منبع: بنیاد طراحی تعامل (IxDF) · بازنویسی آزاد: سپنتا پویا با کمک هوش مصنوعی · مهر ۱۴۰۵ · زمان مطالعه: حدود ۹ دقیقه

صدای فضایی (Spatial Audio) چیست؟

💡 این متن «بازنویسی آزاد» است: ایده‌ها و مفاهیم مطلب اصلی با نگارش کاملاً مستقل فارسی و مثال‌های تازه بازگو شده‌اند و ترجمهٔ کلمه‌به‌کلمه نیست. بخش‌های افزودهٔ مترجم در جعبهٔ منبع مشخص شده‌اند. ترجمه و بازنویسی این متن با کمک هوش مصنوعی انجام شده است.

چشم‌هایتان را ببندید و فقط به اتاقی که در آن نشسته‌اید گوش کنید. بدون اینکه نگاه کنید می‌دانید صدای یخچال از کدام طرف می‌آید. می‌فهمید کسی پشت سرتان در را بست. متوجه می‌شوید موتوری از کوچه رد شد و از راست به چپ رفت.

مغز شما این کار را بی‌وقفه انجام می‌دهد و شما هیچ زحمتی حس نمی‌کنید. صدای فضایی تلاشی است برای آوردن همین توانایی به محیط‌های دیجیتال.

صدای فضایی چیست؟

صدای فضایی، که به آن صدای سه‌بعدی هم می‌گویند، طراحی و فناوری صداست به شکلی که روش طبیعی شنیدن انسان در فضای سه‌بعدی را تقلید کند. هدفش ساختن این توهم است که صدا از جهت و فاصلهٔ مشخصی می‌آید.

تفاوتش با استریو ساده است. استریو فقط دو جهت دارد: چپ و راست. صدای فضایی بالا، پایین، جلو و پشت سر را هم اضافه می‌کند. در استریو، صدای یک بالگرد از گوش چپ به گوش راست سر می‌خورد. در صدای فضایی همان بالگرد از بالای سر شما رد می‌شود و شما سرتان را بالا می‌گیرید.

این فناوری روی دو چیز کار می‌کند. اول جهت: صدا از کجا می‌آید. دوم فاصله و محیط: صدا هرچه دورتر باشد آرام‌تر و مبهم‌تر می‌شود، و شکلش به فضا بستگی دارد. همان صدا در یک سالن خالی پژواک دارد و در اتاقی پر از مبل خفه می‌شود.

مغز چطور جهت صدا را پیدا می‌کند؟

ما دو گوش داریم که حدود بیست سانتی‌متر از هم فاصله دارند. تمام توانایی جهت‌یابی ما از همین فاصله بیرون می‌آید. نمودار بالای صفحه سه نشانه‌ای را نشان می‌دهد که مغز از آن‌ها استفاده می‌کند.

اختلاف زمان رسیدن. صدایی که از سمت راست می‌آید، کسری از میلی‌ثانیه زودتر به گوش راست می‌رسد. این عدد آن‌قدر کوچک است که به آگاهی نمی‌رسد، ولی مغز آن را اندازه می‌گیرد.

اختلاف شدت. سر خودش یک مانع است. صدا برای رسیدن به گوش دورتر باید دور سر بپیچد و در این مسیر بخشی از انرژی‌اش را از دست می‌دهد. پس همان صدا در گوش دورتر آرام‌تر شنیده می‌شود.

شکل لالهٔ گوش. دو نشانهٔ قبلی چپ و راست را مشخص می‌کنند، ولی دربارهٔ بالا و پایین چیزی نمی‌گویند. اینجا شکل پیچیدهٔ لالهٔ گوش وارد می‌شود. لاله بعضی فرکانس‌ها را تقویت و بعضی را تضعیف می‌کند، و این تغییر به زاویهٔ ورود صدا بستگی دارد.

مجموعهٔ این اثرها را با نامی می‌شناسند که در متون فنی زیاد می‌بینید: HRTF یا تابع انتقال مرتبط با سر. این تابع مدل می‌کند که گوش، سر و بالاتنه چطور صدا را پیش از رسیدن به پردهٔ گوش تغییر می‌دهند. نرم‌افزار با اعمال همین مدل روی یک صدای ساده، به مغز می‌قبولاند که صدا از جایی در فضا آمده است.

راه دیگر، ضبط باینورال است. دو میکروفون را در گوش‌های یک سر مصنوعی یا یک آدم واقعی می‌گذارند و صدا را همان‌طور که یک شنونده می‌شنود ثبت می‌کنند. نتیجه روی هدفون شگفت‌آور است، چون تغییرهایی که گوش طبیعی ایجاد می‌کند از قبل در ضبط هست.

