12-Unity音频

第 12 章 Unity 里的音频：听到”位置”的声音

前面第 9、10、11 章，咱们把”声音怎么变成数字""数字怎么装进文件""视频又是怎么一回事”彻底拆明白了。你现在已经知道：一个 .ogg 文件里，本质就是第 9 章那串被采样量化出来的 PCM 数字，再按第 10 章讲的感知压缩挤掉你不敏感的部分。

但——地下有个坑，很多人学到这步会卡住：

那一串数字，是怎么”从电脑里跑出来、钻进你耳朵、而且还能让你听出’声音在左边、在身后、在远处‘“的？

注意，第 9、10 章只解决了”声音被存成数字”。它可没解决”数字怎么变成有空间感的声音”。就像你有一张高清地图（数据），但地图不会自己告诉你”我现在站在哪、北边那座山离我多远”。从”存着的数字”到”耳朵听到的位置感”，中间还隔着一整个引擎子系统。

这一章，我就带你把这层补上。你学完会发现：Unity 处理 3D 声音的思路，和它处理雾（第 8 章）、处理坐标（第 2 章）的思路，是一母所生的——都是”先把现实现象吃透，再拿几个旋钮去近似”。

12.1 三个核心组件：唱片、唱机、人耳

想象一个最朴素的”放音乐”场景。你要让一段音乐响起来，物理上缺不了三样东西：

1. 一张唱片（上面刻着音轨，是”声音本身”）。
2. 一台唱机（把唱片转起来、把沟槽变成声音，是”播放的机器”）。
3. 一双耳朵（真正去听，是”接收的器官”）。

缺一不可。唱片不转，没声；唱机不接喇叭，没声；你没耳朵，那更没声。

Unity 把这三样，做成了三个明确定义的组件。我一个一个拆，你必须分清楚”谁是谁”。

AudioClip：那张唱片，也就是 PCM 数据本身

AudioClip（音频片段）就是”唱片”。它对应的是第 9 章你算过的那串 PCM 数字——某个声音被采样量化后，落进文件里的那一长串整数。

你在 Project 窗口里看到的 gunshot.ogg、bgm_battle.ogg，导入 Unity 后，每一个就是一个 AudioClip。它只描述”声音长什么样”，不负责播放、不负责挂在哪、不负责从哪只耳朵进。它就像一张静态的”音频照片”：采样率多少、位深多少、几声道、总共多长，这些元数据（第 10 章讲的”说明书”）都挂在它身上。

关键认知：AudioClip 是”数据”，不是”正在响的声音”。 这点特别容易混。一个 AudioClip 躺在项目里，世界静悄悄；它必须被人”播放”，才会出声。这和数据与实例的区别，和你写程序时”类的定义”和”类的实例”几乎一模一样——AudioClip 是类，播放出来的声音 是那个正在跑的实例。

另外连回第 10 章的现实账本：每个 AudioClip 都有一个 Load Type（Decompress On Load / Compressed In Memory / Streaming）。短音效选”载入即解压”，因为要零延迟随机触发；长 BGM 选”流式”，因为全塞内存太亏。所以 AudioClip 不是简单”装了段录音”，它还带着”我该怎么被读进内存”的策略。你回忆一下第 10 章那张表，这里就接上了。

AudioSource：那台唱机，挂在物体上

AudioSource（音频源）就是”唱机”。它是 Unity 里一个可以挂在游戏物体（GameObject）上的组件。它的职责是：拿一个 AudioClip，按你设的方式，把它”播出来”。

为什么强调”挂在物体上”？这是和普通音乐播放器最不一样的地方。你电脑上的播放器，声音从”扬声器”出来，没有位置概念。但游戏里，声音通常属于某个东西：枪声属于那把枪，脚步声属于那个角色，瀑布声属于那道瀑布。所以 AudioSource 是物体的一个属性——物体在世界坐标里挪到哪（第 2 章），声音就从哪发出来。

