گزینه صوتی که نتیجه مسابقات را تغییر می‌دهد: پردازش فضایی HRTF در برابر صدای فراگیر مجازی ۷.۱

بازیکنانی که پیش از یک مسابقه فشرده در منوی تنظیمات صوتی به گزینه‌ها نگاه می‌کنند، ناخواسته با تصمیمی روبه‌رو هستند که می‌تواند سرنوشت بازی را تغییر دهد: اینکه آیا صدای حریفی را که از بالکن پایین می‌پرد با دقت سه‌بعدی می‌شنوند یا فقط چند ردپای مبهم روی یک دایره فرضی دریافت می‌کنند. این دوگانه، انتخاب بین ساند ترودیسیو ۷.۱ مجازی و صدای بای‌نورال سه‌بعدی واقعی است.

همین یک کلید تعیین می‌کند موتور بازی داده‌های مکانی دقیق را مستقیماً به گوش‌های گیمر تحویل دهد، یا یک تخمین مات و مسطح‌شده را به او قالب کند. هدست روی سر بازیکن همان است؛ این نرم‌افزار تولید صداست که کیفیت و ماهیت انتقال داده‌های جهت‌دار را زیر و رو می‌کند.

سال‌هاست که سازندگان سخت‌افزار، صدای فراگیر مجازی ۷.۱ را به عنوان برترین سلاح رقابتی تبلیغ کرده‌اند. اما موتورهای بازی مدرن صدا را به صورت اشیای سه‌بعدی در فضای مجازی تولید می‌کنند و فرمت‌های کهنه مبتنی بر کانال‌های صوتی دیگر پاسخگوی بازی‌های تراز اول نیستند.

اصل ماجرا به سازوکار زیستی گوش و مغز انسان برمی‌گردد. صدای فضایی حقیقی با استفاده از توابع انتقال مرتبط با سر (HRTF)، تأخیرهای صوتی و افت فرکانسی دقیق ناشی از فرم فیزیکی سر و لاله گوش انسان را شبیه‌سازی می‌کند.

زیست‌شناسی شنوایی بای‌نورال

دکتر سارا جنکینز، پژوهشگر آکوستیک در ژورنال انجمن آکوستیک آمریکا توضیح می‌دهد: «سیستم شنوایی ما برای ردگیری یک خطر به اختلاف‌های زمانی در حد میکروثانیه اتکا دارد. اگر صدایی از سمت چپ بیاید، ۱۰ تا ۱۵ میکروثانیه زودتر به گوش چپ می‌رسد تا به گوش راست.»[5]

الگوریتم‌های HRTF همین اختلاف زمانی بین دو گوش (ITD) را با ظرافت ثبت و بازتولید می‌کنند. وقتی موتور بازی پردازش بای‌نورال را به کار می‌گیرد، تأخیر زمانی دقیق را برای تک‌تک اشیای صوتی در محیط محاسبه می‌کند و سپس خروجی را به هدست استریوی معمولی می‌فرستد.[5]

فراتر از زمان‌بندی، HRTF فیلترهای فرکانسی ویژه‌ای اعمال می‌کند تا چگونگی برخورد امواج صوتی با شیارهای لاله گوش را بازسازی کند. همین بازتاب‌ها هستند که به بازیکن نشان می‌دهند صدا از بالا می‌آید یا از زیر پایش.[2]

انجمن مهندسی صدا در چارچوب صدای فضایی سال ۲۰۲۵ تأکید کرد: «درک ارتفاع صدا تماماً به فیلترینگ لاله گوش بستگی دارد. بدون این دستکاری‌های فرکانسی حساب‌شده، مغز عملاً توانایی تفکیک صدایی که دقیقاً روبه‌رو است با صدایی که مستقیماً بالای سر قرار دارد را ندارد.»[2]

فرایند فشرده‌سازی ساراند مجازی

صدای فراگیر مجازی ۷.۱ با یک رویکرد کاملاً متفاوت و کهنه کار می‌کند. این سیستم به جای اینکه صداها را مثل اشیایی در یک کره سه‌بعدی ببیند، موتور بازی را وادار می‌کند صدا را به هشت کانال افقی مجزا بریزد؛ درست شبیه به چیدمان بلندگوهای سینمای خانگی.

