Tôi đã dịch ngược một hiệu ứng âm thanh không gian thương mại như thế nào

Một lập trình viên Linux đã tự tay phân tích và tái tạo thành công một hiệu ứng âm thanh vòm thương mại mà không cần sao chép thuật toán gốc. Thay vì cố gắng hiểu chính xác cách chương trình xử lý âm thanh, anh tiếp cận theo hướng đo lường hành vi của bộ lọc — ghi lại các đáp ứng xung, quét tần số và tông ổn định để dựng lại mô hình. Kết quả là một bộ lọc convolution chạy trên PipeWire có thể tái tạo hiệu ứng "âm thanh ra khỏi đầu" mà anh hằng mong muốn.

Xuất phát từ một nhu cầu rất đời thường

Khi còn dùng một hệ điều hành khác, tác giả có dùng một phần mềm xử lý âm thanh theo thời gian thực giúp âm thanh nghe "xa hơn" một chút, nhẹ tai hơn nhưng vẫn giữ đủ thông tin. Trên Linux, không có phần mềm tương đương đơn giản như vậy, nên anh quyết định tự viết một cái.

Anh bắt đầu với PipeWire — hạ tầng xử lý đa phương tiện hiện đại trên Linux — và dùng mô hình ngôn ngữ lớn (LLM) như một người bạn đồng hành để thử nghiệm các bộ lọc âm thanh tiêu chuẩn và kỹ thuật tâm lý âm học (psychoacoustics).

Con đường vòng qua HRTF

Một khái niệm quan trọng anh học được là HRTF (Head-Related Transfer Function) — hàm mô tả cách âm thanh từ một hướng cụ thể đến tai người nghe, phụ thuộc vào hướng và hình dạng của người đó.

Anh thử dùng cơ sở dữ liệu MIT KEMAR trước, nhưng nghe "rất tệ" vì nó được thu trong buồng không vang (anechoic chamber) — không có tiếng dội phòng, trong khi chính tiếng dội mới là hiệu ứng tâm lý mong muốn. Sau đó anh tìm được cơ sở dữ liệu SADIE II, cũng có đáp ứng phòng, và nghe gần giống ký ức của anh hơn.

Tuy nhiên cách tiếp cận này sớm bộc lộ giới hạn. LLM bắt đầu nói những khái niệm như "perceptual envelopment", "late-field decorrelation", "spectral diffusion" — nghe thì hay nhưng không chỉ ra được điều gì cụ thể để cải thiện. Dự án bị bỏ dở một thời gian.

Ý tưởng mới: đo thay vì đoán

Bước ngoặt đến khi tác giả nhận ra mình không cần biết chính xác thuật toán bên trong. Thay vào đó, anh có thể nghiên cứu hành vi của chính bộ lọc — tức là chương trình thương mại kia.

Vì không có bản sao chương trình, anh chỉ có thể mượn laptop của bạn để thử. Anh đọc blog của Signalsmith và một số kỹ sư âm thanh để xây dựng trực giác, rồi nảy ra ý tưởng: tạo file âm thanh trên Linux, phát qua chương trình trên máy bạn, và ghi lại đầu ra.

Bộ test được thiết kế như thế nào

Câu hỏi trọng tâm là: cần đưa gì vào file để nắm bắt được những chi tiết đủ để phân biệt chương trình này với các bộ lọc khác?

Đầu tiên là đo đáp ứng xung (impulse response). Nếu đưa vào một mẫu đơn lẻ khác 0, mọi thứ xuất hiện sau đó trong bản ghi đều do bộ lọc thêm vào. Cách này hoạt động với giả định bộ lọc là tuyến tính và bất biến theo thời gian (LTI), tức thỏa mãn:

$$ y[n] = \sum_k x[k]h[n-k] = (x*h)[n] $$

Với tín hiệu stereo, toàn bộ hệ thống được mô tả bằng ma trận 2×2 các bộ lọc $h_{LL}, h_{LR}, h_{RL}, h_{RR}$ — bốn đáp ứng riêng biệt.

Anh thêm các xung ở nhiều mức biên độ khác nhau để kiểm tra xử lý phụ thuộc mức, phát cùng lúc hai kênh và đảo dấu kênh phải để kiểm tra tính cộng tuyến. Anh cũng chèn đủ khoảng lặng giữa các xung để đáp ứng kết thúc trước xung tiếp theo.