AudioSource 上你要设的核心就两件事：

• 它播哪个 AudioClip（把唱片放上去）。
• 怎么播（音量多大、循环不循环、是 2D 还是 3D，这些下面 12.4 细讲）。

打个比方：AudioClip 是 MP3 文件，AudioSource 是”正在用某台设备放这个 MP3 的那个动作”。一台唱机同时只能放一张唱片，但一个物体上也常只挂一个 AudioSource；而同一个 AudioClip（比如脚步声）可以被无数个 AudioSource 同时播——就像一张唱片可以被多台唱机各放各的。

AudioListener：那双耳朵，通常在摄像机

AudioSource 负责”出声”，那”谁在听”？AudioListener（音频监听器）就是”耳朵”。场景里必须至少有一双耳朵，声音才被送出去。Unity 默认把这双耳朵，放在**主摄像机（Main Camera）**上——这非常合理：你看到的画面，就是”你”站的位置；那”你”听到的，自然也从摄像机位置出发。你眼睛和耳朵长在同一个脑袋上，游戏里摄像机就同时是”眼+耳”。

于是整个链路清楚了：

AudioClip（唱片：PCM 数据）
   ↓  被指定给
AudioSource（唱机：挂在某物体上，在世界里有个位置）
   ↓  发出声音，经过"距离/方向"的计算
AudioListener（耳朵：在摄像机上，在世界里也有个位置）
   ↓  最终混成你耳机/喇叭里的声音

你注意中间那道”距离/方向的计算”——这正是普通播放器没有、而游戏必须有的一步。下面两节就专讲它。

一个小陷阱先提醒：场景里可以有很多个 AudioSource（很多声源），但 AudioListener 通常只有一个（你只有一双耳朵）。如果你不小心把两双耳朵放进场景（比如给主角也挂一个、摄像机又有一个），声音会”打架”、定位错乱。所以记住：耳朵一般只在摄像机上有一双。

12.2 3D 音效：为什么近处响、远处轻

先回到现实，问一个你绝不会怀疑的现象：

你站边上听人敲鼓，“咚”一声震耳朵；你退到五十米外，同样一声鼓，“咚”变成闷闷的、小小的。再退到五百米，几乎听不见。为什么越远越轻？

这不是录音的问题，是物理。声音是空气中的压强波（第 9 章说的”疏密变化”），它从声源出发，像水波一样向四面荡开。波的能量摊在一圈越来越大的”球面”上——离声源越远，单位面积分到的能量越少。粗略说，强度按”距离的平方”反比衰减（点声源的理想情况）。你不用记公式，记住一句大白话就行：声音散出去，越远越稀，所以越远越弱。

问题：游戏怎么”模拟”这种远弱近强

游戏里，声源（AudioSource）和耳朵（AudioListener）都在世界坐标里有确定的位置（第 2 章）。那么播放时，引擎就该回答一个问题：

声源离耳朵多远？根据这个距离，把声音”压”到多小？

如果不做这事，会出什么洋相？你退到地图另一头，敌人的枪声照样”震耳朵”——你根本听不出敌人在远处还是贴脸，所有声音一样响。这违反直觉到离谱，游戏的”空间感”瞬间破产。

所以工程师的方案很直接：用一个”距离 → 音量”的函数，把声音按距离衰减。 离得近，原样放；离得远，乘个小于 1 的系数；远到一定程度，干脆静音。

Unity 里的旋钮：Min Distance / Max Distance / Rolloff

Unity 把这套衰减做成了 AudioSource 上的几个参数，我逐个翻译成人话：

• Min Distance（最小距离）：在这个距离之内，声音按”最大音量”放，不衰减。意思是”太近了，响度封顶”。直觉：你贴着喇叭站，再近也不会更响（喇叭功率就那么大）。比如设成 1 米，那 0~1 米内声音一样响。
• Max Distance（最大距离）：在这个距离之外，声音彻底静音（衰减到 0）。直觉：“远到听不见就算了，别白算”。比如设成 50 米，那 50 米外这个声源不贡献声音。
• Rolloff（衰减曲线 / 滚降）：这是 Min 到 Max 之间，音量”怎么降”的形状。它回答”从满响到静音，是匀速降，还是先慢后快，还是先快后慢”。Unity 提供 Logarithmic（对数，最贴近真实空气衰减）、Linear（线性）、Custom（你手画一条曲线）。

