Mi a WAV és a FLAC?
A WAV és a FLAC az a két formátum, amely hang egyetlen mintát sem veszítve tárol — mindkettő veszteségmentes. Nagyon különböző módon teszik ezt. A WAV a nyers konténer, amely a mikrofon vagy a szintetizátor által előállított tömörítetlen PCM-mintákat pontosan úgy tárolja, ahogy keletkeztek: minden amplitúdó-pillanatkép szó szerint kerül a fájlba, ezért a WAV nagy, de tökéletesen szerkeszthető, és a stúdiók univerzális köztes formátuma. A FLAC ugyanazt a PCM-et veszteségmentes tömörítőbe csomagolja, amely jellemzően 50–60%-kal csökkenti a fájlt, miközben bitre pontos visszadekódolást enged az eredeti bájtokra — decode(encode(x)) mindig egyenlő x-szel. Mindkét formátum minden mintát megtart, ellentétben az olyan veszteséges formátumokkal, mint az MP3, az AAC és az Ogg Vorbis (ezekről saját oldalukon olvasható); a kompromisszum a fájlméret.
Öt tény, amelyre az oldal többi része épül:
• WAV = RIFF-konténer nyers, tömörítetlen PCM-mel (semmilyen tömörítés nincs)
• FLAC = a PCM veszteségmentes tömörítése, jellemzően 50–60%-kal kisebb, bitre pontosan dekódolható
• bitráta (bps) = mintavételi frekvencia (Hz) × bitmélység × csatornák — a PCM méretének három szabályozója
• WAV-méret (bájt) = bitráta × időtartam (másodperc) / 8 — teljesen megjósolható számítás
• Nyquist: a maximálisan visszaadható frekvencia = mintavételi frekvencia / 2; 44,1 kHz 22,05 kHz-ig rögzít, az emberi hallásküszöb (20 kHz) fölé
A PCM és a digitális hang működése
A PCM (Pulse Code Modulation) a digitális hang univerzális nyers formátuma: az analóg hullámformát egyenlő időközökre vágják (a mintavételi frekvencia), és minden időpontban az amplitúdót a rögzített számú diszkrét szint egyikére kerekítik (a bitmélység). Egy 44,1 kHz / 16 bites / sztereó felvétel csatornánként másodpercenként 44 100 amplitúdómérést tárol, mindegyiket 216 = 65 536 szint egyikére kerekítve (24 bit: 224 = 16 777 216 szint egyikére). A Nyquist–Shannon mintavételi tétel szerint egy mintavételezett jel tökéletesen rekonstruálható, ha legmagasabb frekvenciája a mintavételi frekvencia fele alatt van. Az emberi hallás nagyjából 20 kHz-ig terjed, így a 44,1 kHz (amely 22,05 kHz-ig rögzít) matematikailag elégséges a tökéletes visszaadáshoz — ezért fogadta el a CD-szabvány pontosan ezt az értéket.
A bitmélység a dinamikatartományt szabályozza (a leghangosabb és a legcsendesebb jel aránya), nem a frekvenciaátvitelt. Minden további bit kb. 6,02 dB elméleti jel-zaj viszonyt ad: a 16 bit 98,1 dB-t, a 24 bit 146,2 dB-t, a 32 bites lebegőpontos (a DAW-okban belsőleg használt) 194,4 dB-t ad. A valódi hardver soha nem éri el az elméleti értéket — egy jól tervezett 24 bites ADC kb. 120 dB használható tartományt ad (bakelit: ~70 dB, kazetta: ~60 dB).
A WAV a PCM-konténer
A WAV (vagy WAVE, hivatalosan WAVEform Audio File Format) a Microsoft/IBM RIFF-konténere, amelyet 1991-ben definiáltak. Lemezen a tárolási elrendezése három egymás után következő blokk: egy 12 bájtos RIFF fejléc, amely WAVE-fájlként azonosítja, egy fmt blokk, amely a PCM-formátumot írja le (mintavételi frekvencia, csatornák, bitmélység), és egy data blokk, amely maguk a nyers minták. A bájtok kis-endian sorrendben vannak; a formátum 35 éve nem változott; minden operációs rendszer és DAW natívan olvassa.
