《現代電影技術》｜袁邈桐：具身認知導向下電影聲音國際技術標準演進及裝備國產化啟示

本文刊發于《現代電影技術》2026年第3期

專家點評

王 玨

教授

北京電影學院研究生院院長、博士生導師

電影聲音技術正從多聲道環繞聲向沉浸式空間音頻加速演進，電影聲音國際技術標準體系持續迭代升級，具身認知、多模態交互、智能感知已成為下一代電影聲音技術的核心發展趨勢。技術標準主導權與核心裝備自主化成為產業競爭的基礎和關鍵，我國正處于技術跟跑、標準并跑向自主領跑轉型的重要階段。《具身認知導向下電影聲音國際技術標準演進及裝備國產化啟示》一文針對電影沉浸式音頻技術發展前沿，指出具身認知是電影聲音感知的核心導向，多模態具身智能是電影聲音的進階方向。該論文對標電影聲音國際標準制定與聲音裝備革新，分析了我國電影聲音相關標準制定和裝備發展上取得的成果和存在的短板，以及如何從國際標準的演進趨勢中抓住國產電影音頻設備的研發方向，在具身智能和多模態交互領域打造具有全球影響力的產業高地。論文對電影聲音標準制定的體系性和前瞻性的分析以及對“技術突破-標準支撐-產業協同”的研發路徑研判，為我國電影聲音標準制定和裝備研發提供了邏輯清晰的思路，為實現標準引領、技術自主、市場突圍提供了理論支撐和實踐參考。

項目信息

北京高校虛擬教研室試點建設項目“數字媒體聲音交互教研室”(XNJYS2023004)。

作者簡介

袁邈桐

博士，中國傳媒大學音樂與錄音藝術學院教授，主要研究方向：聲音科學與藝術、數字媒體與數字人文。

摘要

本文立足媒介技術與國際技術標準研究的交叉視角，結合比對標準演進與裝備革新前沿進展，系統剖析“沉浸式環境-多模態交互-具身認知”的協同邏輯，梳理了電影聲音領域具身智能（Embodied Intelligence）關聯技術的演進路徑，分析具代表性國際技術標準發展態勢及國內外技術標準對標現狀，探討我國電影聲音新技術裝備國產化進程的優勢與挑戰。研究發現，電影聲音國際技術標準建設已形成“人工智能引領-技術協同支撐-標準加速迭代”的演進趨勢，我國在具身認知（Embodied Cognition）算法優化、多模態交互技術應用及標準體系銜接方面仍存在較大發展空間?；诖耍疚奶岢觥凹夹g突破-標準支撐-產業協同”的路徑思考，旨在為我國電影聲音技術實現標準引領、技術自主、市場突圍提供理論支撐與實踐參考。

關鍵詞

具身智能；具身認知；沉浸式環境；多模態交互；裝備國產化

1

引言

在新一輪科技革命與產業變革縱深演進的背景下，具身智能（Embodied Intelligence）以“認知源于身體與環境的動態交互”為核心邏輯，強調智能體（Agent）通過傳感器運動與環境交互產生認知，其技術演進圍繞理解、生成與交互三大核心展開，不僅為電影技術突破提供了系統性方法論支撐，更激勵著電影聲音技術從“被動呈現”向“主動交互”、由“感官刺激”向“具身沉浸”的雙重轉型。這一轉型既深度回應了觀眾對沉浸式體驗的核心需求，重構了電影聲音技術的研發邏輯、標準體系與產業生態，更體現為突破傳統聲畫關系束縛，通過高精度、對象化的聲音空間渲染，將觀眾置于一個可被觸覺化、運動化感知的聲學環境中，從而極大豐富身體體驗并重塑聽覺主體的存在狀態[1]，使聲音不再單純是被人耳接收的客觀信號，更能通過其物理屬性直接作用于觀眾的身體感知，引發生理與心理的協同反應。

當前，電影聲音前沿領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協同的關鍵升級，而傳統技術在感知優化實時性、交互邏輯適應性、制作流程可追溯性上存在明顯短板，具身智能技術恰好為這一升級提供了從數字資產生成到交互實現、從流程管控到體驗校準的全鏈條解決方案。

在技術層面，當前核心發展趨勢聚焦于3大方向：一是生成式3D資產構建技術成熟化，能夠根據文本或圖像輸入高效生成具備真實物理屬性、精準尺度與完整幾何結構的三維場景與物體，為聲音空間定位、聲場模擬提供高精度底層基礎；二是人機共融的具身交互（Embodied Interaction）技術落地，通過多模態智能體與沉浸式穿戴設備的融合，可實現物理場景的實時感知、流程追蹤、誤差校正與自適應指導，為聲音多模態協同、實時交互反饋提供全新工具鏈；三是數字場景生成的精細化與自動化，依托層級化架構與智能校驗機制，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景，為虛擬攝制中的聲場環境建模、多區域聲音交互邏輯設計提供可實現的技術支撐。