我重点说”曲线”这件事，因为它最能体现”工程师用旋钮近似现实”。真实的空气衰减不是匀速的，是对数式的——前面几米掉得快，后面慢慢平缓。如果你选 Linear，那会是”每米均匀降一点”，听起来”远处的声音消失得太突兀”；选 Logarithmic 更自然。而 Custom 让你自己画图，比如你想做”只有 5 米内听得清、之后断崖式消失”的恐怖效果，就手动画一条陡降曲线。

你立刻能和第 8 章的雾连起来：雾是”按距离把颜色混进雾色”，音频衰减是”按距离把音量乘个系数”。两者都是’距离越大，存在感越弱’的同一类思想——只不过一个作用在你眼睛（颜色），一个作用在你耳朵（响度）。这就是”同源”的真正含义：游戏里很多效果，底层是同一个”用距离换存在感”的招。

连回第 9/10 章的一个细节：衰减是在播放时实时算的，它改的是”这串 PCM 数字被播多响”，而不是去改 PCM 数据本身。所以同一个 AudioClip，放在耳边和放在远处，文件完全没变，变的只是 AudioSource 播放它时乘的系数。这正好印证第 10 章”文件是数据、播放是另一回事”。

12.3 空间化：声音从哪边来，以及”房间有多大”

光有”远近”还不够。你闭眼也能分辨”左后方有车、右前方有人说话”。这靠的是两件事：左右方位和空间反射（混响）。Unity 用一组功能来对付，统称”空间化（Spatialization）“。

左右声道：声音从左边来，左喇叭就响

你还记得第 9 章讲的”声道”——立体声是左（L）、右（R）两路独立声音。空间化第一步，就是根据”声源在耳朵的左边还是右边”，决定左声道和右声道各放多少。

怎么判断左右？靠 AudioSource 和 AudioListener 的相对位置（又是世界坐标，第 2 章）。引擎算出”声源在耳朵的左边 30 度”，就调高左声道、调低右声道——你的大脑据此判断”声源在左”。这叫声像定位（Panning）。

注意一个巧妙点：真实世界里你判断左右，靠的是”声音到两只耳朵的时间差和音量差”（头挡住了右边来的声音，右耳略弱）。Unity 不需要真的模拟头，它直接用”相对方位 → 左右声道配比”近似，效果够骗过大脑。又是”实时约束下的聪明近似”（第 1 章那句话）。

混响：模拟”这个空间有多大、多空”

你有没有注意：同样一声拍手，在浴室里”嗡——“回荡很久，在户外旷野”啪”一下就散了。区别在反射——声音撞墙弹回来，多次叠加，形成”混响（Reverb）”。

游戏里，你希望”山洞里脚步带回音、空旷原野没有回音”。Unity 的做法是两件套：

• AudioSource 上的 Reverb Zone Mix：声源可以被”混响区”影响。
• Reverb Zone（混响区）：你在场景里放一个”区域”，进入这个区域的声音会被加上特定混响。比如做一个 Cave 混响区，参数设成”长尾巴、多反射”，角色一进山洞，所有声音自动带上洞穴的回响。

这背后的理念是”空间大小决定声音质感”。你想想，这和雾（第 8 章）是不是又一对兄弟？雾是”用颜色告诉你空间有多远多浑”，混响是”用回响告诉你空间有多大多空”。两者都是’用听觉/视觉线索暗示空间属性’。

Doppler：声音的”火车进站变尖、出站变闷”

最后提一个思想实验级的参数：Doppler（多普勒）。现实里，一辆鸣笛的火车朝你开过来，笛声变尖（频率升高）；开过去远离你，变闷（频率降低）。原因是声源和听者相对运动，压缩/拉长了声波的”到达间隔”，等效于改变了你听到的频率（第 9 章讲的”采样/频率”反过来想）。

