Introduction à la perception sonore 3D

Dans une salle bondée, le cerveau peut isoler une seule voix d'une cacophonie de sons, localiser une sirène éloignée dans un paysage urbain, ou juger de la taille approximative d'une salle de concert basée uniquement sur des réflexions acoustiques. Cette capacité, appelée audition spatiale ou perception sonore 3D, repose sur un ensemble de principes physiques et neuraux que la psychoacoustique vise à décoder. Comprendre ces principes n'est pas seulement un exercice académique; c'est le fondement sur lequel sont construites les technologies audio immersives modernes, des casques de réalité virtuelle (VR) aux bandes sonores basées sur des objets.

L'évolution de la reproduction audio est passée rapidement de la lecture monophonique à la stéréo, et maintenant à des formats audio complexes tels que Dolby Atmos, Sony 360 Reality Audio et Ambisonics. Chaque étape s'appuie sur une intégration plus profonde de la recherche psychoacoustique dans la conception d'ingénierie. L'objectif est de tromper le système auditif en le croyant dans un environnement acoustique spécifique, en utilisant les mêmes repères qu'il compte dans le monde naturel. Cet article examine les mécanismes fondamentaux de la perception sonore 3D, les repères acoustiques spécifiques du cerveau pour localiser le son, les technologies qui exploitent ces repères, et les défis persistants auxquels les ingénieurs audio sont confrontés aujourd'hui.

La base biologique de l'audition spatiale

Avant d'analyser les signaux acoustiques eux-mêmes, il est essentiel de comprendre le matériel biologique qui les traite. Le système auditif capture les ondes sonores physiques et les convertit en signaux neuraux, en extrayant l'information spatiale à plusieurs étapes le long de la voie auditive. Le système auditif périphérique forme le son avant qu'il n'atteigne jamais la cochlée, fournissant la première couche d'encodage spatial.

L'oreille extérieure comme filtre directionnel

La partie visible de l'oreille externe, connue sous le nom de Pinna, agit comme un filtre acoustique complexe . Ses pliages irréguliers, ses crêtes et ses cavités (la concha et l'hélice) créent des réflexions et des annulations dépendantes de la fréquence . Comme une onde sonore arrive de différents angles , elle interagit avec ces structures différemment . Pour les sons arrivant d'en haut , la pinna augmente généralement les fréquences autour de 4 kHz et 8 kHz , tout en créant des encoches spectrales profondes entre 6 kHz et 12 kHz . Pour les sons d'en bas , ou de derrière , ces pics spectraux et encoches changent de fréquence .

Le cerveau apprend à interpréter ces signatures spectrales uniques , qui sont officiellement appelés Fonctions de transfert liées au chef (FDRH), pour déterminer l'altitude et résoudre la confusion avant-arrière. L'effet de filtrage de la pinna est le plus prononcé au-dessus de 2 kHz, ce qui explique pourquoi les sons à haute fréquence sont critiques pour la localisation verticale.

Du mouvement mécanique au code neuronal

Après la pinna façonne le son, il descend le canal de l'oreille jusqu'au tympan. Les vibrations sont transmises par les osicules à la cochlée, une structure remplie de liquide dans l'oreille interne. La cochlée effectue une analyse de fréquence via la membrane basilaire, séparant les sons complexes en leurs fréquences de composants. Les hautes fréquences atteignent leur sommet près de la base, tandis que les basses fréquences atteignent leur sommet près de l'apex. Cette organisation tonotopique fournit au cerveau des informations spectrales. structure fine temporelle Cette capacité de verrouillage de phase est essentielle pour détecter les différences de temps interurbain à des fréquences inférieures à 1,5 kHz environ.

Le nerf auditif transmet ensuite cette information codée par l'intermédiaire de plusieurs noyaux du tronc cérébral, chacun spécialisé dans l'extraction de différents repères spatiaux.

Cues psychoacoustiques de base pour la localisation sonore

La localisation du son dans trois dimensions repose sur un jeu complexe de quatre catégories principales de signaux : différences interaurales de temps, différences de niveau interauraux, repères spectraux monauraux et indices dynamiques. Ces signaux forment un système redondant qui permet au cerveau d'estimer l'emplacement d'une source sonore avec une précision remarquable, souvent à moins de 1 à 2 degrés dans le plan horizontal dans des conditions idéales.

