CN113889140A - 音频信号播放方法、装置和电子设备 - Google Patents

Abstract

本公开的实施例公开了音频信号播放方法、装置和电子设备。该方法的一具体实施方式包括：从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。该实施方式可以较为准确地还原上述至少一个声源形成的声场。

Description

音频信号播放方法、装置和电子设备

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及一种音频信号播放方法、装置和电子设备。

背景技术

在实际应用中，在录制音频信号后，用户往往需要回放录制的音频信号。在回放录制的音频信号时，可以通过多种手段，加强音频信号的播放效果，以此改善用户的感受。

在相关方式中，通过专用的播放设备播放录制的音频信号，来加强音频信号的播放效果。此种方式，往往对播放设备的硬件要求较高，因此，可能增加设备的制造成本。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的实施例提供了一种音频信号播放方法、装置和电子设备，可以较为准确地还原上述至少一个声源形成的声场。

第一方面，本公开的实施例提供了一种音频信号播放方法，该方法包括：从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

第二方面，本公开的实施例提供了一种音频信号播放装置，该装置包括：分离单元，用于从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；确定单元，用于基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；生成单元，用于对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；播放单元，用于播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的音频信号播放方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的音频信号播放方法的步骤。

本公开的实施例提供的音频信号播放方法、装置和电子设备，根据声源相对于用户头部的实时方位，提取声源对应的直达音频信号和声源对应的混响音频信号。由此，通过将声源的移动考虑在内，较为准确地提取出声源对应的目标直达音频信号和目标混响音频信号。进一步，通过播放第二音频信号，可以较为准确地还原上述至少一个声源形成的声场。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其它特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的音频信号播放方法的一些实施例的流程图；

图2是本公开的音频信号播放方法在一些实施例中生成目标直达音频信号的流程图；

图3是本公开的音频信号播放方法在一些实施例中生成目标混响音频信号的流程图；

图4是本公开的音频信号播放装置的一些实施例的结构示意图；

图5是本公开的音频信号播放方法在一些实施例中可以应用于其中的示例性系统架构；

图6是根据本公开的一些实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其它术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

请参考图1，其示出了根据本公开的音频信号播放方法的一些实施例的流程。如图1所示，该音频信号播放方法，包括以下步骤：

步骤101，从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号。

第一音频信号可以是录制的音频信号。其中，第一音频信号中包含上述至少一个声源中的各个声源对应的录制音频信号。可以理解，声源对应的录制音频信号可以是针对声源产生的声音录制的音频信号。

可选地，第一音频信号是使用麦克风阵列录制的音频信号。此时，第一音频信号由从多个方位录制的音频信号形成。麦克风阵列可以设置于终端设备上，也可以设置于终端设备以外的录音设备(例如，录音笔)上。

在一些场景中，音频信号播放方法的执行主体可以使用各种音频信号分离算法，处理第一音频信号，以此从第一音频信号中，分理出至少一个声源中各个声源对应的录制音频信号。例如，音频信号分离算法可以包括但不限于IVA(Independent VectorAnalysis，独立向量分析)算法、MVDR(Minimum Variance Distortionless Response，最小方差无失真响应)算法等。

步骤102，基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位。

在录制第一音频信号的过程中，声源可能发生移动。因此，声源相对于用户头部的方位可能发生改变。例如，声源相对于用户头部的方位可以是正前方、正后方、左前方、左后方、右前方、右后方、正上方等。

在一些场景中，上述执行主体可以将第一音频信号输入至方位识别模型中，获得方位识别模型输出的上述各个声源相对于用户头部的实时方位。其中，方位识别模型可以是从音频信号中识别各个声源相对于用户头部的实时方位的神经网络模型。

步骤103，对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号。

声源传播至用户耳朵的声音包括直达声音和混响声音。其中，直达声音可以是未经过反射而直接传播至用户耳朵的声音。混响声音可以是经过反射后传播至用户耳朵的声音。

可以理解，录制音频信号由以下至少一者形成：传播至用户耳朵的直达声音对应的直达音频信号，传播至用户耳朵的混响声音对应的混响音频信号。

目标直达音频信号可以是从录制音频信号中提取的直达音频信号。目标混响音频信号可以是从录制音频信号中提取的混响音频信号。

在一些场景中，上述执行主体可以将声源的实时方位和声源对应的录制音频信号输入至第一提取模型中，获得第一提取模型输出的目标直达音频信号。其中，第一提取模型可以是用于提取声源对应的直达音频信号的神经网络模型。类似地，上述执行主体可以将声源的实时方位和声源对应的录制音频信号输入至第二提取模型中，获得第二提取模型输出的目标混响音频信号。其中，第二提取模型可以是用于提取声源对应的混响音频信号的神经网络模型。

