本文刊發(fā)于《現(xiàn)代電影技術(shù)》2026年第3期

專家點(diǎn)評(píng)

王 玨

教授

北京電影學(xué)院研究生院院長、博士生導(dǎo)師

電影聲音技術(shù)正從多聲道環(huán)繞聲向沉浸式空間音頻加速演進(jìn)，電影聲音國際技術(shù)標(biāo)準(zhǔn)體系持續(xù)迭代升級(jí)，具身認(rèn)知、多模態(tài)交互、智能感知已成為下一代電影聲音技術(shù)的核心發(fā)展趨勢(shì)。技術(shù)標(biāo)準(zhǔn)主導(dǎo)權(quán)與核心裝備自主化成為產(chǎn)業(yè)競(jìng)爭的基礎(chǔ)和關(guān)鍵，我國正處于技術(shù)跟跑、標(biāo)準(zhǔn)并跑向自主領(lǐng)跑轉(zhuǎn)型的重要階段。《具身認(rèn)知導(dǎo)向下電影聲音國際技術(shù)標(biāo)準(zhǔn)演進(jìn)及裝備國產(chǎn)化啟示》一文針對(duì)電影沉浸式音頻技術(shù)發(fā)展前沿，指出具身認(rèn)知是電影聲音感知的核心導(dǎo)向，多模態(tài)具身智能是電影聲音的進(jìn)階方向。該論文對(duì)標(biāo)電影聲音國際標(biāo)準(zhǔn)制定與聲音裝備革新，分析了我國電影聲音相關(guān)標(biāo)準(zhǔn)制定和裝備發(fā)展上取得的成果和存在的短板，以及如何從國際標(biāo)準(zhǔn)的演進(jìn)趨勢(shì)中抓住國產(chǎn)電影音頻設(shè)備的研發(fā)方向，在具身智能和多模態(tài)交互領(lǐng)域打造具有全球影響力的產(chǎn)業(yè)高地。論文對(duì)電影聲音標(biāo)準(zhǔn)制定的體系性和前瞻性的分析以及對(duì)“技術(shù)突破-標(biāo)準(zhǔn)支撐-產(chǎn)業(yè)協(xié)同”的研發(fā)路徑研判，為我國電影聲音標(biāo)準(zhǔn)制定和裝備研發(fā)提供了邏輯清晰的思路，為實(shí)現(xiàn)標(biāo)準(zhǔn)引領(lǐng)、技術(shù)自主、市場(chǎng)突圍提供了理論支撐和實(shí)踐參考。

項(xiàng)目信息

北京高校虛擬教研室試點(diǎn)建設(shè)項(xiàng)目“數(shù)字媒體聲音交互教研室”(XNJYS2023004)。

作者簡介

袁邈桐

博士，中國傳媒大學(xué)音樂與錄音藝術(shù)學(xué)院教授，主要研究方向：聲音科學(xué)與藝術(shù)、數(shù)字媒體與數(shù)字人文。

摘要

本文立足媒介技術(shù)與國際技術(shù)標(biāo)準(zhǔn)研究的交叉視角，結(jié)合比對(duì)標(biāo)準(zhǔn)演進(jìn)與裝備革新前沿進(jìn)展，系統(tǒng)剖析“沉浸式環(huán)境-多模態(tài)交互-具身認(rèn)知”的協(xié)同邏輯，梳理了電影聲音領(lǐng)域具身智能（Embodied Intelligence）關(guān)聯(lián)技術(shù)的演進(jìn)路徑，分析具代表性國際技術(shù)標(biāo)準(zhǔn)發(fā)展態(tài)勢(shì)及國內(nèi)外技術(shù)標(biāo)準(zhǔn)對(duì)標(biāo)現(xiàn)狀，探討我國電影聲音新技術(shù)裝備國產(chǎn)化進(jìn)程的優(yōu)勢(shì)與挑戰(zhàn)。研究發(fā)現(xiàn)，電影聲音國際技術(shù)標(biāo)準(zhǔn)建設(shè)已形成“人工智能引領(lǐng)-技術(shù)協(xié)同支撐-標(biāo)準(zhǔn)加速迭代”的演進(jìn)趨勢(shì)，我國在具身認(rèn)知（Embodied Cognition）算法優(yōu)化、多模態(tài)交互技術(shù)應(yīng)用及標(biāo)準(zhǔn)體系銜接方面仍存在較大發(fā)展空間。基于此，本文提出“技術(shù)突破-標(biāo)準(zhǔn)支撐-產(chǎn)業(yè)協(xié)同”的路徑思考，旨在為我國電影聲音技術(shù)實(shí)現(xiàn)標(biāo)準(zhǔn)引領(lǐng)、技術(shù)自主、市場(chǎng)突圍提供理論支撐與實(shí)踐參考。

關(guān)鍵詞

具身智能；具身認(rèn)知；沉浸式環(huán)境；多模態(tài)交互；裝備國產(chǎn)化

1

引言

在新一輪科技革命與產(chǎn)業(yè)變革縱深演進(jìn)的背景下，具身智能（Embodied Intelligence）以“認(rèn)知源于身體與環(huán)境的動(dòng)態(tài)交互”為核心邏輯，強(qiáng)調(diào)智能體（Agent）通過傳感器運(yùn)動(dòng)與環(huán)境交互產(chǎn)生認(rèn)知，其技術(shù)演進(jìn)圍繞理解、生成與交互三大核心展開，不僅為電影技術(shù)突破提供了系統(tǒng)性方法論支撐，更激勵(lì)著電影聲音技術(shù)從“被動(dòng)呈現(xiàn)”向“主動(dòng)交互”、由“感官刺激”向“具身沉浸”的雙重轉(zhuǎn)型。這一轉(zhuǎn)型既深度回應(yīng)了觀眾對(duì)沉浸式體驗(yàn)的核心需求，重構(gòu)了電影聲音技術(shù)的研發(fā)邏輯、標(biāo)準(zhǔn)體系與產(chǎn)業(yè)生態(tài)，更體現(xiàn)為突破傳統(tǒng)聲畫關(guān)系束縛，通過高精度、對(duì)象化的聲音空間渲染，將觀眾置于一個(gè)可被觸覺化、運(yùn)動(dòng)化感知的聲學(xué)環(huán)境中，從而極大豐富身體體驗(yàn)并重塑聽覺主體的存在狀態(tài)[1]，使聲音不再單純是被人耳接收的客觀信號(hào)，更能通過其物理屬性直接作用于觀眾的身體感知，引發(fā)生理與心理的協(xié)同反應(yīng)。

當(dāng)前，電影聲音前沿領(lǐng)域正面臨從立體聲向六自由度（6DoF）沉浸式音頻[2—4]、從單一聽覺向多模態(tài)協(xié)同的關(guān)鍵升級(jí)，而傳統(tǒng)技術(shù)在感知優(yōu)化實(shí)時(shí)性、交互邏輯適應(yīng)性、制作流程可追溯性上存在明顯短板，具身智能技術(shù)恰好為這一升級(jí)提供了從數(shù)字資產(chǎn)生成到交互實(shí)現(xiàn)、從流程管控到體驗(yàn)校準(zhǔn)的全鏈條解決方案。

在技術(shù)層面，當(dāng)前核心發(fā)展趨勢(shì)聚焦于3大方向：一是生成式3D資產(chǎn)構(gòu)建技術(shù)成熟化，能夠根據(jù)文本或圖像輸入高效生成具備真實(shí)物理屬性、精準(zhǔn)尺度與完整幾何結(jié)構(gòu)的三維場(chǎng)景與物體，為聲音空間定位、聲場(chǎng)模擬提供高精度底層基礎(chǔ)；二是人機(jī)共融的具身交互（Embodied Interaction）技術(shù)落地，通過多模態(tài)智能體與沉浸式穿戴設(shè)備的融合，可實(shí)現(xiàn)物理場(chǎng)景的實(shí)時(shí)感知、流程追蹤、誤差校正與自適應(yīng)指導(dǎo)，為聲音多模態(tài)協(xié)同、實(shí)時(shí)交互反饋提供全新工具鏈；三是數(shù)字場(chǎng)景生成的精細(xì)化與自動(dòng)化，依托層級(jí)化架構(gòu)與智能校驗(yàn)機(jī)制，批量生成多樣化、高保真且具備物理合理性與功能完整性的交互場(chǎng)景，為虛擬攝制中的聲場(chǎng)環(huán)境建模、多區(qū)域聲音交互邏輯設(shè)計(jì)提供可實(shí)現(xiàn)的技術(shù)支撐。

