ISOIEC TR 14496-242025 信息技术视听对象编码第24部分音频和系统交互标准立项发展报告

信息技术视听对象编码第24部分：音频和系统交互标准立项发展报告StandardizationDevelopmentReport:InformationTechnology—CodingofAudio-VisualObjects—Part24:AudioandSystemsInteraction摘要随着超高清视频、沉浸式音频、虚拟现实（VR）、增强现实（AR）及智能物联网终端的迅猛发展，视听媒体产业对音视频编码技术提出了更高层次的需求，尤其是音频信号与系统层之间的交互效率与灵活性已成为制约整体性能提升的关键瓶颈。在此背景下，国际标准化组织/国际电工委员会第一联合技术委员会（ISO/IECJTC1）下属的运动图像专家组（MPEG）启动了ISO/IECTR14496-24:2025《信息技术视听对象编码第24部分：音频和系统交互》技术报告的制定工作。本报告系统梳理了该标准的立项背景、技术动因、核心内容及其产业价值。该技术报告在原有MPEG-4音频编码框架基础上，重点解决了音频对象与系统解码终端之间在时间同步、动态适配、内容交互及个性化渲染等方面的技术衔接问题，归纳梳理了音频-系统交互的典型应用场景、功能需求与参考架构。报告详细介绍了主要参与修订的企事业单位——国际电工委员会（IEC）的组织架构、技术管理职责及在标准制定过程中的关键作用，同时分析了该技术报告对未来音视频编码标准化方向的影响，指出其在推动下一代通用媒体应用格式（GMAF）、智能音频编码及沉浸式媒体生态建设方面具有重要的基础性支撑作用和深远的产业引导意义。关键词：视听对象编码；音频交互；系统交互；MPEG-4；ISO/IECTR14496-24；技术报告；标准化Keywords:Codingofaudio-visualobjects;audiointeraction;systemsinteraction;MPEG-4;ISO/IECTR14496-24;technicalreport;standardization1.引言1.1标准立项背景数字音视频编码技术是信息技术领域最为活跃和基础的研究方向之一。自20世纪90年代以来，ISO/IECJTC1制定的MPEG系列标准逐步构建起覆盖视频、音频、系统、数据及知识产权管理的完整技术体系。其中，MPEG-4（ISO/IEC14496）作为面向对象的多媒体编码标准，凭借其基于对象的编码范式、灵活的音频编码工具集和可扩展的系统集成能力，在数字广播、流媒体传输、移动多媒体及交互式应用中得到了广泛应用。然而，随着近年来人工智能、物联网、沉浸式媒体和智能终端技术的快速发展，传统的“编码—传输—解码”单向链路已难以满足日益复杂和多样化的应用需求。特别是在音频领域，三维声场重建、个性化音频渲染、语音交互增强及多设备协同播放等新场景不断涌现，音频信号不再仅仅是被动呈现的内容，而是需要与系统层进行深度交互的“活性对象”。这一趋势对音频编码标准提出了新的技术要求：音频对象需要具备更强的自描述能力、灵活的适配机制以及与系统资源管理的高效协作能力。1.2标准必要性分析现有MPEG-4标准体系中，音频编码工具（如AAC、HE-AAC、MPEG-H等）与系统层协议（如SyncLayer、SL、FlexMux等）之间的接口定义较为刚性，主要面向传统广播和存储应用场景，难以充分支撑新兴的交互式音频服务和智能化媒体分发需求。具体表现在以下几个方面：第一，音频对象与系统层之间的时间同步粒度不够精细，在多音轨、多语言、多视角等复杂场景中容易出现音画不同步、切换延迟等问题；第二，音频流的自适应传输能力有限，难以根据网络状态、终端能力和用户偏好动态调整编码参数和渲染策略；第三，音频对象缺乏统一的描述机制，无法向系统层有效传递其语义信息、空间属性和交互能力，制约了智能推荐、个性化渲染等增值服务的实现；第四，现行标准对音频-系统交互缺乏系统性的场景归纳和技术指引，各研发机构在实现中各自为政，形成了碎片化技术方案，不利于产业生态的良性发展。鉴于上述技术需求和标准缺口，ISO/IECJTC1/SC29（音频、图像、多媒体和超媒体信息编码分技术委员会）决定制定ISO/IECTR14496-24:2025技术报告，系统梳理音频与系统交互的技术框架和实现指引。