音声フォーマット、ビットレート、そしてある曲だけ大きく聞こえる理由

マスターはロスレスのまま保ちます。作業中は WAV、保管には FLAC です。何で再生されるか分かっている相手には AAC か Opus で渡し、分からない相手には MP3 で渡します。話し声はモノラルの低ビットレートで出します。レベルはピークではなく LUFS で合わせ、フルスケールの下に 1 デシベルのヘッドルームを残してください。

判断としてはこれで終わりです。以降はその理由の説明です。

各フォーマットの用途

ロスレスとは、デコードしたサンプルが入力したものと完全に一致することを指します。FLAC は各サンプルを直前のサンプルから予測し、その誤差だけを保存することで容量を節約します。非可逆フォーマットは、耳が気づかない部分のモデルを用いて情報を恒久的に捨てます。

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

サンプルレートとビット深度

サンプルレートは波形を測定する頻度です。ナイキスト限界により、サンプリングされた信号が持てる周波数はサンプルレートの半分までで、それより上は含まれません。したがって 44.1 kHz は 22.05 kHz 未満をすべてカバーします。人間の聴覚は 20 kHz 前後で止まり、加齢とともにさらに下がります。動画と組み合わせるときは 48 kHz を使ってください。それより高いレートが役に立つのは制作中だけです。

ビット深度が決めるのはダイナミックレンジであって、細かさではありません。1 ビットはおよそ 6 dB に相当するため、16 ビットではノイズフロアがフルスケールの約 96 dB 下、24 ビットでは約 144 dB 下に置かれます。ただしコンバーターが実際に出せるのは 120 dB 程度です。この余分なビットは録音時のヘッドルームです。レベルを控えめに録っておけば、後から持ち上げても聞こえるヒスノイズが浮いてきません。仕上がってレベルを整えたファイルには不要です。

アップサンプリングには何の利点もありません。44.1 kHz を補間して 96 kHz にしてもファイルが 2 倍になるだけで情報は増えず、24 ビットに詰め物をしても元のノイズフロアがそのままついてきます。リサンプルのたびにフィルターが走るため、48 kHz に変換して戻すだけでも、見返りなしにわずかな劣化を招きます。

ビットレートと、増やしても効かなくなる地点

数値の単位は kbps です。MP3 は両端でその古さを見せます。おおよそ 96 kbps を下回ると聴いて分かるほど音がにじみ、およそ 192 kbps を超えると改善を聞き分けるのが非常に難しくなります。つまり 320 kbps が買っているのは品質というより安心感です。AAC は同じ結果を得るのにおよそ 3 分の 2 のビットレートで済みます。Opus はさらに優秀で、ビットレートが下がるほど差が開きます。帯域が狭いときには、話し声がどう発生するかに基づいたモードに切り替わるためです。そのため MP3 なら 64 kbps 必要な声も、その半分で十分です。

非可逆ファイルを別の非可逆ファイルに変換するときにビットレートを上げても、失われたものは戻りません。128 kbps の MP3 を 320 kbps で再エンコードすると、小さいファイルのアーティファクトが大きいファイルの中に忠実に保存されるだけで、2 回目のエンコーダーはそれを本物の音として扱うためにビットを費やします。作業はロスレスのマスターから行ってください。

モノラル、ステレオ、ダウンミックス

同じ品質ならステレオはモノラルのおよそ 2 倍のコストがかかります。1 人が 1 本のマイクで話しているだけならステレオの情報は生まれないので、ステレオの朗読ファイルはほぼ同一のチャンネルが 2 つあるだけであり、モノラルにすれば何も失わずにサイズが半分になります。音楽や空間の録音はステレオのままにします。

ダウンミックスは無料ではありません。ダウンミックスはチャンネルを平均するため、左右で逆位相になっているものは打ち消し合います。広がりを出すエフェクトや極性が反転したマイクケーブルは、モノラルのときにだけ痩せたり消えたりします。公開前に必ず確認し、合成でレベルが上がるぶん約 3 dB 下げてください。