在標(biāo)準(zhǔn)與產(chǎn)業(yè)層面，全球電影聲音技術(shù)呈現(xiàn)“技術(shù)創(chuàng)新引領(lǐng)標(biāo)準(zhǔn)演進(jìn)，標(biāo)準(zhǔn)規(guī)范推動(dòng)產(chǎn)業(yè)升級(jí)”的清晰格局。國際標(biāo)準(zhǔn)化組織（ISO）、國際電信聯(lián)盟（ITU）、美國電影電視工程師協(xié)會(huì)（SMPTE）等組織已開始關(guān)注具身認(rèn)知（Embodied Cognition）導(dǎo)向的感知優(yōu)化需求，在沉浸式聲音空間定位、多模態(tài)交互協(xié)議等關(guān)聯(lián)領(lǐng)域啟動(dòng)相關(guān)標(biāo)準(zhǔn)研制，其制定邏輯與具身智能的3D場(chǎng)景交互、物理屬性還原等技術(shù)趨勢(shì)高度契合。國內(nèi)則以沉浸式音頻技術(shù)標(biāo)準(zhǔn)為核心，積極推動(dòng)國產(chǎn)化技術(shù)場(chǎng)景落地；然而，當(dāng)前具身認(rèn)知相關(guān)的核心技術(shù)研發(fā)與標(biāo)準(zhǔn)制定方面仍存在差距，尤其缺乏針對(duì)空間關(guān)系建模、物理交互適配、多模態(tài)協(xié)同等具身化需求的成熟技術(shù)規(guī)范。我國電影產(chǎn)業(yè)正處于高質(zhì)量發(fā)展關(guān)鍵期，裝備國產(chǎn)化需求日益迫切，如何將具身智能領(lǐng)域的核心技術(shù)成果轉(zhuǎn)化為電影聲音技術(shù)創(chuàng)新動(dòng)力，如何依托國際標(biāo)準(zhǔn)演進(jìn)趨勢(shì)構(gòu)建本土化技術(shù)生態(tài)與標(biāo)準(zhǔn)體系，成為當(dāng)前亟待解決的重要課題。

2

電影聲音的具身性

2.1 聲音的具身認(rèn)知基礎(chǔ)

電影聲音體驗(yàn)的沉浸式本質(zhì)，根植于人類自然聽覺具身認(rèn)知的生理與心理本源。從生理來看，人類聽覺系統(tǒng)的先天具身性是技術(shù)設(shè)計(jì)的物理前提，雙耳時(shí)間差/強(qiáng)度差、頭相關(guān)傳輸函數(shù)（HRTF）等生理機(jī)制，決定了空間音頻的三維定位邏輯，而人體聽覺頻率閾值、動(dòng)態(tài)范圍等特征，也規(guī)范了相關(guān)技術(shù)標(biāo)準(zhǔn)的量化指標(biāo)[5]；從具身認(rèn)知建構(gòu)來看，電影聲音的沉浸感源于對(duì)人類后天具身記憶（Embodied Memory）的精準(zhǔn)觸發(fā)，通過空間、動(dòng)作、情緒3類具身記憶的喚醒與匹配，實(shí)現(xiàn)“以聲傳情”的心理沉浸，這一認(rèn)知邏輯呼應(yīng)了具身認(rèn)知心理學(xué)“認(rèn)知源于身體與環(huán)境動(dòng)態(tài)交互、具身記憶是認(rèn)知喚醒核心”的核心論述[6]。究其本質(zhì)，電影聲音并非創(chuàng)造全新具身認(rèn)知，而是在人體生理具身框架內(nèi)，對(duì)自然具身認(rèn)知記憶的技術(shù)化篩選與重構(gòu)，無法脫離自然具身的生理與認(rèn)知本源，這正是“有限模擬”的核心合理性所在[7]。

2.2 電影聲音領(lǐng)域具身認(rèn)知理論的核心聚焦

具身認(rèn)知理論的核心內(nèi)涵聚焦“認(rèn)知源于身體、大腦與環(huán)境的動(dòng)態(tài)交互閉環(huán)”，其本質(zhì)是反對(duì)將認(rèn)知視為脫離具體身體與場(chǎng)景的抽象計(jì)算，強(qiáng)調(diào)認(rèn)知過程深植于人體生理結(jié)構(gòu)、感官體驗(yàn)與環(huán)境交互的耦合關(guān)系中[6]。在電影聲音領(lǐng)域，智能空間環(huán)境中的聲音感知絕非聽覺器官對(duì)聲學(xué)信號(hào)的被動(dòng)接收，而是人體運(yùn)動(dòng)狀態(tài)（如頭部轉(zhuǎn)動(dòng)、位置移動(dòng)、肢體動(dòng)作）、空間體驗(yàn)、情感預(yù)期與聲學(xué)信號(hào)的多維度協(xié)同作用結(jié)果[8]。

電影聲音的具身認(rèn)知應(yīng)用邏輯可系統(tǒng)歸納為3方面：首先是聲音設(shè)計(jì)貼合人體聽覺生理特性，如基于HRTF的個(gè)性化適配：通過采集不同人群的聽覺生理數(shù)據(jù)，優(yōu)化聲音在三維空間中的定位精度，解決傳統(tǒng)標(biāo)準(zhǔn)化HRTF導(dǎo)致的個(gè)體適配偏差問題[9]；其次是聲場(chǎng)構(gòu)建匹配用戶空間運(yùn)動(dòng)軌跡，例如針對(duì)用戶的平移、旋轉(zhuǎn)等六自由度運(yùn)動(dòng)，通過動(dòng)態(tài)調(diào)整聲場(chǎng)參數(shù)確保聲音定位與空間位置的實(shí)時(shí)同步[10]；最后是聲音反饋響應(yīng)人體交互行為，如用戶通過手勢(shì)、語音指令觸發(fā)音效變化，或系統(tǒng)根據(jù)用戶面部微表情自適應(yīng)調(diào)整聲音的響度、混響與頻率特性[9]，三者共同構(gòu)成電影聲音具身化優(yōu)化的理論與技術(shù)支撐框架。

音頻作為電影聲音科技的核心載體，其具身體驗(yàn)呈現(xiàn)由淺入深的三級(jí)遞進(jìn)邏輯，每一層均貼合“有限模擬”核心且存在明確邊界。生理層具身感知通過多聲道布局、HRTF算法等技術(shù)，復(fù)刻自然聲音的物理傳播特征，實(shí)現(xiàn)聽覺信號(hào)與人體生理感知規(guī)律的匹配，這一技術(shù)路徑契合三維聲編解碼及渲染的行業(yè)標(biāo)準(zhǔn)要求[5]，但僅能完成單感官信號(hào)級(jí)模擬，無身體與環(huán)境的物理交互；心理層具身喚醒依托三維動(dòng)態(tài)聲場(chǎng)，觸發(fā)觀眾的自然具身認(rèn)知記憶，形成心理層面的空間沉浸，該層面僅能實(shí)現(xiàn)記憶喚醒而非全新認(rèn)知建構(gòu)，且記憶呈現(xiàn)碎片化特征；行為層具身反饋通過頭部追蹤、體感聯(lián)動(dòng)等技術(shù)，構(gòu)建“聲音感知-身體微行為”的簡易閉環(huán)，推動(dòng)身體從被動(dòng)接收到輕度主動(dòng)參與，但無法實(shí)現(xiàn)全身自主空間行動(dòng)與全雙向“感知-行動(dòng)”閉環(huán)。三級(jí)層次技術(shù)雖能不斷逼近自然具身體驗(yàn)，卻始終受限于媒介虛擬性與身體物理性，無法復(fù)刻自然具身“生理-認(rèn)知-行為”的全維度耦合[6]。

2.3 沉浸式音頻：電影聲音具身沉浸感的實(shí)現(xiàn)基礎(chǔ)

在空間智能和具身感知理論影響下，電影聲音系統(tǒng)可被認(rèn)為是空間智能環(huán)境中具身認(rèn)知導(dǎo)向的聲音感知與交互網(wǎng)絡(luò)系統(tǒng)。該系統(tǒng)以具身認(rèn)知理論為核心，強(qiáng)調(diào)聲音感知源于人體與智能機(jī)制及聲場(chǎng)環(huán)境的動(dòng)態(tài)交互，智能體通過整合空間定位、運(yùn)動(dòng)狀態(tài)、情感反饋等多模態(tài)信息，實(shí)現(xiàn)符合特定人體感知規(guī)律的聲音體驗(yàn)優(yōu)化，以此構(gòu)成電影聲音具身化呈現(xiàn)的核心目標(biāo)。

