержать Atmos», вендор по кодированию не сможет это оценить. Указывайте кодек, целевые устройства и куда идёт вывод – на колонки или в наушники.»

Нажмите, чтобы увеличить

Как плеер понимает, что дорожка иммерсивная

Стриминговый плеер не угадывает. Манифест – текстовый файл, перечисляющий все аудио- и видеорендиции, записанный как плейлист HLS или DASH Media Presentation Description – объявляет кодек и конфигурацию каналов каждой дорожки, и плеер выбирает по возможностям устройства. Работу делают два атрибута, а точные значения берутся из собственных спецификаций доставки Dolby.

Для DD+ JOC в HLS атрибут CODECS несёт значение ec-3, а строка #EXT-X-MEDIA несёт атрибут CHANNELS. Именно в значении CHANNELS живёт иммерсивная сигнализация: 12/JOC объявляет микс Atmos 5.1.4 или 7.1.4, а 16/JOC объявляет микс 9.1.6. Число – это количество декодируемых каналов; тег JOC сообщает плееру, что присутствуют side-данные Joint Object Coding, и Atmos-совместимый декодер знает, что нужно восстановить высоту.

Для AC-4 immersive stereo – музыкально-наушниковый путь – рекомендуемое значение CHANNELS равно 2/IMSA,ATMOS. 2 – это двухканальный носитель, IMSA отмечает immersive stereo для рендеринга в наушниках, а ATMOS флагует Atmos-опыт. Для MPEG-H 3D Audio (Sony 360 Reality Audio, вещание ATSC 3.0) строка кодека – mhm1.

Практический вывод: иммерсивной для плеера дорожку делают не сами байты, а сигнализация. Если манифест объявляет ec-3 с CHANNELS="6" вместо 12/JOC, Atmos-совместимый клиент проиграет ядро 5.1 и никогда не восстановит высоту – самая частая причина «Atmos не работает» оказывается багом манифеста, а не багом кодирования.

Сравниваем иммерсивные кодеки

Победитель для OTT-видео сегодня – DD+ JOC, чисто по охвату: он играет на самом большом наборе устройств для гостиной. AC-4 – лучший кодек на перспективу: эффективнее, гибче для персонализации и усиления диалогов – и доминирует в сценарии «музыка в наушниках». MPEG-H лидирует в вещании (это звук ATSC 3.0 «NextGen TV») и в объектно-точной музыке, но имеет меньший след в OTT.

Производственный конвейер – где реально сидит стоимость

Сквозная мысль раздела: иммерсивный звук дёшево доставлять и дорого делать. Вот цепочка.

Звукорежиссёр работает в digital audio workstation с Dolby Atmos Renderer, который записывает микс – каналы bed плюс положения объектов во времени – в мастер Atmos. Универсальный deliverable мастера – файл ADM BWF (Audio Definition Model Broadcast Wave Format), подтверждаемый в 48 kHz / 24 бита. ADM – это модель метаданных, описывающая объекты и их положения; BWF – wave-контейнер, несущий аудио плюс эти метаданные.

Из мастера ADM BWF энкодер делает стриминговый deliverable: Dolby Digital Plus with Atmos content (элементарный поток .ec3) для видео или поток AC-4 для музыки. Затем это аудио мультиплексируется со сжатым видео (H.264 или H.265) в MP4 и сегментируется для доставки – тем же путём упаковки, что и любая стриминговая аудиодорожка. Облачные энкодеры, например Dolby Hybrik, автоматизируют шаг render-to-DD+-JOC в масштабе.

Узкие места – человеческие и вычислительные, а не сетевые:

Шаг мастеринга требует обученных инженеров и калиброванных комнат. Микс Atmos авторский, а не сгенерированный автоматически; апмикс стерео-в-Atmos существует, но редко устраивает разборчивый сервис.

Ферма кодирования должна гонять объектно-осведомлённые энкодеры, которые тяжелее стереоэнкода AAC и лицензируются за поток или за тайтл.

Контроль качества – тихая статья расходов. Кто-то должен проверить, что объекты высоты пережили кодирование, что свёртка 5.1 всё ещё звучит верно, что громкость в цели и что манифест объявляет правильный сигнал каналов. Поймать опечатку в CHANNELS на QC дёшево; поймать её по жалобам клиентов – нет.

Громкость – часть этого. Иммерсивные мастеры всё равно отвечают перед нормализацией громкости – практикой отдавать каждый тайтл на стабильном воспринимаемом уровне, измеряемом в LUFS (Loudness Units relative to Full Scale, перцептивная шкала громкости, где программный материал читается отрицательным числом). Стриминговые сервисы целятся около −24 LKFS для некоторых спецификаций доставки и применяют метаданные dialnorm, чтобы тихие и громкие тайтлы совпадали. Ошибка в громкости Atmos – один из самых заметных дефектов, потому что зрители тянутся к пульту.

Где здесь Фора Софт

Мы делаем видео- и аудиософт в OTT и интернет-ТВ, видеоконференциях, e-learning, телемедицине, видеонаблюдении и AR/VR. Когда клиент хочет иммерсивный звук в OTT-продукте, работа редко сводится к «включить Atmos» – это разводка конвейера кодирования так, чтобы нужный кодек доходил до нужного устройства, заставить плеер правильно объявлять и выбирать иммерсивные рендиции в HLS и DASH и построить проверки QC, ловящие неверно сигнализированный манифест раньше, чем это сделает подписчик. Мы делали стриминговые плееры и конвейеры упаковки, где выбор аудиодорожки, откат к surround и поведение громкости должны были быть корректны на телефонах, смарт-ТВ и наушниках. Та же дисциплина работает, будь то киносервис, платформа прямых трансляций или музыкальное приложение.

Главное

• Стриминг шлёт небольшой lossy-поток плюс метаданные, а не полный студийный мастер Atmos.
• Видеоприложения (Netflix, Disney+, Apple TV+) используют DD+ JOC с потолком около 768 kbps.
• DD+ JOC обратно совместим: один поток обслуживает и Atmos-, и обычные 5.1-декодеры.
• Музыкальные приложения (Tidal, Apple Music) используют AC-4 immersive stereo или lossy Atmos с бинауральным рендером на устройстве.
• Apple Spatial Audio – это обработка на стороне воспроизведения, а не кодек и не формат доставки.
• Иммерсивность объявляет манифест (ec-3 + CHANNELS="12/JOC"); опечатка тут ломает Atmos, а не кодирование.

Что почитать дальше

• AC-3 (Dolby Digital) и E-AC-3 (Dolby Digital Plus)
• AC-4 – кодек Dolby нового поколения
• Звук в HLS, DASH, CMAF: как плеер выбирает аудиодорожку