แผนที่เกมทดสอบหนึ่งแผนที่สร้างข้อมูลดิบจากการจำลองคลื่นขนาด 56 TB และตัวเข้ารหัสเก็บไว้ได้ใน 41 MB คิดเป็นอัตราบีบอัดมากกว่าหนึ่งล้านเท่า (Raghuvanshi และ Snyder, ACM Transactions on Graphics 2014) ที่ SIGGRAPH 2026 ทีมจาก Ubisoft La Forge และ Audiokinetic ลดพารามิเตอร์หนึ่งกลุ่มที่ไม่ได้บีบอัดจาก 182 GB เหลือ 14 MB และผู้เชี่ยวชาญด้านเสียงในเกม 28 คนให้คะแนนผลลัพธ์ 61.8 เทียบกับ 62.6 ของค่าอ้างอิง (Seuté และคณะ, SIGGRAPH Conference Papers 2026) การติดตามรังสีแบบเรียลไทม์ทำงานภายใต้งบประมาณที่แคบกว่ามาก ปลั๊กอิน Steam Audio ของ Valve ใช้ค่าเริ่มต้น 4,096 รังสีและการสะท้อน 4 ครั้ง (Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity) เรารวบรวมข้อมูลจาก ACM Transactions on Graphics, ACM SIGGRAPH, IEEE Virtual Reality, Journal of the Acoustical Society of America และเอกสารของผู้ผลิตอย่าง Valve, AMD, NVIDIA และ Meta หากสถิติเสียงเชิงพื้นที่ของเราติดตามอุปกรณ์และความต้องการของผู้บริโภค สรุปนี้ก็ติดตามกลไกเบื้องหลัง ได้แก่ ต้นทุนการคำนวณ ขนาดข้อมูล และสิ่งที่ผู้ฟังได้ยินจริง
สรุปโดยย่อ
- ข้อมูลจำลองดิบ 56 TB ถูกเข้ารหัสเหลือ 41 MB สำหรับแผนที่ทดสอบหนึ่งแผนที่ (Raghuvanshi และ Snyder, ACM TOG 2014)
- ข้อมูลการเข้ารหัสคลื่นแบบไม่บีบอัด 182 GB เทียบกับ 14 MB สำหรับโมเดลแฝง ได้คะแนนความสมจริง 61.8 เทียบกับ 62.6 (Seuté และคณะ, SIGGRAPH 2026)
- การสะท้อนช่วงแรกเริ่มแยกแยะได้เมื่อระยะอิสระเฉลี่ย ซึ่งคือระยะทางเฉลี่ยที่เสียงเดินทางระหว่างการสะท้อน เปลี่ยนไปมากกว่า 0.06 m (Rungta และคณะ, P-Reverb, 2019)
- Steam Audio ใช้ค่าเริ่มต้น 4,096 รังสีแบบเรียลไทม์และการสะท้อน 4 ครั้ง (Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity)
- เฟรมเวิร์กการคำนวณบน GPU รักษา 80-100 FPS ที่ 16,000 รังสีต่อเฟรมบน RTX 2060 (วิทยานิพนธ์มหาวิทยาลัยโกเธนเบิร์ก)
- กระบวนการแบบผสมระหว่างการติดตามรังสีกับโครงข่ายประสาทใช้เวลา 6.78 ถึง 12.95 ms ต่อเฟรมในสี่ฉาก (Tang และคณะ, IEEE VR 2021)
- ตัวสร้างแบบโครงข่ายประสาทสร้างเอฟเฟกต์เสียงหนึ่งรายการในเวลา 0.1 มิลลิวินาทีบน RTX 2080 Ti (Ratnarajah และ Manocha, IEEE VR 2024)
- การเลี้ยวเบนอันดับที่ 10 ทำงานเร็วกว่าเทคโนโลยีล่าสุดก่อนหน้านี้ถึง 568 เท่า (Schissler และคณะ, SIGGRAPH 2021)
- ช่องว่างระหว่างผลตอบสนองอิมพัลส์ที่จำลองกับที่วัดจริงได้ยินชัดเจนเสมอในสภาพแวดล้อมทดสอบทั้งเก้าแห่ง (Brinkmann และคณะ, JASA 2019)
- วิธีสร้างเสียงก้องเปลี่ยนระยะทางที่รับรู้ในฉากเคลื่อนไหว F(1,16) = 15.29, p < 0.01 (Rungta และคณะ, 2017)
1. การคำนวณล่วงหน้าเชิงคลื่น: ข้อมูลเข้าเป็นเทราไบต์ ข้อมูลออกเป็นเมกะไบต์
การจำลองคลื่นแก้ฟิสิกส์ของเสียงโดยตรง ดังนั้นการบดบังเสียง (เสียงที่ถูกขวางจนอู้อี้) และการเลี้ยวเบน (เสียงที่โค้งอ้อมขอบ) จึงเกิดขึ้นจากคณิตศาสตร์ ไม่ใช่จากตัวกรองที่ปรับด้วยมือ วิธีนี้ช้าเกินกว่าจะใช้กับเกมที่กำลังรันอยู่ สตูดิโอจึงคำนวณล่วงหน้า (bake) คือคำนวณเสียงแบบออฟไลน์และส่งมอบเฉพาะผลลัพธ์ ปัจจัยที่มากกว่าหนึ่งล้านเท่าแยกสิ่งที่การคำนวณล่วงหน้าคำนวณออกจากสิ่งที่ผู้เล่นติดตั้ง