ピーク、RMS、LUFS

ピーク はサンプル値の最大値で、単位は dBFS、0 がデジタル上の絶対的な天井です。ピークで正規化すると、いちばん大きいサンプルが目標値に来るようにファイル全体が拡大縮小されます。そのため、ドアが 1 回バタンと閉まる音だけが入った静かな録音は静かなままです。バタンという音が天井に移動し、それ以外はほとんど動きません。RMS は一定の窓でエネルギーを平均するもので、聞こえ方には近いものの、60 Hz と 3 kHz を同等に扱います。LUFS は聴覚をモデル化した重み付けを行い、静かな箇所をゲートで除外し、番組全体について 1 つの数値を報告します。プラットフォームが測っているのは LUFS です。

プラットフォームはすべてを目標値に引き寄せるため、大きくマスタリングしてももはや大きくは再生されません。プラットフォームが音量を下げるので、リスナーには潰れたダイナミクスだけが届き、大きさは得られません。こうしてラウドネス戦争は終わりました。20 年にわたってリミッターを強くかけ続けた結果、マスターはピークと平均レベルの差がほとんどない状態になり、平板で疲れる音として聞かれるようになっていたのです。

クリッピングとは、フルスケールを超えるはずのサンプルが最大値で切り詰められることで、波形の頂点が平らになり、倍音歪みが生じます。トゥルーピークはさらに先の話です。サンプルとサンプルの間で再構成される波形は、保存されている最大のサンプルより高くなりうるため、-0.1 dBFS と測定されるファイルが出力の途中で +0.5 dBTP に達してクリップすることがあります。天井は -1 dBTP に取り、後段で非可逆エンコードが入るならさらに下げてください。Audio Volume は、固定のデシベル数だけ動かすのではなく、目標値に正規化することもできます。

クリックノイズ、結合、トリム

波形を任意の位置で切ると、たいていは周期の途中、つまり値がゼロでない場所になるため、出力が 1 サンプルで無音まで落ちます。この段差は広帯域のインパルスであり、クリックノイズとして聞こえます。編集点ごとに 5 ～ 20 ミリ秒のフェードをかければ取り除けますし、短すぎて聞こえることもありません。結合点では 10 ～ 50 ミリ秒のクロスフェードのほうがさらにきれいです。

結合には条件がそろっている必要があります。ファイルどうしはサンプルレートが一致していなければなりません。48 kHz のファイルを 44.1 kHz のストリームに連結すると、約 9 パーセント遅く、そして低く再生されるからです。チャンネル数も一致している必要があり、そうでないと一部が誤ったチャンネルに入ります。ラウドネスもそろえてください。リサンプルは Audio Converter、レベル合わせは Audio Volume で行い、その上で Merge Audio を使います。意図的な速度変更は Audio Speed が扱います。リサンプルではピッチと速度が一緒に動き、ピッチを保つにはタイムストレッチが必要ですが、これはトランジェントをにじませることがあります。

トリムは再エンコードを完全に省略でき、品質の劣化もありません。WAV はトリムがバイト単位のコピーなのでサンプル単位で正確です。圧縮フォーマットはフレームから構成されており、コピーによる切り出しはフレーム境界にしか置けません。

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 は 1024 サンプルのフレームを使い、48 kHz では約 21 ms です。Opus は通常 20 ms のパケットを使います。MP3 にはさらにビットリザーバーがあり、あるフレームが前のフレームから領域を借りられるため、切断後の最初のフレームはデータが欠けてノイズになることがあります。境界を正確に合わせなければならない場合は、Trim Audio に再エンコードさせ、1 世代分の劣化を受け入れてください。

ブラウザーが処理しきれる限界

これらの処理はすべてメモリ上で行われます。測定、フェード、結合、再エンコードのいずれを行うにも、まずファイルは生のサンプルにデコードされます。通常は 32 ビット浮動小数点です。44.1 kHz ステレオの 1 時間は 16 ビット PCM で約 635 MB、デコード後は 1.27 GB になります。タブが使えるメモリの上限はデスクトップアプリケーションが扱える量よりはるかに小さいため、制約になるのはフォーマットではなく長さです。先にトリムするか、長い録音を分割してから各パートを結合してください。