[护城河]苹果如何用五年时间，把耳机变成了空间

2020 年 6 月，苹果全球开发者大会改在线上举行。没有舞台，没有掌声，数十万观看直播的开发者分散在世界各地的客厅里。但当一个 AirPods Pro 的功能演示出现在画面中时，许多人放下了手中的咖啡。登场介绍功能的是 AirPods 固件高级工程师 Mary-Ann，这时候的她对观众尚显陌生，不过她将会在两年之后贡献知名场面，惊艳全场。

她说苹果如今在小小的耳机中实现了，影院级别的沉浸式声音体验，耳机里发出的声音不再是传统的立体声，而是影院当中的多声道环绕声。那一刻，空间音频从技术专利走入了消费产品。这不是立体声的那种左边渐进、右边渐出的左右平移。这是声音在你转动头部时，依然锚定在某个外部空间的错觉。

就像声音真的来自你面前的某个音箱，而不是两个塞进耳道的微型扬声器。耳机还是那个耳机。房间并不存在。但大脑信了。

苹果的发布文案写得克制：AirPods Pro 支持空间音频，带来影院般的聆听体验。但知道这项技术来龙去脉的人，看到的不是一句产品更新。他们看到的是一场持续多年的工程长征，和一张正在铺设的专利网。

要理解空间音频为什么难，先得理解耳机为什么天然不适合它。

人类感知声音方位，依赖三个信号：声音到达两耳的时间差、强度差，以及外耳廓对声波的反射和滤波。三者合称头部相关传输函数，HRTF。

但耳机的问题在于，它直接把声音灌入耳道，绕过了外耳廓的自然滤波。大脑接收到的信号不是声音来自前方某处，而是声音在我的脑内播放，长期佩戴的疲劳感，声学工程师称之为头中效应。

空间音频的核心任务，是在这种极受限的物理条件下，用算法欺骗大脑——让耳机里的声音，听起来像来自外部空间。这本身不是苹果独有的课题。索尼、杜比、谷歌都在做。

但真正让苹果的解法与众不同的是，从耳机里的陀螺仪，到手机的蓝牙传输协议，到操作系统里的音频渲染引擎，再到 Apple Music 里的编码格式——苹果控制了每一个环节。

苹果不是支持了空间音频这个功能——它是把整个音频链路重新设计了一遍，才让这个功能成为可能。

但这一切并非 2020 年的突发奇想。

时间往回拨，2014 年 5 月，苹果以 30 亿美元收购 Beats Electronics。Beats 给苹果补上了耳机品牌、音乐服务和消费音频团队，原 Beats 的音频工程师转入苹果后，成了后续 AirPods 和空间音频研发的底层班底。

2017 年，ARKit 1.0 发布。苹果在增强现实框架中内置了 3D 音频渲染能力，开发者可以为虚拟物体添加定位音效，声音位置随头部移动而变化，为后续空间声场能力打开了一个公开入口。

公开记录显示，苹果还在这一时期提交了多项核心专利：包含了 HRTF 的个性化建模以及双耳渲染的实现方法等等。密切关注该领域的人意识到，苹果的空间音频，已经呼之欲出。

2019 年 10 月，AirPods Pro 上市，发布会上没有提到空间音频。但官网详情页揭示了一个事后才显得意味深长的细节：H1 芯片里面内置了加速度计。而问及原因时，苹果当时闪烁其词，显然通透模式和降噪都没有必要获取运动数据。直到一年后，2020 年 6 月，空间音频功能通过固件更新推送给所有 AirPods Pro 用户。

没有新硬件。没有额外付费。功能突然出现在设置菜单里。这一刻，人们才意识到：AirPods Pro 的硬件从来不是为了自动切换准备的。

它从一开始就是为空间音频预埋的。这其实不是一个很容易理解的概念，只有你亲自戴上耳机感受，你才能感受到那种奇妙，对于我来说，某一次深夜戴着耳机看电视时，耳机发出的声音完全骗过了我的大脑，以至于我认为电视仍然在响，吓得我赶紧按下暂停，怕打扰到正在休息的家人。