可以理解，如果声源相对于用户头部的方位发生变化，声源传播至用户耳朵的直达声音和混响声音也会发生变化。因此，根据声音的实时方位，可以较为准确地提取声源对应的直达音频信号和混响音频信号。

步骤104，播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

第二音频信号可以包括左声道音频信号和右声道音频信号。

在一些场景中，上述执行主体可以将各个声源对应的目标直达音频信号和目标混响音频信号融合为第二音频信号。进一步，上述执行主体可以播放第二音频信号。

需要说明的是，上述执行主体可以通过扬声器播放第二音频信号，也可以通过耳机播放第二音频信号。

可以理解，通过播放第二音频信号，可以还原上述至少一个声源形成的声场。

在本实施例中，根据声源相对于用户头部的实时方位，提取声源对应的直达音频信号和声源对应的混响音频信号。由此，通过将声源的移动考虑在内，较为准确地提取出声源对应的直达音频信号和混响音频信号。进一步，通过播放第二音频信号，可以较为准确地还原上述至少一个声源形成的声场。

在一些实施例中，上述执行主体可以按照以下方式，确定上述各个声源相对于用户头部的实时方位。

第一步，基于第一音频信号，确定上述至少一个声源中各个声源的移动轨迹。

移动轨迹可以包含声源在至少一个时刻的位置。

在一些场景中，上述执行主体可以将第一音频信号输入至位置识别模型中，获得位置识别模型输出的各个声源在至少一个时刻的位置。其中，位置识别模型可以是用于识别声源在至少一个时刻的位置的神经网络模型。进一步，对于上述各个声源，上述执行主体可以根据该声源在至少一个时刻的位置，确定该声源的移动轨迹。

第二步，对于上述各个声源，从该声源的移动轨迹中，确定该声源的实时位置，基于该声源的实时位置和用户头部的实时姿态数据，确定该声源相对于用户头部的实时方位。

用户头部的实时姿态数据可以是实时采集的表征用户头部姿态的数据。上述实时姿态数据可以包括用户头部的俯仰角和方位角。

在一些场景中，与终端设备通信连接的耳机上设置有加速度计、角速度计、陀螺仪等姿态检测传感器。耳机可以将姿态检测传感器采集的加速度、角速度、磁感应强度发送至终端设备。进一步，上述执行主体可以根据耳机发送的加速度、角速度、磁感应强度，确定用户头部的俯仰角和方位角。

可以理解，声源发生移动、用户头部发生姿态变化，均可能造成声源相对于用户头部的方位发生变化。因此，根据声源的实时位置和用户头部的实时姿态数据，可以较为准确地实时确定声源相对于用户头部的方位。

在一些实施例中，上述执行主体可以通过以下方式，确定上述各个声源的移动轨迹。

具体地，使用声源定位算法和声源跟踪算法处理第一音频信号，确定上述至少一个声源中各个声源的移动轨迹。

声源定位算法用于定位声源的实时位置。例如，声源定位算法可以包括但不限于GCC(Generalized Cross Correlation，广义互相关)算法、GCC-PHAT(Generalized CrossCorrelation-PhaseTransform，广义互相关-相位变换)算法等。

声源跟踪算法用于通过跟踪声源的实时位置，确定声源的移动轨迹。

可以理解，通过声源定位算法和声源跟踪算法，可以快速、准确地确定声源的移动轨迹。进一步，可以实现快速、准确地还原上述至少一个声源形成的声场。

在一些实施例中，上述执行主体可以按照图2所示的流程，生成声源对应的目标直达音频信号，该流程包括步骤201。

步骤201，针对上述各个声源，执行第一处理步骤。其中，第一处理步骤包括步骤2011～步骤2012。

步骤2011，选择与该声源的实时方位对应的第一卷积函数。

第一卷积函数用于从音频信号中提取声源对应的目标直达音频信号。可选地，第一卷积函数为HRTF(Head Related Transfer Function，头相关传递函数)。

声源相对于用户头部的各个方位设置有对应的第一卷积函数。上述执行主体可以从设置的第一卷积函数中，选择与声源的实时方位对应的第一卷积函数。

步骤2012，基于该声源对应的录制音频信号与选择的第一卷积函数进行卷积获得的卷积音频信号，生成该声源对应的目标直达音频信号。

卷积音频信号可以是录制音频信号与第一卷积函数的卷积结果。

在一些场景中，上述执行主体可以将获得的卷积音频信号，作为声源对应的目标直达音频信号。

可以理解，位于不同方位的声源，传播至用户耳朵的直达声音不同。因此，在将声源的移动考虑在内的前提下，使用第一卷积函数，从声源对应的录制音频信号中，较为准确地提取声源对应的目标直达音频信号。