沉浸式聲音（Immersive Sound）環(huán)境作為具備三維空間屬性、真實(shí)物理聲學(xué)特性的聲場(chǎng)載體，能通過多聲道布局、聲場(chǎng)重建技術(shù)模擬各類真實(shí)空間的混響、反射等聲學(xué)效果，為具身認(rèn)知提供了基礎(chǔ)場(chǎng)景支撐，其核心特征包括空間連續(xù)性、聲學(xué)真實(shí)性與用戶適配性[11]。而多模態(tài)交互則是融合聽覺、視覺、運(yùn)動(dòng)感知、面部表情識(shí)別等多模態(tài)信號(hào)的交互方式，通過聲音與畫面、用戶動(dòng)作的實(shí)時(shí)聯(lián)動(dòng)（如頭部姿態(tài)與聲音定位適配、交互指令與音效反饋協(xié)同），強(qiáng)化電影聲音的主動(dòng)性與參與感。ISO/IEC 23090?4:2025《信息技術(shù)—沉浸式媒體的編碼表示 第4部分：MPEG-I沉浸式音頻》（Information technology — Coded representation of immersive media — Part 4: MPEG-I immersive audio[3]，以下簡稱“ISO/IEC 23090?4標(biāo)準(zhǔn)”）、ISO/IEC 23008?3:2026《信息技術(shù)—異構(gòu)環(huán)境中的高效編碼和媒體傳輸 第3部分：3D音頻》（Information technology — High efficiency coding and media delivery in heterogeneous environments — Part 3: 3D audio[12]，以下簡稱“ISO/IEC 23008-3標(biāo)準(zhǔn)”）以及我國的GB/T 44115.3-2025《信息技術(shù) 虛擬現(xiàn)實(shí)內(nèi)容表達(dá) 第3部分: 音頻》[13]（以下簡稱“GB/T 44115.3標(biāo)準(zhǔn)”）等當(dāng)前生效或最新修訂的權(quán)威標(biāo)準(zhǔn)，共同構(gòu)成全球電影行業(yè)沉浸式音頻技術(shù)落地與產(chǎn)業(yè)協(xié)同的核心依據(jù)。沉浸式聲音技術(shù)理論以三維聲場(chǎng)重建為核心，旨在通過技術(shù)手段模擬自然聲場(chǎng)的物理特性與交互邏輯，為具身認(rèn)知的落地提供底層支撐[14]。其關(guān)鍵技術(shù)體系涵蓋3大維度：一是空間定位技術(shù)，包括高階Ambisonics HOA編碼、6DoF音頻渲染等，其中6DoF音頻渲染技術(shù)的核心原理為通過對(duì)象化編碼將聲源獨(dú)立封裝為帶元數(shù)據(jù)的音頻對(duì)象，結(jié)合稀疏平面波插值等算法實(shí)現(xiàn)不同空間位置的聲場(chǎng)連續(xù)渲染，確保用戶在±10 m位移范圍內(nèi)聲音無斷層、無失真[15]，該技術(shù)已在ISO/IEC 23090?4標(biāo)準(zhǔn)中形成標(biāo)準(zhǔn)化規(guī)范[3]；二是聲學(xué)環(huán)境模擬技術(shù)，通過麥克風(fēng)陣列采集真實(shí)空間（如影院、古建筑、戶外場(chǎng)景）的聲學(xué)脈沖響應(yīng)（Acoustic Impulse Response, AIR），基于卷積混響算法精準(zhǔn)還原不同空間的混響時(shí)間、早期反射系數(shù)等聲學(xué)特性，實(shí)現(xiàn)“聲”臨其境的環(huán)境感知[16]；三是多模態(tài)協(xié)同技術(shù)，通過網(wǎng)絡(luò)時(shí)間協(xié)議（Network Time Protocol, NTP）或精確時(shí)間協(xié)議（Precision Time Protocol, PTP）實(shí)現(xiàn)聲音與視覺、運(yùn)動(dòng)信號(hào)的時(shí)間戳對(duì)齊，將多模態(tài)信號(hào)同步誤差控制在≤5 ms，滿足具身交互的實(shí)時(shí)性要求[17]。

2.4 多模態(tài)具身智能：電影聲音進(jìn)階方向

多模態(tài)具身智能是電影聲音、空間音頻單/弱多模態(tài)具身模擬的進(jìn)階方向，其實(shí)現(xiàn)條件、核心接口與推進(jìn)路徑均圍繞“貼合自然具身認(rèn)知、突破模擬邊界”展開，聚焦生理、認(rèn)知、行為三大維度，要求多模態(tài)感知匹配人體跨模態(tài)生理特征、算法模型契合自然具身跨模態(tài)認(rèn)知關(guān)聯(lián)、具備“多模態(tài)感知-身體動(dòng)作-環(huán)境反饋”的閉環(huán)能力[6,7]，其本質(zhì)是“有限模擬”框架內(nèi)的技術(shù)進(jìn)階，最終逼近甚至超越自然具身認(rèn)知特征[18,19]。

具身認(rèn)知-沉浸式環(huán)境-多模態(tài)交互邏輯關(guān)系圖如圖1所示。具身認(rèn)知作為核心導(dǎo)向，明確聲音感知的優(yōu)化方向，直接決定沉浸式環(huán)境的構(gòu)建邏輯與多模態(tài)交互的設(shè)計(jì)目標(biāo)，例如ITU?R BS.2076?3《音頻定義模型》（Audio Definition Model，以下簡稱“ITU?R BS.2076標(biāo)準(zhǔn)”）[20]、ITU?T H.430.7《交互沉浸式服務(wù)要求》（Requirements of Interactive Immersive Services，以下簡稱“ITU?T H.430.7標(biāo)準(zhǔn)”）[21]，以及ITU?R BT.2420?8《高級(jí)沉浸式感官媒體系統(tǒng)使用場(chǎng)景集錦》（Collection of usage scenarios of advanced immersive sensory media systems，以下簡稱“ITU?R BT.2420標(biāo)準(zhǔn)”）[22]中關(guān)于“聲音空間定位需適配人體頭部運(yùn)動(dòng)特性”的規(guī)范，均是具身認(rèn)知導(dǎo)向的直接體現(xiàn)。沉浸式環(huán)境作為物理載體，為具身認(rèn)知的落地提供空間聲場(chǎng)基礎(chǔ)，其聲學(xué)特性直接影響感知體驗(yàn)質(zhì)量，ISO/IEC 23008?3標(biāo)準(zhǔn)[12]和ISO/IEC 23090?4標(biāo)準(zhǔn)[3]中對(duì)聲場(chǎng)重建聲學(xué)參數(shù)的嚴(yán)格要求本質(zhì)就是為了保障沉浸式環(huán)境的真實(shí)性與適配性。多模態(tài)交互作為實(shí)現(xiàn)路徑，通過多信號(hào)協(xié)同聯(lián)動(dòng)，將具身認(rèn)知的需求轉(zhuǎn)化為可感知的聲音反饋[23,24]。

圖1　具身認(rèn)知-沉浸式環(huán)境-多模態(tài)交互協(xié)同邏輯關(guān)系圖

3

電影聲音國際標(biāo)準(zhǔn)演進(jìn)

3.1 電影聲音標(biāo)準(zhǔn)演進(jìn)總體脈絡(luò)

電影聲音國際標(biāo)準(zhǔn)的演進(jìn)遵循從通道固定到元數(shù)據(jù)驅(qū)動(dòng)、從靜態(tài)呈現(xiàn)到動(dòng)態(tài)交互的核心邏輯，可劃分為3大階段，各階段技術(shù)導(dǎo)向與核心規(guī)范明確且銜接遞進(jìn)。多聲道環(huán)繞聲階段（20世紀(jì)90年代—2010年）技術(shù)發(fā)展以固定揚(yáng)聲器布局為核心，聚焦水平面環(huán)繞聲實(shí)現(xiàn)，標(biāo)準(zhǔn)僅規(guī)范聲道定位、電平匹配等基礎(chǔ)參數(shù)，確立了5.1/7.1多聲道系統(tǒng)的技術(shù)框架，其中ITU?R BS.775《帶有和無附圖的多聲道立體聲系統(tǒng)》（Multichannel stereophonic sound system with and without accompanying picture，現(xiàn)ITU?R BS.775?4）[25]系列成為5.1/7.1多聲道揚(yáng)聲器布局的核心規(guī)范，杜比數(shù)字（Dolby Digital）與DTS等專有標(biāo)準(zhǔn)則奠定了影院早期環(huán)繞聲的技術(shù)基礎(chǔ)，成為該階段的核心依據(jù)。