苹果花了五年时间，从收购团队、试验 AR 音频、申请专利、预埋硬件，到最终发布功能。这不是常规的产品开发逻辑，而是底层基础设施的建设周期。

空间音频的体验好坏，有一个大多数人感知不到、但工程师反复提及的指标：延迟。

降低延迟为什么难。延迟的来源不光是因为无线通信，更关键的是空间音频整套有点弯弯绕的技术路径，耳机还是那个耳机，但不同的是耳机播放的声音经过了 HRTF 空间化的转换，这个转换的过程只能在手机上完成，耳机的算力和续航完全撑不住，所以整个链路的过程，是耳机将头部姿态的数据传给手机，再由手机完成声音处理，最后传回给耳机。

两次通信，延迟却要优化到比一次更低。

因为延迟是体验的生死线，当头部转动时，声场必须在极短时间内完成重构。行业研究表明，如果延迟超过一定阈值，大脑会察觉声音跟不上头，沉浸感瞬间崩塌，敏感人群可以察觉 60-70ms 的延迟。而在非常苛刻的虚拟听觉环境中，低于 30ms 的延迟才更难被察觉。

在最新的 AirPods Pro 3 上，搭配 Vision Pro 以及低延迟协议，声音传输总体延迟，可以降到 30ms 以内。

苹果能做到这一点，因为它控制了每一个环节，从 AirPods 的传感器采样、蓝牙 LE 的数据传输、iPhone 的渲染计算、再到音频输出的全链路协同。

安卓做不到，因为 Google 提供了 API 框架，但传感器选型、渲染算法、编解码方案，由 OEM 各自完成。每个厂商的优化水平不同，体验自然参差不齐。

另一个常被忽略的差异是 HRTF 个性化。

HRTF 因人而异。每个人的耳廓形状、头部尺寸、耳道结构都不同，导致声音在到达鼓膜前的滤波特性千差万别。使用通用 HRTF 模型，相当于给所有人配同一副眼镜——能看，但不准。

苹果的解法，是让用户用 iPhone FaceID 的原深感摄像头扫描用户的耳廓。

苹果的结构光既然能做到精准识别人脸，那也能同样扫描耳廓。

WWDC 2022 的一场技术 Session 详细解释了这套流程。苹果的工程师没有公开具体的架构，但强调了一个结果：基于机器学习的个性化 HRTF 的匹配精度，显著优于基于统计平均的通用模型。安卓阵营中，几乎没有厂商提供同等级别的个性化方案。

多数产品依赖简单的问卷或直接采用通用模型。这不是态度问题，是架构问题——FaceID 本身就是另一座技术的大山，你没有前置的技术储备，没有存量机型的硬件铺垫，我们看到的更多是结果，但体验的胜负可能在很多年之前就早早的确定了。

，Apple Music 里的杜比全景声内容是自己谈下来的。

2022 年，Google 在 Android 13 中引入了原生的空间音频框架 Spatializer API。这是一个标志——安卓阵营终于开始系统性跟进。

但跟进不等于追平。苹果是在一张白纸上画，安卓是在一张已经画满东西的纸上改。

安卓的路线：Google 提供 API 标准，高通提供芯片方案，手机厂商各自集成耳机，音乐 App 自行适配。每个环节都是不同的公司在做，标准一致但实现各异。不同 OEM 实现要自己达成这一目标。部分场景下，用户能明显感觉到声场慢了半拍。

虽然大家现在都在宣传空间音频，但背后内容的编码和渲染方式有很大差异。Apple Music 的空间音频内容采用 E-AC3-JOC 编码，码率约 768 kbps。这个规格保留了足够的声道和对象信息，能在 iPhone 端完成高质量的双耳渲染和头部追踪。

而部分安卓平台的杜比全景声内容，实际使用的是 AC4-IMS 格式。

这是 AC4 编码面向移动/双耳场景的轻量方案——双声道串流，码率仅 256 kbps，两者相差 3 倍码率。更关键的是，AC4-IMS 因为预先渲染好了双耳信号，一旦引入头部追踪，系统无法在非 0 度方位正确重新计算声场。

这意味着，声称支持头部追踪的安卓设备，如果底层内容使用的是 AC4-IMS，追踪效果在算法层面就是残缺的。这种差异不是某个厂商的偷工减料，而是生态位决定的。

苹果控制了内容分发端（Apple Music）和消费端（AirPods + iOS），所以能坚持使用高码率的原始格式。安卓的内容分发端分散在 QQ 音乐、网易云等第三方平台，各平台出于带宽成本考虑，倾向于使用低码率的预制版格式。上游不在自己手里，下游也不在自己手里。