在標準與產業層面，全球電影聲音技術呈現“技術創新引領標準演進，標準規范推動產業升級”的清晰格局。國際標準化組織（ISO）、國際電信聯盟（ITU）、美國電影電視工程師協會（SMPTE）等組織已開始關注具身認知（Embodied Cognition）導向的感知優化需求，在沉浸式聲音空間定位、多模態交互協議等關聯領域啟動相關標準研制，其制定邏輯與具身智能的3D場景交互、物理屬性還原等技術趨勢高度契合。國內則以沉浸式音頻技術標準為核心，積極推動國產化技術場景落地；然而，當前具身認知相關的核心技術研發與標準制定方面仍存在差距，尤其缺乏針對空間關系建模、物理交互適配、多模態協同等具身化需求的成熟技術規范。我國電影產業正處于高質量發展關鍵期，裝備國產化需求日益迫切，如何將具身智能領域的核心技術成果轉化為電影聲音技術創新動力，如何依托國際標準演進趨勢構建本土化技術生態與標準體系，成為當前亟待解決的重要課題。

2

電影聲音的具身性

2.1 聲音的具身認知基礎

電影聲音體驗的沉浸式本質，根植于人類自然聽覺具身認知的生理與心理本源。從生理來看，人類聽覺系統的先天具身性是技術設計的物理前提，雙耳時間差/強度差、頭相關傳輸函數（HRTF）等生理機制，決定了空間音頻的三維定位邏輯，而人體聽覺頻率閾值、動態范圍等特征，也規范了相關技術標準的量化指標[5]；從具身認知建構來看，電影聲音的沉浸感源于對人類后天具身記憶（Embodied Memory）的精準觸發，通過空間、動作、情緒3類具身記憶的喚醒與匹配，實現“以聲傳情”的心理沉浸，這一認知邏輯呼應了具身認知心理學“認知源于身體與環境動態交互、具身記憶是認知喚醒核心”的核心論述[6]。究其本質，電影聲音并非創造全新具身認知，而是在人體生理具身框架內，對自然具身認知記憶的技術化篩選與重構，無法脫離自然具身的生理與認知本源，這正是“有限模擬”的核心合理性所在[7]。

2.2 電影聲音領域具身認知理論的核心聚焦

具身認知理論的核心內涵聚焦“認知源于身體、大腦與環境的動態交互閉環”，其本質是反對將認知視為脫離具體身體與場景的抽象計算，強調認知過程深植于人體生理結構、感官體驗與環境交互的耦合關系中[6]。在電影聲音領域，智能空間環境中的聲音感知絕非聽覺器官對聲學信號的被動接收，而是人體運動狀態（如頭部轉動、位置移動、肢體動作）、空間體驗、情感預期與聲學信號的多維度協同作用結果[8]。

電影聲音的具身認知應用邏輯可系統歸納為3方面：首先是聲音設計貼合人體聽覺生理特性，如基于HRTF的個性化適配：通過采集不同人群的聽覺生理數據，優化聲音在三維空間中的定位精度，解決傳統標準化HRTF導致的個體適配偏差問題[9]；其次是聲場構建匹配用戶空間運動軌跡，例如針對用戶的平移、旋轉等六自由度運動，通過動態調整聲場參數確保聲音定位與空間位置的實時同步[10]；最后是聲音反饋響應人體交互行為，如用戶通過手勢、語音指令觸發音效變化，或系統根據用戶面部微表情自適應調整聲音的響度、混響與頻率特性[9]，三者共同構成電影聲音具身化優化的理論與技術支撐框架。

音頻作為電影聲音科技的核心載體，其具身體驗呈現由淺入深的三級遞進邏輯，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，復刻自然聲音的物理傳播特征，實現聽覺信號與人體生理感知規律的匹配，這一技術路徑契合三維聲編解碼及渲染的行業標準要求[5]，但僅能完成單感官信號級模擬，無身體與環境的物理交互；心理層具身喚醒依托三維動態聲場，觸發觀眾的自然具身認知記憶，形成心理層面的空間沉浸，該層面僅能實現記憶喚醒而非全新認知建構，且記憶呈現碎片化特征；行為層具身反饋通過頭部追蹤、體感聯動等技術，構建“聲音感知-身體微行為”的簡易閉環，推動身體從被動接收到輕度主動參與，但無法實現全身自主空間行動與全雙向“感知-行動”閉環。三級層次技術雖能不斷逼近自然具身體驗，卻始終受限于媒介虛擬性與身體物理性，無法復刻自然具身“生理-認知-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現基礎