Différence de temps interurbain (DCI)

Lord Rayleigh , théorie duplex de localisation, proposé au début du 20ème siècle, a identifié le décalage horaire interaural (DCI) Lorsqu'une source sonore est située d'un côté, les ondes sonores arrivent à l'oreille proche un peu plus tôt que l'oreille lointaine. Le TDI maximal pour une tête humaine est d'environ 700 microsecondes. Le cerveau détecte ces différences mineures principalement par comparaison de phase pour les basses fréquences et comparaison d'enveloppe pour les sons transitoires. L'olive supérieure médiane (O.M.O.) dans le tronc cérébral est le premier site où les T.I. sont calculées, agissant comme un détecteur de coïncidence. Bien que les T.I.I. soient très efficaces pour déterminer l'angle horizontal (azimut) des sons basse fréquence, ils deviennent ambigus pour les tons purs au-dessus d'environ 1,5 kHz parce que la longueur d'onde devient plus courte que la distance entre les oreilles, créant une ambiguïté de phase.

Différence de niveau interaural (DCI)

Pour compenser les limites de la DTI à des fréquences plus élevées, le système auditif repose sur le Différence de niveau interaural (IDL). Lorsque les ondes sonores à haute fréquence frappent la tête, elles sont diffractées et réfléchies, créant une "ombre acoustique" au loin. Cette ombre entraîne une réduction mesurable du niveau de pression acoustique à l'oreille la plus éloignée de la source. Pour les fréquences supérieures à 1,5 kHz, le diamètre de la tête est grand par rapport à la longueur d'onde, ce qui rend l'effet acoustique de l'ombre prononcé. Les ILD peuvent atteindre 20 dB ou plus pour les sons à haute fréquence arrivant du côté. L'olive latérale supérieure (LSO) code ces différences d'intensité, comparant les vitesses de tir des neurones des deux oreilles.

L'ILD est particulièrement efficace pour la latéralisation des sons à haute fréquence, tandis que l'ITD domine pour les basses fréquences. Ensemble, elles fournissent une localisation azimutante robuste sur l'ensemble du spectre audible.

Le Cône de la Confusion et de la Résolution Spectral

L'ITD et l'ILD seuls sont insuffisants pour une localisation 3D complète. Un ensemble de points dans l'espace qui produisent la même ITD et l'ILD forme une surface conique s'étendant vers l'extérieur de l'oreille de l'auditeur, connu sous le nom de cône de confusion. Une source sonore directement devant, directement derrière ou directement au-dessus de l'auditeur présentera des DTI (zéro) et des DII (zéro). Le repère spatial qui résout cette ambiguïté est le filtrage spectral. Comme décrit précédemment, la pinna crée différents modèles spectraux pour les sons du front versus le dos, et du haut versus le bas.

Le cerveau compare le spectre entrant du son spectral avec une bibliothèque apprise de signatures spectrales liées au pinna, connue comme le sujet spécifique Fonction de transfert liée au chef (FRH). Des HRTF précis sont essentiels pour l'extériorisation (percevoir le son comme provenant de l'extérieur de la tête) et pour les jugements d'élévation. Les encoches spectrales créées par la pinna peuvent se déplacer de 3 kHz entre les positions avant et arrière, fournissant un signal robuste pour la désambituation.

Les repères dynamiques et le rôle du mouvement de tête

Les signaux statiques (ITD, ILD, HRTF) fournissent une bonne estimation de l'emplacement de la source sonore, mais la précision du système auditif s'améliore considérablement avec le mouvement de la tête. Lorsqu'un auditeur tourne la tête, les signaux interuraux changent systématiquement. Un son situé directement devant affichera un changement minime, tandis qu'un son directement derrière affichera un changement significatif dans la DTI/IDD lorsque la tête tourne. Cette transformation dynamique, décrite par Wallach en 1939, fournit au cerveau un puissant outil de désambigiation.

Mise en œuvre technologique des principes psychoacoustiques

La traduction de ces principes psychoacoustiques en systèmes audio pratiques nécessite un traitement sophistiqué du signal. L'objectif d'un rendueur audio spatial est de créer une scène auditive convaincante que le cerveau accepte comme naturelle. Les méthodes pour y parvenir peuvent être classées en synthèse binaurale, ambisonique à base de scène et audio à base d'objets.

Synthèse binaurale et Convolution du FRH

Un signal audio « sec » (monaural) est associé à une paire de FDRH qui correspondent à la position de la source souhaitée. Ce processus de convolution applique le filtrage spectral et les différences interaurales qui se produiraient naturellement. La sortie est un signal stéréo conçu pour la lecture du casque. La fidélité de l'expérience binaural dépend entièrement de l'exactitude de l'ensemble de données du FDRH utilisé. L'utilisation d'un FDRH générique ou « non individualisé » peut conduire à une externalisation médiocre, à une confusion frontale et à une expérience globale peu convaincante. Société d'ingénierie audio indique que les FASS personnalisés améliorent considérablement le réalisme perçu de l'audio spatial [1].

