Τι είναι το WAV και το FLAC;
Τα WAV και FLAC είναι οι δύο μορφές που αποθηκεύουν ήχο χωρίς να χάνουν ούτε ένα δείγμα — και οι δύο είναι χωρίς απώλειες. Το κάνουν με πολύ διαφορετικούς τρόπους. Το WAV είναι ο ακατέργαστος περιέκτης που αποθηκεύει ασυμπίεστα δείγματα PCM ακριβώς όπως τα παρήγαγε το μικρόφωνο ή το συνθεσάιζερ: κάθε στιγμιότυπο πλάτους μπαίνει αυτούσιο στο αρχείο, γι' αυτό το WAV είναι μεγάλο αλλά πλήρως επεξεργάσιμο και η καθολική ενδιάμεση μορφή των στούντιο. Το FLAC τυλίγει το ίδιο PCM σε συμπιεστή χωρίς απώλειες που συνήθως μειώνει το αρχείο κατά 50–60%, διατηρώντας δυνατότητα αποκωδικοποίησης πανομοιότυπης ανά bit στα αρχικά byte — decode(encode(x)) ισούται με x, κάθε φορά. Και οι δύο μορφές διατηρούν κάθε δείγμα, σε αντίθεση με τις μορφές με απώλειες όπως το MP3, το AAC και το Ogg Vorbis (που καλύπτονται στις δικές τους σελίδες)· το αντάλλαγμα είναι το μέγεθος του αρχείου.
Πέντε γεγονότα που στηρίζουν τη συνέχεια της σελίδας:
• WAV = περιέκτης RIFF με ακατέργαστο, ασυμπίεστο PCM (καμία συμπίεση)
• FLAC = συμπίεση χωρίς απώλειες του PCM, συνήθως 50–60% μικρότερο, αποκωδικοποιήσιμο ακριβώς byte προς byte
• ρυθμός bit (bps) = συχνότητα δειγματοληψίας (Hz) × βάθος bit × κανάλια — οι μόνοι τρεις παράγοντες για το μέγεθος του PCM
• μέγεθος WAV (byte) = ρυθμός bit × διάρκεια σε δευτερόλεπτα / 8 — απόλυτα προβλέψιμος υπολογισμός
• Nyquist: μέγιστη αναπαραγώγιμη συχνότητα = συχνότητα δειγματοληψίας / 2· τα 44,1 kHz καταγράφουν έως 22,05 kHz, πάνω από την ανθρώπινη ακοή (20 kHz)
PCM και πώς λειτουργεί ο ψηφιακός ήχος
Το PCM (Pulse Code Modulation) είναι η καθολική ακατέργαστη μορφή για ψηφιακό ήχο: η αναλογική κυματομορφή κόβεται σε ίσα χρονικά διαστήματα (ο ρυθμός δειγματοληψίας) και σε κάθε διάστημα το πλάτος στρογγυλοποιείται στο πλησιέστερο από έναν σταθερό αριθμό διακριτών επιπέδων (το βάθος bit). Μια ηχογράφηση 44,1 kHz / 16 bit / στερεοφωνική αποθηκεύει 44 100 μετρήσεις πλάτους ανά δευτερόλεπτο ανά κανάλι, καθεμία στρογγυλοποιημένη σε ένα από 216 = 65 536 επίπεδα (24 bit: ένα από 224 = 16 777 216). Το θεώρημα δειγματοληψίας Nyquist–Shannon λέει ότι ένα δειγματοληπτημένο σήμα μπορεί να ανασυσταθεί τέλεια όσο η υψηλότερη συχνότητά του είναι κάτω από το ρυθμό δειγματοληψίας / 2. Η ανθρώπινη ακοή φτάνει περίπου στα 20 kHz, οπότε τα 44,1 kHz (καταγράφουν έως 22,05 kHz) είναι μαθηματικά επαρκή για τέλεια αναπαραγωγή — γι' αυτό το πρότυπο CD υιοθέτησε ακριβώς αυτόν τον ρυθμό.