การแยกส่วนนั้นเป็นตัวกำหนดว่าใครจะแบกรับเทคนิคนี้ได้ การคำนวณล่วงหน้าที่วัดเป็นชั่วโมงบนคลัสเตอร์ 140 เครื่อง กลายเป็นข้อเสนอที่ต่างออกไปมากสำหรับทีมขนาดเล็ก รายงานของนักพัฒนาคนหนึ่งคำนวณได้ราว 778 ชั่วโมงบนเครื่อง 8 คอร์เครื่องเดียว หากรันต่อกันไปเรื่อย ๆ (3,500 โพรบ × 800 วินาที ÷ 3,600) โพรบแต่ละจุดคือจุดสุ่มตัวอย่างในฉากที่ใช้จำลองเสียง และส่งไปยังโหนดคำนวณคนละเครื่องได้ ซึ่งเป็นเหตุผลที่กระทู้เดียวกันชี้ไปทางการคำนวณล่วงหน้าบนคลาวด์ แนวทางนี้ไม่ใช่เรื่องแปลกของห้องทดลอง Microsoft Research ระบุ Gears of War, Sea of Thieves และ Borderlands 3 ไว้ในรายชื่อเกมที่สร้างบนแนวทางนี้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลจำลองดิบเทียบกับข้อมูลรันไทม์ที่เข้ารหัสแล้ว แผนที่ทดสอบ Sanctuary | 56 TB เทียบกับ 41 MB | ข้อมูลล่าสุดที่มี: Raghuvanshi และ Snyder, ACM TOG 2014 |
| เวลาคำนวณล่วงหน้าและขนาดที่เข้ารหัสแล้วในแผนที่ทดสอบทั้งห้าของบทความ | 4 ถึง 20 ชั่วโมงบนคลัสเตอร์ 140 เครื่อง 20.8 MB ถึง 53.7 MB | ข้อมูลล่าสุดที่มี: Raghuvanshi และ Snyder, ACM TOG 2014 |
| ภาระการคำนวณล่วงหน้าที่นักพัฒนารายงานในหนึ่งโปรเจกต์ | 3,500 โพรบ โพรบละ 800 วินาทีบน CPU 8 คอร์ | ข้อมูลล่าสุดที่มี: GitHub, microsoft/ProjectAcoustics issue 55, 27 พฤษภาคม 2021 (รายงานจากนักพัฒนาคนเดียว) |
| ข้อมูลแบบไม่บีบอัดสำหรับพารามิเตอร์เสียงหนึ่งกลุ่ม การเข้ารหัสคลื่นเทียบกับโมเดลแฝง | 182 GB เทียบกับ 14 MB (ฉาก Wwise Audio Lab) 3.1 GB เทียบกับ 1.8 MB (ฉาก Audio Gym) | Seuté และคณะ, Reciprocal Latent Fields, SIGGRAPH Conference Papers 2026 |
| การจำลององค์ประกอบขอบเขตเพื่อสร้างชุดข้อมูลฝึกสอนโครงข่ายประสาท | ราว 12 วันสำหรับราว 100,000 วัตถุ ถึง 1,000 Hz | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| เวลาจำลององค์ประกอบขอบเขตต่อวัตถุ 125 Hz เทียบกับ 1,000 Hz | 0.87 s เทียบกับ 2.80 s | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| เวลาคำนวณล่วงหน้าสำหรับแผนที่เสียงแบบติดตามรังสี ไม่ใช่การจำลองคลื่น (ข้อกล่าวอ้างของ Meta เอง) | วินาทีถึงนาที ขึ้นอยู่กับความซับซ้อนของฉาก | Meta, เอกสาร Acoustic Ray Tracing for Unity |
หมายเหตุการเปรียบเทียบ: 41 MB เป็นตัวเลขหลังบีบอัด ขณะที่ 182 GB และ 14 MB เป็นตัวเลขแบบไม่บีบอัด สองแถวนี้จึงเทียบกันโดยตรงไม่ได้ บทความปี 2026 ถือว่าการบีบอัดอยู่นอกขอบเขตและไม่รายงานอัตราส่วน การคำนวณของเราบนฉากที่ใหญ่ที่สุดของบทความ: 182,000 MB ÷ 14 MB = 13,000 ต่อ 1
2. ต้นทุนขณะรันไทม์: ไมโครวินาทีต่อต้นกำเนิดเสียง
การคำนวณล่วงหน้าย้ายภาระออกจากเฟรม เมื่อมีข้อมูลแล้ว การค้นหาข้อมูลแทบไม่มีต้นทุน และนั่นคือข้อโต้แย้งทั้งหมดของเทคนิคนี้ ราว 100 ไมโครวินาทีต่อต้นกำเนิดเสียงบน Intel Xeon E5540 ที่ 2.53 GHz รองรับเสียงที่ทำงานอยู่พร้อมกันราว 100 เสียง ต้นทุนที่เครื่องของผู้เล่นจ่ายคือการค้นหาเล็ก ๆ ส่วนที่แพงเกิดขึ้นไปแล้วบนคลัสเตอร์ของคนอื่น
ตอนนี้โมเดลโครงข่ายประสาทแข่งขันอยู่ในช่วงเดียวกัน รายงานล่าสุดอยู่ในช่วงไมโครวินาทีถึงมิลลิวินาทีต่ำ ๆ แต่ไม่ได้วัดภายใต้เงื่อนไขที่เท่ากัน บางรายงานใช้เธรด CPU เดียว บางรายงานใช้ GPU ระดับสูง และ GPU ที่ใช้เฟรมไปกับงานกราฟิกอยู่แล้วก็ไม่ได้ฟรี ควรอ่านตารางนี้เป็นลำดับขนาด ไม่ใช่การจัดอันดับ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เวลาถอดรหัสต่อต้นกำเนิดเสียง เฉลี่ยจาก 100,000 คู่จุดสุ่มโดยไม่ใช้แคช | ราว 100 μs เสียงที่ทำงานอยู่ราว 100 เสียง | ข้อมูลล่าสุดที่มี: Raghuvanshi และ Snyder, ACM TOG 2014 |