یک قطعهٔ آخر هم لازم است: ردیابی حرکت سر. سیستم می‌فهمد سر کاربر چرخیده و صدا را بی‌درنگ تنظیم می‌کند. نتیجه این است که منبع صدا سر جای خودش در دنیا می‌ماند و با سر کاربر نمی‌چرخد. بدون این قطعه، کل صحنهٔ صوتی به سر کاربر چسبیده است و توهم فضا شکل نمی‌گیرد.

چه کاری می‌کند که از تصویر برنمی‌آید؟

دلیل اصلی اهمیت صدا در تجربه‌های فراگیر، یک نابرابری ساده است. میدان دید یک هدست حدود صد و ده درجه است. شنوایی سیصد و شصت درجه کار می‌کند.

از همین نابرابری چند کاربرد مشخص بیرون می‌آید.

خبر دادن از بیرون کادر. اگر اتفاقی پشت سر کاربر بیفتد، تصویر هیچ راهی برای گفتنش ندارد. صدا دارد. کاربری که صدای قدم را از سمت چپ می‌شنود، خودش تصمیم می‌گیرد برگردد یا نه. این انتخاب، حس کنترل او بر محیط را بالا می‌برد.

بالا بردن حس حضور. وقتی صدا با چیزی که دیده می‌شود هم‌خوان باشد، غوطه‌وری جهش می‌کند. ناهماهنگی هم به همان اندازه زود لو می‌رود. آبشاری که می‌بینید ولی صدایش از پشت سرتان می‌آید، کل صحنه را خراب می‌کند.

فهمیدن اینکه چه کسی حرف می‌زند. در واقعیت مجازی اجتماعی چند نفر هم‌زمان در یک اتاق‌اند. اگر صداها همه از یک نقطه بیایند، گفت‌وگو به هم می‌ریزد. با صدای فضایی هر کس از جای آواتارش حرف می‌زند و گروه‌های کوچک می‌توانند جدا از هم صحبت کنند، درست مثل یک مهمانی واقعی.

کم کردن بار ذهنی. هر اطلاعاتی که از راه گوش برسد، از صف پردازش بینایی خارج می‌شود. این یکی از راه‌های عملی کاهش بار شناختی است، به‌ویژه در رابط‌هایی که صفحه‌شان شلوغ است.

دسترس‌پذیری. برای کاربر نابینا یا کم‌بینا، صدای جهت‌دار می‌تواند نقشهٔ محیط باشد. بازی Blind نمونهٔ شناخته‌شده‌ای است که پیمایشش تقریباً تماماً بر نشانه‌های صوتی تکیه دارد. این مسیر هنوز در دسترس‌پذیری کم‌استفاده مانده است.

شش قاعده برای طراحی صدای فضایی

منبع چند توصیهٔ عملی می‌دهد که می‌شود در شش قاعده جمعشان کرد.

• - ۱. ابزار را بشناسید: موتورهای صدای فضایی مثل Steam Audio، Oculus Spatializer و Google Resonance Audio این کار را برایتان انجام می‌دهند. لازم نیست خودتان HRTF پیاده کنید.
• - ۲. درست ضبط کنید: اگر صدای واقعی می‌خواهید، میکروفون باینورال بخشی از کار را از قبل انجام می‌دهد.
• - ۳. آکوستیک محیط را مدل کنید: پژواک در یک غار، خفه شدن صدا پشت دیوار، و افت شدت با فاصله. بدون این‌ها صداها شناور به نظر می‌رسند.
• - ۴. صدا را با تصویر هم‌راستا کنید: چیزی که سمت راست دیده می‌شود باید از سمت راست شنیده شود. هر فاصله‌ای میان این دو، توهم را می‌شکند.
• - ۵. پویا به‌روز کنید: با هر حرکت سر و بدن کاربر، موقعیت منبع‌ها باید بی‌درنگ محاسبه شود.
• - ۶. صحنه را شلوغ نکنید: صدا باید مکمل تصویر باشد نه رقیبش. چند منبع هم‌زمان و بلند، به‌جای جهت دادن به کاربر او را گیج می‌کنند.

و در آخر، با کاربر آزمایش کنید. آزمون این حوزه می‌تواند وظیفه‌محور باشد: از کاربر بخواهید به سمت منبع صدا برود و زمان رسیدن و خطایش را اندازه بگیرید. مقایسهٔ دو نسخه هم در اینجا خوب جواب می‌دهد.

جایی که خراب می‌شود

این بخش در منبع نیست. صدای فضایی در عمل چند حد مشخص دارد و بهتر است پیش از شروع بدانیدشان.

مدل عمومی است، گوش شما نیست. HRTFای که نرم‌افزارها استفاده می‌کنند معمولاً از میانگین اندازه‌گیری روی چند نفر ساخته شده. شکل لالهٔ گوش هر آدم مثل اثر انگشت منحصربه‌فرد است. برای همین بعضی کاربران جهت‌یابی را دقیق حس می‌کنند و بعضی فقط می‌فهمند صدا «یک جایی آن اطراف» است.