在空間智能和具身感知理論影響下，電影聲音系統可被認為是空間智能環境中具身認知導向的聲音感知與交互網絡系統。該系統以具身認知理論為核心，強調聲音感知源于人體與智能機制及聲場環境的動態交互，智能體通過整合空間定位、運動狀態、情感反饋等多模態信息，實現符合特定人體感知規律的聲音體驗優化，以此構成電影聲音具身化呈現的核心目標。

沉浸式聲音（Immersive Sound）環境作為具備三維空間屬性、真實物理聲學特性的聲場載體，能通過多聲道布局、聲場重建技術模擬各類真實空間的混響、反射等聲學效果，為具身認知提供了基礎場景支撐，其核心特征包括空間連續性、聲學真實性與用戶適配性[11]。而多模態交互則是融合聽覺、視覺、運動感知、面部表情識別等多模態信號的交互方式，通過聲音與畫面、用戶動作的實時聯動（如頭部姿態與聲音定位適配、交互指令與音效反饋協同），強化電影聲音的主動性與參與感。ISO/IEC 23090?4:2025《信息技術—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標準”）、ISO/IEC 23008?3:2026《信息技術—異構環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標準”）以及我國的GB/T 44115.3-2025《信息技術 虛擬現實內容表達 第3部分: 音頻》[13]（以下簡稱“GB/T 44115.3標準”）等當前生效或最新修訂的權威標準，共同構成全球電影行業沉浸式音頻技術落地與產業協同的核心依據。沉浸式聲音技術理論以三維聲場重建為核心，旨在通過技術手段模擬自然聲場的物理特性與交互邏輯，為具身認知的落地提供底層支撐[14]。其關鍵技術體系涵蓋3大維度：一是空間定位技術，包括高階Ambisonics HOA編碼、6DoF音頻渲染等，其中6DoF音頻渲染技術的核心原理為通過對象化編碼將聲源獨立封裝為帶元數據的音頻對象，結合稀疏平面波插值等算法實現不同空間位置的聲場連續渲染，確保用戶在±10 m位移范圍內聲音無斷層、無失真[15]，該技術已在ISO/IEC 23090?4標準中形成標準化規范[3]；二是聲學環境模擬技術，通過麥克風陣列采集真實空間（如影院、古建筑、戶外場景）的聲學脈沖響應（Acoustic Impulse Response, AIR），基于卷積混響算法精準還原不同空間的混響時間、早期反射系數等聲學特性，實現“聲”臨其境的環境感知[16]；三是多模態協同技術，通過網絡時間協議（Network Time Protocol, NTP）或精確時間協議（Precision Time Protocol, PTP）實現聲音與視覺、運動信號的時間戳對齊，將多模態信號同步誤差控制在≤5 ms，滿足具身交互的實時性要求[17]。

2.4 多模態具身智能：電影聲音進階方向

多模態具身智能是電影聲音、空間音頻單/弱多模態具身模擬的進階方向，其實現條件、核心接口與推進路徑均圍繞“貼合自然具身認知、突破模擬邊界”展開，聚焦生理、認知、行為三大維度，要求多模態感知匹配人體跨模態生理特征、算法模型契合自然具身跨模態認知關聯、具備“多模態感知-身體動作-環境反饋”的閉環能力[6,7]，其本質是“有限模擬”框架內的技術進階，最終逼近甚至超越自然具身認知特征[18,19]。

具身認知-沉浸式環境-多模態交互邏輯關系圖如圖1所示。具身認知作為核心導向，明確聲音感知的優化方向，直接決定沉浸式環境的構建邏輯與多模態交互的設計目標，例如ITU?R BS.2076?3《音頻定義模型》（Audio Definition Model，以下簡稱“ITU?R BS.2076標準”）[20]、ITU?T H.430.7《交互沉浸式服務要求》（Requirements of Interactive Immersive Services，以下簡稱“ITU?T H.430.7標準”）[21]，以及ITU?R BT.2420?8《高級沉浸式感官媒體系統使用場景集錦》（Collection of usage scenarios of advanced immersive sensory media systems，以下簡稱“ITU?R BT.2420標準”）[22]中關于“聲音空間定位需適配人體頭部運動特性”的規范，均是具身認知導向的直接體現。沉浸式環境作為物理載體，為具身認知的落地提供空間聲場基礎，其聲學特性直接影響感知體驗質量，ISO/IEC 23008?3標準[12]和ISO/IEC 23090?4標準[3]中對聲場重建聲學參數的嚴格要求本質就是為了保障沉浸式環境的真實性與適配性。多模態交互作為實現路徑，通過多信號協同聯動，將具身認知的需求轉化為可感知的聲音反饋[23,24]。