| เวลาสืบค้นข้อมูลเสียงบนพีซี เวอร์ชัน 2.0 เทียบกับ 3.0 (ข้อกล่าวอ้างของ Microsoft เอง) | พบข้อมูลในแคช (ข้อมูลอยู่ในหน่วยความจำแล้ว) 25 ถึง 15 μs ไม่พบข้อมูลในแคช 1,100 ถึง 40 μs | ข้อมูลล่าสุดที่มี: Microsoft, ประกาศ Project Acoustics 3.0, 31 สิงหาคม 2022 |
| การอนุมานของโมเดลแฝงต่อ 100 คู่ต้นกำเนิดเสียงและตัวรับ เธรด CPU เดียว | 10 μs ถึง 93 μs สำหรับโมเดลแฝงทั้งสามแบบ 247 μs สำหรับเครือข่ายเปรียบเทียบขนาดใหญ่ | Seuté และคณะ, SIGGRAPH 2026 |
| เวลาสร้างเอฟเฟกต์เสียงหนึ่งรายการสำหรับตำแหน่งต้นกำเนิดเสียงและผู้ฟังหนึ่งตำแหน่ง | 0.1 มิลลิวินาทีบน RTX 2080 Ti | Ratnarajah และ Manocha, Listen2Scene, IEEE VR 2024 |
| ผลตอบสนองอิมพัลส์แบบโครงข่ายประสาทที่สร้างสำหรับฉากในอาคารที่มีเฟอร์นิเจอร์ | มากกว่า 10,000 รายการต่อวินาทีบน RTX 2080 Ti | ข้อมูลล่าสุดที่มี: Ratnarajah และคณะ, MESH2IR, ACM Multimedia 2022 |
| เวลาต่อเฟรม การติดตามรังสีร่วมกับการทำนายการกระเจิงด้วยโครงข่ายประสาท สี่ฉาก | 6.78 ms ถึง 12.95 ms ส่วนการทำนายเองไม่เกิน 1 ms ต่อมุมมอง | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| ตัวกรอง VRWorks Audio ต่อคู่ต้นกำเนิดเสียงและผู้ฟัง (ข้อกล่าวอ้างของ NVIDIA เอง) | 2 ตัวกรอง สูงสุด 48,000 Hz และยาวสูงสุด 2 วินาที | NVIDIA, VRWorks Audio SDK in Depth |
ผลตอบสนองอิมพัลส์คือบันทึกว่าพื้นที่หนึ่งตอบสนองต่อเสียงคลิกเพียงครั้งเดียวอย่างไร การนำไปใช้กับเสียงดิบเรียกว่าคอนโวลูชัน และจำนวนตัวกรองที่ขั้นตอนนี้ต้องใช้เพิ่มขึ้นอย่างรวดเร็วตามรายละเอียดเชิงพื้นที่ (ดูหัวข้อที่ 4)
3. งบประมาณรังสี: หลักพัน ไม่ใช่หลักล้าน
การติดตามรังสีของเสียงอยู่ได้ด้วยโควตาเล็ก ๆ เพราะรังสีทุกเส้นต้องแย่งเวลากับส่วนอื่นของเฟรม ค่าเริ่มต้น 4,096 รังสีคือตัวเลขที่บ่งชี้ขนาดของปัญหาแบบเรียลไทม์ได้ชัดเจนที่สุด Steam Audio ติดตามรังสีเหล่านั้นจากผู้ฟัง ดังนั้นค่านี้จึงหมายถึงงบประมาณเดียวสำหรับทั้งฉาก ไม่ใช่ตัวเลขต่อต้นกำเนิดเสียง
เกมที่วางจำหน่ายแล้วแทบไม่เปิดเผยตัวเลขนี้ Massive Entertainment ระบุว่า Avatar: Frontiers of Pandora ส่ง “รังสีหลายพันเส้น” ในทุกเฟรมบน GPU สำหรับการกีดขวางเสียง ภายในระบบแบบผสม (คำอธิบายของสตูดิโอเอง ไม่มีตัวเลขที่แน่นอน) การกีดขวางเสียงหมายถึงการขวางบางส่วนที่เสียงยังไปถึงผู้ฟังได้ทางอื่น ต่างจากการบดบังเสียงเต็มรูปแบบ ระบบวิจัยรายงานการติดตามที่ลึกกว่ามาก คือ 50 ถึง 200 อันดับการสะท้อนในตารางด้านล่าง เทียบกับค่าเริ่มต้น 4 ครั้งใน Steam Audio ช่องว่างนี้คือระยะห่างระหว่างสิ่งที่เดโมในห้องทดลองใช้ได้กับสิ่งที่การตั้งค่าเริ่มต้นสมมติไว้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| จำนวนรังสีและการสะท้อนเริ่มต้น แบบเรียลไทม์เทียบกับแบบคำนวณล่วงหน้า (ค่าเริ่มต้นของ Valve) | 4,096 รังสีและการสะท้อน 4 ครั้ง เทียบกับ 16,384 รังสีและการสะท้อน 16 ครั้ง | Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity, สาขาหลัก |
