Zvukové formáty, bitrate a proč je jedna stopa hlasitější

Master si nechte bezeztrátový, WAV při práci a FLAC pro uložení. Distribuujte v AAC nebo Opus tam, kde víte, co soubor přehraje, a v MP3 tam, kde to nevíte. Mluvené slovo posílejte v mono a s nízkým bitrate. Úroveň nastavujte podle LUFS, ne podle špičky, a nechte jeden decibel rezervy pod plným rozsahem.

To je celé rozhodnutí. Zbytek vysvětluje proč.

K čemu slouží jednotlivé formáty

Bezeztrátový znamená, že dekódované vzorky jsou totožné s tím, co do formátu vstoupilo; FLAC šetří místo tím, že každý vzorek předpovídá z předchozích a ukládá jen odchylku. Ztrátové formáty informaci nenávratně zahazují podle modelu toho, čeho si ucho nevšimne.

uncompressed   44100 x 16 x 2 / 8 = 176400 B/s = 10.6 MB per minute
lossy          192000 / 8 x 60    = 1.44 MB per minute

Vzorkovací frekvence a bitová hloubka

Vzorkovací frekvence říká, jak často se průběh měří. Nyquistův limit říká, že vzorkovaný signál nese frekvence až do poloviny vzorkovací frekvence a nic nad ní, takže 44,1 kHz pokryje všechno pod 22,05 kHz, a lidský sluch končí kolem 20 kHz, s věkem dřív. Vedle videa používejte 48 kHz; vyšší frekvence pomohou jen během produkce.

Bitová hloubka určuje dynamický rozsah, ne detail. Každý bit má hodnotu zhruba 6 dB, takže 16 bitů posadí šumové pozadí zhruba 96 dB pod plný rozsah a 24 bitů zhruba 144 dB, z čehož převodníky dodají asi 120. Tyto bity jsou rezerva při nahrávání: držte úroveň konzervativně a zvedněte ji později, aniž byste vytáhli slyšitelný šum. Hotové soubory se srovnanou úrovní je nepotřebují.

Převzorkování nahoru nic nepřinese: interpolace ze 44,1 kHz na 96 kHz zdvojnásobí soubor, aniž by přidala informaci, a doplnění na 24 bitů si s sebou přinese původní šumové pozadí. Každé převzorkování projde filtrem, takže výlet na 48 kHz a zpět je malá ztráta za nic.

Bitrate a kde už vyšší nepomáhá

Údaje jsou v kbps. MP3 ukazuje svůj věk na obou koncích: pod zhruba 96 kbps slyšitelně rozmazává a nad zhruba 192 kbps už je zlepšení velmi těžké slyšet, takže 320 kbps kupuje jistotu spíš než kvalitu. AAC potřebuje na stejný výsledek asi dvě třetiny bitrate. Opus je na tom ještě lépe a jeho náskok roste s klesajícím bitrate, protože při nízkých datových tocích přepíná do režimu postaveného na tom, jak řeč vzniká, takže hlas, který v MP3 potřebuje 64 kbps, si vystačí s polovinou.

Zvýšení bitrate při převodu jednoho ztrátového souboru na jiný nic neobnoví. MP3 se 128 kbps překódované na 320 kbps věrně uchová artefakty malého souboru ve velkém a druhý kodér utratí bity na to, aby s nimi zacházel jako se skutečným zvukem. Vycházejte z bezeztrátového masteru.

Mono, stereo a slučování do mono

Stereo stojí při stejné kvalitě asi dvakrát tolik co mono. Jeden člověk u jednoho mikrofonu žádnou stereofonní informaci nevytváří, takže soubor s mluveným slovem ve stereu jsou dva téměř totožné kanály a mono velikost zmenší na polovinu, aniž by se cokoli ztratilo. Hudba a prostorové nahrávky zůstávají ve stereu.

Sloučení do mono není zadarmo. Downmix kanály zprůměruje, takže se vyruší všechno, co je mezi levým a pravým kanálem v protifázi: rozšiřovací efekt nebo přepólovaný mikrofonní kabel může jen v mono zeslábnout nebo úplně zmizet. Před publikováním to zkontrolujte a ztlumte o zhruba 3 dB, protože sčítání zvedá úroveň.

