研究：IVAS编解码器显著优于传统多声道方案，但对混响内容仍存挑战

编辑：广东客 | 分类：论文 | 2026年6月29日

IVAS编解码器显著优于传统多声道方案，但对混响内容仍存挑战

（映维网Nweon 2026年06月29日）随着虚拟现实、增强现实和沉浸式游戏对空间音频需求的激增， Higher-Order Ambisonics（HOA）格式因其支持头部追踪和灵活旋转声场的特性而备受关注。然而，三阶HOA需要同时传输16个声道，未压缩时比特率高达12,288 kbps，这对存储和通信带宽构成巨大压力。所以，3GPP最新标准化的IVAS沉浸式语音和音频服务编解码器提供了基于场景的音频（SBA）模式，专用于HOA压缩。

日前，Orange研究中心介绍了一项系统性主观听觉实验，首次详细对比了IVAS与朴素多单声道编码（EVSx16）在不同内容类型和比特率下的感知质量差异。

研究：IVAS编解码器显著优于传统多声道方案，但对混响内容仍存挑战

研究团队选取了13种具有代表性的三阶HOA音频项目，涵盖语音（单人或三人对话）、音乐（民谣、爵士、交响、流行）和复杂氛围声（派对、掌声）。空间化方法包括理想平面波合成、基于球形麦克风阵列（SMA）的实测房间脉冲响应（SRIR）卷积，以及SMA原生录音。测试在符合ITU-R BS.1116标准的听音室中，通过29只扬声器球阵列进行MUSHRA主观评分，共19名专家听者参与。

编码条件包括IVAS在32、64、128、256 kbps四个比特率，以及EVS单声道编解码器独立用于每个HOA声道（总比特率262和512 kbps）作为基准，另设3.5 kHz低通锚点。

团队的主要发现是：IVAS全面优于多单声道，但存在“偏好”偏差

在256 kbps vs 262 kbps的相近比特率下，IVAS的MUSHRA平均得分几乎对所有项目均高于EVSx16，仅在“派对氛围”（AMB）项目中EVSx16高出11分（差异显著），在爵士乐队（BND）中两者无显著差异。研究指出，IVAS通过SPAR和DirAC算法利用声道间相关性，将信息压缩至少量传输声道（TCs，1~4个），从而允许每个TC使用更高比特率，减少核心编解码器的音色伪影。

另外，IVAS对由有限数量平面波合成的信号（如单说话人、流行歌曲）表现出极强的鲁棒性，即便在32 kbps下仍能获得优秀评分（>80）。EVSx16则相反，在空间扩散混响内容（如混响语音、管弦乐）方面表现相对较好。

第二个实验专门针对“无回声平面波”与“对应混响SRIR”的配对内容（共3类、6组数据）进行精细比较，结果证实：

EVSx16偏袒混响信号（平均高出20个MUSHRA点），且该偏差不随比特率变化（支持假设H3、H4）。
IVAS偏袒无回声信号，在64 kbps时偏差高达35点，256 kbps时降至20点，呈现随比特率增加而减小的趋势（支持H1、H2）。
低比特率下的异常：IVAS在32 kbps时对无回声信号的评分大幅下降，导致对混响的偏差虽然仍为正，但不服从更高比特率的递减规律，研究认为这源于TC数量不足导致的核心编码崩溃。

研究团队分析认为，IVAS的SPAR/DirAC算法核心依赖于信号协方差矩阵和去相关滤波器，对于高度相关的平面波信号能高效预测和重建；但对于自然混响或复杂声场，HOA分量间的相关性降低，压缩效率下降，且去相关滤波器难以完美匹配真实扩散场。实验发现，将IVAS从64 kbps提升至128 kbps（增加一个TC）对无回声单平面波信号几乎无质量增益，但对混响版本则有明显提升，这间接支持了“去相关滤波器替代TC能力不足”的假设。

研究者强调，尽管IVAS在大多数场景下优于传统多单声道方案，但其性能偏科现象为下一代空间音频编码器指明了改进方向——需在低比特率下更好地处理扩散性、自然混响及复杂环境声，同时维持对定向信号的保真度。