当生成式 AI 已经能写文、画图、做视频，空间音频仍是少数还依赖顺级混音师手艺的领域。刚入驻数码港 OPC Hub 的 OmniGen AI，要用智能体把这最后一块也接上。
文章作者、来源：OmniGen AI
从「一句话」到「一整套内容」
打开 omnigen.hk，用户面对的不是一个单一模型，而是一组分工明确的 AI 智能体。一句创意描述进来，策划智能体先拆解需求、写出脚本与文案，再交给图像、视频、音频各自的生成智能体制作，最后由质检智能体逐项核对，不合格的带着诊断打回重做。
「专业内容从来不是一次生成就能交付的，」Omnigen创始人Mr. Hong说，「制片公司里有策划、摄影、剪辑、混音、审片，我们做的是把这些岗位变成智能体，并给每一个定好输入输出的规矩。」
这套方法已经在商业项目中跑通。成立不到一年，OmniGen AI 已为科技制造、游戏娱乐等行业的企业客户交付 AI 制作的产品宣传片，面向全球与东南亚市场投放。平台同时开放网页控制台与 REST API，开发者和创作者可以按用量调用。
空间音频：最难的一块
在Omnigen看来，文字、图像、视频的生成已有大量玩家，真正的空白在声音的「位置」。
今天的流媒体平台、影院和沉浸式设备都在推广空间音频，但绝大多数音乐与视频仍是立体声。把一首立体声歌曲做成专业空间音频，传统上要由混音师在配备多声道音箱的录音棚里，逐轨决定每个声音放在哪里、怎样移动。一首歌往往要花上数天，整个曲库的成本更是大部分版权方负担不起的。
OmniSpatial 就是为这个问题而生的空间音频智能体。输入一首立体声混音或一组分轨，它会先识别每个声源——人声、鼓、贝斯、弦乐、环境声——再为每一个决定在三维空间中的位置与运动轨迹。
声床与对象：用专业混音师的语言工作
OmniSpatial 采用与影院和流媒体空间音频相同的「声床 + 对象」结构：
• 声床（Bed）：承载铺底的和声、混响与环境氛围，对应固定的 7.1.2 等声道布局，形成稳定的空间基底。
• 对象（Object）：主唱、独奏乐器、穿过头顶的音效等关键声源，各自独立，并携带逐帧的方位、仰角、大小与增益元数据，可以在听者周围自由移动。
模型会判断哪些声源该留在声床、哪些该成为对象，并按歌曲段落设计空间变化：主歌保持前场聚焦，副歌展开到头顶和后方，过门的音效划过听者头顶。
技术上的关键，是把「放在哪里」变成模型可以学习的语言。OmniSpatial 把方位、仰角和增益量化成离散档位，再加上对象绑定与运动关键帧，组成一套数百个「词」的空间词表。模型像语言模型接龙文字一样，逐帧接龙出每个声源的空间轨迹。「过去只能靠混音师直觉的事，变成了可以训练、可以评估、可以回归测试的序列问题。」
专业版输出：交付的是母带，不是「环绕效果」
与市面上把立体声「虚拟成环绕」的工具不同，OmniSpatial 专业版输出的是可以直接进入发行流程的标准母带：
每一份输出都先通过元数据格式的硬性校验，不合规的不会交付。由于每个对象都保留独立音轨和位置信息，混音师拿到母带后仍可以逐个微调，AI 负责把大量重复工作做完，人把关键的审美判断留给自己。
一人公司，为什么选香港
创始人Mr. Hong毕业于清华大学，在 IT 与数字媒体行业工作了 24 年，如今他一个人运营 OmniGen AI——研发、交付与运营的大部分工作由智能体承担。
「香港有国际化的知识产权与合规环境，又连着内地的内容与硬件生态，对一家做可信 AI 内容的公司来说是最合适的位置。」他说，OPC Hub 给了一人公司一个实在的立足点，也带来了云算力、媒体与产业合作的资源。
接下来，OmniGen AI 计划在 2026 年第四季度交付首批原生空间音频成品，2027 年向音乐曲库、流媒体与沉浸式设备厂商开放 OmniSpatial 服务与 API。
「我们想做的，是让每一首歌、每一段视频都用得起三维声音。」