非可逆圧縮音声ファイル
非可逆圧縮音声ファイル（lossy compressed audio file）は、元の音声データの一部を不可逆に削減してファイルサイズや伝送帯域を小さくした音声ファイルである。
代表的な方式にはMP3、AAC、Opus、Vorbisなどがある。
原理
非可逆音声圧縮では、単純にデータを間引くのではなく、心理音響モデルを利用して人間に知覚されにくい成分へ少ない情報量を割り当てる方式が広く使われる。
代表的には、
- 周波数マスキング
- 時間マスキング
- 量子化精度の制御
- stereo redundancyの削減
- transform coding
- entropy coding
などを組み合わせる。
Library of CongressはMP3をpsychoacoustic modelによって知覚上重要度の低い成分を削減するperceptual codingとして説明している。[1]
MPEGのAAC解説でも、聴覚モデルを用いて量子化ノイズの可聴しきい値を決めることが主要な圧縮手段として説明されている。[2]
不可逆性
一度非可逆圧縮したデータをdecodeしても、エンコード前のPCMを完全には復元できない。
MP3をWAVへ変換しても、失われた情報が戻るわけではない。
したがってファイルサイズが大きくなっても、非可逆圧縮前の品質には戻らない。
ビットレート
ビットレートは非可逆圧縮の品質とファイルサイズを左右する主要パラメーターである。
一般に高bitrateほど多くの情報を保持しやすい。
ただし品質はcodec、encoder、content、stereo modeなどにも依存するため、bitrateだけで異なるcodec間の品質を単純比較できない。
CBR / VBR
CBRではほぼ一定のbitrateを使用する。
VBRでは複雑な部分へ多く、単純な部分へ少ないデータを割り当てる。
音楽配信用途ではVBRが効率的な場合が多い。
artifact
bitrateが不足すると、
- pre-echo
- warbling
- metallic noise
- transient smearing
- high-frequency loss
- stereo image degradation
などのartifactが現れることがある。
artifactの現れ方はcodecごとに異なる。
再エンコード
非可逆圧縮ファイルをdecodeし、再び同じまたは別の非可逆codecへencodeすると、追加の損失が生じる可能性がある。
これをgeneration lossと考えることができる。
編集工程では、MP3やAACを繰り返し書き出すより、元のWAV/AIFF/FLACなどを保持して最終段階だけ非可逆圧縮する方が望ましい。
用途
非可逆圧縮は、
- 音楽配信
- streaming
- podcast
- portable player
- web audio
- preview
- video audio
など、容量や帯域が重要な場面で使われる。
MP3
MP3はMPEG Audio Layer IIIを用いる代表的な非可逆圧縮形式である。
長年にわたり音楽配布で極めて広く利用され、多数の再生機器との互換性を持つ。
AAC
AACはAdvanced Audio Codingで、MPEG-2およびMPEG-4系で標準化された知覚符号化方式である。
MPEGはAACをmono、stereo、multichannelのstorage/transmission向けperceptual audio coderとして説明している。[3]
非可逆と可逆
可逆圧縮では元のPCMを完全復元できる。
非可逆圧縮は完全復元を諦める代わりに、通常はより高い圧縮率を得る。
目的が制作・アーカイブなら可逆または非圧縮、目的が配信効率なら非可逆が適する場合が多い。