Mivel a WAV tömörítés és a fejlécen túli többletköltség nélküli nyers PCM, a fájlmérete pontosan megjósolható: bájt = mintavételi frekvencia × bitmélység × csatornák × időtartam (másodperc) / 8. Egy CD-minőségű szám (44,1 kHz / 16 bit / sztereó, bitráta = 1 411 200 bps = 1411,2 kbps) másodpercenként 1 411 200 ÷ 8 = 176 400 bájtot fogyaszt, ami 10,584 MB percenként, vagy kb. 42,336 MB egy 4 perces dalhoz. A 48 kHz / 24 bites / sztereó stúdióformátum (bitráta 2304 kbps) percenként 17,280 MB-ra emelkedik. Ez a megjósolhatóság az oka, amiért a WAV az iparág csereformátuma maradt.
A FLAC veszteségmentes tömörítés
A FLAC (Free Lossless Audio Codec) Josh Coalson tervezte 2001-ben, nyílt, jogdíjmentes válaszként Apple akkori zárt ALAC-jára. Mintablokkokon (jellemzően 4096 mintán az 5-ös szinten) három lépésben dolgozik: csatornák közötti dekorreláció (a két sztereó csatorna hasonlóbbá tétele), lineáris-prediktív kódolás (a következő minta előrejelzése a korábbiakból, csak a kicsi maradék tárolása), és Rice-entrópiakódolás (kis egészek bitekbe csomagolásának közel optimális módja). A döntő tulajdonság: a dekódolás bájtról bájtra az eredeti PCM-et adja vissza. FLACdecode(FLACencode(x)) === x. Ez az azonosság teszi a FLAC-et veszteségmentessé — nem „jó minőségűvé”, hanem bitre azonossá.
A FLAC 9 tömörítési szintet (0–8) kínál, amelyek a kódolási sebességet és a fájlméretet cserélik. A 0-s a leggyorsabb, és csak kb. 30%-os csökkentést ér el; az 5-ös az alapértelmezett és kb. 55%-ot ér el; a 8-as kb. 62%-ot préselne ki, de 4–5-ször tovább tart a kódolása. A valós arányok a zenétől függnek: a szóló zongora- vagy énekfelvételek 45–50%-kal csökkennek, mert a jel ritka; a sűrű zenekari vagy elektronikus zene 55–65%-kal, mert a zajpadló kiszámíthatóbb. Egy tipikus 4 perces CD-minőségű szám az 5-ös szinten nagyjából 19,05 MB — szinte pontosan a 42,336 MB-os WAV fele.
Bitráta és fájlméret számítása
Bármely PCM-folyam bitrátáját egyetlen rövid képlet adja: bps = mintavételi frekvencia × bitmélység × csatornák. Gyakori viszonyítási pontok:
- 1411,2 kbps — CD-hang (44,1 kHz / 16 bit / sztereó)
- 1536 kbps — 48 kHz / 16 bit / sztereó (DAT, korai DVD)
- 2304 kbps — 48 kHz / 24 bit / sztereó (stúdió-master)
- 4608 kbps — 96 kHz / 24 bit / sztereó (Hi-Res)
- 9216 kbps — 192 kHz / 24 bit / sztereó (ultra-Hi-Res)
A bitráta fájlmérétté úgy számítható, hogy az időtartammal szorzandó, és 8-cal (bitenkénti bájtok) osztandó. A CD-minőségű 4 perces példára: 1411200 × 240 / 8 = 42 336 000 bájt = 42,336 MB. A FLAC-nél a WAV-méretet a 1 - tömörítési_arány tényezővel szorozva kapható meg: az 5-ös alapértelmezett ~55%-os aránynál ugyanez a szám 42 336 000 × 0,45 ≈ 19 051 200 bájt ≈ 19,05 MB. Egy 48 kHz / 24 bites / sztereó szám percenként 17,280 MB WAV-ban és nagyjából 7,78 MB percenként FLAC 5-ös szinten. A veszteséges kodekek (MP3, AAC, Opus) ugyanazt a hangot 128–256 kbps-on adják, tovább tízszer kisebben — de ezt úgy érik el, hogy mintákat dobnak el. Egy mértékegység-csapda érdemes tudni: a bitrátát kilobit / másodperc (kbps) egységben adják meg, míg a fájlkezelők kilobájtot számolnak — az átváltás a 8-cal való osztás (1411,2 kbps ÷ 8 = 176,4 kB/s).