| ขีดจำกัดแบบเรียลไทม์เริ่มต้น (ค่าเริ่มต้นของ Valve) | 32 ต้นกำเนิดเสียง (สูงสุด 128) 5% ของคอร์ CPU | Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity |
| เพดานตัวอย่างการบดบังต่อต้นกำเนิดเสียง (ค่าเริ่มต้นของ Valve) | 16 เป็นค่าเริ่มต้น ช่วง 1 ถึง 128 | Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity |
| การติดตามรังสีด้วยคอมพิวต์เชเดอร์บน GPU ในฉากสถาปัตยกรรมที่ซับซ้อน RTX 2060 | 16,000 รังสีต่อเฟรมที่ราว 80-100 FPS | วิทยานิพนธ์มหาวิทยาลัยโกเธนเบิร์ก, A GPU Compute Framework for Real-Time Ray-Traced Acoustic Simulation in Unity |
| อันดับการสะท้อนที่ติดตามสำหรับเสียงก้องช่วงท้าย | 200 อันดับในเจ็ดแถบความถี่อ็อกเทฟ ตั้งแต่ 125 Hz ถึง 8,000 Hz | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| อันดับการสะท้อนที่รองรับในอัตราเชิงโต้ตอบบนพีซีหลายคอร์ | 50 ถึง 100 อันดับของการสะท้อนแบบกระจกและแบบกระจาย | ข้อมูลล่าสุดที่มี: Rungta และคณะ, 2017 |
| เวลาจำลองเฉลี่ยต่อจุดสุ่มตัวอย่าง สามฉาก การสะท้อนช่วงแรกเทียบกับช่วงท้าย | 16.7 ms ถึง 47.5 ms เทียบกับ 68.4 ms ถึง 150.7 ms | ข้อมูลล่าสุดที่มี: Rungta และคณะ, P-Reverb, 2019 |
เวลาของ P-Reverb เหล่านั้นเป็นเวลาต่อจุดระหว่างการคำนวณล่วงหน้า ไม่ใช่ต่อเฟรมขณะเล่น เสียงก้องที่วิศวกรวัดในเกมเป็นปริมาณทางกายภาพเดียวกับที่อยู่เบื้องหลังสถิติเสียงก้องในหอแสดงคอนเสิร์ตของเรา เพียงแต่คำนวณภายใต้ข้อจำกัดเวลาระดับมิลลิวินาที
4. การเร่งความเร็ว: ที่กล่าวอ้างเทียบกับที่วัดได้
ตัวคูณที่ใช้เป็นพาดหัวทุกตัวในวงการนี้ต้องตรวจสอบตัวหารของมัน ตัวเลข 50-150 เท่าสำหรับการคำนวณล่วงหน้าบน GPU เป็นการเทียบกับตัวติดตามรังสีในตัวของผู้ผลิตรายเดียว สำหรับการคำนวณล่วงหน้าของเสียงก้อง บนสองฉากที่มี 80,000 และ 140,000 สามเหลี่ยม นั่นเป็นข้อเท็จจริงที่มีประโยชน์เกี่ยวกับเครื่องมือออฟไลน์ และไม่ได้บอกอะไรเลยเกี่ยวกับสิ่งที่เกิดขึ้นกับเฟรมสด
การคำนวณบน GPU ก็มีเพดานทางกายภาพเช่นกัน การเพิ่มหน่วยคำนวณที่กันไว้ให้เสียงเป็นสองเท่าให้ความเร็วไม่ถึงสองเท่า และเสียงต้องใช้ชิปร่วมกับกราฟิก ขีดจำกัดอีกอย่างคือคอนโวลูชัน การเปลี่ยนจาก Ambisonics อันดับศูนย์เป็นอันดับสาม ซึ่งเป็นรูปแบบที่แยกแยะเสียงจากสิบหกทิศทาง ทำให้จำนวนตัวกรองเพิ่มขึ้น 16 เท่า สองในบทความอิสระด้านล่างรายงานการเพิ่มขึ้น 3 ถึง 5 เท่า และผลนั้นมาจากการทำงานให้น้อยลง (รังสีน้อยลง จุดสุ่มตัวอย่างน้อยลง) ไม่ใช่จากการรันงานเดิมบนซิลิคอนที่เร็วขึ้น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การเร่งความเร็วของการคำนวณล่วงหน้าเสียงก้องเทียบกับตัวติดตามรังสีในตัวของ Steam Audio (ข้อกล่าวอ้างของ Valve เอง) | 50-150 เท่าด้วย Radeon Rays บน GPU ที่รองรับ OpenCL 1.2 ราว 20 เท่าด้วย Embree บน CPU 4 คอร์รุ่นใหม่ | ข้อมูลล่าสุดที่มี: Valve, ข่าว Steam Audio, 30 ตุลาคม 2019 |
| การเร่งความเร็วเมื่อเพิ่มหน่วยคำนวณ GPU เป็นสองเท่าสำหรับ Radeon Rays จาก 4 เป็น 8 หรือ 8 เป็น 16 (ข้อกล่าวอ้างของ Valve เอง) | ราว 1.2 ถึง 1.9 เท่า | ข้อมูลล่าสุดที่มี: Valve, ข่าว Steam Audio, 21 กุมภาพันธ์ 2019 |
| ตัวกรองคอนโวลูชันสำหรับ 16 ต้นกำเนิดเสียง Ambisonics อันดับสามเทียบกับอันดับศูนย์ (เดโมของ AMD เอง) | 256 เทียบกับ 16 | ข้อมูลล่าสุดที่มี: AMD GPUOpen, TrueAudio Next acceleration of Steam Audio, 21 ตุลาคม 2019 |