Το βάθος bit ελέγχει το δυναμικό εύρος (τον λόγο μεταξύ του δυνατότερου και του ησυχότερου σήματος), όχι την απόκριση συχνοτήτων. Κάθε επιπλέον bit προσθέτει περίπου 6,02 dB θεωρητικής αναλογίας σήματος προς θόρυβο: τα 16 bit δίνουν 98,1 dB, τα 24 bit 146,2 dB, τα 32 bit float (που χρησιμοποιούνται εσωτερικά στα DAW) 194,4 dB. Το πραγματικό υλικό δεν φτάνει ποτέ το θεωρητικό νούμερο — ένας καλά σχεδιασμένος ADC 24 bit παρέχει περίπου 120 dB χρησιμοποιήσιμου εύρους (βινύλιο: ~70 dB, κασέτα: ~60 dB).
Το WAV είναι ο περιέκτης PCM
Το WAV (ή WAVE, τυπικά WAVEform Audio File Format) είναι ο περιέκτης RIFF της Microsoft/IBM που ορίστηκε το 1991. Η διάταξή του στον δίσκο αποτελείται από τρία τμήματα στη σειρά: μια κεφαλίδα RIFF 12 byte που ονομάζει το αρχείο WAVE, ένα τμήμα fmt που περιγράφει τη μορφή PCM (συχνότητα δειγματοληψίας, κανάλια, βάθος bit) και ένα τμήμα data που περιέχει τα ίδια τα ακατέργαστα δείγματα. Τα byte είναι little-endian· η μορφή δεν έχει αλλάξει εδώ και 35 χρόνια· κάθε λειτουργικό σύστημα και DAW την διαβάζει εγγενώς.
Επειδή το WAV αποθηκεύει ακατέργαστο PCM χωρίς συμπίεση και χωρίς περιττό φορτίο πέρα από την κεφαλίδα, το μέγεθος του αρχείου είναι ακριβώς προβλέψιμο: byte = συχνότητα δειγματοληψίας × βάθος bit × κανάλια × διάρκεια σε δευτερόλεπτα / 8. Ένα κομμάτι ποιότητας CD (44,1 kHz / 16 bit / στερεοφωνικό, ρυθμός bit = 1 411 200 bps = 1411,2 kbps) καταναλώνει 1 411 200 ÷ 8 = 176 400 byte ανά δευτερόλεπτο, δηλαδή 10,584 MB ανά λεπτό ή περίπου 42,336 MB για ένα τραγούδι 4 λεπτών. Το στούντιο format 48 kHz / 24 bit / στερεοφωνικό (ρυθμός bit 2304 kbps) ανεβαίνει σε 17,280 MB ανά λεπτό. Αυτή η προβλεψιμότητα είναι ο λόγος που το WAV παραμένει η μορφή ανταλλαγής της βιομηχανίας.
Το FLAC είναι συμπίεση χωρίς απώλειες
Το FLAC (Free Lossless Audio Codec) σχεδιάστηκε από τον Josh Coalson το 2001 ως ανοιχτή, χωρίς δικαιώματα χρήσης απάντηση στο τότε ιδιόκτητο ALAC της Apple. Λειτουργεί σε μπλοκ δειγμάτων (συνήθως 4 096 στο επίπεδο 5) σε τρία βήματα: αποσυσχέτιση μεταξύ καναλιών (κάνει τα δύο στερεοφωνικά κανάλια πιο όμοια), γραμμική προβλεπτική κωδικοποίηση (προβλέπει το επόμενο δείγμα από τα προηγούμενα και αποθηκεύει μόνο το μικρό υπόλοιπο) και κωδικοποίηση εντροπίας Rice (σχεδόν βέλτιστος τρόπος συσκευασίας μικρών ακεραίων σε bit). Η κρίσιμη ιδιότητα: η αποκωδικοποίηση επιστρέφει το αρχικό PCM πανομοιότυπο ανά byte. FLACdecode(FLACencode(x)) === x. Αυτή η ταυτότητα είναι που καθιστά το FLAC χωρίς απώλειες — όχι «υψηλής ποιότητας», αλλά πανομοιότυπο ανά bit.