Špička, RMS a LUFS

Špička je nejvyšší hodnota vzorku v dBFS, kde 0 je tvrdý digitální strop. Normalizace na špičku soubor přeškáluje tak, aby jeho nejhlasitější vzorek dosedl na cílovou hodnotu, takže tichá nahrávka s jedním prásknutím dveří zůstane tichá: prásknutí se posune ke stropu, všechno ostatní se sotva hne. RMS průměruje energii přes okno, což je blíž tomu, co slyšíme, ale zachází s 60 Hz a 3 kHz stejně. LUFS měření váhuje tak, aby modelovalo sluch, tiché pasáže z měření vyřazuje a udává jedno číslo pro celý pořad. Platformy měří LUFS.

Protože platformy všechno stahují k cílové hodnotě, hlasitěji vymasterovaná stopa už nehraje hlasitěji; platforma ji ztlumí a posluchač dostane zmáčknutou dynamiku bez hlasitosti. Tak skončila válka o hlasitost, po dvou dekádách stále tvrdšího limitování, které masterům nechalo skoro nulový rozestup mezi špičkovou a průměrnou úrovní a znělo ploše a unavovalo.

Clipping je vzorek, který by překročil plný rozsah a je useknut na maximum, čímž se zploští vrcholky průběhu a vznikne harmonické zkreslení. True peak jde dál: průběh rekonstruovaný mezi vzorky může vystoupat nad nejvyšší uložený vzorek, takže soubor naměřený na -0,1 dBFS může dosáhnout +0,5 dBTP a při přehrávání se oříznout. Nechte strop na -1 dBTP, níž, pokud bude následovat ztrátové kódování. Audio Volume umí normalizovat na cílovou hodnotu místo posunu o pevný počet decibelů.

Lupance, spoje a ořezy

Když průběh přeříznete v libovolném bodě, obvykle to bude uprostřed cyklu, na nenulové hodnotě, takže výstup spadne do ticha během jediného vzorku. Tento skok je širokopásmový impuls, slyšitelný jako lupnutí. Pět až dvacet milisekund prolnutí v každém místě střihu ho odstraní a je příliš krátké na to, aby bylo slyšet; při spoji je ještě čistší crossfade dlouhý deset až padesát milisekund.

Spojování vyžaduje shodu. Soubory musí mít stejnou vzorkovací frekvenci, protože soubor se 48 kHz vložený do proudu se 44,1 kHz hraje zhruba o devět procent pomaleji a níž, a stejný počet kanálů, jinak úsek skončí ve špatných kanálech. Srovnejte i hlasitost. Převzorkujte pomocí Audio Converter, úroveň srovnejte v Audio Volume a pak použijte Merge Audio. Audio Speed řeší záměrné změny rychlosti: převzorkování posouvá výšku a rychlost společně, zatímco udržení výšky vyžaduje časové roztažení, které může rozmazat transienty.

Ořezávání se může překódování úplně vyhnout, bez ztráty kvality. WAV je přesný na vzorek, protože ořez je kopie bajtů; komprimované formáty se skládají z rámců a kopírovaný střih může padnout jen na hranici rámce.

MP3 frame = 1152 samples = 26.12 ms at 44.1 kHz
cut asked for at 12.000 s
nearest boundaries: frame 459 = 11.990 s, frame 460 = 12.016 s

AAC používá rámce po 1024 vzorcích, což je při 48 kHz asi 21 ms, a Opus obvykle pakety po 20 ms. MP3 má navíc bitový rezervoár, díky kterému si rámec může půjčit místo od dřívějších, takže prvnímu rámci po střihu mohou chybět data a může zaskřípat. Tam, kde musí být hranice přesná, nechte Trim Audio překódovat a smiřte se s jednou generací ztráty.

Co prohlížeč zvládne strávit

Všechno tohle se odehrává v paměti. Soubory se dekódují na surové vzorky, než je možné cokoli změřit, prolnout, spojit nebo překódovat, obvykle jako 32bitová čísla s plovoucí řádovou čárkou: hodina sterea při 44,1 kHz má zhruba 635 MB jako 16bitové PCM a 1,27 GB po dekódování. Paměťový strop jedné karty leží hluboko pod tím, co dokáže adresovat desktopová aplikace, takže limitem je délka, ne formát. Nejdřív ořezávejte, nebo dlouhou nahrávku rozdělte a části pak spojte.