2.标准主要内容ISO/IECTR14496-24:2025作为一项技术报告（TechnicalReport），其定位并非强制性的规范条文，而是提供技术信息、参考架构和实施指引。该技术报告围绕“音频与系统交互”这一核心议题，从应用场景、功能需求、参考模型及交互接口等多个维度进行了系统阐述。2.1典型应用场景分析该技术报告首先系统识别和归类了音频与系统交互的典型应用场景，主要包括以下几个方面：（1）沉浸式音频交互场景：涵盖三维声场重建、头部追踪渲染、房间声学校正及个性化听感优化等应用。在此类场景中，音频解码器需要实时接收系统层传递的用户位置信息、头部朝向数据和声学环境参数，动态调整渲染策略。（2）智能语音交互场景：涵盖语音助手、实时翻译、语音控制及会议系统增强等应用。音频编码系统需与语音识别引擎、自然语言处理模块进行高效协同，实现低延迟的语音前端处理和语义级音频交互。（3）多设备协同播放场景：涵盖多音箱组网播放、汽车座舱多区音频及公共场所分布式音频系统等。系统层需要管理多个音频终端之间的时间对齐、音量平衡和内容分发。（4）自适应流媒体服务场景：涵盖OTT视频平台、移动流媒体及自适应码率切换服务。音频流需要根据带宽波动、终端解码能力和用户选择动态调整编码格式和传输策略。2.2功能需求归纳在场景分析基础上，该技术报告归纳提炼了音频-系统交互的核心功能需求：-时间同步需求：定义音频访问单元（AU）与系统时钟之间的映射规则，支持亚毫秒级时间精度；-动态适配需求：支持编码参数、传输优先级和渲染策略的动态调整；-语义交互需求：提供音频对象的语义描述框架，支持基于内容元数据的智能处理；-资源协同需求：实现解码缓冲管理、功耗控制与系统资源的协同调度；-安全与隐私需求：确保音频内容在交互过程中版权保护与用户隐私安全。2.3参考架构与交互模式技术报告提出了一种分层参考架构模型，将音频-系统交互划分为表示层（RepresentationLayer）、同步层（SynchronizationLayer）和传输层（TransportLayer）三个层次，并明确了各层之间的接口定义和信息交互流程。该架构在保持对既有MPEG-4系统框架兼容性的同时，引入了面向新型应用场景的扩展机制。在交互模式方面，报告区分了流式交互模式（用于实时传输）、文件交互模式（用于本地存储和编辑）和混合交互模式（支持实时与离线场景的融合），为不同部署场景提供了灵活的参考方案。3.标准编制历程与参与单位3.1编制历程概述ISO/IECTR14496-24:2025的编制工作经历了系统而严谨的标准化流程。从标准预研（PreliminaryWorkItem,PWI）起步，经过研究阶段（StudyPeriod）、工作草案（WorkingDraft,WD）阶段、委员会草案（CommitteeDraft,CD）阶段、最终草案（FinalDraftofInternationalStandard,FDIS）阶段，最终于2025年正式发布。在整个编制过程中，各成员国国家体及联络组织（LiaisonOrganizations）通过广泛提交技术提案、参与评审讨论和开展互操作性测试等方式深度参与了标准内容的完善。3.2主要参与单位介绍——国际电工委员会（IEC）3.2.1组织概况国际电工委员会（InternationalElectrotechnicalCommission,IEC）成立于1906年，总部位于瑞士日内瓦，是世界上成立最早的国际性电工标准化机构，负责电工技术和电子工程领域的国际标准化工作。IEC与ISO（国际标准化组织）共同构成全球两大权威国际标准制定组织，在信息技术领域，两组织联合组建了ISO/IECJTC1（第一联合技术委员会），负责制定信息技术领域的通用国际标准。IEC现有正式成员国80余个，覆盖全球绝大多数工业化国家，其制定的标准和合格评定体系覆盖了全球约80%的国际贸易电气电子产品。3.2.2技术管理职责在ISO/IECTR14496-24:2025的制定过程中，IEC通过其下属的ISO/IECJTC1/SC29分技术委员会发挥核心管理与协调作用。SC29的秘书处由多国共同承担，具体技术归口工作涉及WG3（音频编码工作组）和WG11（系统编码工作组）的跨组协作。