游戏里如果一辆赛车从你身边飙过，开着 Doppler，你会听到”嗖——“一声由尖变闷的划过感，临场感暴增。Unity 用 AudioSource 上的 Doppler Level 控制强度（0 就是关掉，声音不因运动变调）。

我得诚实告诉你：Doppler 在游戏里默认常常调得很低甚至关掉，因为一旦参数没配对，赛车声音会”哇”地一声鬼叫，反而出戏。但理解它的”为什么”很重要——它再次证明：声音不是孤立的”录音”，它是和”运动""位置”绑在一起的实时演算（回到第 1 章”游戏是演算不是回放”）。

12.4 参数直觉：四个旋钮各对付什么听感

到这，你已经把”3D 声音”的机制摸清了。最后我给你一张”旋钮 → 听感”的直觉表，都是 AudioSource 上的常用参数。你调音效时，先问”我要解决什么听感问题”，再去找对应的旋钮，别瞎拧。

• Volume（音量）：最直白，这声源整体多响，0~1。它和”距离衰减”是两层——衰减是引擎按距离自动乘的系数，Volume 是你手动设的”基准响度”。比如两把枪，一把小手枪 Volume 0.3，一把大炮 Volume 1.0，即便离你一样远，大炮也响。
• Pitch（音高）：播放速度/频率的缩放，1 是正常。Pitch 调高，声音变尖、变快（像把录音加快）；调低，变闷、变慢。实用场景：角色受伤时把环境音 Pitch 调低，瞬间”时间变慢”的电影感；或者一个 AudioClip 复用在多种怪物上，用不同 Pitch 区分大小。注意：Pitch 改的是频率，和第 9 章”频率=音高”完全呼应——你调的正是那串 PCM 被还原时的快慢。
• Spatial Blend（空间混合）：这是本章最该懂的一个，取值 0（纯 2D）到 1（纯 3D）。
  • 0（2D）：声音没有位置，左右声道固定，远近不影响响度。适合”背景音乐 BGM”——你希望 BGM 永远一样响，不管角色跑哪去。也适合 UI 音效（按钮”叮”）。
  • 1（3D）：声音完全按位置算，远近、左右全生效。适合”世界里的声源”——枪声、脚步、瀑布。
  • 中间值：半 3D，比如你想让一段旁白”大致从某方向来，但不随距离衰减太多”。
  • 一句话判断你该设多少：这个声音属于”世界”还是属于”界面”？属于世界→往 1 靠；属于界面/音乐→往 0 靠。
• Loop（循环）：播完是否从头再来。BGM、流水声、风声要开；枪声、爆炸一次性，关掉。简单但关键——忘了关 Loop，你的爆炸声会”轰轰轰”循环到天荒地老。

还有几个顺手记的：Mute（静音这路，调试用）、Play On Awake（物体一出现就播，还是等代码调用 Play()）、Priority（声音太多时谁先被砍，省算力，呼应第 1 章”餐厅只做点的菜”）。

把 12.1–12.4 串成一句话：Unity 的声音系统，就是用 AudioClip（唱片/PCM 数据，第 9/10 章）+ AudioSource（唱机/带位置）+ AudioListener（耳朵/在摄像机）三件套，再按”距离衰减、左右声像、混响、多普勒”把那串数字实时加工成”有位置的听感”。每一个旋钮，都对准一个你现实里能体会的听感问题。

12.5 收个尾，连回整条主线

你回头看，这一章其实干了一件和第 8 章雾完全对称的事：

• 雾：现实有”空气透视” → 问题”远处看不清还要省钱” → 方案”按距离混颜色” → 落进 Fog Color / Density。
• 音频：现实有”声音随距离减弱、有方位、有空间反射” → 问题”游戏得让声音有位置感” → 方案”按距离衰减、按方位分配声道、加混响” → 落进 Min/Max Distance / Spatial Blend / Reverb。