| เวลาคำนวณจากการติดตามรังสีแบบปรับตัวร่วมกับแคชผลตอบสนองอิมพัลส์ เทียบกับแนวทางก่อนหน้า | เร็วขึ้น 5 เท่า | ข้อมูลล่าสุดที่มี: Schissler และ Manocha, i3D 2016 |
| ภาระหน่วยความจำของวิธีเดียวกัน เทียบกับแนวทางก่อนหน้า | ต่ำกว่าราวสองลำดับขนาด | ข้อมูลล่าสุดที่มี: Schissler และ Manocha, i3D 2016 |
| การเร่งความเร็วจากการจัดกลุ่มจุดสุ่มตัวอย่างตามเกณฑ์การรับรู้ สามฉาก | 3 ถึง 4 เท่า | ข้อมูลล่าสุดที่มี: Rungta และคณะ, P-Reverb, 2019 |
| การสร้างผลตอบสนองอิมพัลส์ด้วยโครงข่ายประสาทเทียบกับอัลกอริทึมเสียงเชิงเรขาคณิตบน CPU | เร็วกว่ามากกว่า 200 เท่า | ข้อมูลล่าสุดที่มี: Ratnarajah และคณะ, MESH2IR, ACM Multimedia 2022 |
หมายเหตุค่าผิดปกติ: ตัวคูณของ MESH2IR เปรียบเทียบเครือข่ายบน GPU กับอัลกอริทึมบน CPU ดังนั้นส่วนหนึ่งของช่องว่างมาจากฮาร์ดแวร์ ไม่ใช่วิธีการ ค่าต่อฉากของ Valve ปรากฏเฉพาะในภาพแผนภูมิ เราจึงรายงานช่วงค่าที่ระบุไว้ในข้อความของบทความ
5. การบดบังเสียงและความแม่นยำ: ข้อผิดพลาดอยู่ที่ใด
ตัวเลขที่ใกล้เคียงกับการบดบังเสียงมากที่สุดคือระดับเสียงตรง ซึ่งบทความปี 2026 ฉบับหนึ่งนิยามว่าเป็นพารามิเตอร์ที่ครอบคลุมการลดทอนตามระยะทางและการกีดขวางเสียง แม้แต่โมเดลแฝงรุ่นที่ทำได้ดีที่สุดในบทความนั้นก็คลาดเคลื่อน 1.9 dB ในฉากเล็ก และ 4.2 dB ในฉากที่ใหญ่กว่า และกระบวนการปี 2014 ก็รายงานความคลาดเคลื่อนของความดังในระดับใกล้เคียงกัน ข้อผิดพลาดเหล่านี้เทียบกับการจำลองอ้างอิง ไม่ใช่เทียบกับห้องจริง
เมื่อเทียบกับห้องจริง ภาพก็ดูไม่สวยนัก การทดสอบเปรียบเทียบระหว่างห้องปฏิบัติการใน Journal of the Acoustical Society of America พบว่าความแตกต่างจากค่าที่วัดได้ยินชัดเจนเสมอ และอัลกอริทึมส่วนใหญ่ดูสมเหตุสมผลมากกว่าสมจริงแท้ ผู้เขียนโยงช่องว่างนั้นไปที่ข้อมูลการดูดกลืนและการกระเจิงที่ถูกลดรูป รวมถึงการสร้างแบบจำลองการเลี้ยวเบนที่อ่อน ซึ่งเป็นปรากฏการณ์ที่การบดบังเสียงต้องพึ่งพาโดยตรง ค่าอ้างอิงที่วัดจริงเช่นนี้คือเหตุผลที่การทดสอบในห้องไร้เสียงสะท้อนยังคงสำคัญต่องานจำลอง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความคลาดเคลื่อนเฉลี่ยของกระบวนการคลื่นที่เข้ารหัสครบถ้วน | 3.3 dB สำหรับความดัง 22.5% สำหรับอัตราการสลาย | ข้อมูลล่าสุดที่มี: Raghuvanshi และ Snyder, ACM TOG 2014 |
| ความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของโมเดลแฝงรุ่นที่ดีที่สุด ฉาก Audio Gym เทียบกับฉาก Wwise Audio Lab | ระดับเสียงตรง 1.9 dB เทียบกับ 4.2 dB ทิศทางที่เสียงมาถึง 3.8 เทียบกับ 3.2 องศา | Seuté และคณะ, SIGGRAPH 2026 |
| ความคลาดเคลื่อนของการสร้างซ้ำแบบปรับค่ามาตรฐานของการกระเจิงเสียงที่ทำนาย โดยรวมและตามความถี่ | 8.8% โดยรวม 4.2% ที่ 125 Hz เพิ่มเป็น 10% ที่ 1,000 Hz | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| ความเบี่ยงเบนของตัวชี้วัดเสียงที่ทำนายจากค่าจริง | ต่ำกว่า 10% | ข้อมูลล่าสุดที่มี: Ratnarajah และคณะ, MESH2IR, ACM Multimedia 2022 |
| การประมาณเชิงเรขาคณิตของระยะอิสระเฉลี่ย (ระยะทางเฉลี่ยที่เสียงเดินทางระหว่างการสะท้อน) และเวลาก้อง | ภายใน 3% และภายใน 4.6% | ข้อมูลล่าสุดที่มี: Rungta และคณะ, P-Reverb, 2019 |