高級(jí)三維聲階段（2012年—2018年），技術(shù)發(fā)展邁向下一代音頻（Next Generation Audio, NGA）體系，核心突破為引入Z軸垂直高度聲道與對(duì)象化音頻技術(shù)，標(biāo)準(zhǔn)設(shè)計(jì)從固定揚(yáng)聲器布局轉(zhuǎn)向元數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)布局，實(shí)現(xiàn)三維空間聲場(chǎng)的編碼與解碼，為3D音頻標(biāo)準(zhǔn)化傳輸?shù)於ɑA(chǔ)。這一階段以ITU?R系列標(biāo)準(zhǔn)為核心，2014年發(fā)布的 ITU?R BS.2051?0 《節(jié)目制作用高級(jí)音響系統(tǒng)》（Advanced sound system for programme production，現(xiàn)ITU?R BS.2051?3[26]，以下簡稱“ITU?R BS.2051標(biāo)準(zhǔn)”）首次定義了高級(jí)音響系統(tǒng)制作規(guī)范，率先引入4.0.4、5.0.4、9.1.4等基于聲道的3D布局，支持頂置揚(yáng)聲器與對(duì)象化元數(shù)據(jù)，成為三維聲布局的基礎(chǔ)準(zhǔn)則；2017年推出的ITU?R BS.2076?1標(biāo)準(zhǔn)（現(xiàn)ITU?R BS.2076?3）[20]搭建了HRTF渲染所需的音頻定義模型（ADM）元數(shù)據(jù)框架，首次實(shí)現(xiàn)音頻對(duì)象三維空間描述體系的標(biāo)準(zhǔn)化，為后續(xù)元數(shù)據(jù)驅(qū)動(dòng)的音頻技術(shù)發(fā)展奠定了基礎(chǔ)。同時(shí)，ISO/IEC系列編碼標(biāo)準(zhǔn)形成早期技術(shù)支撐，杜比全景聲（Dolby Atmos）相關(guān)技術(shù)規(guī)范則率先推動(dòng)了對(duì)象化三維聲在影院場(chǎng)景的商業(yè)化落地，讓三維聲技術(shù)從標(biāo)準(zhǔn)定義走向?qū)嶋H應(yīng)用，共同構(gòu)建起高級(jí)三維聲的基礎(chǔ)技術(shù)體系。

2018年至今，耳機(jī)正式進(jìn)入沉浸式音頻的核心呈現(xiàn)載體領(lǐng)域，高級(jí)三維聲技術(shù)向更具沉浸感、更具交互性深度發(fā)展，開啟了雙耳交互階段。標(biāo)準(zhǔn)體系同步將基于HRTF的實(shí)時(shí)空間音頻渲染技術(shù)納入規(guī)范，新增虛擬現(xiàn)實(shí)/增強(qiáng)現(xiàn)實(shí)（VR/AR）高級(jí)沉浸式音視頻（AIAV）的交互技術(shù)要求，核心聚焦6DoF音頻渲染、多模態(tài)交互協(xié)議與具身感知適配，實(shí)現(xiàn)了用戶動(dòng)態(tài)運(yùn)動(dòng)下低延遲、高同步的具身化聲音體驗(yàn)，相關(guān)標(biāo)準(zhǔn)也在前期基礎(chǔ)上完成了全體系的迭代與完善。在元數(shù)據(jù)與渲染規(guī)范層面，2019年ITU?R BS.2076標(biāo)準(zhǔn)[20]迭代成為ADM元數(shù)據(jù)模型的成熟版本，清晰定義了音頻對(duì)象在三維空間中的位置、移動(dòng)軌跡及屬性描述規(guī)范，同年發(fā)布ITU?R BS.2088?1建議書《帶有元數(shù)據(jù)的音頻節(jié)目素材國際交換的長文件格式》（Long?form file format for the international exchange of audio programme materials with metadata，以下簡稱“ITU?R BS.2088標(biāo)準(zhǔn)”）[27]規(guī)定了BW64文件格式，實(shí)現(xiàn)ADM元數(shù)據(jù)在音頻文件中的標(biāo)準(zhǔn)化封裝，ITU?R BS.2127?0建議書《高級(jí)音響系統(tǒng)的音頻定義模型渲染器》[28]則定義了ADM參考渲染算法，確保VR頭顯、揚(yáng)聲器陣列等不同設(shè)備的渲染效果一致性；而ITU?R BS.2466?0《音頻定義模型操作實(shí)踐》（Guidelines for the use of the ITU?R ADM Renderer）[29]則成為ADM元數(shù)據(jù)的實(shí)操手冊(cè)，指導(dǎo)電影、VR場(chǎng)景中的元數(shù)據(jù)標(biāo)簽設(shè)置問題，與ITU?R BS.2076標(biāo)準(zhǔn)[20]形成“定義+應(yīng)用”的完整體系。在編碼與場(chǎng)景應(yīng)用層面，2019年發(fā)布的ISO/IEC 23090?2:2019《信息技術(shù)—沉浸式媒體的編碼表示—第 2 部分：全向媒體格式》（Information technology — Coded representation of immersive media Part 2: Omnidirectional media format，現(xiàn)ISO/IEC 23090?2:2023[30]）完善了3D音頻標(biāo)準(zhǔn)化壓縮與傳輸技術(shù)；2022年11月的ITU?R BT.2420?5標(biāo)準(zhǔn)（現(xiàn)ITU?R BT.2420?8）[22]明確了沉浸式廣播中耳機(jī)與雙耳元數(shù)據(jù)的應(yīng)用規(guī)范，覆蓋影院、移動(dòng)端VR等多場(chǎng)景需求，ITU?T H.430.7標(biāo)準(zhǔn)[21]規(guī)范了交互服務(wù)的音頻技術(shù)要求，保障頭部運(yùn)動(dòng)時(shí)3D音頻的穩(wěn)定性與低延遲。在前沿技術(shù)與實(shí)操規(guī)范層面，2022年3月更新的ITU?R BS.2159《家庭和廣播應(yīng)用中的多聲道聲音技術(shù)》（Multichannel sound technology in home and broadcasting applications）[31]詳細(xì)描述了3D音頻在電影級(jí)制作中的實(shí)際應(yīng)用，包含耳機(jī)虛擬化、輔助音頻等關(guān)鍵細(xì)節(jié)；2025年9月推出的ITU?R BS.2555?0《高級(jí)聲音系統(tǒng)制作工作流》（Production workflows for advanced sound system）[32]規(guī)范了從錄制到母帶處理的端到端全流程，指導(dǎo)核心標(biāo)準(zhǔn)的實(shí)際落地，2025年發(fā)布的ISO/IEC 23090?4標(biāo)準(zhǔn)更成為全球首個(gè)6DoF沉浸式音頻標(biāo)準(zhǔn)，填補(bǔ)了動(dòng)態(tài)交互場(chǎng)景標(biāo)準(zhǔn)化編碼的空白。此外，AES69?2020[33]制定了HRTF數(shù)據(jù)的跨平臺(tái)存儲(chǔ)與交換標(biāo)準(zhǔn)，ITU?T H.870[34]對(duì)耳機(jī)音量進(jìn)行了規(guī)范，為沉浸式音頻提供了技術(shù)共享與安全基礎(chǔ)。這一階段的標(biāo)準(zhǔn)形成了從基礎(chǔ)框架、元數(shù)據(jù)描述、文件封裝到渲染實(shí)現(xiàn)、場(chǎng)景應(yīng)用、全流程制作的完整閉環(huán)，推動(dòng)電影聲音實(shí)現(xiàn)了從靜態(tài)三維聲到動(dòng)態(tài)交互沉浸式音頻的技術(shù)跨越。

演進(jìn)核心特征呈現(xiàn)3大明確轉(zhuǎn)型：一是從“技術(shù)參數(shù)規(guī)范”向“感知體驗(yàn)優(yōu)化”延伸，標(biāo)準(zhǔn)不再局限于設(shè)備接口、信號(hào)格式等硬性參數(shù)，逐步納入人體聽覺感知適配、交互體驗(yàn)一致性等軟性要求；二是從“單一技術(shù)標(biāo)準(zhǔn)”向“多技術(shù)協(xié)同標(biāo)準(zhǔn)”發(fā)展，整合聲場(chǎng)編碼、多模態(tài)交互、物理屬性還原等跨領(lǐng)域技術(shù)要求，形成系統(tǒng)性標(biāo)準(zhǔn)體系；三是從“固定視角適配” 向“動(dòng)態(tài)交互適配”轉(zhuǎn)型，支持用戶平移、旋轉(zhuǎn)等6DoF運(yùn)動(dòng)狀態(tài)下的聲音實(shí)時(shí)適配，強(qiáng)化聲音與用戶行為的聯(lián)動(dòng)性。

3.2 行業(yè)技術(shù)革新與電影聲音標(biāo)準(zhǔn)演進(jìn)

電影聲音國際標(biāo)準(zhǔn)的演進(jìn)與行業(yè)技術(shù)革新呈現(xiàn)出互促共生的緊密關(guān)系：技術(shù)突破為標(biāo)準(zhǔn)升級(jí)提供核心動(dòng)力，而標(biāo)準(zhǔn)則通過統(tǒng)一技術(shù)接口與感知指標(biāo)，掃清技術(shù)規(guī)?；瘧?yīng)用的障礙，推動(dòng)標(biāo)準(zhǔn)體系從單純的技術(shù)參數(shù)規(guī)范向感知體驗(yàn)優(yōu)化迭代，從單一技術(shù)要求向跨領(lǐng)域協(xié)同適配升級(jí)。其核心創(chuàng)新圍繞沉浸式環(huán)境構(gòu)建、多模態(tài)交互實(shí)現(xiàn)和具身感知優(yōu)化3大技術(shù)方向展開，并與前沿技術(shù)形成精準(zhǔn)的落地適配。