而这一切的”原材料”，是第 9、10 章你学的：声音先被采样量化成 PCM（第 9 章），再被压缩装进 OGG/WAV 并决定载入方式（第 10 章），最后在 Unity 里由 AudioClip 引用、由 AudioSource 播放、由 AudioListener 接收。你现在可以用一句话回答第 9 章开头那个疑问”音视频怎么进计算机”的”音频半边”了：进计算机靠采样量化，进游戏靠三组件 + 空间化，全程都是’连续变离散、再用感知弱点和位置近似换实时’。

12.6 一个你马上能用的调试心法：先听”裸声”，再听”空间声”

讲了这么多旋钮，我得给你一个实战里最不容易踩坑的习惯。新手调 3D 音效，最常干的一件傻事是：把 AudioSource 一堆参数（距离、声像、混响）全设上，一播放发现”声音怪怪的”，却分不清怪在哪——是距离衰减错了，还是声像反了，还是混响太重？所有变量搅在一起，你根本定位不了病根。

我的办法朴素：拆开调，像做实验控制变量。具体说，第一步，先把声音当”裸声”听——也就是 Spatial Blend 设成 0（纯 2D），关掉所有衰减和混响，只放 AudioClip 本身，确认”这段录音本身对不对、音量基准合不合适”。这就好比你修音响，先把音源直连喇叭，确定碟没坏，再去调均衡器。很多”音效怪”的锅，其实在录音本身（第 9 章采样率太低发闷、第 10 章压缩太狠全是底噪），不在空间化。

第二步，再一步步加空间：先把 Spatial Blend 拉到 1，只开距离衰减（Min/Max Distance），听”远近对不对”；确认后再开声像（左右方位），听”左右对不对”；最后才加混响区，听”空间感对不对”。每一层单独验证，出问题立刻知道是哪层。这套”分层验证”的思路，和你写程序时”每次只改一个变量看结果”完全一致——把音频系统当成一组可独立测试的模块，而不是一团神秘黑箱。

我再补一个你一定会遇到的真实坑：同一个 AudioClip 被很多个 AudioSource 同时播（比如十个敌人同时开枪，都播同一个 gunshot），如果 Max Distance 设太大、音量都拉满，十声叠一起会”轰”地爆音，震得耳朵疼。这叫”同屏声源过多导致的响度叠加”。解决思路有两种：一是用第 1 章的”优先级”思想，给最重要的声源高优先级，远的干脆不播（可配合剔除思想，第 14 章）；二是给群体音效设个总音量上限（音频混合里的限制器）。你看，连”很多声音一起响”这种问题，落回的还是你学过的”实时约束下做取舍”。

还有一个常被忽略的点：移动平台（手机）的扬声器是单声道或假立体声，你精心调的左右声像，在手机外放时玩家基本听不出。所以做手游，3D 音频的”左右”可以弱化，“前后远近”靠衰减来传达更靠谱。这说明：参数怎么设，还得看你”最终声音从什么设备出去”——这又是把知识落到现实约束的例子，和第 1 章”看运行环境定方案”一脉相承。

把这一节收进你的工具箱：调声音，先裸声后空间、分层验证、警惕叠加爆音、别忘了输出设备。这些都不是某个新概念，而是把你第 9、10、12 章学的东西，“用工程师的纪律”串起来用。

顺带连回你第 11 章学的视频，把”音频”这半边彻底收口。游戏里的过场动画，常常”画面是视频、声音是音频”两套管子一起跑——视频流（第 11 章讲的 H.264 装进 MP4 容器）负责画面，旁边的音频流就是本章的 AudioClip 在播。你学完第 11 章和第 12 章就会明白，所谓”一段过场动画”在你眼里不再是黑箱，而是”一帧帧画面 + 一串 PCM + 两者共用同一个帧时钟去同步”（这正是 13.6 要讲的视听同步）。容器里”视频流和音频流捆在一起”，在游戏过场里就是这么落地的：引擎一边解视频帧送屏幕，一边解音频帧送 AudioSource，谁也不抢谁。这种跨章打通，正是概念地图最大的价值——你不再是”学一段忘一段”，而是把第 9、10、11、12 章缝成了一条完整的话：“声音怎么变数字（9）、怎么压缩装盒（10）、视频怎么同理（11）、数字怎么在引擎里变成有位置的声音（12）”。

