---
title: "阿里通义发布OmniAudio：从360°视频生成专业级空间音频，开启沉浸式体验新纪元"
url: "https://paooo.com/aigc-news/14997/"
author: "Prompt 语宙研究院"
published_at: "2026-06-29T10:12:22+08:00"
updated_at: "2026-06-07T20:27:30+08:00"
categories: "AI 工具, AIGC 资讯"
tags: "AIGC, FOA, OmniAudio, 空间音频, 通义实验室"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 阿里通义发布OmniAudio：从360°视频生成专业级空间音频，开启沉浸式体验新纪元

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14997/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-29

## AI 30 秒核心看点 (TL;DR)

- OmniAudio首次把360°视频直接转为专业级FOA空间音频，补齐沉浸式内容的关键音频短板。
- 通过Sphere360数据集与“自监督预训练+有监督微调”两阶段训练，缓解空间音频数据稀缺问题。
- 适用于VR、360°视频、智能座舱与机器人听觉等场景，降低XR内容生产门槛。

> 
                **💡 站外导读：**在VR、元宇宙和沉浸式娱乐飞速发展的今天，高质量3D空间音频的生成却始终是行业痛点。传统方法依赖昂贵的硬件采集或复杂的后期制作，难以规模化应用。阿里通义实验室推出的OmniAudio模型，首次实现了从普通360°视频直接生成专业级FOA空间音频，不仅解决了声源精准定位的难题，更通过构建大规模数据集和创新的两阶段训练范式，为整个沉浸式内容生产流程带来了革命性的效率提升。

            

             
                        

## OmniAudio是什么

OmniAudio 是阿里巴巴通义实验室语音团队推出的从360°视频生成空间音频（FOA）的技术。为虚拟现实和沉浸式娱乐提供更真实的音频体验。通过构建大规模数据集Sphere360，包含超过10.3万个视频片段，涵盖288种音频事件，总时长288小时，为模型训练提供了丰富资源。OmniAudio 的训练分为两个阶段：自监督的coarse-to-fine流匹配预训练，基于大规模非空间音频资源进行自监督学习；以及基于双分支视频表示的有监督微调，强化模型对声源方向的表征能力。

## OmniAudio的主要功能

- 
**生成空间音频**：能直接从360°视频生成FOA音频，这种音频是一种标准的3D空间音频格式，能捕捉声音的方向性，实现真实的3D音频再现。采用四个通道（W、X、Y、Z）来表示声音，其中W通道负责捕捉整体声压，X、Y、Z通道则分别捕捉前后、左右以及垂直方向的声音信息。在头部旋转时，可以确保声音定位的准确性得以保持。

- 
**提升沉浸式体验**：为虚拟现实和沉浸式娱乐带来了全新的可能性。可以解决传统视频到音频生成技术主要生成非空间音频，无法满足沉浸式体验对3D声音定位需求的问题。

## OmniAudio的技术原理

- **自监督的 coarse-to-fine 流匹配预训练**

**数据处理**：由于真实FOA数据稀缺，研究团队利用大规模非空间音频资源（如 FreeSound、AudioSet、VGGSound 等），将立体声转换为“伪FOA”格式。具体来说，W通道为左右声道之和，X通道为左右声道之差，Y、Z通道置零。

- 
**模型训练**：将转换后的“伪FOA”音频送入四通道VAE编码器获得潜在表示，然后以一定概率进行随机时间窗掩码，并将掩码后的潜在序列与完整序列一同作为条件输入至流匹配模型。模型通过最小化掩码前后潜在状态的速度场差异，实现对音频时序和结构的自监督学习。这一阶段使模型掌握了通用音频特征和宏观时域规律，为后续空间音频的精细化提供了基础。

- **基于双分支视频表示的有监督微调**

**数据利用**：仅使用真实的FOA音频数据，继续沿用掩码流匹配的训练框架，但此时模型的全部注意力集中在四通道的空间特性上。

- 
**模型强化**：通过对真实FOA潜在序列进行更高概率的掩码，强化了对声源方向（W/X/Y/Z四通道之间的互补关系）的表征能力，在解码端提升了对高保真空间音频细节的重建效果。

- 
**双分支结合**：完成自监督预训练后，将模型与双分支视频编码器结合。针对输入的360°全景视频，使用冻结的MetaCLIP-Huge图像编码器提取全局特征；同时，从同一视频中裁取FOV局部视角，同样通过该编码器获取局部细节表征。全局特征经最大池化后作为Transformer的全局条件，局部特征经时间上采样后与音频潜在序列逐元素相加，作为逐步生成过程中的局部条件。

- 
**微调与输出**：在保持预训练初始化参数大致走向的前提下，高效微调条件流场，从噪声中精准地“雕刻”出符合视觉指示的FOA潜在轨迹。微调完成后，在推理阶段只需采样学得的速度场，再经VAE解码器恢复波形，就能输出与360°视频高度对齐、具备精确方向感的四通道空间音频。

## OmniAudio的项目地址

- **项目官网**：[https://omniaudio-360v2sa.github.io/](https://omniaudio-360v2sa.github.io/?utm_source=ai-bot.cn)

- **Github仓库**：[https://github.com/liuhuadai/OmniAudio](https://github.com/liuhuadai/OmniAudio)

- **arXiv技术论文**：[https://arxiv.org/pdf/2504.14906](https://arxiv.org/pdf/2504.14906)

## OmniAudio的应用场景

- 
**虚拟现实（VR）和沉浸式体验**：OmniAudio 能为 VR 内容生成与视觉场景高度匹配的空间音频，增强用户的沉浸感。

- 
**360°视频配乐**：为360°全景视频自动生成沉浸式音效，使观众在观看视频时能获得更真实的听觉体验。

- 
**智能语音助手**：集成到智能家居设备中，如智能音箱、智能家电等，实现语音控制和交互。用户可以通过语音指令控制家电的开关、调节温度、查询信息等。

- 
**机器人和自动驾驶领域**：OmniAudio 可以应用于机器人和自动驾驶领域，为这些系统提供更准确的声音定位和环境感知。

                    
            
                

#### 📝 站长洞察 (Editor's Insight)

                OmniAudio的发布，标志着AIGC在音频生成领域进入了“空间化”和“专业化”的新阶段。其核心价值在于三点：一是技术路径创新，通过“自监督预训练+有监督微调”的两阶段模式，巧妙解决了高质量空间音频数据稀缺的行业瓶颈；二是定义了从视频到空间音频的端到端生成范式，将极大降低XR内容生产门槛；三是应用前景广阔，不仅限于VR娱乐，更可延伸至智能座舱、机器人听觉等未来关键赛道。这不仅是阿里在多模态技术上的重要落子，更预示着“所见即所听”的沉浸式体验将加速成为现实，推动整个数字内容产业向更高维度的感官体验演进。

## 常见问题解答 (FAQ)

### OmniAudio是什么？
OmniAudio 是阿里通义实验室语音团队推出的空间音频生成模型，可从360°视频直接生成FOA四通道空间音频，提升声音方向感与沉浸式体验，适合VR和360°内容制作。

### OmniAudio为什么比传统方法更有价值？
传统空间音频通常依赖硬件采集或复杂后期，成本高、难规模化。OmniAudio通过端到端生成方式，结合大规模数据集和两阶段训练，能更高效地从视频中生成与场景对齐的空间音频。

### OmniAudio适合哪些应用场景？
文章提到的场景包括VR和沉浸式娱乐、360°视频配乐、智能语音助手，以及机器人和自动驾驶等需要环境声音定位与感知的领域。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
