近日，通义实验室语音团队在空间音频生成领域取得里程碑式成果，推出OmniAudio技术，该技术可直接从360°视频生成FOA（First-order Ambisonics）音频，为虚拟现实和沉浸式娱乐带来全新可能。
空间音频作为一种模拟真实听觉环境的技术，能提升沉浸式体验，但现有技术大多基于固定视角视频，对360°全景视频空间信息利用不足。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，且多基于有限视角视频，错过全景视频丰富视觉上下文。随着360°摄像头普及和虚拟现实技术发展，利用全景视频生成匹配空间音频成为亟待解决的问题。
为应对挑战，通义实验室提出360V2SA（360-degree Video to Spatial Audio）任务。FOA是一种标准3D空间音频格式，用四个通道(W、X、Y、Z)表示声音，能捕捉声音方向性，实现真实3D音频再现，且在头部旋转时能保持声音定位准确性。
数据是机器学习模型基石，但现有配对360°视频和空间音频数据稀缺。为此，研究团队精心构建Sphere360数据集，包含超过103，000个真实世界视频片段，涵盖288种音频事件，总时长288小时，既包含360°视觉内容，又支持FOA音频。在构建过程中，团队采用严格筛选和清洗标准，利用多种算法确保高质量对齐。
OmniAudio训练方法分两阶段。第一阶段为自监督的coarse-to-fine流匹配预训练，团队充分利用大规模非空间音频资源，将立体声转换为“伪FOA”格式后送入四通道VAE编码器获得潜在表示，再以一定概率进行随机时间窗掩码，将掩码后潜在序列与完整序列一同作为条件输入至流匹配模型，实现对音频时序和结构的自监督学习，使模型掌握通用音频特征和宏观时域规律。第二阶段为基于双分支视频表示的有监督微调，团队仅使用真实FOA音频数据，继续沿用掩码流匹配训练框架，强化模型对声源方向表征能力，提升对高保真空间音频细节重建效果。完成自监督预训练后，团队将模型与双分支视频编码器结合进行有监督微调，从噪声中有针对性地“雕刻”出符合视觉指示的FOA潜在轨迹，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。
在实验设置中，研究团队在Sphere360-Bench和YT360-Test测试集上进行有监督微调与评估，采用客观和主观指标衡量生成音频质量。结果显示，OmniAudio在两套测试集上均显著优于所有基线。在YT360-Test上，OmniAudio在FD、KL和ΔAngular等指标上大幅降低;在Sphere360-Bench上同样取得优异成绩。在人机主观评估中，OmniAudio在空间音频质量和视音对齐两项上得分也远高于最优基线，体现出其合成结果在清晰度、空间感及与画面同步性方面均更佳。此外，消融实验验证了预训练策略、双分支设计和模型规模对性能提升的贡献。