再补一句关于”听感是综合的”：玩家评价一个游戏声音”好不好”，很少只看单个参数，而是听”所有声音合起来的空间感对不对”。你的脚步、风、敌人、BGM，各自对的空间化设置，拼成”我真的在这个世界里”的错觉。所以调音频，最后一定要戴上耳机、进游戏、整体听一遍，而不是在 Inspector 里孤立看数值。数值对、整体不对，仍是失败。这和第 13 章”游戏手感来自多系统配比”是同一句话的音频版。

下一章，我把你前面学的”渲染（画面）“和这一章的”音频”放进同一个场景，看看当雾、摄像机、光照、声音同时开动，一台机器一帧里到底忙了些什么。

【思考题】

1. 用第 9、10 章的知识说明：AudioClip 里装的”那串数字”到底是什么？它和第 10 章讲的 WAV/OGG 是什么关系？同一个 AudioClip 能被多个 AudioSource 同时播放吗，为什么？
2. 第 10 章讲了音频的 Load Type（载入即解压 / 流式）。如果一个 3 分钟的 BGM 和一个 0.2 秒的枪声，分别该选哪种 Load Type？为什么这和第 1 章”餐厅”比喻是同一思路？
3. 距离衰减（Min/Max Distance、Rolloff）和作用在第 8 章的雾，底层思想有什么相同？分别作用在你的哪个感官？
4. 你的游戏里，BGM 和 敌人脚步声，Spatial Blend 分别该设多少？凭什么这么分？如果误把 BGM 设成 1（纯 3D），会发生什么怪事？
5. Doppler（多普勒）现象在现实里对应什么？游戏里为什么常常把它调低甚至关掉？它再次印证了第 1 章的哪句话？

【参考答案】

1. AudioClip 里装的就是第 9 章说的 PCM 数字——声音被采样（采样率）、量化（位深）、分声道后那一长串整数；而第 10 章的 WAV/OGG 是”这串数字的包装盒”：WAV 原样装（无损），OGG 是感知压缩后的（有损）。AudioClip 引用这个文件，带着它的元数据。同一个 AudioClip 可以被无数个 AudioSource 同时播放，因为它是”数据”，播放是”实例”——就像一张唱片能被多台唱机各放各的，文件本身不被消耗。
2. 3 分钟 BGM 选 Streaming（流式）：全解压进内存太亏，边读硬盘边播省内存。0.2 秒枪声选 Decompress On Load（载入即解压）：短、要零延迟随机触发，常驻内存无妨。这和第 1 章”餐厅”是同一思路——贵的步骤（解压长音频）用硬盘 IO 换内存，便宜又频繁的步骤（短音效）提前备好换实时性。本质都是”提前做掉贵的、运行时拼便宜的”。
3. 相同思想是**“距离越大，存在感越弱”**：雾按距离把物体色混进雾色（越远越看不见），音频按距离把音量乘衰减系数（越远越听不清）。都用一个”距离 → 强度”的函数实时近似现实。差别只在一个作用在你眼睛（视觉/颜色），一个作用在你耳朵（听觉/响度）。这就是”同源异感”。
4. BGM 的 Spatial Blend 应设 0（纯 2D），因为它是”界面/氛围音乐”，希望永远一样响、不随角色位置变；敌人脚步声设 1（纯 3D），因为它属于”世界里的声源”，要随距离和方位变化让你判断敌人方位。若误把 BGM 设成 1：你走到地图边缘，背景音乐会越变越小甚至消失，像”音乐也住在某个坐标上”，极其出戏。判断标准一句话：属于世界→3D，属于界面/音乐→2D。
5. 现实里的多普勒：声源朝你运动，你听到的频率升高（变尖）；远离则降低（变闷），如火车鸣笛掠过。游戏里常调低/关掉，是因为参数没配对时赛车声会”鬼叫”般失真出戏。它再次印证第 1 章”游戏是当场实时演算、不是回放”——声音的频率是播放时按相对运动实时算出来的，不是录音里固定好的。