Το FLAC προσφέρει 9 επίπεδα συμπίεσης (0–8) που ανταλλάσσουν ταχύτητα κωδικοποίησης με μέγεθος αρχείου. Το επίπεδο 0 είναι το ταχύτερο και επιτυγχάνει μόνο περίπου 30% μείωση· το επίπεδο 5 είναι η προεπιλογή και φτάνει περίπου το 55%· το επίπεδο 8 συμπιέζει περίπου κατά 62% αλλά χρειάζεται 4–5 φορές περισσότερο χρόνο κωδικοποίησης. Οι πραγματικοί λόγοι εξαρτώνται από τη μουσική: τα solo πιάνο ή φωνητικά κομμάτια μειώνονται κατά 45–50% επειδή το σήμα είναι αραιό· η πυκνή ορχηστρική ή ηλεκτρονική μουσική μειώνεται κατά 55–65% επειδή το επίπεδο θορύβου είναι πιο προβλέψιμο. Ένα τυπικό κομμάτι 4 λεπτών ποιότητας CD στο επίπεδο 5 καταλήγει περίπου στα 19,05 MB — σχεδόν ακριβώς το μισό από τα 42,336 MB του WAV.
Ρυθμός bit και υπολογισμός μεγέθους αρχείου
Ο ρυθμός bit οποιασδήποτε ροής PCM δίνεται από έναν σύντομο τύπο: bps = συχνότητα δειγματοληψίας × βάθος bit × κανάλια. Συνηθισμένα σημεία αναφοράς:
- 1411,2 kbps — ήχος CD (44,1 kHz / 16 bit / στερεοφωνικό)
- 1536 kbps — 48 kHz / 16 bit / στερεοφωνικό (DAT, πρώιμο DVD)
- 2304 kbps — 48 kHz / 24 bit / στερεοφωνικό (master στούντιο)
- 4608 kbps — 96 kHz / 24 bit / στερεοφωνικό (Hi-Res)
- 9216 kbps — 192 kHz / 24 bit / στερεοφωνικό (ultra Hi-Res)
Για να μετατραπεί ο ρυθμός bit σε μέγεθος αρχείου, πολλαπλασιάζεται με τη διάρκεια και διαιρείται με το 8 (byte ανά bit). Για το παράδειγμα των 4 λεπτών ποιότητας CD: 1411200 × 240 / 8 = 42 336 000 byte = 42,336 MB. Για το FLAC, το μέγεθος του WAV πολλαπλασιάζεται με 1 - λόγος_συμπίεσης: στο προεπιλεγμένο επίπεδο 5 με ~55%, το ίδιο κομμάτι είναι 42 336 000 × 0,45 ≈ 19 051 200 byte ≈ 19,05 MB. Ένα κομμάτι 48 kHz / 24 bit / στερεοφωνικό ζυγίζει 17,280 MB ανά λεπτό σε WAV και περίπου 7,78 MB ανά λεπτό σε FLAC επιπέδου 5. Οι κωδικοποιητές με απώλειες (MP3, AAC, Opus) φτάνουν τον ίδιο ήχο στα 128–256 kbps, δέκα φορές μικρότερο ακόμη· αλλά πετούν δείγματα για να το πετύχουν. Μια παγίδα μονάδων που αξίζει να είναι γνωστή: οι ρυθμοί bit αναφέρονται σε κιλοbit ανά δευτερόλεπτο (kbps), ενώ οι διαχειριστές αρχείων μετρούν σε κιλοβάιτ — για μετατροπή διαιρείται με 8 (1411,2 kbps ÷ 8 = 176,4 kB/s).
