Ljudformat, bithastigheter och varför ett spår låter starkare

Håll mastern förlustfri, WAV medan du arbetar och FLAC för att lagra den. Leverera i AAC eller Opus där du vet vad som kommer att spela upp filen, MP3 där du inte vet. Tal går ut i mono med låg bithastighet. Ställ in nivån efter LUFS, inte efter topp, och lämna en decibels headroom under full skala.

Det är beslutet. Resten förklarar varför.

Vad varje format är till för

Förlustfritt betyder att de avkodade samplingarna är identiska med dem som gick in; FLAC sparar utrymme genom att förutsäga varje sampling utifrån de föregående och bara lagra felet. Förlustbehäftade format kastar bort information permanent, med hjälp av en modell för vad örat inte kommer att märka.

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

Samplingsfrekvens och bitdjup

Samplingsfrekvensen är hur ofta vågformen mäts. Nyquistgränsen säger att en samplad signal bär frekvenser upp till halva samplingsfrekvensen och ingenting däröver, så 44,1 kHz täcker allt under 22,05 kHz, och den mänskliga hörseln slutar runt 20 kHz, tidigare med åldern. Använd 48 kHz tillsammans med video; högre frekvenser hjälper bara under produktionen.

Bitdjupet bestämmer dynamikomfånget, inte detaljrikedomen. Varje bit är värd omkring 6 dB, så 16 bitar lägger brusgolvet ungefär 96 dB under full skala och 24 bitar ungefär 144 dB, varav omvandlarna levererar omkring 120. De bitarna är inspelningsmarginal: håll nivån försiktig och höj den sedan i efterhand utan att lyfta hörbart brus. Färdiga, nivåsatta filer behöver dem inte.

Uppsampling ger ingenting: att interpolera 44,1 kHz till 96 kHz fördubblar filen utan att tillföra information, och att fylla ut till 24 bitar tar det ursprungliga brusgolvet med sig. Varje omsampling kör ett filter, så en resa till 48 kHz och tillbaka är en liten förlust till ingen nytta.

Bithastighet, och var mer slutar hjälpa

Siffrorna är kbps. MP3 visar sin ålder i båda ändarna: under omkring 96 kbps smetar den hörbart, och över omkring 192 kbps blir förbättringarna mycket svåra att höra, så 320 kbps köper visshet snarare än kvalitet. AAC behöver ungefär två tredjedelar av bithastigheten för samma resultat. Opus klarar sig ännu bättre, och dess försprång växer när bithastigheten sjunker, eftersom den vid låga bandbredder växlar till ett läge byggt kring hur tal produceras, så en röst som behöver 64 kbps som MP3 klarar sig på hälften.

Att höja bithastigheten när en förlustbehäftad fil konverteras till en annan återställer ingenting. En MP3 på 128 kbps som kodas om till 320 kbps bevarar den lilla filens artefakter troget i en stor fil, och den andra kodaren lägger bitar på att behandla dem som riktigt ljud. Utgå från den förlustfria mastern.

Mono, stereo och nedmixning

Stereo kostar ungefär dubbelt så mycket som mono vid samma kvalitet. En person vid en mikrofon producerar ingen stereoinformation, så en fil med talat ord i stereo är två nästan identiska kanaler, och mono halverar storleken utan att något går förlorat. Musik och rumsinspelningar förblir stereo.

Nedmixning är inte gratis. Nedmixen medelvärdesbildar kanalerna, så allt som ligger ur fas mellan vänster och höger tar ut sig självt: en breddningseffekt eller en omkastad mikrofonkabel kan bli tunn eller försvinna enbart i mono. Kontrollera det före publicering, och dämpa med omkring 3 dB, eftersom summeringen höjer nivån.

Topp, RMS och LUFS

Topp är det högsta samplingsvärdet, i dBFS, med 0 som det hårda digitala taket. Normalisering mot topp skalar filen så att dess starkaste sampling hamnar på målvärdet, så en svag inspelning med en enda dörrsmäll i sig förblir svag: smällen flyttas upp till taket, allt annat rör sig knappt. RMS medelvärdesbildar energin över ett fönster, närmare det som hörs men behandlar 60 Hz och 3 kHz som likvärdiga. LUFS viktar mätningen för att modellera hörseln, gallrar bort svaga partier och rapporterar en enda siffra för hela programmet. Plattformarna mäter LUFS.

Eftersom plattformarna drar allt mot ett målvärde spelar en högre mastring inte längre starkare; plattformen skruvar ner spåret och lyssnaren får den ihopklämda dynamiken utan styrkan. Så tog loudnesskriget slut, efter två decennier då allt hårdare limitering lämnade masterfiler med nästan ingen lucka mellan topp och medelnivå, vilket hörs som platt och tröttande.

Klippning är en sampling som skulle överskrida full skala och som kapas till maxvärdet, vilket plattar till vågformens toppar och genererar harmonisk distorsion. True peak går längre: vågformen som rekonstrueras mellan samplingarna kan stiga över den högsta lagrade samplingen, så en fil som mäter -0,1 dBFS kan nå +0,5 dBTP och klippa på vägen ut. Lämna taket vid -1 dBTP, lägre om en förlustbehäftad kodning följer. Audio Volume kan normalisera mot ett målvärde i stället för att flytta med ett fast antal decibel.

Klick, skarvar och beskärningar

Klipp en vågform på en godtycklig punkt så hamnar du oftast mitt i en period, vid ett värde skilt från noll, så utsignalen faller till tystnad på en enda sampling. Det steget är en bredbandig impuls, som hörs som ett klick. Fem till tjugo millisekunders toning vid varje klipppunkt tar bort det och är för kort för att höras; vid en skarv är en övertoning på tio till femtio millisekunder ännu renare.

Skarvar kräver samstämmighet. Filerna måste dela samplingsfrekvens, eftersom en fil på 48 kHz som sammanfogas in i en ström på 44,1 kHz spelas omkring nio procent för långsamt och för lågt, och kanalantal, annars hamnar ett avsnitt i fel kanaler. Matcha ljudstyrkan också. Omsampla med Audio Converter, nivåsätt med Audio Volume och använd sedan Merge Audio. Audio Speed hanterar avsiktliga hastighetsändringar: omsampling flyttar tonhöjd och hastighet tillsammans, medan bibehållen tonhöjd kräver tidsutsträckning, som kan smeta ut transienter.

Beskärning kan hoppa över omkodning helt, utan kvalitetsförlust. WAV är samplingsexakt, eftersom beskärningen är en bytekopiering; komprimerade format är uppbyggda av ramar, och ett kopierat klipp kan bara hamna på en ramgräns.

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 använder ramar på 1024 samplingar, omkring 21 ms vid 48 kHz, och Opus använder normalt paket på 20 ms. MP3 har dessutom en bitreservoar, som låter en ram låna utrymme från tidigare ramar, så den första ramen efter ett klipp kan sakna data och glappa. Där gränsen måste vara exakt, låt Trim Audio koda om och acceptera en generations förlust.

Vad en webbläsare orkar tugga i sig

Allt detta sker i minnet. Filer avkodas till råa samplingar innan något kan mätas, tonas, skarvas eller kodas om, oftast som 32-bitars flyttal: en timme stereo vid 44,1 kHz är omkring 635 MB som 16-bitars PCM och 1,27 GB avkodad. En fliks minnestak ligger långt under vad ett skrivbordsprogram kan adressera, så gränsen är längd, inte format. Beskär först, eller dela upp en lång inspelning och slå ihop delarna.