OmniAudio – 阿里通义推出的空间音频生成模型

OmniAudio是什么

OmniAudio的主要功能

• 生成空间音频：能直接从360°视频生成FOA音频，这种音频是一种标准的3D空间音频格式，能捕捉声音的方向性，实现真实的3D音频再现。采用四个通道（W、X、Y、Z）来表示声音，其中W通道负责捕捉整体声压，X、Y、Z通道则分别捕捉前后、左右以及垂直方向的声音信息。在头部旋转时，可以确保声音定位的准确性得以保持。
• 提升沉浸式体验：为虚拟现实和沉浸式娱乐带来了全新的可能性。可以解决传统视频到音频生成技术主要生成非空间音频，无法满足沉浸式体验对3D声音定位需求的问题。

OmniAudio的技术原理

• 自监督的 coarse-to-fine 流匹配预训练
  • 数据处理：由于真实FOA数据稀缺，研究团队利用大规模非空间音频资源（如 FreeSound、AudioSet、VGGSound 等），将立体声转换为“伪FOA”格式。具体来说，W通道为左右声道之和，X通道为左右声道之差，Y、Z通道置零。
  • 模型训练：将转换后的“伪FOA”音频送入四通道VAE编码器获得潜在表示，然后以一定概率进行随机时间窗掩码，并将掩码后的潜在序列与完整序列一同作为条件输入至流匹配模型。模型通过最小化掩码前后潜在状态的速度场差异，实现对音频时序和结构的自监督学习。这一阶段使模型掌握了通用音频特征和宏观时域规律，为后续空间音频的精细化提供了基础。
• 基于双分支视频表示的有监督微调
  • 数据利用：仅使用真实的FOA音频数据，继续沿用掩码流匹配的训练框架，但此时模型的全部注意力集中在四通道的空间特性上。
  • 模型强化：通过对真实FOA潜在序列进行更高概率的掩码，强化了对声源方向（W/X/Y/Z四通道之间的互补关系）的表征能力，在解码端提升了对高保真空间音频细节的重建效果。
  • 双分支结合：完成自监督预训练后，将模型与双分支视频编码器结合。针对输入的360°全景视频，使用冻结的MetaCLIP-Huge图像编码器提取全局特征；同时，从同一视频中裁取FOV局部视角，同样通过该编码器获取局部细节表征。全局特征经最大池化后作为Transformer的全局条件，局部特征经时间上采样后与音频潜在序列逐元素相加，作为逐步生成过程中的局部条件。
  • 微调与输出：在保持预训练初始化参数大致走向的前提下，高效微调条件流场，从噪声中精准地“雕刻”出符合视觉指示的FOA潜在轨迹。微调完成后，在推理阶段只需采样学得的速度场，再经VAE解码器恢复波形，就能输出与360°视频高度对齐、具备精确方向感的四通道空间音频。

OmniAudio的项目地址

• 项目官网：https://omniaudio-360v2sa.github.io/
• Github仓库：https://github.com/liuhuadai/OmniAudio
• arXiv技术论文：https://arxiv.org/pdf/2504.14906

OmniAudio的应用场景

• 虚拟现实（VR）和沉浸式体验：OmniAudio 能为 VR 内容生成与视觉场景高度匹配的空间音频，增强用户的沉浸感。
• 360°视频配乐：为360°全景视频自动生成沉浸式音效，使观众在观看视频时能获得更真实的听觉体验。
• 智能语音助手：集成到智能家居设备中，如智能音箱、智能家电等，实现语音控制和交互。用户可以通过语音指令控制家电的开关、调节温度、查询信息等。
• 机器人和自动驾驶领域：OmniAudio 可以应用于机器人和自动驾驶领域，为这些系统提供更准确的声音定位和环境感知。