تکنیک جدید تولید صدا مبتنی بر فیزیک

یک تکنیک نوین سنتز صدا با تحلیل اشیاء در صحنه‌های بصری و شبیه‌سازی امواج فشار در نمایش‌های وکسل‌بندی‌شده، صداهای واقعی تولید می‌کند. این روش محیط‌های صوتی پویا و دقیق از نظر فیزیکی را بدون اتکا به نمونه‌های از پیش ضبط‌شده یا هوش مصنوعی ایجاد می‌کند.

خلاصه نکات کلیدی

• معرفی تکنیک جدید سنتز صدا

  یک تکنیک نوین سنتز صدا قادر است اشیاء را در یک صحنه تحلیل کرده و متعاقباً صداهای مرتبط با آن‌ها را بدون نیاز به صدای از پیش ضبط‌شده یا هوش مصنوعی تولید کند.

• واقع‌گرایی و شبیه‌سازی

  شبیه‌سازی کامپیوتری صداهای تولیدشده توسط این تکنیک به طرز قابل توجهی واقع‌گرایانه است و اغلب از صدای واقعی قابل تشخیص نیست، که در ابتدا باعث ناباوری در مورد منشاء دیجیتال آن می‌شود.

• سازوکار اصلی تولید صدا

  این تکنیک با تجزیه اشیاء به «وکسل» (قطعات حجمی کوچک) و سپس شبیه‌سازی رفتار امواج فشار در حین تعامل و انتشار در این نمایش‌های وکسل‌بندی‌شده، صدا ایجاد می‌کند.

• تعامل روان اشیاء و به‌روزرسانی‌های صدا

  این روش هوا را بین نمایش‌های وکسل‌بندی‌شده اشیاء در حین حرکت یا تغییر شکل، به‌طور یکپارچه تغییر شکل می‌دهد، که امکان به‌روزرسانی روان صدا را بدون بریدگی یا پاپ قابل شنیدن فراهم می‌کند، شبیه به دی‌جی که آهنگ‌ها را ترکیب می‌کند.

• آگاهی محیطی در صدا

  حل‌کننده (solver) ذاتاً خواص آکوستیک فضایی را که صداها در آن رخ می‌دهند، درک می‌کند و به‌طور خودکار، مثلاً تفاوت صدای پاشش آب نزدیک دیوار را از صدای پاشش آب در یک فضای باز تشخیص می‌دهد و تجربیات شنیداری دقیق از نظر فیزیکی ایجاد می‌کند.

• تأثیر بر تولید رسانه

  این تکنیک نیاز به قرار دادن دستی جلوه‌های صوتی در بازی‌ها و فیلم‌ها را از بین می‌برد، زیرا موتور فیزیک (physics engine) به‌طور خودکار صدای مورد نیاز را تولید کرده و زمان توسعه قابل توجهی را صرفه‌جویی می‌کند.

• تأثیر هندسه بر صدا

  این سیستم هندسه را به‌طور دقیق در نظر می‌گیرد، که با نحوه تولید صدای خفه توسط یک منبع صوتی محصور شده توسط دست‌ها نشان داده می‌شود و دقیقاً میرایی آکوستیک فیزیکی دنیای واقعی را منعکس می‌کند.

• قابلیت‌های حل‌کننده یکپارچه

  یک حل‌کننده یکپارچه واحد، تعاملات صوتی متنوعی از جمله صداهای از پیش ضبط‌شده، پوسته‌های لرزان، مایعات در حال حرکت و اشیاء سختی مانند لگو را ادغام می‌کند و نیاز به الگوریتم‌های تخصصی متعدد را از بین می‌برد.

• عملکرد و شتاب‌دهی GPU

  این تکنیک از شبکه‌های یکنواخت استفاده می‌کند که آن را بسیار مناسب GPU می‌سازد و بهبودهای قابل توجهی در سرعت را ممکن می‌کند، با افزایش‌های معمول ۱۴۰ برابری و تا ۱۰۰۰ برابر سریع‌تر از حل‌کننده‌های سنتی CPU چند هسته‌ای.

• پتانسیل تعاملی بلادرنگ

  برخی شبیه‌سازی‌ها، حتی در رزولوشن‌های پایین، سریع‌تر از بلادرنگ (real-time) اجرا می‌شوند، که نشان‌دهنده یک گام مهم به سمت شبیه‌سازی‌های صوتی تعاملی در کاربردهای مختلف است.

• جلوگیری از آرتیفکت‌های «پاپ»

  درون‌یابی روان بین فریم‌های انیمیشن حاصل می‌شود، که از آرتیفکت‌های «پاپ» رایج در روش‌های قبلی جلوگیری کرده و یک تجربه شنیداری یکپارچه را تضمین می‌کند.

• مدیریت تغییرات هندسی پیچیده

  این سیستم به صورت قوی تحولات هندسی شدید، مانند باز و بسته شدن حفره‌ها را بدون بی‌ثباتی عددی (numerical instability) مدیریت می‌کند.

• شبیه‌سازی صدا در مقیاس بزرگ

  این تکنیک قادر به شبیه‌سازی بیش از ۳۰۰,۰۰۰ صدای همزمان برخورد آبنبات است، اگرچه هنوز بلادرنگ (real-time) نیست و تقریباً ۱۵ ثانیه برای محاسبه ۱ ثانیه صدا نیاز دارد.

• راه‌حل مشکل ظاهر شدن هوا

  این تکنیک، چالش هوای تازه ظاهر شده پس از حرکت اشیاء را با حل جهانی میدان‌های فشار و سرعت از دست رفته با استفاده از روش حداقل مربعات (least-squares method) حل می‌کند و پایداری شبیه‌سازی را حفظ می‌کند.

• پشتیبانی از منابع صوتی نقطه‌مانند

  این روش از منابع صوتی کوچک نقطه‌مانند برای عناصر دقیق مانند آوار یا پاشش‌ها پشتیبانی می‌کند و نیاز به شبکه‌های فوق‌العاده ظریف را برای ثبت رویدادهای صوتی ظریف کاهش می‌دهد.

• هندسه «فانتوم» برای طراحی صدا

  این سیستم امکان ادغام هندسه «فانتوم» (ساختارهای ریاضی، نه اشیاء فیزیکی) را برای شکل‌دهی و سفارشی‌سازی خروجی صدا فراهم کرده و قابلیت‌های پیشرفته طراحی صدا را ارائه می‌دهد.

• بازنشانی هوشمند شرایط مرزی برای اشیاء متحرک

  برای اشیاء متحرک، شرایط مرزی (boundary conditions) به‌طور هوشمندانه بازنشانی می‌شوند، که از پاپ‌های ناگهانی صدا هنگام ورود یک شیء به منطقه پر سر و صدا جلوگیری کرده و باورپذیری فیزیکی را تضمین می‌کند.

• پیامدهای آینده و تعامل بلادرنگ

  این تکنیک در حال نزدیک شدن به سنتز صدای تعاملی بلادرنگ (real-time) است و آینده‌ای را متصور می‌شود که در آن VR، بازی‌ها و شبیه‌سازی‌ها به جای صدای ایستا و از پیش ضبط‌شده، دارای صحنه‌های صوتی پویا و محاسبه‌شده بر اساس فیزیک باشند و بر آینده‌ای تأکید می‌کند که در آن صدا محاسبه می‌شود، نه ضبط.

• دسترسی‌پذیری و منابع باز

  کد و مجموعه داده برای این کار پیشگامانه به صورت رایگان برای عموم در دسترس هستند.

زیر جزئیات