在一些实施例中，上述执行主体可以按照以下方式，执行步骤2012。

具体地，基于该声源与用户头部的实际距离，校正卷积音频信号，以生成该声源对应的目标直达音频信号。

在回放音频信号的过程中，声源可能发生移动，从而造成其与用户头部的实际距离发生变化。第一卷积函数可以是基于声源与用户头部的预置距离，确定卷积音频信号。因此，通过第一卷积函数获得的卷积音频信号与目标直达音频信号可能存在误差。

可以理解，基于声源的移动，校正卷积音频信号，可以降低最终获得的目标直达音频信号的误差。

在一些实施例中，上述执行主体可以按照图3所示的流程，生成声源对应的目标混响音频信号，该流程包括步骤301。

步骤301，对于上述各个声源，执行第二处理步骤。其中，第二处理步骤包括步骤3011～步骤3013。

步骤3011，通过预定音频编码方式，将该声源对应的录制音频信号编码为环绕音频信号。

预定音频编码方式可以是用于将录制音频信号编码为环绕音频信号的音频编码方式。通过预定音频编码方式生成的环绕音频信号包含目标数量个通道的音频信号。

可选地，预定音频编码方式为Ambisonic编码方式。在一些场景中，通过Ambisonic编码方式生成的环绕音频信号可以包含4个通道的音频信号。

步骤3012，通过扬声器对应的音频解码方式，将该声源对应的环绕音频信号解码为适于扬声器播放的目标环绕音频信号。

在实际应用中，扬声器具有相应的音频解码方式。

步骤3013，通过将该声源对应的目标环绕音频信号与扬声器对应的第二卷积函数进行卷积，生成该声源对应的目标混响音频信号。

第二卷积函数用于从音频信号中提取声源对应的目标混响音频信号。可选地，第二卷积函数为RIR(Room Impulse Response，房间脉冲响应)函数。

在实际应用中，不同的扬声器往往具有不同的性能。因此，针对不同的扬声器设置相应的第二卷积函数，可以提取出与扬声器的性能匹配的目标混响音频信号。

可以理解，结合预定音频编码方式和第二卷积函数，在提取目标混响音频信号时，不仅可以将扬声器的性能考虑在内，还可以增强最终提取的目标混响音频信号给予用户的声音环绕感受。由此，可以从录制音频信号中提取到准确度高、给予用户声音环绕效果强的目标混响音频信号。进一步，通过播放第二音频信号，可以增强用户处于真实声场的感受。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种音频信号播放装置的一些实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的音频信号播放装置包括：分离单元401、确定单元402、生成单元403和播放单元404。分离单元401，用于从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；确定单元402，用于基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；生成单元403，用于对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；播放单元404，用于播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

在本实施例中，音频信号播放装置的分离单元401、确定单元402、生成单元403和播放单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102、步骤103和步骤104的相关说明，在此不再赘述。

在一些实施例中，确定单元402进一步用于，对于上述各个声源，从该声源的移动轨迹中，确定该声源的实时位置，基于该声源的实时位置和用户头部的实时姿态数据，确定该声源相对于用户头部的实时方位。

在一些实施例中，确定单元402进一步用于，使用声源定位算法和声源跟踪算法处理第一音频信号，确定上述至少一个声源中各个声源的移动轨迹，其中，声源定位算法用于定位声源的实时位置，声源跟踪算法用于通过跟踪声源的实时位置，确定声源的移动轨迹。

在一些实施例中，生成单元403进一步用于，针对上述各个声源，执行第一处理步骤：选择与该声源的实时方位对应的第一卷积函数，其中，第一卷积函数用于从音频信号中提取声源对应的目标直达音频信号；基于该声源对应的录制音频信号与选择的第一卷积函数进行卷积获得的卷积音频信号，生成该声源对应的目标直达音频信号。

在一些实施例中，生成单元403进一步用于，基于该声源与用户头部的实际距离，校正卷积音频信号，以生成该声源对应的目标直达音频信号。

在一些实施例中，生成单元403进一步用于，对于上述各个声源，执行第二处理步骤：通过预定音频编码方式，将该声源对应的录制音频信号编码为环绕音频信号，其中，通过预定音频编码方式生成的环绕音频信号包含目标数量个通道的音频信号；通过扬声器对应的音频解码方式，将该声源对应的环绕音频信号解码为适于扬声器播放的目标环绕音频信号；通过将该声源对应的目标环绕音频信号与扬声器对应的第二卷积函数进行卷积，生成该声源对应的目标混响音频信号，其中，第二卷积函数用于从音频信号中提取声源对应的目标混响音频信号。