這一演進(jìn)過程的核心驅(qū)動(dòng)因素多元：6DoF音頻渲染、多模態(tài)協(xié)同、具身感知建模等關(guān)鍵技術(shù)的成熟落地，為標(biāo)準(zhǔn)升級(jí)筑牢核心技術(shù)支撐；觀眾對(duì)沉浸式、交互化、具身化聲音體驗(yàn)的持續(xù)升級(jí)需求，推動(dòng)標(biāo)準(zhǔn)從“被動(dòng)呈現(xiàn)”向“主動(dòng)交互”轉(zhuǎn)型；全球電影制作、放映設(shè)備廠商的技術(shù)協(xié)同訴求，要求標(biāo)準(zhǔn)統(tǒng)一技術(shù)接口與感知指標(biāo)，以增強(qiáng)互操作性，進(jìn)一步降低產(chǎn)業(yè)協(xié)作成本；而國家產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的政策導(dǎo)向以及配套金融市場(chǎng)服務(wù)的資源支撐，更成為標(biāo)準(zhǔn)與技術(shù)協(xié)同升級(jí)的重要抓手。同時(shí)，日趨激烈的全球競(jìng)爭態(tài)勢(shì)推動(dòng)行業(yè)加速技術(shù)與標(biāo)準(zhǔn)的雙重升級(jí)，破壞式創(chuàng)新帶來的技術(shù)迭代與模式重構(gòu)，也對(duì)企業(yè)的技術(shù)研發(fā)、標(biāo)準(zhǔn)適配、產(chǎn)業(yè)布局能力形成全方位挑戰(zhàn)。

在此背景下，電影聲音技術(shù)領(lǐng)域整體演進(jìn)呈現(xiàn)出顯著規(guī)律：一是技術(shù)趨勢(shì)引領(lǐng)標(biāo)準(zhǔn)迭代，具身認(rèn)知、沉浸式、多模態(tài)等核心技術(shù)趨勢(shì)直接決定標(biāo)準(zhǔn)升級(jí)方向，技術(shù)成熟度把控標(biāo)準(zhǔn)落地節(jié)奏；二是標(biāo)準(zhǔn)與產(chǎn)業(yè)形成雙向支撐，標(biāo)準(zhǔn)通過統(tǒng)一技術(shù)規(guī)范降低產(chǎn)業(yè)協(xié)作成本，產(chǎn)業(yè)端的應(yīng)用反饋又為標(biāo)準(zhǔn)修訂提供關(guān)鍵實(shí)踐依據(jù)；三是多組織協(xié)同制定標(biāo)準(zhǔn)，SMPTE、ITU、ISO等組織分工明確、協(xié)同配合，分別聚焦制作、傳輸、應(yīng)用等產(chǎn)業(yè)鏈環(huán)節(jié)，構(gòu)建起覆蓋全產(chǎn)業(yè)鏈的標(biāo)準(zhǔn)體系，既保障了標(biāo)準(zhǔn)的全面性與適用性，也助力行業(yè)在全球競(jìng)爭中筑牢核心技術(shù)與標(biāo)準(zhǔn)優(yōu)勢(shì)。

3.3 當(dāng)前電影聲音標(biāo)準(zhǔn)演進(jìn)的重點(diǎn)方向

在行業(yè)科技創(chuàng)新和產(chǎn)業(yè)模式發(fā)展的推動(dòng)下，標(biāo)準(zhǔn)的演進(jìn)主要聚焦沉浸式環(huán)境構(gòu)建技術(shù)、多模態(tài)交互實(shí)現(xiàn)技術(shù)和具身認(rèn)知優(yōu)化技術(shù)3個(gè)方面。

沉浸式環(huán)境構(gòu)建技術(shù)創(chuàng)新依托ISO/IEC 23008?3標(biāo)準(zhǔn)[12]與ISO/IEC 23090?4標(biāo)準(zhǔn)[3]兩大核心標(biāo)準(zhǔn)的技術(shù)支撐，二者共同奠定了三維聲對(duì)象化編碼的技術(shù)基礎(chǔ)，為沉浸式聲場(chǎng)的基礎(chǔ)構(gòu)建提供標(biāo)準(zhǔn)化依據(jù)，同時(shí)創(chuàng)新性地明確了6DoF音頻渲染核心技術(shù)指標(biāo)，通過聲場(chǎng)插值算法實(shí)現(xiàn)全空間聲場(chǎng)平滑過渡，為VR/AR、全景視頻和體積視頻（Volumetric Video）等沉浸式環(huán)境應(yīng)用場(chǎng)景提供標(biāo)準(zhǔn)支撐。上文中的標(biāo)準(zhǔn)體系如ISO/IEC 23090?4標(biāo)準(zhǔn)[3]、ITU?R BS.2051標(biāo)準(zhǔn)[26]和AES69?2020[33]等從多角度對(duì)沉浸式聲音領(lǐng)域的空間定位精度優(yōu)化進(jìn)行了具體規(guī)定，聚焦聲場(chǎng)重建聲學(xué)參數(shù)適配要求，保障沉浸式環(huán)境的聲學(xué)真實(shí)性，其技術(shù)規(guī)范與具身認(rèn)知的空間感知需求高度契合，為聲場(chǎng)物理屬性還原提供標(biāo)準(zhǔn)化依據(jù)。

多模態(tài)交互實(shí)現(xiàn)技術(shù)創(chuàng)新，以信號(hào)同步與設(shè)備兼容的標(biāo)準(zhǔn)化為核心，ITU?T F.748.63《基礎(chǔ)模型增強(qiáng)數(shù)字人系統(tǒng)的框架和一般技術(shù)要求》（Framework and general technical requirements of foundation model enhanced digital human systems）[35]包含交互協(xié)議核心要求，規(guī)范聲音與視覺、運(yùn)動(dòng)信號(hào)的同步機(jī)制，為多模態(tài)信號(hào)協(xié)同提供技術(shù)框架；SMPTE ST 2110?30:2025《專業(yè)媒體在受控IP網(wǎng)絡(luò)上傳輸：PCM數(shù)字音頻》（Professional Media over Managed IP Networks — PCM Digital Audio）[17]則再次規(guī)范了專業(yè)媒體IP化傳輸中的音頻信號(hào)傳輸要求，其技術(shù)指標(biāo)與AES67標(biāo)準(zhǔn)規(guī)定[36]音頻接口、IPv4/IPv6傳輸協(xié)議相兼容，解決了聲音交互設(shè)備與虛擬場(chǎng)景系統(tǒng)的跨平臺(tái)兼容問題，為多模態(tài)協(xié)同技術(shù)的產(chǎn)業(yè)化落地提供標(biāo)準(zhǔn)化支撐。

具身認(rèn)知優(yōu)化技術(shù)創(chuàng)新的核心是將人體感知與運(yùn)動(dòng)特性系統(tǒng)性融入視聽標(biāo)準(zhǔn)體系，沉浸式聲音相關(guān)標(biāo)準(zhǔn)明確了聲音空間定位需適配人體頭部運(yùn)動(dòng)特性的技術(shù)要求，通過HRTF個(gè)性化適配、人體運(yùn)動(dòng)狀態(tài)實(shí)時(shí)響應(yīng)等規(guī)范，針對(duì)性優(yōu)化具身感知體驗(yàn)；ISO/IEC 23090?4標(biāo)準(zhǔn)[3]則引入遮擋效應(yīng)模擬、聲場(chǎng)動(dòng)態(tài)適配等技術(shù)規(guī)范，基于射線追蹤算法實(shí)現(xiàn)聲音感知與人體、環(huán)境動(dòng)態(tài)交互規(guī)律的匹配，為電影聲音具身化呈現(xiàn)的技術(shù)創(chuàng)新提供標(biāo)準(zhǔn)化依據(jù)。

4

我國電影聲音標(biāo)準(zhǔn)與裝備國產(chǎn)化路徑探索

4.1 我國電影聲音相關(guān)標(biāo)準(zhǔn)發(fā)展

我國已發(fā)布的電影聲音相關(guān)標(biāo)準(zhǔn)形成國家標(biāo)準(zhǔn)+行業(yè)標(biāo)準(zhǔn)的層級(jí)配套體系，覆蓋三維聲核心編碼、虛擬現(xiàn)實(shí)音頻、影院端設(shè)備應(yīng)用等全場(chǎng)景，核心標(biāo)準(zhǔn)規(guī)范且與產(chǎn)業(yè)需求高度適配。GB/T 46271—2025《信息技術(shù) 三維聲技術(shù) 編碼、分發(fā)與呈現(xiàn)》[37]為我國自主研發(fā)的三維聲核心國家標(biāo)準(zhǔn)，2025年8月正式發(fā)布，由全國信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會(huì)、全國廣播電視和網(wǎng)絡(luò)視聽標(biāo)準(zhǔn)化技術(shù)委員會(huì)聯(lián)合歸口。該標(biāo)準(zhǔn)以菁彩聲（Audio Vivid）為核心技術(shù)基底，是全球首個(gè)基于AI技術(shù)的音頻編解碼標(biāo)準(zhǔn)，支持多聲道聲床、音頻對(duì)象、Ambisonics聲場(chǎng)等多元呈現(xiàn)形式，可實(shí)現(xiàn)128軌音頻實(shí)時(shí)渲染。該技術(shù)體系通過國際電工委員會(huì)（IEC）音頻、視頻及多媒體系統(tǒng)與設(shè)備技術(shù)委員會(huì)（TC100）研制并正式發(fā)布數(shù)字音頻接口國際標(biāo)準(zhǔn)IEC 61937?17[38]，實(shí)現(xiàn)沉浸式聲場(chǎng)構(gòu)建方面的國際化突破，并被IEC、ITU、國際數(shù)字視頻廣播組織（DVB）三大國際組織采納，躋身全球四大三維聲音頻標(biāo)準(zhǔn)之列，成為國產(chǎn)沉浸式音頻裝備的核心標(biāo)準(zhǔn)支撐。