IEC的技术委员会（TC）和各分技术委员会（SC）通过严谨的“国家体投票+技术共识”双轨决策机制确保标准的技术中立性和产业适用性。3.2.3关键贡献与作用在ISO/IECTR14496-24:2025技术报告的编制中，IEC承担了以下关键职能：-组织协调职能：统筹调度各参与国专家资源，协调WG3与WG11之间的技术分工与接口衔接；-程序管理职能：遵照ISO/IEC导则（ISO/IECDirectives）规定的各阶段时间表推进编制工作，确保标准如期发布；-质量保障职能：组织多轮技术评审和评论处理（CommentResolution），确保技术内容的严谨性和一致性；-外部联络职能：与国际电信联盟电信标准化部门（ITU-T）、数字音视频编解码技术标准工作组（AVS）、消费电子协会等组织保持常态化联络，广泛吸纳产业界反馈。4.标准实施与产业价值4.1标准创新点与技术突破该技术报告的主要创新点体现在以下三个方面：首先，首次在MPEG-4体系内系统性地建立了音频-系统交互的统一技术视图，改变了以往音频编码和系统层各自独立发展的局面，为跨层协同优化提供了基础性参考框架。其次，提出的分层参考架构具有良好的可扩展性——既能够在既有MPEG-4系统上实现平滑演进，也可为新一代编码标准（如MPEG-H、GMAF等）提供对接接口，避免了技术路线的重复建设。第三，通过技术报告这一灵活的标准形式凝聚行业共识，在尚未形成强制性规范条件的领域中先行提供了技术指引，为后续规范性标准的制定奠定了研究基础。4.2应用推广前景从产业应用角度分析，ISO/IECTR14496-24:2025的应用前景十分广阔。在智能终端领域，该报告可为芯片设计厂商提供音频-系统交互的功能规格参考，推动SoC（系统级芯片）中音频处理单元的标准化设计。在流媒体服务平台中，报告所归纳的动态适配策略和交互场景可直接服务于自适应码率调度算法和用户体验优化。此外，在智能汽车座舱、智慧家庭、数字会议及远程教育等领域，该报告提供的交互架构同样具有较强的参考意义。4.3与相关标准的关系ISO/IECTR14496-24:2025与MPEG-4系列其他各部分标准及关联标准保持了良好的衔接关系。它既复用了ISO/IEC14496-3（音频编码）中的音频工具框架和ISO/IEC14496-12（ISO基媒体文件格式）中的封装机制，又为上述标准在交互场景中的应用提供了系统层面的技术指引。与此同时，该报告也为ISO/IEC23008（高效编码和媒体传输，MPEG-H系列）等新一代标准中音频系统交互设计提供了参考，充分体现了MPEG标准家族内部“渐进演进、兼容互通”的一贯技术逻辑。5.结论与展望ISO/IECTR14496-24:2025《信息技术视听对象编码第24部分：音频和系统交互》的发布，填补了MPEG-4标准体系中音频与系统交互系统性技术指引的空白，标志着国际音视频编码标准化工作从“面向压缩效率”向“面向智能交互”迈出了重要一步。该技术报告通过系统梳理典型应用场景、明确功能需求、提出分层参考架构，为产业界提供了统一的技术语言和开发蓝图，对推动沉浸式媒体、智能音频服务和万物互联时代的音视频生态建设具有重要的基础性意义。展望未来，随着6G通信、空间计算和通用人工智能技术的持续演进，音频与系统的交互将变得更加复杂和智能化。ISO/IECTR14496-24:2025所建立的技术框架和交互理念，有望进一步演进升华为规范性国际标准（InternationalStandard），并在以下方向持续深化：面向AI辅助的音频内容理解与生成框架、面向元宇宙场景的沉浸式音频交互协议、以及面向边缘计算环境的轻量化协同方案。同时，我国相关科研机构和产业单位也应密切关注该技术报告的最新动态，积极深度参与后续标准制修订工作，在标准化层面贡献更多中国方案，为全球音视频产业的健康发展注入持续动力。参考文献[1]ISO/IECTR14496-24:2025,Informationtechnology—Codingofaudio-visualobjects—Part24:Audioandsystemsinteraction,Geneva:ISO/IEC,2025.[2]ISO/IECJTC1/SC29BusinessPlanand