圖1　具身認知-沉浸式環境-多模態交互協同邏輯關系圖

3

電影聲音國際標準演進

3.1 電影聲音標準演進總體脈絡

電影聲音國際標準的演進遵循從通道固定到元數據驅動、從靜態呈現到動態交互的核心邏輯，可劃分為3大階段，各階段技術導向與核心規范明確且銜接遞進。多聲道環繞聲階段（20世紀90年代—2010年）技術發展以固定揚聲器布局為核心，聚焦水平面環繞聲實現，標準僅規范聲道定位、電平匹配等基礎參數，確立了5.1/7.1多聲道系統的技術框架，其中ITU?R BS.775《帶有和無附圖的多聲道立體聲系統》（Multichannel stereophonic sound system with and without accompanying picture，現ITU?R BS.775?4）[25]系列成為5.1/7.1多聲道揚聲器布局的核心規范，杜比數字（Dolby Digital）與DTS等專有標準則奠定了影院早期環繞聲的技術基礎，成為該階段的核心依據。

高級三維聲階段（2012年—2018年），技術發展邁向下一代音頻（Next Generation Audio, NGA）體系，核心突破為引入Z軸垂直高度聲道與對象化音頻技術，標準設計從固定揚聲器布局轉向元數據驅動的自適應布局，實現三維空間聲場的編碼與解碼，為3D音頻標準化傳輸奠定基礎。這一階段以ITU?R系列標準為核心，2014年發布的 ITU?R BS.2051?0 《節目制作用高級音響系統》（Advanced sound system for programme production，現ITU?R BS.2051?3[26]，以下簡稱“ITU?R BS.2051標準”）首次定義了高級音響系統制作規范，率先引入4.0.4、5.0.4、9.1.4等基于聲道的3D布局，支持頂置揚聲器與對象化元數據，成為三維聲布局的基礎準則；2017年推出的ITU?R BS.2076?1標準（現ITU?R BS.2076?3）[20]搭建了HRTF渲染所需的音頻定義模型（ADM）元數據框架，首次實現音頻對象三維空間描述體系的標準化，為后續元數據驅動的音頻技術發展奠定了基礎。同時，ISO/IEC系列編碼標準形成早期技術支撐，杜比全景聲（Dolby Atmos）相關技術規范則率先推動了對象化三維聲在影院場景的商業化落地，讓三維聲技術從標準定義走向實際應用，共同構建起高級三維聲的基礎技術體系。

2018年至今，耳機正式進入沉浸式音頻的核心呈現載體領域，高級三維聲技術向更具沉浸感、更具交互性深度發展，開啟了雙耳交互階段。標準體系同步將基于HRTF的實時空間音頻渲染技術納入規范，新增虛擬現實/增強現實（VR/AR）高級沉浸式音視頻（AIAV）的交互技術要求，核心聚焦6DoF音頻渲染、多模態交互協議與具身感知適配，實現了用戶動態運動下低延遲、高同步的具身化聲音體驗，相關標準也在前期基礎上完成了全體系的迭代與完善。在元數據與渲染規范層面，2019年ITU?R BS.2076標準[20]迭代成為ADM元數據模型的成熟版本，清晰定義了音頻對象在三維空間中的位置、移動軌跡及屬性描述規范，同年發布ITU?R BS.2088?1建議書《帶有元數據的音頻節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標準”）[27]規定了BW64文件格式，實現ADM元數據在音頻文件中的標準化封裝，ITU?R BS.2127?0建議書《高級音響系統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、揚聲器陣列等不同設備的渲染效果一致性；而ITU?R BS.2466?0《音頻定義模型操作實踐》（Guidelines for the use of the ITU?R ADM Renderer）[29]則成為ADM元數據的實操手冊，指導電影、VR場景中的元數據標簽設置問題，與ITU?R BS.2076標準[20]形成“定義+應用”的完整體系。在編碼與場景應用層面，2019年發布的ISO/IEC 23090?2:2019《信息技術—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ISO/IEC 23090?2:2023[30]）完善了3D音頻標準化壓縮與傳輸技術；2022年11月的ITU?R BT.2420?5標準（現ITU?R BT.2420?8）[22]明確了沉浸式廣播中耳機與雙耳元數據的應用規范，覆蓋影院、移動端VR等多場景需求，ITU?T H.430.7標準[21]規范了交互服務的音頻技術要求，保障頭部運動時3D音頻的穩定性與低延遲。在前沿技術與實操規范層面，2022年3月更新的ITU?R BS.2159《家庭和廣播應用中的多聲道聲音技術》（Multichannel sound technology in home and broadcasting applications）[31]詳細描述了3D音頻在電影級制作中的實際應用，包含耳機虛擬化、輔助音頻等關鍵細節；2025年9月推出的ITU?R BS.2555?0《高級聲音系統制作工作流》（Production workflows for advanced sound system）[32]規范了從錄制到母帶處理的端到端全流程，指導核心標準的實際落地，2025年發布的ISO/IEC 23090?4標準更成為全球首個6DoF沉浸式音頻標準，填補了動態交互場景標準化編碼的空白。此外，AES69?2020[33]制定了HRTF數據的跨平臺存儲與交換標準，ITU?T H.870[34]對耳機音量進行了規范，為沉浸式音頻提供了技術共享與安全基礎。這一階段的標準形成了從基礎框架、元數據描述、文件封裝到渲染實現、場景應用、全流程制作的完整閉環，推動電影聲音實現了從靜態三維聲到動態交互沉浸式音頻的技術跨越。