Quét tần số và tông ổn định

Đọc tài liệu về đo lường, anh nhận thấy các bài báo thường dùng sine sweep thay vì xung đơn thuần. Lý do: một xung chứa mọi tần số nhưng năng lượng ở mỗi tần số rất nhỏ, nên sweep dài giúp phân biệt đáp ứng với nhiễu ghi âm dễ hơn nhiều.

$$ \hat{H}(f) = \frac{Y(f)X^*(f)}{|X(f)|^2 + \lambda} $$

Đây là phiên bản chuẩn hóa (regularized) để tránh chia nhiễu cho giá trị gần 0. Giá trị phức còn giữ pha — cần thiết vì âm thanh gửi vào một kênh có thể xuất hiện ở kênh kia với độ trễ.

Ngoài ra, anh thêm:

• Tông ổn định ở nhiều tần số và biên độ khác nhau
• Tông chuyển mức từ nhỏ đến lớn và ngược lại, để xem gain có thay đổi không và mất bao lâu
• Multitone tám tần số để kiểm tra có sinh tần số mới không
• Ba bản lặp giống nhau để kiểm tra tính bất biến theo thời gian
• Đoạn nhiễu phủ dải tần thấp, trung và cao để kiểm tra sau này

Khôi phục bộ lọc

Vì ghi và phát được bắt đầu thủ công, bản ghi cần được căn chỉnh offset. Anh đặt các tiếng click cách đều nhau ở đầu file, rồi dùng tổng bình phương mẫu trong cửa sổ để ước lượng năng lượng thay vì tương quan trực tiếp, vì bộ lọc có thể làm mỗi click lan rộng theo thời gian.

$$ \hat{\tau} = \arg\max_\tau \sum_n e_{\text{probe}}[n]e_{\text{recording}}[n+\tau] $$

Kết quả:

• Với chế độ surround chính, các xung ở biên độ khác nhau gần như giống nhau, tổ hợp đầu vào khớp với tổng đáp ứng riêng, multitone hầu như không sinh tần số mới → có thể mô phỏng bằng bộ lọc convolution cố định.
• Một chế độ giảm âm lượng thay đổi gain theo biên độ và mất thời gian phục hồi → không thể mô phỏng bằng convolution tĩnh.
• Một chế độ không gian khác thay đổi giữa các bản lặp → cũng không khả thi.

Điểm thú vị: âm thanh xuất hiện ở kênh đối diện, nhỏ hơn và trễ nhẹ, kèm một đuôi dài. Chính phần này tạo ra hiệu ứng "out-of-head" — cảm giác âm thanh không còn dính vào tai.

Chọn độ dài bộ lọc

Để quyết định giữ bao nhiêu đáp ứng, tác giả so sánh sai số của các bộ lọc có độ dài tăng dần trên đoạn nhiễu:

$$ \varepsilon_N = \frac{\lVert y_{\text{noise}} - h^{(N)}*x_{\text{noise}}\rVert_2}{\lVert y_{\text{noise}}\rVert_2} $$

Kết quả: giữ toàn bộ đáp ứng dự đoán nhiễu chính xác hơn các phiên bản ngắn. Đáp ứng trích từ sweep cũng khớp trong dải tần có đủ năng lượng đầu vào.

Cuối cùng, anh nạp bốn đáp ứng vào Saq — một công cụ nâng cao âm thanh thời gian thực cho Linux — và có được vị trí âm thanh mà anh từng cố tái tạo thủ công.

Ý nghĩa với người dùng Linux

Câu chuyện này mang lại vài bài học thú vị cho cộng đồng Linux nói chung:

• Không cần mã nguồn để tái tạo hành vi — chỉ cần thiết kế phép đo đúng và hiểu giới hạn của mô hình (ví dụ bộ lọc LTI).
• Psychoacoustics không phải phép thuật — mọi hiệu ứng đều có thể đo, mô tả và tái tạo nếu biết cách.
• PipeWire + convolution là nền tảng đủ mạnh để tái tạo các hiệu ứng âm thanh vòm thương mại trên Linux, vốn từ lâu là khoảng trống so với Windows hay macOS.

"Điều này nghe có vẻ hiển nhiên khi nhìn lại, nhưng tôi đã không có bản sao của chương trình. Tôi chỉ có thể thử nghiệm trên laptop của một người bạn."

Kết quả là một công cụ mã nguồn mở, chạy trên Linux, có thể chọn file âm thanh cục bộ hoặc bắt âm thanh từ tab trình duyệt, rồi bật/tắt chế độ surround để so sánh trực tiếp. Toàn bộ mã nguồn được công khai trên GitHub.