GB/T 44115.3標(biāo)準(zhǔn)[11]于2025年2月發(fā)布并于9月正式實(shí)施，由國家市場(chǎng)監(jiān)督管理總局、國家標(biāo)準(zhǔn)化管理委員會(huì)發(fā)布，全國信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會(huì)歸口，清華大學(xué)、中國電子技術(shù)標(biāo)準(zhǔn)化研究院等單位聯(lián)合起草，是我國虛擬現(xiàn)實(shí)音頻領(lǐng)域的首個(gè)國家標(biāo)準(zhǔn)，規(guī)范了虛擬現(xiàn)實(shí)場(chǎng)景下音頻的內(nèi)容表達(dá)、技術(shù)要求與實(shí)現(xiàn)方式，為電影虛擬現(xiàn)實(shí)沉浸式音頻制作、呈現(xiàn)提供統(tǒng)一技術(shù)規(guī)范，填補(bǔ)了我國虛擬視聽音頻標(biāo)準(zhǔn)的空白。

T/UWA 038.3-1—2025《菁彩影院技術(shù) 第3-1部分：菁彩聲影院端音頻處理器技術(shù)要求和測(cè)量方法》[39]為團(tuán)體標(biāo)準(zhǔn)，由中國電影科學(xué)技術(shù)研究所（中央宣傳部電影技術(shù)質(zhì)量檢測(cè)所）等單位起草并于2025年發(fā)布實(shí)施，聚焦影院端菁彩聲音頻處理器核心技術(shù)要求，明確影院端音頻處理器音頻通路動(dòng)態(tài)范圍、總諧波失真等關(guān)鍵性能指標(biāo)，規(guī)范沉浸式聲音播放設(shè)備的測(cè)量方法，適應(yīng)國內(nèi)影院實(shí)際放映場(chǎng)景需求，為菁彩聲技術(shù)在影院場(chǎng)景的規(guī)?；涞靥峁┬袠I(yè)支撐。

4.2 自主知識(shí)產(chǎn)權(quán)電影聲音裝備發(fā)展現(xiàn)狀和挑戰(zhàn)

電影聲音裝備國產(chǎn)化聚焦沉浸式音頻處理器、多模態(tài)交互終端、聲場(chǎng)渲染設(shè)備等核心品類的自主研發(fā)、生產(chǎn)與應(yīng)用，目前在核心領(lǐng)域已取得階段性突破并形成梯度發(fā)展格局，中低端沉浸式音頻處理器已實(shí)現(xiàn)國產(chǎn)化并在國內(nèi)中小影院市場(chǎng)形成一定市場(chǎng)份額，聲場(chǎng)渲染設(shè)備可滿足常規(guī)電影制作需求并落地國內(nèi)部分影視制作場(chǎng)景，多模態(tài)交互終端則尚處研發(fā)起步階段，暫未形成成熟產(chǎn)品與規(guī)?；瘧?yīng)用場(chǎng)景。

國產(chǎn)化裝備的核心優(yōu)勢(shì)集中于產(chǎn)業(yè)生態(tài)與本土場(chǎng)景適配層面，國內(nèi)已形成從芯片設(shè)計(jì)、設(shè)備制造到終端應(yīng)用的完整產(chǎn)業(yè)鏈，成本控制能力較強(qiáng)且產(chǎn)品具備價(jià)格優(yōu)勢(shì)，同時(shí)裝備研發(fā)契合國內(nèi)影院放映、影視制作的實(shí)際需求，在兼容性、操作便捷性等方面更適配國內(nèi)用戶使用習(xí)慣，加之發(fā)展超高清視頻產(chǎn)業(yè)、建設(shè)電影強(qiáng)國等政策扶持，行業(yè)研發(fā)投入持續(xù)增加，產(chǎn)業(yè)化進(jìn)程得以加速推進(jìn)。

當(dāng)前我國電影聲音裝備國產(chǎn)化發(fā)展仍面臨多重挑戰(zhàn)，受產(chǎn)業(yè)上下游配套及微電子產(chǎn)業(yè)發(fā)展環(huán)境制約，高端領(lǐng)域與國際先進(jìn)水平存在明顯差距，核心問題體現(xiàn)在4方面：一是高端核心技術(shù)存在代差，6DoF音頻渲染、個(gè)性化HRTF建模、多模態(tài)協(xié)同處理等核心算法對(duì)外依賴度較高，高端裝備市場(chǎng)仍被國際品牌壟斷；二是具身感知類裝備研發(fā)滯后，缺乏適配具身認(rèn)知導(dǎo)向的感知優(yōu)化裝備，難以滿足行業(yè)具身化聲音體驗(yàn)的市場(chǎng)需求；三是部分產(chǎn)品標(biāo)準(zhǔn)符合性不足，技術(shù)指標(biāo)與國際主流標(biāo)準(zhǔn)存在偏差，認(rèn)證體系建設(shè)有待完善，導(dǎo)致產(chǎn)品出口受限，難以有效融入全球產(chǎn)業(yè)鏈；四是產(chǎn)業(yè)上下游配套支撐能力不足，微電子產(chǎn)業(yè)在高算力音頻處理芯片、高精度傳感器等核心硬件領(lǐng)域的發(fā)展短板，直接制約高端裝備的研發(fā)與生產(chǎn)，同時(shí)上游核心元器件對(duì)外采購比例較高，供應(yīng)鏈穩(wěn)定性受外部環(huán)境影響，下游應(yīng)用場(chǎng)景相對(duì)單一，高端市場(chǎng)突破難度較大。

4.3 我國電影聲音標(biāo)準(zhǔn)研制發(fā)展方向

回顧上述國產(chǎn)化發(fā)展面臨的核心挑戰(zhàn)，從國際標(biāo)準(zhǔn)對(duì)標(biāo)視角進(jìn)一步分析不難發(fā)現(xiàn)，我國電影聲音標(biāo)準(zhǔn)雖在沉浸式聲場(chǎng)編碼等基礎(chǔ)領(lǐng)域?qū)崿F(xiàn)與國際標(biāo)準(zhǔn)兼容，核心技術(shù)指標(biāo)達(dá)到國際先進(jìn)水平，但從整體來看，標(biāo)準(zhǔn)的系統(tǒng)性和前瞻性仍有待進(jìn)一步提升。

在標(biāo)準(zhǔn)體系方面，當(dāng)前我國正逐步構(gòu)建具身感知與多模態(tài)協(xié)同的標(biāo)準(zhǔn)框架，在人體運(yùn)動(dòng)適配、個(gè)性化感知優(yōu)化、多模態(tài)交互協(xié)議及信號(hào)同步機(jī)制等細(xì)分領(lǐng)域仍存在缺失。隨著標(biāo)準(zhǔn)與裝備研發(fā)協(xié)同機(jī)制的持續(xù)優(yōu)化，未來有望進(jìn)一步發(fā)揮標(biāo)準(zhǔn)對(duì)技術(shù)創(chuàng)新的引領(lǐng)作用，推動(dòng)裝備技術(shù)指標(biāo)更加貼合實(shí)際應(yīng)用需求，降低核心算法對(duì)外依存度，為構(gòu)建自主可控的技術(shù)體系奠定堅(jiān)實(shí)基礎(chǔ)。

在技術(shù)內(nèi)容層面，國產(chǎn)標(biāo)準(zhǔn)在具身感知適配與多模態(tài)協(xié)同協(xié)議等關(guān)鍵方向上尚有提升空間，這反映出我們正處于關(guān)鍵技術(shù)快速追趕和突破的窗口期。通過加大研發(fā)投入與跨領(lǐng)域協(xié)同創(chuàng)新，國內(nèi)技術(shù)力量有望迅速補(bǔ)齊短板，實(shí)現(xiàn)具身化與多模態(tài)交互關(guān)鍵技術(shù)的本地化落地。伴隨核心性能指標(biāo)不斷對(duì)標(biāo)國際先進(jìn)水平，國產(chǎn)裝備將顯著提升具身交互體驗(yàn)質(zhì)量，拓展多模態(tài)技術(shù)在多元場(chǎng)景中的應(yīng)用潛力，從而有力支撐國產(chǎn)化裝備加快邁向中高端市場(chǎng)。