演進核心特征呈現3大明確轉型：一是從“技術參數規范”向“感知體驗優化”延伸，標準不再局限于設備接口、信號格式等硬性參數，逐步納入人體聽覺感知適配、交互體驗一致性等軟性要求；二是從“單一技術標準”向“多技術協同標準”發展，整合聲場編碼、多模態交互、物理屬性還原等跨領域技術要求，形成系統性標準體系；三是從“固定視角適配” 向“動態交互適配”轉型，支持用戶平移、旋轉等6DoF運動狀態下的聲音實時適配，強化聲音與用戶行為的聯動性。

3.2 行業技術革新與電影聲音標準演進

電影聲音國際標準的演進與行業技術革新呈現出互促共生的緊密關系：技術突破為標準升級提供核心動力，而標準則通過統一技術接口與感知指標，掃清技術規?；瘧玫恼系K，推動標準體系從單純的技術參數規范向感知體驗優化迭代，從單一技術要求向跨領域協同適配升級。其核心創新圍繞沉浸式環境構建、多模態交互實現和具身感知優化3大技術方向展開，并與前沿技術形成精準的落地適配。

這一演進過程的核心驅動因素多元：6DoF音頻渲染、多模態協同、具身感知建模等關鍵技術的成熟落地，為標準升級筑牢核心技術支撐；觀眾對沉浸式、交互化、具身化聲音體驗的持續升級需求，推動標準從“被動呈現”向“主動交互”轉型；全球電影制作、放映設備廠商的技術協同訴求，要求標準統一技術接口與感知指標，以增強互操作性，進一步降低產業協作成本；而國家產業結構調整的政策導向以及配套金融市場服務的資源支撐，更成為標準與技術協同升級的重要抓手。同時，日趨激烈的全球競爭態勢推動行業加速技術與標準的雙重升級，破壞式創新帶來的技術迭代與模式重構，也對企業的技術研發、標準適配、產業布局能力形成全方位挑戰。

在此背景下，電影聲音技術領域整體演進呈現出顯著規律：一是技術趨勢引領標準迭代，具身認知、沉浸式、多模態等核心技術趨勢直接決定標準升級方向，技術成熟度把控標準落地節奏；二是標準與產業形成雙向支撐，標準通過統一技術規范降低產業協作成本，產業端的應用反饋又為標準修訂提供關鍵實踐依據；三是多組織協同制定標準，SMPTE、ITU、ISO等組織分工明確、協同配合，分別聚焦制作、傳輸、應用等產業鏈環節，構建起覆蓋全產業鏈的標準體系，既保障了標準的全面性與適用性，也助力行業在全球競爭中筑牢核心技術與標準優勢。

3.3 當前電影聲音標準演進的重點方向

在行業科技創新和產業模式發展的推動下，標準的演進主要聚焦沉浸式環境構建技術、多模態交互實現技術和具身認知優化技術3個方面。

沉浸式環境構建技術創新依托ISO/IEC 23008?3標準[12]與ISO/IEC 23090?4標準[3]兩大核心標準的技術支撐，二者共同奠定了三維聲對象化編碼的技術基礎，為沉浸式聲場的基礎構建提供標準化依據，同時創新性地明確了6DoF音頻渲染核心技術指標，通過聲場插值算法實現全空間聲場平滑過渡，為VR/AR、全景視頻和體積視頻（Volumetric Video）等沉浸式環境應用場景提供標準支撐。上文中的標準體系如ISO/IEC 23090?4標準[3]、ITU?R BS.2051標準[26]和AES69?2020[33]等從多角度對沉浸式聲音領域的空間定位精度優化進行了具體規定，聚焦聲場重建聲學參數適配要求，保障沉浸式環境的聲學真實性，其技術規范與具身認知的空間感知需求高度契合，為聲場物理屬性還原提供標準化依據。