这是安卓阵营在空间音频领域的结构性困境。

然而事情远没结束，2025 年的 WWDC，苹果做了一个此前从未有过的动作。它推出了自己的沉浸式音频格式标准：ASAF（Apple Spatial Audio Format）和 APAC（Apple Positional Audio Codec）。

ASAF 是制作端格式，APAC 是分发端编解码。

这意味着什么，意味着苹果从兼容杜比全景声转向建立自己的格式标准。

从借力标准转向定义标准，这是一个战略级别的转变。

此前，苹果支持杜比全景声内容，但在渲染端使用自研算法。

现在，它连内容格式都想自己定。其中 ASAF 支持的这个五阶高阶环绕声场尤其值得注意。这个级别的空间精度，对应 36 个虚拟声道，远超耳机消费端的需求。AirPods 听首歌，根本不需要这么高的精度。

这是为 Vision Pro 和后续空间计算设备储备的。今天的耳机音乐，明天的空间计算。ASAF 可以让同一套内容格式在不同设备当中无缝迁移。

这一次苹果不只是坐在杜比身后，而是把自己的牌推上了桌面。

在写这篇稿子的过程中，其实我内心一直有一个问题没有被解答，视频前半部分的叙事逻辑，是站在一个重要的假设上，苹果空间音频的起步，是从收购 Beats 团队开始的，但事实真的是这样吗。

这个前提建设，是否真的足够稳固，到底是 Beats 有过人之处，还是收购案只是一个标志性的事件，我其实在一开始没有找到更多的支撑。直到我通过检索苹果空间音频相关的专利，再交叉检索专利发明人履历的方式，确认了 AirPods Pro 上的空间音频，他根本就不是一个五年前伏笔，而是一个可能横跨超过十年的布局。

我这边找到最早的一篇专利，是有关双耳渲染的，主要发明人尤哈 Juha Merimaa 于 2012 年加入苹果，在之前他是森海塞尔的算法工程师。

HRTF 建模这篇专利，发明人戴瑞斯 Darius Satongar 在 2011 年加入苹果之前，曾经在杜比短暂待过。

这篇空间音频编码专利，Erik Wang 作为产品设计师于2000 年加入苹果，在职已经超过了 25 年。

Gary Geaves 2011 年从宝华韦健加入苹果，离开苹果之前他是整个声学团队的负责人。

而 Tomlinson Holman （汤姆林森，霍尔曼）这位更是重量级，他是卢卡斯影业 THX 音响系统的发明人，2002 年就获得了奥斯卡的技术成就奖，堪称空间音频领域的活化石，据报道他在 2011 年的时候加入苹果，一呆就呆了十年。

而且一些有意思的现象是，近几年有关空间音频的专利，做运动识别的、交互设计的、XR 系统的，这些在声学之外的专家，也开始出现在专利发明人中间。

这让 Beats 的位置变得有些微妙。

它当然重要，2014 年，苹果用 30 亿美元买下的不只是一个耳机品牌，还有音乐服务、消费音频经验和一套进入年轻用户耳朵的语言；但如果把空间音频的起点放在 Beats，故事反而被讲窄了。

专利发明人的履历把时间线继续往前推。2011 年前后，苹果已经开始把一批很不一样的人放进同一个系统里：做影院声学工程的，做高端音响的，做双耳渲染的，做传感器融合的，做交互设计的。

他们的工作一开始并不都指向 AirPods。有人服务于 Siri 和语音入口，有人服务于客厅和 HomePod，有人服务于 ARKit，有人服务于后来的 Vision Pro。空间音频只是他们在十年后相遇的地方。这也是苹果护城河真正难讲的部分。

它不是一条专利，不是一颗芯片，也不是某次收购。那些东西都可以被列出来，被对比，被追赶。更难复制的是一种组织能力：让一个足够专的团队，长期负责一类体验；又让这个团队的能力，穿过不同产品线，在新的设备出现时重新组合。耳机只是冰山一角。

水面之下，是苹果专利中留下的一串名字，和一套仍在持续生长的系统。