De plus, les processeurs binaural modernes intègrent des réponses d'impulsions de salle pour simuler les environnements d'écoute, améliorant ainsi l'externalisation.

Ambisonics: Audio scénique

Au lieu de simuler les signaux aux oreilles, il représente le champ sonore 3D complet autour d'un point d'écoute central en utilisant des harmoniques sphériques. Un signal Ambisonique est constitué de plusieurs canaux (format B), chacun représentant le gradient de pression ou de pression dans une direction spécifique. Cette représentation est indépendante du système de lecture. Un décodeur reçoit le signal Ambisonic et le rend à la disposition spécifique de l'enceinte ou aux écouteurs. Pour la lecture du casque, le décodeur Ambisonic effectue une binauralisation virtuelle des haut-parleurs, convertissant les signaux harmoniques sphériques en signaux binauraux basés sur un ensemble HRTF. applications de réalité virtuelle et des plateformes vidéo à 360 degrés comme YouTube et Facebook, où il permet une expérience spatiale cohérente indépendamment de l'orientation de la tête de l'auditeur [2].

L'ambisonique d'ordre supérieur (HOA) améliore la résolution spatiale en utilisant des harmoniques sphériques plus importantes, bien qu'au prix d'un nombre de canaux et d'une charge de calcul plus élevés.

Audio et rendu à distance par objet

Formats audio basés sur des objets, tels que Dolby Atmos Dans ce paradigme, chaque source sonore est traitée comme un « objet » individuel avec des métadonnées associées (position, taille, vitesse et propagation). Le rendu sur le système de lecture calcule le placement optimal de chaque objet sur les canaux de haut-parleur disponibles. Ce système repose fortement sur la psychoacoustique pour le rendu de distance. Rapport direct/réverbérant (rapport D/R). Comme une source de son s'éloigne, le niveau du son direct diminue par rapport au champ réverbérant. Les senseurs modélisent cela en appliquant des réflexions précoces et une queue de réverbération diffuse à l'objet, le mélange humide/sec variant en fonction de la distance.

L'absorption d'air haute fréquence est également simulée pour améliorer l'externalisation et la perception de la distance.

Audio transaural et lecture de haut-parleur

Alors que l'audio binaural fonctionne naturellement sur écouteurs, la reproduire sur haut-parleurs présente un défi important connu sous le nom de crosstalk. Le son destiné à l'oreille gauche atteint l'oreille droite, et vice versa. annulation de crosstalk. Un filtre de traitement de signal applique des HRTF inversés pour créer des signaux anti-phase qui annulent le crosstalk aux oreilles de l'auditeur. L'auditeur doit rester dans un « spot sucré » relativement petit. Bien que calculalement moins commun dans les produits de consommation par rapport au binaural casque, le traitement transaural est très apprécié dans les laboratoires de recherche, l'audio automobile et les systèmes de théâtre de maison haut de gamme.

Cette technologie applique directement le concept de manipulation de l'ILD pour créer des images virtuelles en dehors de la tête.

Applications dans les technologies modernes de l'audio

L'adoption de principes psychoacoustiques s'étend bien au-delà des laboratoires universitaires et de recherche dans des secteurs hautement commercialisés.

La réalité virtuelle et augmentée

En VR et AR, l'audio est aussi important que la fidélité visuelle pour maintenir la présence. Une localisation audio imprécise brise immédiatement l'illusion de l'immersion. Quest Meta et VR à vapeur L'occlusion se produit lorsqu'une source sonore se déplace derrière un objet, et les hautes fréquences sont atténuées pendant que les basses fréquences passent (filtrage à faible passage). Ceci émule la physique du monde réel et fournit au cerveau un signal spatial puissant. La latence du système audio en réponse au mouvement de la tête doit être extrêmement faible (moins de 20 millisecondes) pour éviter les conflits sensoriels et les maladies du mouvement.

Technologie d'audition assistée

Les principes de l'audio spatial sont directement appliqués pour améliorer la qualité de vie des personnes ayant une perte auditive. Les appareils auditifs et les implants cochléaires luttent souvent dans des environnements bruyants parce qu'ils amplifient tous les sons uniformément, en s'éloignant des repères spatiaux. faisceaux binauraux Les processeurs d'implants Cochlear sont maintenant conçus pour coder la structure fine temporelle et les repères spectraux nécessaires à la localisation 3D, en poussant les limites de ce qui est possible avec la stimulation électrique du nerf auditif. Par exemple, des recherches récentes ont exploré l'utilisation d'électrodes supplémentaires ou de direction courante pour créer une cartographie plus naturelle des points de place, ce qui peut améliorer la perception de l'élévation [5- Oui.