多模態交互實現技術創新，以信號同步與設備兼容的標準化為核心，ITU?T F.748.63《基礎模型增強數字人系統的框架和一般技術要求》（Framework and general technical requirements of foundation model enhanced digital human systems）[35]包含交互協議核心要求，規范聲音與視覺、運動信號的同步機制，為多模態信號協同提供技術框架；SMPTE ST 2110?30:2025《專業媒體在受控IP網絡上傳輸：PCM數字音頻》（Professional Media over Managed IP Networks — PCM Digital Audio）[17]則再次規范了專業媒體IP化傳輸中的音頻信號傳輸要求，其技術指標與AES67標準規定[36]音頻接口、IPv4/IPv6傳輸協議相兼容，解決了聲音交互設備與虛擬場景系統的跨平臺兼容問題，為多模態協同技術的產業化落地提供標準化支撐。

具身認知優化技術創新的核心是將人體感知與運動特性系統性融入視聽標準體系，沉浸式聲音相關標準明確了聲音空間定位需適配人體頭部運動特性的技術要求，通過HRTF個性化適配、人體運動狀態實時響應等規范，針對性優化具身感知體驗；ISO/IEC 23090?4標準[3]則引入遮擋效應模擬、聲場動態適配等技術規范，基于射線追蹤算法實現聲音感知與人體、環境動態交互規律的匹配，為電影聲音具身化呈現的技術創新提供標準化依據。

4

我國電影聲音標準與裝備國產化路徑探索

4.1 我國電影聲音相關標準發展

我國已發布的電影聲音相關標準形成國家標準+行業標準的層級配套體系，覆蓋三維聲核心編碼、虛擬現實音頻、影院端設備應用等全場景，核心標準規范且與產業需求高度適配。GB/T 46271—2025《信息技術 三維聲技術 編碼、分發與呈現》[37]為我國自主研發的三維聲核心國家標準，2025年8月正式發布，由全國信息技術標準化技術委員會、全國廣播電視和網絡視聽標準化技術委員會聯合歸口。該標準以菁彩聲（Audio Vivid）為核心技術基底，是全球首個基于AI技術的音頻編解碼標準，支持多聲道聲床、音頻對象、Ambisonics聲場等多元呈現形式，可實現128軌音頻實時渲染。該技術體系通過國際電工委員會（IEC）音頻、視頻及多媒體系統與設備技術委員會（TC100）研制并正式發布數字音頻接口國際標準IEC 61937?17[38]，實現沉浸式聲場構建方面的國際化突破，并被IEC、ITU、國際數字視頻廣播組織（DVB）三大國際組織采納，躋身全球四大三維聲音頻標準之列，成為國產沉浸式音頻裝備的核心標準支撐。

GB/T 44115.3標準[11]于2025年2月發布并于9月正式實施，由國家市場監督管理總局、國家標準化管理委員會發布，全國信息技術標準化技術委員會歸口，清華大學、中國電子技術標準化研究院等單位聯合起草，是我國虛擬現實音頻領域的首個國家標準，規范了虛擬現實場景下音頻的內容表達、技術要求與實現方式，為電影虛擬現實沉浸式音頻制作、呈現提供統一技術規范，填補了我國虛擬視聽音頻標準的空白。

T/UWA 038.3-1—2025《菁彩影院技術 第3-1部分：菁彩聲影院端音頻處理器技術要求和測量方法》[39]為團體標準，由中國電影科學技術研究所（中央宣傳部電影技術質量檢測所）等單位起草并于2025年發布實施，聚焦影院端菁彩聲音頻處理器核心技術要求，明確影院端音頻處理器音頻通路動態范圍、總諧波失真等關鍵性能指標，規范沉浸式聲音播放設備的測量方法，適應國內影院實際放映場景需求，為菁彩聲技術在影院場景的規?；涞靥峁┬袠I支撐。

4.2 自主知識產權電影聲音裝備發展現狀和挑戰

電影聲音裝備國產化聚焦沉浸式音頻處理器、多模態交互終端、聲場渲染設備等核心品類的自主研發、生產與應用，目前在核心領域已取得階段性突破并形成梯度發展格局，中低端沉浸式音頻處理器已實現國產化并在國內中小影院市場形成一定市場份額，聲場渲染設備可滿足常規電影制作需求并落地國內部分影視制作場景，多模態交互終端則尚處研發起步階段，暫未形成成熟產品與規?；瘧脠鼍?。