Πότε να χρησιμοποιηθεί το WAV ή το FLAC
Και οι δύο μορφές είναι χωρίς απώλειες, οπότε το ζήτημα είναι η ροή εργασίας και το εύρος ζώνης, όχι η ποιότητα. Το WAV χρησιμοποιείται όταν ένας επεξεργαστής ή ένα DAW χρειάζεται ακατέργαστο είσοδο PCM, όταν αποδίδεται ενδιάμεσο bounce που θα επεξεργαστεί περαιτέρω, ή όταν απαιτείται αρχείο master που κάθε πρόγραμμα στον κόσμο μπορεί να διαβάσει χωρίς βιβλιοθήκες. Το FLAC χρησιμοποιείται όταν απαιτείται ήχος χωρίς απώλειες στο μισό μέγεθος για αρχειοθέτηση, βιβλιοθήκες μουσικής, ροή μέσω δικτύου (ένα CD χωρίς απώλειες χωράει σε περίπου 19 MB αντί για 42 MB) και αντίγραφα ασφαλείας φυσικών μέσων. Το FLAC υποστηρίζει επίσης πλούσια μεταδεδομένα μέσω Vorbis Comment, που είναι ικανότερα από το RIFF LIST INFO του WAV (το οποίο δεν διαθέτει πεδίο καλλιτέχνη άλμπουμ — γι' αυτό ο επεξεργαστής ετικετών παραπάνω κρύβει το πεδίο καλλιτέχνη άλμπουμ όταν επιλέγεται WAV).
Μια συμβουλή για το μέγεθος: οι ηχογραφήσεις φωνής είναι εκ φύσεως μονοφωνικές — ένα στόμα, ένα μικρόφωνο. Η εγγραφή ομιλίας σε στερεοφωνικό διπλασιάζει τον ρυθμό bit χωρίς κέρδος πληροφορίας (μία ώρα φωνής στα 44,1 kHz / 16 bit ζυγίζει 317,5 MB σε μονοφωνικό και 635,0 MB σε στερεοφωνικό)· γι' αυτό η επιλογή Κανάλια παραπάνω πρέπει να οριστεί σε Μονοφωνικό για φωνή.
Συνηθισμένες παρανοήσεις
- Το FLAC έχει «καλύτερη ποιότητα» από το WAV. Όχι — και τα δύο είναι απολύτως πιστά bit προς bit. Το FLAC απλώς αποθηκεύει τον ίδιο ήχο σε λιγότερο χώρο. Η αποκωδικοποίηση του FLAC σε PCM δίνει την ίδια ακολουθία byte που θα είχε αποθηκεύσει το WAV.
- Το υψηλότερο βάθος bit ακούγεται πάντα καλύτερα. Τα 24 bit δίνουν περισσότερο περιθώριο για επεξεργασία (τα σήματα χαμηλής στάθμης βρίσκονται πολύ πάνω από το επίπεδο θορύβου), αλλά η τελική παράδοση προς τον καταναλωτή είναι συνήθως 16 bit. Τα επιπλέον 8 bit είναι ακρίβεια εργασίας στο DAW, όχι ακουστή ποιότητα στα ηχεία.
- Το Hi-Res (96 kHz / 192 kHz) ακούγεται καλύτερα από το CD (44,1 kHz). Για καλά δειγματοληπτημένη μουσική με dither, οι άνθρωποι δεν μπορούν να διακρίνουν συχνότητες πάνω από περίπου 20 kHz. Τα 96 kHz καταγράφουν υπερηχητικό περιεχόμενο που κανείς δεν ακούει και κανένα ακουστικό δεν αναπαράγει. Το αμφισβητήσιμο όφελος του Hi-Res είναι λιγότερα τεχνουργήματα aliasing στην αλυσίδα εγγραφής, όχι ποιότητα αναπαραγωγής.
- Η μετατροπή ενός MP3 σε WAV αποκαθιστά την αρχική ποιότητα. Όχι. Μόλις η συμπίεση με απώλειες απορρίψει δείγματα, χάνονται για πάντα. Το WAV που προκύπτει περιέχει τεχνουργήματα MP3 — δεν είναι πανομοιότυπο με το κύριο αρχείο πριν από το MP3, όποια κι αν είναι η κατάληξη.
Σχετικά εργαλεία: Ήχος σε MP3 / ετικέτες ID3 για συμπίεση με απώλειες, Ήχος σε OGG / Opus για ανοιχτούς κωδικοποιητές με απώλειες, Ήχος σε AIFF / ALAC / WavPack για άλλες μορφές χωρίς απώλειες, Φάσμα ήχου για οπτικοποίηση των συχνοτήτων του ήχου, και MIDI σε WAV (το MIDI είναι οδηγίες, όχι ήχος — διαφορετική διαδικασία μετατροπής).