在一些实施例中，第一音频信号是使用麦克风阵列录制的音频信号。

进一步参考图5，图5示出了本公开的一些实施例的音频信号播放方法可以应用于其中的示例性系统架构。

如图5所示，系统架构可以包括终端设备501、502、耳机503、504。其中，终端设备与耳机可以通过蓝牙、耳机线等建立通信连接。

终端设备501、502上可以安装有各种应用(例如，音频信号处理类应用、音视频播放类应用等)。

在一些场景中，终端设备501、502可以从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；终端设备501、502可以基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；对于上述各个声源，终端设备501、502可以根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；终端设备501、502可以通过耳机503、504，播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

在一些场景中，终端设备501、502可以通过其上设置的扬声器播放第二音频信号。此时，图5所示的系统架构中不包含耳机503、504。

终端设备501、502可以是硬件，也可以是软件。当终端设备501、502为硬件时，可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备501、502为软件时，可以安装在上述所列举的电子设备中，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

需要说明的是，本公开的实施例所提供的音频信号播放方法可以由终端设备执行，相应地，音频信号播放装置可以设置在终端设备中。

应该理解，图5中的终端设备和耳机的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备和耳机。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图5中的终端设备)的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端，以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其它设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位；对于上述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；播放通过融合上述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“基于第一音频信号，确定上述至少一个声源中各个声源相对于用户头部的实时方位”的单元。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中所公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种音频信号播放方法，其特征在于，包括：

从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；

基于所述第一音频信号，确定所述至少一个声源中各个声源相对于用户头部的实时方位；

对于所述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；

播放通过融合所述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一音频信号，确定所述至少一个声源中各个声源相对于用户头部的实时方位，包括：

基于所述第一音频信号，确定所述至少一个声源中各个声源的移动轨迹；

对于所述各个声源，从该声源的移动轨迹中，确定该声源的实时位置，基于该声源的实时位置和用户头部的实时姿态数据，确定该声源相对于用户头部的实时方位。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一音频信号，确定所述至少一个声源中各个声源的移动轨迹，包括：

使用声源定位算法和声源跟踪算法处理所述第一音频信号，确定所述至少一个声源中各个声源的移动轨迹，其中，所述声源定位算法用于定位声源的实时位置，所述声源跟踪算法用于通过跟踪声源的实时位置，确定声源的移动轨迹。

4.根据权利要求1所述的方法，其特征在于，所述生成该声源对应的目标直达音频信号，包括：

针对所述各个声源，执行第一处理步骤：

选择与该声源的实时方位对应的第一卷积函数，其中，第一卷积函数用于从音频信号中提取声源对应的目标直达音频信号；

基于该声源对应的录制音频信号与选择的第一卷积函数进行卷积获得的卷积音频信号，生成该声源对应的目标直达音频信号。

5.根据权利要求4所述的方法，其特征在于，所述基于该声源对应的录制音频信号与选择的第一卷积函数进行卷积获得的卷积音频信号，生成该声源对应的目标直达音频信号，包括：

基于该声源与用户头部的实际距离，校正卷积音频信号，以生成该声源对应的目标直达音频信号。

6.根据权利要求1所述的方法，其特征在于，所述生成该声源对应的目标混响音频信号，包括：

对于所述各个声源，执行第二处理步骤：

通过预定音频编码方式，将该声源对应的录制音频信号编码为环绕音频信号，其中，通过所述预定音频编码方式生成的环绕音频信号包含目标数量个通道的音频信号；

通过扬声器对应的音频解码方式，将该声源对应的环绕音频信号解码为适于扬声器播放的目标环绕音频信号；

通过将该声源对应的目标环绕音频信号与扬声器对应的第二卷积函数进行卷积，生成该声源对应的目标混响音频信号，其中，第二卷积函数用于从音频信号中提取声源对应的目标混响音频信号。

7.根据权利要求1-5中任一所述的方法，其特征在于，所述第一音频信号是使用麦克风阵列录制的音频信号。

8.一种音频信号播放装置，其特征在于，包括：

分离单元，用于从第一音频信号中，分离出至少一个声源中各个声源对应的录制音频信号；

确定单元，用于基于所述第一音频信号，确定所述至少一个声源中各个声源相对于用户头部的实时方位；

生成单元，用于对于所述各个声源，根据该声源的实时方位和该声源对应的录制音频信号，生成该声源对应的目标直达音频信号，以及生成该声源对应的目标混响音频信号；

播放单元，用于播放通过融合所述各个声源对应的目标直达音频信号和目标混响音频信号生成的第二音频信号。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images