| ความเร็วในการหาเส้นทางการเลี้ยวเบนอันดับที่ 10 เทียบกับเทคโนโลยีล่าสุดก่อนหน้า | เร็วขึ้นสูงสุด 568 เท่า | ข้อมูลล่าสุดที่มี: Schissler, Mückl และ Calamia, SIGGRAPH 2021 |
| การทดสอบเปรียบเทียบระหว่างห้องปฏิบัติการด้านการจำลองเสียงในห้อง ผลตอบสนองอิมพัลส์ที่จำลองเทียบกับที่วัดจริง หกฉากเสียงและสามสภาพแวดล้อมที่ซับซ้อน | ความแตกต่าง “ได้ยินชัดเจนเสมอ” “ส่วนใหญ่สมเหตุสมผลแต่ไม่สมจริงแท้” | ข้อมูลล่าสุดที่มี: Brinkmann และคณะ, JASA 2019 |
งบประมาณรังสีปรากฏที่นี่เช่นกัน วิทยานิพนธ์ของโกเธนเบิร์กพบว่าตัวติดตามรังสีบน GPU จำลองการสะท้อนช่วงแรกและทิศทางได้ดี แต่รักษาเสียงก้องช่วงท้ายไม่ได้ พลังงานสลายเร็วกว่าค่าอ้างอิงเชิงคลื่นเพราะข้อจำกัดของงบประมาณรังสีและการแตกกิ่งของคอมพิวต์เชเดอร์ วิทยานิพนธ์สรุปว่าควรใช้การติดตามรังสีเสียงบน GPU เป็นเครื่องมือเสริมเป็นหลัก เพื่อยกระดับคุณภาพการรับรู้และความแม่นยำเชิงพื้นที่
6. การรับรู้: สิ่งที่ผู้ฟังสังเกตได้จริง
ผลลัพธ์ที่มีประโยชน์ที่สุดในวงการนี้อาจเป็นเรื่องที่ความแม่นยำหยุดมีความสำคัญบ่อยเพียงใด ผู้เชี่ยวชาญด้านเสียงในเกมประเมินโมเดลที่เรียนรู้ขนาด 14 MB ว่าสมจริงเท่าค่าอ้างอิงเต็มรูปแบบ p = 0.41 ขณะที่โมเดลพื้นที่โล่งแบบง่ายได้คะแนนไม่ถึงครึ่ง ในการทดสอบนั้น เสียงที่คำนึงถึงรูปทรงเรขาคณิตได้ยินชัดเจน แต่ข้อผิดพลาดทางกายภาพที่เหลือไม่ชัด ซึ่งบ่งชี้ว่าโครงสร้างอาจสำคัญกว่าเดซิเบลสุดท้ายไม่กี่หน่วย
บริบทก็สำคัญ การตัดสินระยะทางเปลี่ยนไปตามวิธีสร้างเสียงก้องในฉากเคลื่อนไหวแต่ไม่เปลี่ยนในฉากนิ่ง และในการศึกษาความรู้สึกมีตัวตนขนาดเล็กปี 2026 ห้องที่เหมาะสมชนะห้องที่ก้องมาก แต่ไม่ชนะห้องไร้เสียงสะท้อน อุปกรณ์ฟังทั่วไปยังเพิ่มข้อจำกัดของตัวเองอีกชั้น ดังที่ข้อมูลการระบุตำแหน่งเสียง HRTF ของหูฟังเล่นเกมของเราแสดงให้เห็น เสียงที่จำลองจึงดีได้เพียงเท่าขั้นสุดท้ายของห่วงโซ่
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คะแนนความสมจริงเฉลี่ย (0-100) โมเดลแฝงเทียบกับค่าอ้างอิงการเข้ารหัสคลื่นเทียบกับจุดยึดต่ำแบบพื้นที่โล่ง ผู้เชี่ยวชาญด้านเสียงในเกม 28 คน | 61.8 ± 3.8 เทียบกับ 62.6 ± 3.9 เทียบกับ 27.7 ± 4.1 | Seuté และคณะ, SIGGRAPH 2026 |
| การเปรียบเทียบทางสถิติของคะแนนชุดเดียวกัน | โมเดลแฝงเทียบกับค่าอ้างอิง p = 0.41 ทั้งสองเทียบกับจุดยึดต่ำ p < 0.001, ค่า d ของโคเฮน ≈ 1.4 | Seuté และคณะ, SIGGRAPH 2026 |
| ผลของวิธีสร้างเสียงก้องต่อระยะทางที่รับรู้ ฉากเคลื่อนไหว ผู้เข้าร่วม 17 คน | F(1,16) = 15.29, p < 0.01 | ข้อมูลล่าสุดที่มี: Rungta และคณะ, 2017 |
| การฟิตกฎกำลังของระยะทางที่รับรู้ (Dr) กับระยะทางจริง (dr) การติดตามรังสีเทียบกับตัวกรอง Schroeder | Dr = 1.56·dr^0.58 (R² = 0.94) เทียบกับ Dr = 1.08·dr^0.66 (R² = 0.99) | ข้อมูลล่าสุดที่มี: Rungta และคณะ, 2017 |
| ผลของวิธีสร้างเสียงก้องต่อระยะทางที่รับรู้ ฉากนิ่ง ผู้ร่วมทดสอบ 12 คน | ไม่มีผลอย่างมีนัยสำคัญ | ข้อมูลล่าสุดที่มี: Rungta และคณะ, 2017 |
| ฉากที่คะแนนความสมจริงต่างกันอย่างมีนัยสำคัญระหว่างสามกระบวนการเรนเดอร์ ผู้เข้าร่วมออนไลน์ที่ผ่านเกณฑ์ 51 คนจาก 71 คนที่รับสมัคร | 2 จาก 4 ฉาก: Floor χ² = 10.82, p < 0.01 Havana χ² = 8.27, p = 0.02 | ข้อมูลล่าสุดที่มี: Tang และคณะ, IEEE VR 2021 |
