Formaty audio, przepływności i dlaczego jeden utwór jest głośniejszy

Master trzymaj bezstratny, WAV w trakcie pracy i FLAC do przechowywania. Publikuj w AAC albo Opus tam, gdzie wiesz, co odtworzy plik, a w MP3 tam, gdzie tego nie wiesz. Mowa idzie w świat w mono i przy niskiej przepływności. Poziom ustawiaj według LUFS, a nie według szczytu, i zostaw decybel zapasu pod pełną skalą.

Tyle w kwestii decyzji. Reszta wyjaśnia dlaczego.

Do czego służy każdy format

Bezstratność oznacza, że zdekodowane próbki są identyczne z tym, co weszło na wejście; FLAC oszczędza miejsce, przewidując każdą próbkę na podstawie poprzednich i zapisując tylko błąd. Formaty stratne trwale odrzucają informację, korzystając z modelu tego, czego ucho nie zauważy.

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

Częstotliwość próbkowania i rozdzielczość bitowa

Częstotliwość próbkowania to liczba pomiarów przebiegu na sekundę. Granica Nyquista mówi, że sygnał próbkowany niesie częstotliwości do połowy częstotliwości próbkowania i nic powyżej, więc 44,1 kHz obejmuje wszystko poniżej 22,05 kHz, a ludzki słuch kończy się w okolicach 20 kHz, z wiekiem wcześniej. Przy materiale wideo używaj 48 kHz; wyższe częstotliwości pomagają tylko na etapie produkcji.

Rozdzielczość bitowa ustala zakres dynamiki, a nie poziom szczegółu. Każdy bit jest wart mniej więcej 6 dB, więc 16 bitów umieszcza poziom szumu jakieś 96 dB poniżej pełnej skali, a 24 bity jakieś 144 dB, z czego przetworniki dostarczają około 120. Te bity to zapas na etapie nagrania: trzymaj poziom zachowawczo, a potem podnieś go, nie podnosząc słyszalnego szumu. Gotowe, wypoziomowane pliki ich nie potrzebują.

Podbijanie częstotliwości próbkowania niczego nie daje: interpolacja z 44,1 kHz do 96 kHz podwaja rozmiar pliku, nie dodając informacji, a uzupełnienie do 24 bitów przenosi razem z sobą pierwotny poziom szumu. Każde przepróbkowanie uruchamia filtr, więc wycieczka do 48 kHz i z powrotem to niewielka strata za nic.

Przepływność i moment, w którym więcej przestaje pomagać

Wartości podano w kbps. MP3 pokazuje swój wiek na obu końcach: poniżej mniej więcej 96 kbps słyszalnie rozmazuje dźwięk, a powyżej mniej więcej 192 kbps poprawę bardzo trudno usłyszeć, więc 320 kbps kupuje raczej pewność niż jakość. AAC potrzebuje mniej więcej dwóch trzecich przepływności na ten sam efekt. Opus wypada jeszcze lepiej, a jego przewaga rośnie w miarę spadku przepływności, ponieważ przy niskich pasmach przełącza się w tryb zbudowany wokół tego, jak powstaje mowa, więc głos, który jako MP3 potrzebuje 64 kbps, brzmi dobrze przy połowie tej wartości.

Podniesienie przepływności przy konwersji jednego pliku stratnego na drugi niczego nie odzyskuje. MP3 o przepływności 128 kbps zakodowany ponownie przy 320 kbps wiernie zachowuje artefakty małego pliku w dużym, a drugi koder wydaje bity na traktowanie ich jak prawdziwego dźwięku. Pracuj na bezstratnym masterze.

Mono, stereo i składanie kanałów

Stereo kosztuje przy tej samej jakości mniej więcej dwa razy tyle co mono. Jedna osoba przy jednym mikrofonie nie wytwarza informacji stereofonicznej, więc plik ze słowem mówionym w stereo to dwa niemal identyczne kanały, a mono zmniejsza rozmiar o połowę i nic nie traci. Muzyka i nagrania pomieszczeń zostają w stereo.

Składanie kanałów nie jest darmowe. Downmiks uśrednia kanały, więc wszystko, co jest w przeciwfazie między lewym a prawym, ulega wygaszeniu: efekt poszerzający albo odwrócony przewód mikrofonowy może wychudnąć albo zniknąć wyłącznie w mono. Sprawdź to przed publikacją i obniż poziom o jakieś 3 dB, bo sumowanie go podnosi.