在產(chǎn)業(yè)應(yīng)用方面，盡管我國當(dāng)前以傳統(tǒng)沉浸式音頻應(yīng)用為主，具身感知與多模態(tài)交互的產(chǎn)業(yè)化仍處于探索和試點(diǎn)推廣階段，但這一現(xiàn)狀也預(yù)示了廣闊的發(fā)展前景與后發(fā)優(yōu)勢(shì)。隨著應(yīng)用場(chǎng)景的不斷豐富與滲透率的穩(wěn)步提升，一個(gè)以“標(biāo)準(zhǔn)引領(lǐng)-裝備研發(fā)-場(chǎng)景應(yīng)用”為主線的良性產(chǎn)業(yè)生態(tài)正在逐步形成。未來，依托豐富的應(yīng)用實(shí)踐與持續(xù)優(yōu)化的標(biāo)準(zhǔn)體系，我國有望在具身智能和多模態(tài)交互領(lǐng)域打造具有全球影響力的產(chǎn)業(yè)高地，進(jìn)一步增強(qiáng)國產(chǎn)裝備的國際競(jìng)爭力和品牌影響力。

5

結(jié)語與展望

人工智能（AI）作為全球新一輪科技革命的關(guān)鍵驅(qū)動(dòng)力，其產(chǎn)業(yè)特性決定了標(biāo)準(zhǔn)化能力對(duì)產(chǎn)業(yè)質(zhì)量提升的重要意義；具身智能作為國家戰(zhàn)略布局的未來產(chǎn)業(yè)新賽道，已正式納入“十五五”規(guī)劃，成為培育新質(zhì)生產(chǎn)力、推動(dòng)經(jīng)濟(jì)發(fā)展的新引擎[40,41]，為我國電影聲音裝備國產(chǎn)化提供了重要發(fā)展契機(jī)與戰(zhàn)略指引。結(jié)合國際標(biāo)準(zhǔn)演進(jìn)規(guī)律與我國國產(chǎn)化發(fā)展實(shí)際，電影聲音裝備國產(chǎn)化需跳出路徑依賴，堅(jiān)守“標(biāo)準(zhǔn)引領(lǐng)、技術(shù)創(chuàng)新、協(xié)同發(fā)展、國際適配”核心原則，構(gòu)建差異化高質(zhì)量發(fā)展路徑，立足國內(nèi)產(chǎn)業(yè)需求、對(duì)接國際先進(jìn)規(guī)范，破解高端短板、打通發(fā)展堵點(diǎn)，形成“技術(shù)自主-標(biāo)準(zhǔn)適配-產(chǎn)業(yè)落地-國際拓展”的良性循環(huán)。

我國電影行業(yè)可依托國際標(biāo)準(zhǔn)演進(jìn)的技術(shù)導(dǎo)向，聚焦三大核心裝備領(lǐng)域，開展有針對(duì)性的精準(zhǔn)突破：一是在沉浸式環(huán)境裝備領(lǐng)域，行業(yè)以國際相關(guān)標(biāo)準(zhǔn)為對(duì)標(biāo)核心，重點(diǎn)攻克6DoF音頻渲染、聲場(chǎng)插值優(yōu)化、遮擋效應(yīng)模擬等關(guān)鍵技術(shù)，著力構(gòu)建契合中國人群聽覺特性的個(gè)性化HRTF樣本數(shù)據(jù)庫，系統(tǒng)性填補(bǔ)國內(nèi)在該領(lǐng)域的技術(shù)空白，進(jìn)一步強(qiáng)化國產(chǎn)裝備在具身感知適配方面的能力。二是在多模態(tài)交互裝備領(lǐng)域，科研機(jī)構(gòu)與企業(yè)共同借鑒國際多模態(tài)協(xié)同相關(guān)標(biāo)準(zhǔn)規(guī)范，重點(diǎn)研發(fā)支持多模態(tài)信號(hào)協(xié)同處理的核心器件，持續(xù)優(yōu)化跨模態(tài)信號(hào)的同步機(jī)制，開發(fā)兼具低成本和高適配性的交互終端產(chǎn)品，切實(shí)推動(dòng)多模態(tài)交互技術(shù)的規(guī)?；瘧?yīng)用與整體成本優(yōu)化。三是在具身認(rèn)知導(dǎo)向感知優(yōu)化裝備領(lǐng)域，高校、研究院所及相關(guān)企業(yè)參考國際感知優(yōu)化標(biāo)準(zhǔn)的具體要求，聯(lián)合攻關(guān)人體運(yùn)動(dòng)與聲場(chǎng)動(dòng)態(tài)匹配等感知適配技術(shù)，開發(fā)相應(yīng)裝備。同時(shí)，構(gòu)建科學(xué)完善的具身化聲音評(píng)價(jià)體系與量化評(píng)估指標(biāo)，為國產(chǎn)裝備性能驗(yàn)證提供理論依據(jù)和技術(shù)支撐，確保其感知體驗(yàn)?zāi)軌蜻_(dá)到國際先進(jìn)水平。

在標(biāo)準(zhǔn)體系構(gòu)建方面，我國電影行業(yè)應(yīng)以國際標(biāo)準(zhǔn)為標(biāo)桿，持續(xù)完善國產(chǎn)標(biāo)準(zhǔn)體系，強(qiáng)化標(biāo)準(zhǔn)對(duì)技術(shù)創(chuàng)新與產(chǎn)業(yè)發(fā)展的賦能效能，系統(tǒng)破解國產(chǎn)化發(fā)展過程中的標(biāo)準(zhǔn)瓶頸。一方面，加快補(bǔ)充具身認(rèn)知導(dǎo)向的感知優(yōu)化、多模態(tài)交互協(xié)議等關(guān)鍵領(lǐng)域的規(guī)范內(nèi)容，實(shí)現(xiàn)國內(nèi)標(biāo)準(zhǔn)與國際標(biāo)準(zhǔn)的精準(zhǔn)對(duì)接與協(xié)同發(fā)展；另一方面，注重增強(qiáng)不同層級(jí)、不同領(lǐng)域標(biāo)準(zhǔn)之間的協(xié)同性，構(gòu)建起覆蓋“感知-交互-裝備”全鏈條的完整標(biāo)準(zhǔn)體系，有效避免規(guī)范交叉與沖突。此外，應(yīng)建立健全標(biāo)準(zhǔn)與技術(shù)創(chuàng)新間的聯(lián)動(dòng)更新機(jī)制，縮短標(biāo)準(zhǔn)研制和修訂周期，確保標(biāo)準(zhǔn)具備良好的時(shí)效性與前瞻性，全面發(fā)揮標(biāo)準(zhǔn)對(duì)裝備研發(fā)方向的引領(lǐng)與工程實(shí)踐的支撐作用。

在推動(dòng)國產(chǎn)化裝備國際化布局方面，我國電影行業(yè)應(yīng)以核心標(biāo)準(zhǔn)的國際影響力為依托，引導(dǎo)和支持國產(chǎn)裝備積極通過國際標(biāo)準(zhǔn)認(rèn)證，嚴(yán)格對(duì)標(biāo)國際市場(chǎng)的技術(shù)準(zhǔn)入門檻，穩(wěn)步拓展海外應(yīng)用市場(chǎng)，實(shí)現(xiàn)從“跟標(biāo)適配”向“對(duì)標(biāo)引領(lǐng)”的戰(zhàn)略躍升。同時(shí)，鼓勵(lì)國內(nèi)產(chǎn)學(xué)研各界深度參與國際標(biāo)準(zhǔn)研制工作，主動(dòng)將我國自主研發(fā)的關(guān)鍵技術(shù)和典型產(chǎn)業(yè)實(shí)踐經(jīng)驗(yàn)融入國際標(biāo)準(zhǔn)體系，持續(xù)提升我國在電影聲音等標(biāo)準(zhǔn)領(lǐng)域的影響力和話語權(quán)，為國產(chǎn)裝備“走出去”營造更有利的制度環(huán)境。通過在國際市場(chǎng)開展試點(diǎn)示范應(yīng)用，驗(yàn)證國產(chǎn)技術(shù)與裝備的實(shí)用性與可靠性，進(jìn)一步加快產(chǎn)業(yè)化推廣步伐，推動(dòng)我國電影聲音裝備國產(chǎn)化邁入高質(zhì)量發(fā)展的新階段，為我國實(shí)現(xiàn)從電影大國向電影強(qiáng)國的邁進(jìn)提供有力支撐。

參考文獻(xiàn)

（向下滑動(dòng)閱讀）

[1] 張靖博.后電影聲景:數(shù)字聲音的具身性重構(gòu)[J/OL].未來傳播,1?9[2026?02?02].https://doi.org/10.13628/j.cnki.zjcmxb.20251219.004.

[2] MRóZ B, KABACI?SKI M, CIOTUCHA T, et al. Production of six?degrees?of?freedom (6DoF) navigable audio using 30 Ambisonic microphones[C]//IEEE 2021 Immersive and 3D Audio: from Architecture to Automotive (I3DA) , 2021:1?5.