| ความรู้สึกมีตัวตนเชิงพื้นที่ใน Unreal Engine 5 บน Meta Quest 3 ผู้ฟังที่เข้มงวดสิบคน | ลดลงอย่างมีนัยสำคัญเฉพาะระหว่างห้องที่เหมาะสม (RT60 = 0.21 s) กับห้องที่ก้องมาก (RT60 = 2.0 s) | Spacek, Lee และ Johnson, AES AVAR Conference 2026 |
| การเปลี่ยนแปลงระยะอิสระเฉลี่ยที่เล็กที่สุดที่สังเกตได้สำหรับการสะท้อนช่วงแรก ผู้เข้าร่วมออนไลน์ 106 คน | 0.06 m | ข้อมูลล่าสุดที่มี: Rungta และคณะ, P-Reverb, 2019 |
หมายเหตุบริบท: การทดสอบความสมจริงปี 2026 ใช้วิดีโอที่บันทึกไว้ล่วงหน้า โดยตำแหน่งต้นกำเนิดเสียงและเส้นทางตัวรับคงที่ ผู้ประเมินจึงไม่ได้ควบคุมกล้อง การศึกษาที่มีผู้เข้าร่วม 51 คนดำเนินการออนไลน์บน Amazon Mechanical Turk การออกแบบทั้งสองแบบไม่ได้ทดสอบการเล่นเชิงแข่งขัน
สรุป: การบดบังเสียงด้วยการติดตามรังสีและการจำลองเสียงในเกมในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลจำลองดิบเทียบกับข้อมูลที่เข้ารหัสแล้ว แผนที่ทดสอบหนึ่งแผนที่ | 56 TB เทียบกับ 41 MB | Raghuvanshi และ Snyder, ACM TOG 2014 |
| เวลาถอดรหัสต่อต้นกำเนิดเสียง | ราว 100 μs | Raghuvanshi และ Snyder, ACM TOG 2014 |
| การเข้ารหัสคลื่นเทียบกับโมเดลแฝง แบบไม่บีบอัด พารามิเตอร์หนึ่งกลุ่ม | 182 GB เทียบกับ 14 MB | Seuté และคณะ, SIGGRAPH 2026 |
| คะแนนความสมจริง โมเดลแฝงเทียบกับค่าอ้างอิง ผู้เชี่ยวชาญ 28 คน | 61.8 เทียบกับ 62.6, p = 0.41 | Seuté และคณะ, SIGGRAPH 2026 |
| จำนวนรังสีและการสะท้อนแบบเรียลไทม์เริ่มต้นของ Steam Audio | 4,096 และ 4 | Valve, ซอร์สโค้ดปลั๊กอิน Steam Audio Unity |
| จำนวนรังสีต่อเฟรมที่ราว 80-100 FPS RTX 2060 | 16,000 | วิทยานิพนธ์มหาวิทยาลัยโกเธนเบิร์ก |
| เวลาต่อเฟรม การติดตามรังสีร่วมกับการกระเจิงแบบโครงข่ายประสาท สี่ฉาก | 6.78 ms ถึง 12.95 ms | Tang และคณะ, IEEE VR 2021 |
| ความคลาดเคลื่อนของการสร้างซ้ำแบบปรับค่ามาตรฐานของการกระเจิงที่ทำนาย | 8.8% | Tang และคณะ, IEEE VR 2021 |
| เวลาสร้างเอฟเฟกต์เสียงหนึ่งรายการ RTX 2080 Ti | 0.1 มิลลิวินาที | Ratnarajah และ Manocha, IEEE VR 2024 |
| ผลตอบสนองอิมพัลส์แบบโครงข่ายประสาทต่อวินาที RTX 2080 Ti | มากกว่า 10,000 | Ratnarajah และคณะ, ACM Multimedia 2022 |
| การเลี้ยวเบนอันดับที่ 10 เทียบกับเทคโนโลยีล่าสุดก่อนหน้า | เร็วขึ้นสูงสุด 568 เท่า | Schissler, Mückl และ Calamia, SIGGRAPH 2021 |
| การเร่งความเร็วของการติดตามรังสีแบบปรับตัวเทียบกับแนวทางก่อนหน้า | 5 เท่า | Schissler และ Manocha, i3D 2016 |
| ตัวกรองคอนโวลูชัน 16 ต้นกำเนิดเสียง Ambisonics อันดับสาม (เดโมของ AMD เอง) | 256 | AMD GPUOpen, 21 ตุลาคม 2019 |
| ผลของวิธีสร้างเสียงก้องต่อระยะทางที่รับรู้ ฉากเคลื่อนไหว | F(1,16) = 15.29, p < 0.01 | Rungta และคณะ, 2017 |
| การเปลี่ยนแปลงระยะอิสระเฉลี่ยที่เล็กที่สุดที่สังเกตได้ การสะท้อนช่วงแรก | 0.06 m | Rungta และคณะ, P-Reverb, 2019 |
| ความรู้สึกมีตัวตนเชิงพื้นที่ ห้องที่เหมาะสมเทียบกับห้องที่ก้องมาก ผู้ฟังสิบคน | ลดลงอย่างมีนัยสำคัญ | Spacek, Lee และ Johnson, AES AVAR 2026 |
| ผลตอบสนองอิมพัลส์ที่จำลองเทียบกับที่วัดจริง สภาพแวดล้อมทดสอบเก้าแห่ง | ได้ยินชัดเจนเสมอ | Brinkmann และคณะ, JASA 2019 |
ระเบียบวิธีและแหล่งที่มา