از آنجا که هر هدست گیمینگ تنها دو درایور فیزیکی دارد، نرم‌افزار ناچار است آن هشت کانال را فشرده کرده و به یک سیگنال استریو داون‌میکس کند. در همین نقطه فشرده‌سازی است که داده‌های حساس مکانی برای همیشه نابود می‌شوند.[3]

در حین داون‌میکس، امواج صوتی کانال‌های مجازی روی هم می‌افتند و پدیده‌ای موسوم به «محو شدن فاز» را رقم می‌زنند. طبق مطالعه سال ۲۰۲۴ سازمان IEEE، این تداخل موجب خطای میانگین ۴ میلی‌ثانیه‌ای فاز در باند فرکانسی حساس ۲ تا ۴ کیلوهرتز می‌شود.[3]

این محدوده دقیقاً همان فرکانسی است که شنوایی انسان برای تشخیص ارتفاع به آن تکیه دارد. با بر هم خوردن تطابق فاز در فرکانس ۲.۵ کیلوهرتز، پردازش ۷.۱ عملاً تمام متغیرهای صوتی عمودی را از بین برده و صدا را روی یک سطح افقی تخت می‌کند.[3]

از دست رفتن محور عمودی ارتفاع

نتیجه فاجعه‌بار این است که صدای گام‌های حریفی که روی پشت‌بام راه می‌رود، دقیقاً همانند صدای بازیکنی شنیده می‌شود که در طبقه همکف است. الگوریتم ۷.۱ مختصات عمودی را کنار می‌گذارد چون فرض را بر این گذاشته که شنونده وسط یک دایره تخت از اسپیکرها نشسته است.[4]

مهندسان شرکت دالبی در اسناد رسانه‌های تعاملی سال ۲۰۲۶ شفاف‌سازی کردند: «پردازش‌های کانال‌محور برای صندلی‌های سینما ساخته شده‌اند، نه محیط‌های پویا و تعاملی سه‌بعدی. اجبار یک بازی مبتنی بر شیء به بستر کانالی ۷.۱، محور عمودی Z را به کلی نابود می‌کند.»[4]

علاوه بر این، به‌هم‌ریختگی فاز ناشی از داون‌میکس باعث ایجاد پدیده «فیلتر شانه‌ای» می‌شود؛ اثری شبیه به اکوی توخالی که وضوح کلی صدا را به شدت می‌کاهد. صدای پاها گل‌آلود و نامشخص می‌شود و شلیک‌های همزمان همدیگر را خنثی می‌کنند.[3]

پلیرهای حرفه‌ای اغلب صدای ۷.۱ مجازی را به گیر افتادن داخل یک سطل فلزی تشبیه می‌کنند. این اکوی فلزی در واقع حاصل تخریب فرکانس‌های صوتی است که در فرایند داون‌میکس به جان یکدیگر می‌افتند.[1]

آینده بر بستر اشیای صوتی

بازی‌های رقابتی مدرن دیگر سراغ بسترهای کانالی نمی‌روند. موتورهایی مثل آنریل انجین ۵ و شوترهای تراز اول، مختصات خام اشیای سه‌بعدی را مستقیماً به رابط‌های برنامه‌نویسی صدای فضایی پلتفرم‌ها تزریق می‌کنند؛ چه ویندوز سونیک باشد، چه دالبی اتموس یا تمپست سه‌بعدی سونی.[4]

این رابط‌ها پردازش HRTF را به شکلی بومی روی صدا پیاده می‌کنند و اجازه نمی‌دهند تأخیرهای میکروثانیه‌ای و فیلترهای لاله گوش دست بخورند. این زنجیره از موتور بازی تا درایور هدست دست‌نخورده باقی می‌ماند و صدا هرگز در بستر دو‌بعدی فشرده نمی‌شود.[2][4]

این تحول به این معناست که کارت‌های صدای USB و دانگل‌های دارای دکمه «ساراند مجازی» عملاً بازدارنده هستند. فشردن این دکمه، جریان شفاف صدای سه‌بعدی را قفل کرده و آن را از صافی یک الگوریتم کهنه و مخرب عبور می‌دهد.[1]

تیم تحریریه فکتلن پس از نقشه‌برداری از نمودارهای پاسخ فرکانسی هدست‌های پرچمدار گیمینگ خاطرنشان کرد: «بازیکنان با روشن کردن قابلیت‌های سنتی ساراند، درک محیطی خود را در بازی نابود می‌کنند. سخت‌افزار توانمند است، اما گلوگاه نرم‌افزاری آسیب شدیدی می‌زند.»[1]

عبور از گلوگاه نرم‌افزاری

برای دستیابی به شفافیت مکانی بدون نقص، گیمرها باید نرم‌افزارهای اختصاصی هدست را خاموش کرده و صرفاً به صدای سه‌بعدی پیش‌فرض بازی یا تنظیمات صدای فضایی سیستم‌عامل اکتفا کنند. یک سیگنال استریو ناب متکی بر الگوریتم HRTF همیشه بر یک صدای داون‌میکس‌شده ۷.۱ غلبه می‌کند.[1]

برتری رقابتی دیگر در خرید هدستی با کانال‌های مجازی بیشتر خلاصه نمی‌شود؛ برتری در این است که مانع عملکرد موتور بازی نشویم و بگذاریم معادلات میکروثانیه‌ای پردازش بای‌نورال، مغز انسان را دقیقاً همان‌طور که طبیعت طراحی کرده هدایت کنند.