[3] ISO. Information technology — Coded representation of immersive media — Part 4: MPEG-I immersive audio: ISO/IEC 23090-4:2025[S],2025

[4] WOODARD B, GELETA M, LAVIOLA J J, et al. AudioMiXR: Spatial audio object manipulation with 6D oF for sound design in augmented reality[C]//Proceedings of ACM Interact. Mob. Wearable Ubiquitous Technol, 2025, 9(3):1?41.

[5] 國家廣播電視總局. 三維聲編解碼及渲染：GY/T 363—2023[S]. 北京：中國標(biāo)準(zhǔn)出版社，2023.

[6] 陳巍,殷融,張靜.具身認(rèn)知心理學(xué)：大腦、身體與心靈的對(duì)話[M]. 北京：科學(xué)出版社，2021.

[7] 張霞,鄒悅.光影之外的聲音魅力——評(píng)《電影聲音的故事建構(gòu)》[EB/OL].(2025?02?06)[2026?03?04].https://www.cflac.org.cn/xw/202502/t20250206_1338356.html.

[8] VARELA F J, THOMPSON E, ROSCH E. The embodied mind: Cognitive science and human experience[M]. Massachusetts: The MIT Press,1991.

[9] 杜鑫. 空間、具身、互動(dòng)和引導(dǎo)：VR電影敘事的邏輯[J]. 電影新作, 2023(01): 92?101.

[10] 董強(qiáng)國. 數(shù)字電影沉浸式音頻渲染技術(shù)和評(píng)價(jià)方法研究[J]. 現(xiàn)代電影技術(shù), 2024(10): 37?43.

[11] 方捷新.標(biāo)準(zhǔn)化將促進(jìn)沉浸式聲音技術(shù)健康有序發(fā)展[J].現(xiàn)代電影技術(shù),2017(05):63.

[12] ISO.Information technology — High efficiency coding and media delivery in heterogeneous environments — Part 3: 3D audio: ISO/IEC 23008?3:2026[S],2026.

[13] 信息技術(shù) 虛擬現(xiàn)實(shí)內(nèi)容表達(dá) 第3部分: 音頻：GB/T 44115.3?2025[S],2025.

[14] 王豐. 電影沉浸式音頻碼流規(guī)范及功能特性研究[J]. 現(xiàn)代電影技術(shù), 2024(03): 39?45,52.

[15] 王豐. 數(shù)字電影沉浸式音頻元數(shù)據(jù)與聲場(chǎng)組相關(guān)技術(shù)標(biāo)準(zhǔn)解析[J]. 現(xiàn)代電影技術(shù), 2023(05): 41?46,40.

[16] 董強(qiáng)國, 龔波. 數(shù)字電影沉浸式音頻實(shí)時(shí)處理技術(shù)研究[J]. 現(xiàn)代電影技術(shù), 2024(04): 7?14,21.

[17] SMPTE. Professional Media Over Managed IP Networks — PCM Digital Audio: ST 2110?30:2025[EB/OL].(2025?10?01)[2026?03?04].https://drastic.tv/images/documentation/st2110-30-2025.pdf.

[18] 毛瀟涵,朱宸銘,王泰,等.M3Fusion:面向具身3D感知的統(tǒng)一多視角多模態(tài)融合框架[J].中國科學(xué):信息科學(xué),2026,56(02):312?326.

[19] 喻國明,張競(jìng)文,李子元,等.從表征傳播到預(yù)測(cè)傳播：空間智能語境下具身傳播的新范式[J].學(xué)術(shù)探索,2025(11):49?59.

[20] International Telecommunication Union Radiocommunication Sector. Audio definition model: Rec. ITU?R BS.2076?3[S],2025.

[21] International Telecommunication Union Standardization Sector. Requirements of interactive immersive services: ITU?T H.430.7[S],2023.

[22] International Telecommunication Union Radiocommunication Sector. Collection of usage scenarios of advanced immersive sensory media systems: ITU?R BT.2420?8[S],2025.

[23] AGREVAL S, SIMON A, BECH S, et al. Defining Immersion: Literature Review and Implications for Research on Immersive Audiovisual Experiences[J].Journal of Audio Engineering Society, 2019,68(6), 404?417.

[24] DISCH S, TERENTIV L, KOPPENS J, et al. MPEG?I Immersive Audio – The Technology Of The New Standard For Virtual / Augmented Reality Audio[EB/OL].(2025?10?14)[2026?03?04].https://aes.org/publications/elibrary-page/?id=23078.

[25] 國際電信聯(lián)盟.ITU?R BS.775?4建議書 帶有和無附圖的多聲道立體聲系統(tǒng)[EB/OL].(2023?03?07)[2026?03?04].https://www.itu.int/dms_pubrec/itu-r/rec/bs/R-REC-BS.775-4-202212-I!!PDF-C.pdf.

[26] 國際電信聯(lián)盟.ITU?R BS.2051?3建議書 用于節(jié)目制作的高級(jí)音響系統(tǒng)[EB/OL].(2023?05?02)[2026?03?04].https://www.itu.int/dms_pubrec/itu-r/rec/bs/R-REC-BS.2051-3-202205-I!!PDF-C.pdf.

[27] International Telecommunication Union Radiocommunication Sector. Long?form file format for the international exchange of audio programme materials with metadata: ITU?R BS.2088?2[S],2025.

[28] 國際電信聯(lián)盟.ITU?R BS.2127?0建議書 高級(jí)音響系統(tǒng)的音頻定義模型渲染器[EB/OL].(2023?11?03)[2026?03?04].https://www.itu.int/dms_pubrec/itu-r/rec/bs/R-REC-BS.2127-0-201906-S!!PDF-C.pdf.

[29] International Telecommunication Union Radiocommunication Sector. Guidelines for the use of the ITU?R ADM Renderer[EB/OL].(2019?10?01)[2026?03?04].https://www.itu.int/pub/R-REP-BS.2466-2019.

[30] ISO/IEC 23090?2:2023：Information technology — Coded representation of immersive media Part 2: Omnidirectional media format[EB/OL].(2023?06?09)[2026?03?04].https://webstore.iec.ch/en/publication/86236.

[31] International Telecommunication Union Radiocommunication Sector. Multichannel sound technology in home and broadcasting applications: ITU?R BS.2159?9[S],2022.

[32] International Telecommunication Union Radiocommunication Sector. Production workflows for advanced sound system: ITU?R BS.2555?0[S],2025.

[33] Audio Engineering Society. AES standard for file exchange?Spatial acoustic data file format: AES69?2020[S],2020.

[34] International Telecommunication Union Standardization Sector.Guidelines for safe listening devices/systems: ITU?T H.870[S],2022.

[35] International Telecommunication Union Standardization Sector.Framework and general technical requirements of foundation model enhanced digital human systems: ITU?T F.748.63[S],2025.

[36] Audio Engineering Society. AES Standard for Audio Applications of Networks?High?performance streaming audio?over?IP interoperability: AES67?2023[S],2023.

[37] 全國信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會(huì)，全國廣播電視和網(wǎng)絡(luò)視聽標(biāo)準(zhǔn)化技術(shù)委員會(huì).信息技術(shù) 三維聲技術(shù) 編碼、分發(fā)與呈現(xiàn): GB/T 46271—2025[S], 2025.

[38] Digital audio ? Interface for non?linear PCM encoded audio bitstreams applying IEC 60958 ? Part 17: Non?linear PCM bitstreams according to the AVS3?P3 format: IEC 61937?17: 2025[S],2025.

[39] 世界超高清視頻產(chǎn)業(yè)聯(lián)盟.菁彩影院技術(shù) 第3-1部分：菁彩聲影院端音頻處理器技術(shù)要求和測(cè)量方法：T/UWA 038.3-1—2025[S/OL].(2025?10?15)[2026?03?04].https://www.theuwa.com//upload/ueditor/file/20251015/176048926 5169653/d6adb9139d5b2416c736c2747163a78e.pdf.

[40] 楊子怡，鄧聰.具身智能加速落地產(chǎn)業(yè)發(fā)展領(lǐng)跑全球[N].人民郵電,2026?01?21(001).DOI:10.28659/n.cnki.nrmyd.2026.000095.

[41] 李群.融智于身，賦形以慧：以具身智能擘畫中國現(xiàn)代化產(chǎn)業(yè)新圖景[J].中國科技論壇,2026(01):3.DOI:10.13580/j.cnki.fstc.2026.01.001.

期刊導(dǎo)讀 |《現(xiàn)代電影技術(shù)》2026年第3期

影視數(shù)字資產(chǎn)的智能構(gòu)建：基于Multi?SLAM+3DGS技術(shù)的三維數(shù)字重建方案研究

電影SDR與HDR映射結(jié)構(gòu)研究——基于ASC StEM2技術(shù)測(cè)試片的實(shí)證分析