國產化裝備的核心優勢集中于產業生態與本土場景適配層面，國內已形成從芯片設計、設備制造到終端應用的完整產業鏈，成本控制能力較強且產品具備價格優勢，同時裝備研發契合國內影院放映、影視制作的實際需求，在兼容性、操作便捷性等方面更適配國內用戶使用習慣，加之發展超高清視頻產業、建設電影強國等政策扶持，行業研發投入持續增加，產業化進程得以加速推進。

當前我國電影聲音裝備國產化發展仍面臨多重挑戰，受產業上下游配套及微電子產業發展環境制約，高端領域與國際先進水平存在明顯差距，核心問題體現在4方面：一是高端核心技術存在代差，6DoF音頻渲染、個性化HRTF建模、多模態協同處理等核心算法對外依賴度較高，高端裝備市場仍被國際品牌壟斷；二是具身感知類裝備研發滯后，缺乏適配具身認知導向的感知優化裝備，難以滿足行業具身化聲音體驗的市場需求；三是部分產品標準符合性不足，技術指標與國際主流標準存在偏差，認證體系建設有待完善，導致產品出口受限，難以有效融入全球產業鏈；四是產業上下游配套支撐能力不足，微電子產業在高算力音頻處理芯片、高精度傳感器等核心硬件領域的發展短板，直接制約高端裝備的研發與生產，同時上游核心元器件對外采購比例較高，供應鏈穩定性受外部環境影響，下游應用場景相對單一，高端市場突破難度較大。

4.3 我國電影聲音標準研制發展方向

回顧上述國產化發展面臨的核心挑戰，從國際標準對標視角進一步分析不難發現，我國電影聲音標準雖在沉浸式聲場編碼等基礎領域實現與國際標準兼容，核心技術指標達到國際先進水平，但從整體來看，標準的系統性和前瞻性仍有待進一步提升。

在標準體系方面，當前我國正逐步構建具身感知與多模態協同的標準框架，在人體運動適配、個性化感知優化、多模態交互協議及信號同步機制等細分領域仍存在缺失。隨著標準與裝備研發協同機制的持續優化，未來有望進一步發揮標準對技術創新的引領作用，推動裝備技術指標更加貼合實際應用需求，降低核心算法對外依存度，為構建自主可控的技術體系奠定堅實基礎。

在技術內容層面，國產標準在具身感知適配與多模態協同協議等關鍵方向上尚有提升空間，這反映出我們正處于關鍵技術快速追趕和突破的窗口期。通過加大研發投入與跨領域協同創新，國內技術力量有望迅速補齊短板，實現具身化與多模態交互關鍵技術的本地化落地。伴隨核心性能指標不斷對標國際先進水平，國產裝備將顯著提升具身交互體驗質量，拓展多模態技術在多元場景中的應用潛力，從而有力支撐國產化裝備加快邁向中高端市場。

在產業應用方面，盡管我國當前以傳統沉浸式音頻應用為主，具身感知與多模態交互的產業化仍處于探索和試點推廣階段，但這一現狀也預示了廣闊的發展前景與后發優勢。隨著應用場景的不斷豐富與滲透率的穩步提升，一個以“標準引領-裝備研發-場景應用”為主線的良性產業生態正在逐步形成。未來，依托豐富的應用實踐與持續優化的標準體系，我國有望在具身智能和多模態交互領域打造具有全球影響力的產業高地，進一步增強國產裝備的國際競爭力和品牌影響力。

5

結語與展望

人工智能（AI）作為全球新一輪科技革命的關鍵驅動力，其產業特性決定了標準化能力對產業質量提升的重要意義；具身智能作為國家戰略布局的未來產業新賽道，已正式納入“十五五”規劃，成為培育新質生產力、推動經濟發展的新引擎[40,41]，為我國電影聲音裝備國產化提供了重要發展契機與戰略指引。結合國際標準演進規律與我國國產化發展實際，電影聲音裝備國產化需跳出路徑依賴，堅守“標準引領、技術創新、協同發展、國際適配”核心原則，構建差異化高質量發展路徑，立足國內產業需求、對接國際先進規范，破解高端短板、打通發展堵點，形成“技術自主-標準適配-產業落地-國際拓展”的良性循環。