Szczyt, RMS i LUFS

Szczyt to najwyższa wartość próbki, podawana w dBFS, gdzie 0 jest twardym cyfrowym sufitem. Normalizacja do szczytu skaluje plik tak, by najgłośniejsza próbka trafiła w wartość docelową, więc ciche nagranie z jednym trzaśnięciem drzwiami pozostaje ciche: trzaśnięcie ląduje pod sufitem, a cała reszta prawie się nie rusza. RMS uśrednia energię w oknie, jest bliższy temu, co się słyszy, ale traktuje 60 Hz i 3 kHz jednakowo. LUFS waży pomiar tak, by modelować słyszenie, wycina bramką ciche fragmenty i podaje jedną liczbę dla całej audycji. Platformy mierzą LUFS.

Ponieważ platformy ściągają wszystko w stronę wartości docelowej, głośniejszy mastering nie gra już głośniej; platforma przycisza utwór, a słuchacz dostaje ściśniętą dynamikę bez głośności. Tak skończyła się wojna głośności, po dwóch dekadach, w których coraz ostrzejsze limitowanie zostawiało mastery niemal bez odstępu między poziomem szczytowym a średnim, słyszane jako płaskie i męczące.

Clipping to obcięcie do maksimum próbki, która przekroczyłaby pełną skalę, przez co szczyty przebiegu zostają spłaszczone i powstają zniekształcenia harmoniczne. Szczyt rzeczywisty idzie dalej: przebieg zrekonstruowany pomiędzy próbkami może wznieść się ponad najwyższą zapisaną próbkę, więc plik mierzący -0,1 dBFS może osiągnąć +0,5 dBTP i przesterować na wyjściu. Zostaw sufit na -1 dBTP, niżej jeśli po drodze czeka jeszcze kodowanie stratne. Narzędzie Głośność audio potrafi normalizować do wartości docelowej zamiast przesuwać poziom o stałą liczbę decybeli.

Trzaski, złączenia i przycinanie

Przetnij przebieg w dowolnym miejscu, a niemal na pewno trafisz w środek cyklu, przy wartości różnej od zera, więc sygnał wyjściowy spada do ciszy w ciągu jednej próbki. Ten skok to impuls szerokopasmowy, słyszany jako trzask. Od pięciu do dwudziestu milisekund wyciszenia na każdym punkcie montażowym usuwa go i jest zbyt krótkie, by dało się je usłyszeć; przy złączeniu przenikanie od dziesięciu do pięćdziesięciu milisekund wypada jeszcze czyściej.

Złączenia wymagają zgodności. Pliki muszą mieć wspólną częstotliwość próbkowania, ponieważ plik 48 kHz wstawiony do strumienia 44,1 kHz gra o jakieś dziewięć procent wolniej i niżej, oraz wspólną liczbę kanałów, inaczej jakiś fragment wyląduje w niewłaściwych kanałach. Dopasuj też głośność. Przepróbkuj konwerterem audio, wypoziomuj narzędziem Głośność audio, a potem użyj łączenia audio. Prędkość audio obsługuje zamierzone zmiany tempa: przepróbkowanie przesuwa wysokość dźwięku razem z tempem, natomiast utrzymanie wysokości wymaga rozciągania w czasie, które potrafi rozmazać transjenty.

Przycinanie może całkowicie pominąć ponowne kodowanie, bez żadnej straty jakości. WAV jest dokładny co do próbki, bo przycięcie to kopiowanie bajtów; formaty skompresowane są zbudowane z ramek, a kopiowane cięcie może wypaść tylko na granicy ramki.

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 używa ramek po 1024 próbki, czyli około 21 ms przy 48 kHz, a Opus zwykle pakietów po 20 ms. MP3 ma dodatkowo rezerwuar bitów, który pozwala ramce pożyczyć miejsce od wcześniejszych, więc pierwszej ramce po cięciu mogą brakować dane i może zaskoczyć zakłóceniem. Tam, gdzie granica musi być dokładna, pozwól narzędziu do przycinania audio zakodować materiał ponownie i pogódź się z jedną generacją strat.

Ile przeżuje przeglądarka

Wszystko to dzieje się w pamięci. Pliki są dekodowane do surowych próbek, zanim cokolwiek da się zmierzyć, wyciszyć, złączyć albo zakodować ponownie, zwykle jako liczby zmiennoprzecinkowe 32 bitowe: godzina stereo przy 44,1 kHz to około 635 MB jako 16 bitowy PCM i 1,27 GB po zdekodowaniu. Limit pamięci karty przeglądarki leży daleko poniżej tego, co może zaadresować aplikacja desktopowa, więc ograniczeniem jest długość, a nie format. Najpierw przytnij albo podziel długie nagranie i połącz części.