- Raghuvanshi และ Snyder, Parametric Wave Field Coding for Precomputed Sound Propagation, ACM Transactions on Graphics 33(4), 2014
- Seuté, Vasudev, Richan และ Buffoni, Reciprocal Latent Fields for Precomputed Sound Propagation, SIGGRAPH Conference Papers 2026
- Tang, Meng และ Manocha, Learning Acoustic Scattering Fields for Dynamic Interactive Sound Propagation, IEEE VR 2021
- Ratnarajah และ Manocha, Listen2Scene, IEEE VR 2024
- Ratnarajah, Tang, Aralikatti และ Manocha, MESH2IR, ACM Multimedia 2022
- Rungta, Rewkowski, Klatzky, Lin และ Manocha, Effects of Virtual Acoustics on Dynamic Auditory Distance Perception, 2017
- Rungta, Rewkowski, Klatzky และ Manocha, P-Reverb, 2019
- Schissler และ Manocha, Adaptive Impulse Response Modeling for Interactive Sound Propagation, i3D 2016
- Schissler, Mückl และ Calamia, Fast Diffraction Pathfinding for Dynamic Sound Propagation, SIGGRAPH 2021
- Brinkmann, Aspöck, Ackermann, Lepa, Vorländer และ Weinzierl, A Round Robin on Room Acoustical Simulation and Auralization, JASA 2019
- Spacek, Lee และ Johnson, The Role of Room Acoustics in 6DoF Interactive Audio for XR, โปรแกรมงาน AES AVAR Conference 2026
- มหาวิทยาลัยโกเธนเบิร์ก, A GPU Compute Framework for Real-Time Ray-Traced Acoustic Simulation in Unity
- Valve, ซอร์สโค้ดการตั้งค่าปลั๊กอิน Steam Audio Unity และข่าว Steam Audio
- AMD GPUOpen, TrueAudio Next Acceleration of Steam Audio Sound Reflections
- NVIDIA, VRWorks Audio SDK in Depth
- Meta, Acoustic Maps in Acoustic Ray Tracing for Unity
- ประกาศ Project Acoustics 3.0 และภาพรวม Project Triton
- Massive Entertainment, Ray Tracing Audio in Snowdrop
- GitHub, microsoft/ProjectAcoustics issue 55
- ข้อสังเกตเกี่ยวกับข้อมูล: ข้อมูลสาธารณะที่ดีที่สุดของวงการนี้จำนวนมากค่อนข้างเก่า แถวที่มีวันที่ก่อนเดือนตุลาคม 2023 จึงถูกทำเครื่องหมายไว้ในตารางของแต่ละหัวข้อ เกมที่วางจำหน่ายแล้วแทบไม่เคยเปิดเผยจำนวนรังสีหรืองบประมาณเสียงต่อเฟรม และเราไม่พบตัวเลขดังกล่าวของเกมใดเลย ตัวเลขของผู้ผลิตถูกระบุว่าเป็นข้อกล่าวอ้าง และไม่มีการอ้างอิงการประมาณขนาดตลาดใด ๆ เพราะเราไม่พบรายการที่เจาะจงกับการจำลองเสียงโดยเฉพาะ บทความของ Tang และคณะระบุภาระของเครือข่ายทั้งว่าต่ำกว่า 11 ms ต่อวัตถุและต่ำกว่า 1 ms ต่อมุมมอง เรารายงานตัวเลขต่อมุมมองจากตารางผลลัพธ์ของบทความ หน้าวิทยานิพนธ์ที่เราอ่านไม่แสดงผู้เขียนหรือปี และรายการ AES AVAR เป็นบทคัดย่อในโปรแกรมงาน ไม่ใช่บทความฉบับเต็ม แถวทางวิชาการจำนวนมากมาจากกลุ่มวิจัยเดียวกันรอบ Dinesh Manocha จึงเป็นการศึกษาที่แยกจากกัน แต่ไม่ใช่เสียงที่เป็นอิสระอย่างสมบูรณ์ ภาระการคำนวณล่วงหน้าจาก GitHub เป็นรายงานของนักพัฒนาคนเดียวในยุคเวอร์ชัน 2.0 และเราไม่สามารถยืนยันได้ว่า VRWorks Audio SDK ยังมีการดูแลอยู่หรือเอกสาร Project Acoustics ของ Microsoft ยังเป็นปัจจุบัน เพราะสองหน้าของเอกสารนั้นเปลี่ยนเส้นทางไปยังศูนย์นักพัฒนา Xbox ทั่วไปเมื่อเราตรวจสอบในเดือนตุลาคม 2026
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อมีการเผยแพร่บทความเทคนิคของ ACM SIGGRAPH Asia 2026