Mikor WAV, mikor FLAC?
Mindkét formátum veszteségmentes, így a kérdés a munkafolyamat és a sávszélesség, nem a minőség. A WAV akkor indokolt, ha egy szerkesztő vagy DAW nyers PCM-bemenetet igényel, ha köztes bounce-ot renderel, amelyet tovább dolgoznak, vagy ha olyan master-fájl kell, amelyet a világ minden programja könyvtárak nélkül olvasni tud. A FLAC akkor indokolt, ha veszteségmentes hang kell feleakkora méretben archiváláshoz, zenekönyvtárakhoz, hálózati streamelésre (egy veszteségmentes CD nagyjából 19 MB-ba fér 42 MB helyett) és fizikai médiák biztonsági másolataihoz. A FLAC a Vorbis-megjegyzés révén gazdagabb metaadatot is támogat, mint a WAV RIFF LIST INFO-ja (amelyből hiányzik az albumelőadó-mező — ezért rejti el a fenti címkeszerkesztő az albumelőadó-beviteli mezőt, ha WAV van kiválasztva).
Egy méret-tipp: a beszédfelvételek természeténél fogva monók — egy száj, egy mikrofon. Beszédet sztereóban rögzíteni megduplázza a bitrátát információnyereség nélkül (egy 1 órás, 44,1 kHz / 16 bites beszédfelvétel monóban 317,5 MB, sztereóban 635,0 MB), ezért beszédhez a fenti Csatornák beállítás Monóra állítása javasolt.
Gyakori tévhitek
- A FLAC „jobb minőségű”, mint a WAV. Nem — mindkettő bitre pontosan veszteségmentes. A FLAC egyszerűen kevesebb helyen tárolja ugyanazt a hangot. A FLAC PCM-re visszadekódolva ugyanazt a bájtsorozatot adja, amelyet a WAV tárolt volna.
- A magasabb bitmélység mindig jobban szól. A 24 bit több tartalékot ad a szerkesztéshez (a halk jelek jól a zajpadló fölött maradnak), de a végső fogyasztói változat általában 16 bites. A plusz 8 bit munkapontosság a DAW-ban, nem hallható minőség a hangszórókban.
- A Hi-Res (96 kHz / 192 kHz) jobban szól, mint a CD (44,1 kHz). Tökéletesen ditterezett zene esetén az ember nem tud különbséget tenni a kb. 20 kHz feletti frekvenciák között. A 96 kHz olyan ultrahangos tartalmat rögzít, amelyet senki nem hall és egyetlen fülhallgató sem reprodukál. A Hi-Res vitatható előnye a felvételi láncban kevesebb aliasing-műtermék, nem a lejátszási minőség.
- Az MP3 WAV-ra konvertálása visszaadja az eredeti minőséget. Nem. Amint a veszteséges tömörítés mintákat dobott el, azok örökre elvesztek. A kapott WAV-fájl MP3-műtermékeket tartalmaz — nem bitre azonos az MP3 előtti masterrel, bármilyen kiterjesztés is van rajta.
Kapcsolódó eszközök: Hang MP3-ra / ID3-címkék veszteséges tömörítéshez, Hang OGG / Opus-ra nyílt veszteséges kodekekhez, Hang AIFF / ALAC / WavPack-re más veszteségmentes formátumokhoz, Hangspektrum az audio frekvenciatartalmának megjelenítéséhez, és a MIDI WAV-ra (a MIDI utasítás, nem hang — más átalakítási lánc).