ابهام جلو و پشت. صدایی که دقیقاً روبه‌رو است و صدایی که دقیقاً پشت سر است، اختلاف زمان و شدت یکسانی تولید می‌کنند. مغز در دنیای واقعی این ابهام را با یک چرخش کوچک سر حل می‌کند. اگر سیستم شما ردیابی سر نداشته باشد، کاربر این ابزار را هم ندارد و خطای جلو و پشت زیاد می‌شود.

همه‌چیز به هدفون بسته است. روی بلندگو، هر دو گوش صدای هر دو بلندگو را می‌شنوند و بخشی از جداسازی از بین می‌رود. تجربه‌ای که روی هدفون دقیق بود، روی بلندگوی لپ‌تاپ معمولی می‌شود.

اطلاعات حیاتی را تنها به صدا نسپارید. کاربر ناشنوا یا کم‌شنوا آن را دریافت نمی‌کند. کاربری که در مترو است هم همین‌طور. هر چیزی که برای ادامهٔ کار ضروری است باید مسیر دومی هم داشته باشد. این همان اصلی است که در رابط‌های چندوجهی پایه حساب می‌شود.

هزینه دارد. محاسبهٔ بی‌درنگ صدای فضایی پردازنده و باتری مصرف می‌کند و حجم انتقال را بالا می‌برد. روی سخت‌افزار ضعیف، این هزینه خودش را به شکل تأخیر نشان می‌دهد و تأخیر دقیقاً همان چیزی است که توهم را می‌کشد.

صدای فضایی در بافت فارسی

این بخش هم افزودهٔ من است و از کار روی محصولات فارسی‌زبان می‌آید.

هدست کمیاب است، هدفون نه. تصور رایج این است که صدای فضایی یعنی واقعیت مجازی. درست نیست. این فناوری روی هر هدفون استریویی کار می‌کند و هدفون چیزی است که تقریباً هر کاربری دارد. یک اپلیکیشن داستان صوتی یا یک پادکست فارسی می‌تواند همین امروز از آن استفاده کند.

فرهنگ پیام صوتی. کاربر فارسی‌زبان با شنیدن راحت است. حجم پیام صوتی در پیام‌رسان‌ها اینجا بالاتر از میانگین جهانی است. این یک سرمایه است که کمتر محصولی از آن استفاده می‌کند. تماس گروهی با صدای فضایی، جایی که هر نفر از موقعیت متفاوتی شنیده شود، همین عادت موجود را به یک تجربهٔ بهتر وصل می‌کند.

جهت صدا را هم آینه کنید. این نکته مخصوص ماست. وقتی رابط را راست‌به‌چپ می‌کنید، عنصرهایی که در نسخهٔ لاتین سمت چپ بودند به راست می‌آیند. اگر پخش صدا را دست‌نخورده بگذارید، کاربر چیزی را سمت راست می‌بیند و صدایش را از چپ می‌شنود. همان ناهماهنگی که قاعدهٔ چهارم دربارهٔ آن هشدار می‌داد، اینجا به شکل یک اشتباه ساده در آینه‌کردن چیدمان ظاهر می‌شود.

پهنای باند را فرض نگیرید. کیفیت بالای صدای فضایی حجم می‌برد. روی شبکه‌های ناپایدار، تجربه‌ای که با تأخیر برسد از تجربهٔ استریوی ساده بدتر است. نسخهٔ سبک را به‌عنوان جایگزین نگه دارید و خودکار به آن برگردید.

صدا یک مسیر دسترس‌پذیری است. پشتیبانی صفحه‌خوان‌ها از فارسی هنوز ضعیف است و بسیاری از محصولات بومی برای کاربر نابینا تقریباً غیرقابل‌استفاده‌اند. نشانهٔ صوتی جهت‌دار راه‌حل کامل نیست، ولی در پیمایش فضاهای سه‌بعدی و نقشه‌ها بخشی از جای خالی را پر می‌کند.

جمع‌بندی

صدای فضایی یک جلوهٔ صوتی نیست. راهی است برای استفاده از حسی که همیشه روشن است و هیچ‌وقت به کادر محدود نمی‌شود. مغز کاربر از قبل بلد است جهت صدا را بخواند و شما فقط باید داده‌ای بدهید که این مهارت روی آن کار کند.

اگر یک جمله بماند، همین باشد: تصویر فقط جلو را نشان می‌دهد، صدا همهٔ اطراف را. هر چیزی که کاربر باید از آن باخبر باشد ولی لازم نیست به آن نگاه کند، نامزد خوبی برای صداست.