Production musicale et pistes sonores immersive

L'industrie musicale a entièrement intégré l'audio spatial comme la prochaine innovation majeure dans l'écoute. Musique Apple et Musique Amazon D'un point de vue psychoacoustique, le mélange musical pour l'audio spatial exige de l'ingénieur qu'il considère le « spot sucré » de l'auditeur et l'externalisation des instruments. Il faut appliquer des repères de distance naturels pour empêcher le mélange de sonner comme un mur plat du son. L'objectif est de créer une scène sonore crédible où les instruments ont de la profondeur, de la largeur et de la hauteur. Journal de la Société acoustique d'Amérique continue d'explorer comment les auditeurs perçoivent ces scènes musicales complexes, fournissant des boucles de rétroaction pour améliorer les normes de mixage [3].

Les ingénieurs audio utilisent également la surveillance binaural pour prévisualiser les mixes spatiales sur les écouteurs avant de finaliser pour la lecture des haut-parleurs, assurant la compatibilité entre les systèmes de reproduction.

Défis et orientations futures

Malgré des progrès significatifs, la reproduction du son naturel 3D reste un défi redoutable. L'obstacle principal est la nature hautement individuelle de l'ouïe humaine.

Le problème des FASS individualisés

Les HRTF sont uniques à chaque personne en raison de variations de forme de pinna, de taille de la tête et de géométrie du torse. L'utilisation d'un HRTF générique peut conduire à une externalisation médiocre (sons perçus à l'intérieur de la tête), la coloration spectrale, et des taux élevés de confusion avant-arrière. l'apprentissage automatique Pour prédire les HRTF à partir d'images 2D de l'oreille, rendre la personnalisation évolutive. Des entreprises comme Visisonics et divers spin-offs universitaires travaillent sur cette technologie, visant à fournir une personnalisation robuste à travers un simple scanner de smartphone [4]. Une autre approche utilise l'optimisation perceptive : les auditeurs règlent les paramètres HRTF en temps réel jusqu'à ce que la précision de localisation soit maximisée, en harmonisant efficacement le filtre sans nécessiter de mesures physiques.

Réverbération et distance de rendu

Redoubler la distance avec précision est peut-être plus difficile que la direction de reproduction. Le cerveau utilise plusieurs repères pour la distance : niveau global, le rapport direct-réverbérant, l'atténuation de haute fréquence et l'intensité des premières réflexions. Créer un champ réverbérant convaincant en temps réel pour une scène complexe avec des dizaines d'objets est coûteux en calcul. Les algorithmes acoustiques géométriques actuels peuvent simuler des réflexions et des diffraction mais sont souvent simplifiés pour répondre aux contraintes du matériel de consommation. La réverbération de la révolution avec contrôle paramétrique offre un équilibre entre réalisme et performance.

Les systèmes futurs peuvent utiliser le traçage des rayons ou le tracé du chemin pour l'audio, similaire à des graphiques, mais le coût computationnel reste prohibitif pour les appareils du marché de masse.

Intégration avec les systèmes visuels et vestibulaires

L'intégration multisensorielle est une frontière critique. Le cerveau combine l'entrée auditive, visuelle et vestibulaire pour former une perception cohérente du monde. Si les signaux spatiaux auditifs se heurtent à des signaux visuels, le cerveau a tendance à «répandre» le son vers la source visuelle, connue sous le nom de effet ventriloque. Les futurs systèmes audio spatiaux doivent non seulement rendre l'acoustique exacte, mais aussi être étroitement synchronisés avec le rendu visuel et capables de s'adapter à l'environnement physique de l'utilisateur (par exemple, cartographier l'acoustique virtuelle sur la géométrie du monde réel pour la réalité augmentée). Cela nécessite la modélisation en temps réel de l'environnement, souvent à l'aide de caméras de profondeur ou LiDAR pour capturer la géométrie et les matériaux de la pièce, puis simuler des réflexions et une réverbération qui correspondent à la scène visuelle.

Conclusion

La perception du son tridimensionnel est un exploit remarquable du traitement biologique des signaux. En analysant les différences de minute dans le timing, la sonorité et le contenu spectral, le cerveau construit un monde spatial riche à partir des signaux bidimensionnels arrivant aux tympans. Le domaine de la psychoacoustique a réussi à traduire ces signaux biologiques en algorithmes numériques, donnant naissance aux technologies audio immersives qui définissent le divertissement, la communication et l'accessibilité modernes.