HN 日本語サマリー

← 一覧へ戻る
Web開発

少ないほど良い:SoundCloudのオーディオが異なる見た目になる理由

Less Is More: Why Audio on SoundCloud Looks Different (developers.soundcloud.com)

15 pointsby 13175 コメント

要約

SoundCloudは最近、10年以上ぶりにAACエンコーダーをアップグレードし、知覚オーディオ品質が向上しました。しかし、スペクトログラムで見ると、17kHzで急激にエネルギーがカットされているように見えます。これは、人間の聴覚感度が2-5kHzで最も高く、17kHz以上はほとんど知覚できないため、ビットレート最適化のために最もコストのかからない高周波帯域をカットし、可聴範囲の信号精度を向上させるための意図的なトレードオフであることを説明しています。

全文翻訳

「少ないほど良い」:SoundCloudのオーディオ表示が異なる理由

昨年、SoundCloudは10年以上ぶりにAACエンコーダーをアップグレードしました。新しいエンコーダー(Fraunhoferのlibfdk_aac)は、私たちが追跡するすべての指標において、より高い知覚オーディオ品質を提供します。

しかし、スペクトログラムを見ると、予期しないことに気づくかもしれません。

以下のようなシナリオを考えてみてください。ロスレスマスターをアップロードします。SoundCloudからトラックをダウンロードしてスペクトラムアナライザーで開くと、かつては20kHzまでエネルギーがあった箇所に17kHzでハードなカットオフが見られます。古いエンコーダーはこれらの周波数を保持していましたが、新しいエンコーダーはそれらを削除します。

[画像: 古いエンコーダー vs 新しいエンコーダー]

これはダウングレードのように見えますが、実際には逆です。その理由を説明します。

ロスレス vs ロスシー

ロスレスファイル(WAV、FLAC)は、すべてのサンプルをそのまま保持します。入力されたものがそのまま、ビット単位で出力されます。決定も妥協もありません。

ロッシー圧縮(AAC、MP3、Ogg)は異なるゲームです。エンコーダーは、目標ファイルサイズを達成するために何かを捨てなければなりません。問題は情報が失われるかどうかではありません。失われます。問題は、何を選択して失うかです。

すべてのビットを活かす

SoundCloudがアップロードをAACに圧縮する際、エンコーダーはオーディオのチャンクごとに固定数のビットを受け取ります。これを周波数帯域に分割します。帯域あたりのビット数が多いほど、より忠実な再現が可能になります。少なければ歪みが大きくなります。

すべてに対応できるだけのビット数は決してありません。エンコーダーはどこにビットを費やすかを選択しなければなりません。

スライダーを操作してみてください。ビットレートが低下すると、量子化された信号は元の周波数分布からさらに離れていきます。しかし、ローパスフィルターを左に引くと、興味深いことが起こります。エンコーダーは上位の周波数を諦め、それ以外のすべてがよりシャープになります。

それがトレードオフです:ほとんど聞こえないものをドロップして、聞こえる範囲でよりクリーンな信号を得る。

なぜ上位周波数なのか?

人間の聴覚はフラットではありません。私たちは2〜5kHzの間で最も敏感です。高周波数帯域では感度が著しく低下し、ほとんどの成人は理想的なリスニング条件下でも17kHzを超える音調を確実に知覚することはできません。

このため、最も高い周波数帯域は、ビットレート最適化のための最も効率的な機会の1つを提供します。スペクトルの最上位でわずかに削減することで、エンコーダーはより広範囲の可聴コンテンツの精度を向上させることができます。

スペクトログラムはすべての周波数を平等に扱いますが、私たちの耳はそうではありません。エンコーダーは、グラフの見え方ではなく、人がどのように聞くかに基づいて設計されています。

[画像: 周波数ごとの相対的な聴覚感度]

エンコーダーは、コストが最も低い場所でカットします。

なぜ低音をカットしないのかと尋ねるかもしれません。低周波数はエンコードに非常に少ないビットしか必要とせず、聞くだけでなく体でも感じます。スペクトルの最上位は、これまでのところ最も安価な犠牲です。

実際のオーディオでどのように見えるか

古いエンコーダーと新しいエンコーダーで処理されたポップミックスの例です。このプロットは、エンコードされたオーディオと元のオーディオとの差を示しています。赤はエネルギーが削除されたことを意味し、青はエンコーダーが元々なかったものを追加した(アーティファクト)ことを意味します。

[画像: エラー比較:古いエンコーダー vs 新しいエンコーダー]

新しいエンコーダー(右)は、1つの明確な犠牲を払っています。それは、意図的にカットした最上位の赤い帯域です。それ以下は、ほとんど何もありません。古いエンコーダー(左)は異なります。高音域の中間帯域(最もよく聞こえる範囲での信号損失)に点在する赤い部分と、低音域の青いパッチ(エンコーダーが作り出したアーティファクト)があります。それはあらゆる場所で同時に戦っています。

同じ話を棒グラフで示し、同じエンコーダーをローパスフィルターありとなしで比較します。

[画像: 周波数帯域ごとのエラー]

フィルターオフ(赤)の場合、耳が最も鋭敏な中間帯域全体でエラー率が高くなります。フィルターオン(青)の場合、これらの帯域により多くのビットが割り当てられ、エラーが減少します。フィルターは、認識できない最上位をよりクリーンな中間部と交換するという、まさにその役割を果たしています。

しかし、256 kbpsはどうなのか?

これはもっともな質問です。256 kbpsでは、ほぼすべてのものに対応できる十分なビットがあります。フル帯域幅で問題なく動作すると期待するでしょう。そして、それはほぼ機能します。

しかし、「ほぼ」でも、複雑なパッセージの中間帯域でエンコーダーに厳しい選択をさせてしまいます。私たちが使用しているエンコーダー(Fraunhoferの実装であるlibfdk_aac)は保守的です。256 kbpsでも、17kHz付近で穏やかなロールオフを適用します。改善は低ビットレートの場合よりも小さいですが、測定可能ではあります。

256 kbpsでこれが正しい判断か?真剣に議論の余地があります。しかし、それは恣意的ではありません。Fraunhoferは、数十年にわたる広範なリスニングテストでこれらのカットオフポイントを検証しました。しきい値が存在するのは、訓練されたリスナーが信頼できるほど違いを認識できなかったためであり、解放されたビットが信号の残りの部分を測定可能に改善したからです。

聞いて、決める

グラフはいくらでも見せられます。代わりにブラインドテストを行います。同じオーディオの3つのクリップです。オリジナルと、256 kbpsでエンコードされた2つ:ローパスフィルターありの1つと、なしの1つ。どれがどれかわかりますか?ローパスフィルターが適用されているのはどれでしょう?

結論

あなたのトラックは壊れていません。見た目よりも音が良いだけです。