binaural-voice：让 TTS 语音贴在耳边说话、绕着头走

TTS 生成的语音条都是单声道，戴耳机听，声音像在脑袋正中间。这个小工具把单声道人声渲染成双耳立体声：用 Neumann KU100 假人头实测的近场 HRIR（25cm 起），让声音像贴在耳边说话，并且可以按稿子里的位置标签，在头周围慢慢移动。

只对耳机成立。

贴耳：25cm 近场实测数据。耳边说话的低频抬升、两耳之间的巨大音量差，都来自真实测量，不是靠调音量模拟
移动：稿子里写 [左耳] [右耳] [脑后] [面前] [贴近] [退开]，声音会一边说一边慢慢挪过去
只在出声的时候走，换气停顿时停在原地，所以不会从一只耳朵瞬移到另一只
一个标签都没写的话，随机抽一种走法

快速开始

pip install numpy scipy

已经有一段单声道人声（任何 TTS 或录音都行）：

ffmpeg -i voice.mp3 -ac 1 voice.wav
python binaural_voice.py voice.wav out.wav                        # 随机走法
python binaural_voice.py voice.wav out.wav '[{"t": 0, "tag": "右耳"}, {"t": 2.4, "tag": "脑后"}]'

t 是从第几秒起往那个位置走。

用 ElevenLabs 直接念带标签的稿子：

export ELEVENLABS_API_KEY=...
export ELEVENLABS_VOICE_ID=...
python speak.py "[右耳][whispers] Don't move. [脑后] I'm right behind you. [左耳] And now I'm here." out.wav

默认输出 24kHz。如果是 Pro 及以上套餐，可以设 ELEVENLABS_FORMAT=pcm_44100 换成 44.1kHz
输出是 WAV。要转成 m4a 的话：ffmpeg -i out.wav -c:a aac -b:a 192k out.m4a，码率别压太低

位置标签

标签	效果
`[左耳]` `[右耳]`	到耳边，25cm
`[脑后]`	到脑后，约 31cm
`[面前]`	到面前，约 42cm
`[贴近]`	只改远近：贴回 25cm
`[退开]`	只改远近：退到 50cm，声音会自然变远变轻

写在开头：一开口就在那个位置
写在句子中间：从这里开始，一边说一边慢慢挪过去
从一只耳朵到另一只，会从脑后绕过去，不会从脸前穿过
标签只决定去哪里，快慢由脚本决定：绕半圈用 4.5 秒的出声时间，短语音里最多快四成。所以怎么写都不会跳
新标签会从当前位置直接改道。[贴近] 和 [退开] 不会打断正在进行的绕行
到了新位置，距离会恢复成那个位置的默认值
如果已经贴在耳边（25cm，数据集最近的一档），再写 [贴近] 不会有变化。它主要用在 [退开] 之后，或者人在脑后、面前的时候

没有标签时，从这几种走法里随机抽一种：整条贴着一只耳朵、从一只耳朵绕到另一只（语音够长时会在脑后停一下）、从脑后绕到耳边、从面前靠到耳边。

接进自己的应用

念之前把位置标签从稿子里拿掉。eleven_v3 会把不认识的方括号当成演出指令去演。同时记下每个标签落在拿掉之后的第几个字
用 /v1/text-to-speech/{voice_id}/with-timestamps 合成。价格跟普通接口一样，一次请求同时返回音频和逐字的起止时间
取标签后面那个字的开始时间，换算成秒
调用 binaural_voice.py in.wav out.wav '<cues JSON>'

第 1 步用 JavaScript 写是这样：

const TAG = /\[(左耳|右耳|脑后|面前|贴近|退开)\]/g;
function splitTags(text) {
  const marks = [];
  let tts = "", last = 0;
  for (const m of text.matchAll(TAG)) {
    tts += text.slice(last, m.index);
    marks.push({ tag: m[1], at: tts.length });
    last = m.index + m[0].length;
  }
  return { tts: tts + text.slice(last), marks };
}
// 合成后：t = alignment.character_start_times_seconds[at]

如果稿子是 LLM 写的，在它的工具说明里加一段就行，比如：

The listener is on headphones and your voice moves around their head. Optional position tags (stripped before speaking): [左耳] / [右耳] / [脑后] / [面前] — go there, slowly, while you talk (at the very start = you're already there; ear to ear passes behind their head); [贴近] lean back in close / [退开] step back. Place them where the words mean it (I'm right behind you → [脑后]). Skip them and a movement is picked for you.

在 M3 Pro 的 Mac 上，16 秒的语音渲染大约 1 秒，适合语音条这种非实时的场景。实时通话就不建议加了。

为什么这么做：试听下来的结论

近场实测数据明显更好。 同一句耳语、同一条移动路线、同样的响度，打乱顺序盲听三种做法：Web Audio PannerNode（HRTF 模式）、Resonance Audio 网页版、KU100 近场数据离线渲染，近场那条胜出。前两种都没有近场效果：PannerNode 的距离只改音量、不改频谱；Resonance Audio 只有 C++ SDK 做了近场，网页版没有
别在停顿里移动。 停顿时没有声音，听的人听不见移动的过程，只会觉得下一句突然换到了另一只耳朵
别匀速来回摆。 按正弦在两耳之间一直晃，听起来很死板。更像真人的节奏是：贴着一只耳朵说一阵，一边说一边慢慢绕，在脑后停一下，再到另一边
eleven_v3 的时间戳，开头那段不准。 稿子开头的语气标签（比如 [whispers]）会占掉开头一段时间，把第一个字的时间挤歪；句子中间的时间是准的，跟实际停顿差不到 0.1 秒。所以停顿是从音频能量里找的，位置标签才用时间戳
数据集要乘回增益。 各个距离的 SOFA 文件都各自做过归一化，要乘上官方给的增益表（25cm 为 1.0，50cm 为 0.33，…），远近的音量差才是自然的
语音条的稿子一般只有一两句。如果只有一套固定编舞，每条都只能演到前半段，听起来条条一样。所以没写标签时准备了几种短走法随机抽

调参

参数都在 binaural_voice.py 顶部：

PLACES：各位置的方向和默认距离
HALF_TURN：绕半圈用几秒
DIST_MOVE：只改远近时用几秒
DRIFT_DEG / DRIFT_M：停住时微晃的幅度
随机走法在 random_cues() 里

局限

只对耳机成立
只有水平面，没有上下
最近只到 25cm
用的是通用的假人头数据，不是按每个人的耳朵测的，有的人会前后听反（脑后听成面前）
TTS 的耳语很干净，没有真人 ASMR 那种口腔音和呼吸声。声音能到耳边，但「湿」不起来
用 24kHz 输出时，高频上限是 12kHz

数据来源与授权

hrir/ku100_nearfield_circ360.npz 取自：

J. M. Arend, A. Neidhardt, C. Pörschmann. Spherical Near-Field (NF) HRIR Compilation of the Neumann KU100. Zenodo, 2020. doi:10.5281/zenodo.4297951 — CC BY 4.0

用的是其中的 NFHRIR_CIRC360_SOFA：水平面，1° 间隔，距离 0.25 / 0.5 / 0.75 / 1 / 1.5 m，48kHz，每条 128 点
只做了格式转换：SOFA 转成 numpy 的 npz，float32，数据本身没有改动
增益表出自同一条记录里的 NF_Datasets_Gains_infos.pdf

Saekisui/binaural-voice

Star growth

README