我國電影行業可依托國際標準演進的技術導向，聚焦三大核心裝備領域，開展有針對性的精準突破：一是在沉浸式環境裝備領域，行業以國際相關標準為對標核心，重點攻克6DoF音頻渲染、聲場插值優化、遮擋效應模擬等關鍵技術，著力構建契合中國人群聽覺特性的個性化HRTF樣本數據庫，系統性填補國內在該領域的技術空白，進一步強化國產裝備在具身感知適配方面的能力。二是在多模態交互裝備領域，科研機構與企業共同借鑒國際多模態協同相關標準規范，重點研發支持多模態信號協同處理的核心器件，持續優化跨模態信號的同步機制，開發兼具低成本和高適配性的交互終端產品，切實推動多模態交互技術的規?；瘧门c整體成本優化。三是在具身認知導向感知優化裝備領域，高校、研究院所及相關企業參考國際感知優化標準的具體要求，聯合攻關人體運動與聲場動態匹配等感知適配技術，開發相應裝備。同時，構建科學完善的具身化聲音評價體系與量化評估指標，為國產裝備性能驗證提供理論依據和技術支撐，確保其感知體驗能夠達到國際先進水平。

在標準體系構建方面，我國電影行業應以國際標準為標桿，持續完善國產標準體系，強化標準對技術創新與產業發展的賦能效能，系統破解國產化發展過程中的標準瓶頸。一方面，加快補充具身認知導向的感知優化、多模態交互協議等關鍵領域的規范內容，實現國內標準與國際標準的精準對接與協同發展；另一方面，注重增強不同層級、不同領域標準之間的協同性，構建起覆蓋“感知-交互-裝備”全鏈條的完整標準體系，有效避免規范交叉與沖突。此外，應建立健全標準與技術創新間的聯動更新機制，縮短標準研制和修訂周期，確保標準具備良好的時效性與前瞻性，全面發揮標準對裝備研發方向的引領與工程實踐的支撐作用。

在推動國產化裝備國際化布局方面，我國電影行業應以核心標準的國際影響力為依托，引導和支持國產裝備積極通過國際標準認證，嚴格對標國際市場的技術準入門檻，穩步拓展海外應用市場，實現從“跟標適配”向“對標引領”的戰略躍升。同時，鼓勵國內產學研各界深度參與國際標準研制工作，主動將我國自主研發的關鍵技術和典型產業實踐經驗融入國際標準體系，持續提升我國在電影聲音等標準領域的影響力和話語權，為國產裝備“走出去”營造更有利的制度環境。通過在國際市場開展試點示范應用，驗證國產技術與裝備的實用性與可靠性，進一步加快產業化推廣步伐，推動我國電影聲音裝備國產化邁入高質量發展的新階段，為我國實現從電影大國向電影強國的邁進提供有力支撐。

參考文獻

（向下滑動閱讀）

[1] 張靖博.后電影聲景:數字聲音的具身性重構[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：中國標準出版社，2023.

[6] 陳巍,殷融,張靜.具身認知心理學：大腦、身體與心靈的對話[M]. 北京：科學出版社，2021.

[7] 張霞,鄒悅.光影之外的聲音魅力——評《電影聲音的故事建構》[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、互動和引導：VR電影敘事的邏輯[J]. 電影新作, 2023(01): 92?101.

[10] 董強國. 數字電影沉浸式音頻渲染技術和評價方法研究[J]. 現代電影技術, 2024(10): 37?43.

[11] 方捷新.標準化將促進沉浸式聲音技術健康有序發展[J].現代電影技術,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 虛擬現實內容表達 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范及功能特性研究[J]. 現代電影技術, 2024(03): 39?45,52.

[15] 王豐. 數字電影沉浸式音頻元數據與聲場組相關技術標準解析[J]. 現代電影技術, 2023(05): 41?46,40.

[16] 董強國, 龔波. 數字電影沉浸式音頻實時處理技術研究[J]. 現代電影技術, 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感知的統一多視角多模態融合框架[J].中國科學:信息科學,2026,56(02):312?326.

[19] 喻國明,張競文,李子元,等.從表征傳播到預測傳播：空間智能語境下具身傳播的新范式[J].學術探索,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] 國際電信聯盟.ITU?R BS.775?4建議書 帶有和無附圖的多聲道立體聲系統[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] 國際電信聯盟.ITU?R BS.2051?3建議書 用于節目制作的高級音響系統[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] 國際電信聯盟.ITU?R BS.2127?0建議書 高級音響系統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] 全國信息技術標準化技術委員會，全國廣播電視和網絡視聽標準化技術委員會.信息技術 三維聲技術 編碼、分發與呈現: 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] 世界超高清視頻產業聯盟.菁彩影院技術 第3-1部分：菁彩聲影院端音頻處理器技術要求和測量方法：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業發展領跑全球[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代化產業新圖景[J].中國科技論壇,2026(01):3.DOI:10.13580/j.cnki.fstc.2026.01.001.

期刊導讀 |《現代電影技術》2026年第3期

影視數字資產的智能構建：基于Multi?SLAM+3DGS技術的三維數字重建方案研究

電影SDR與HDR映射結構研究——基于ASC StEM2技術測試片的實證分析