MP3, AAC, FLAC és társaik: mi van valójában egy hangfájlban?

Egy háromperces dal CD-minőségben nagyjából harminc megabájt. Ugyanez a dal egy jó minőségű MP3-fájlban hat-hét megabájt, egy FLAC-fájlban tizennyolc-húsz. A három változat ugyanabból a felvételből készült, és a legtöbb hallgató a legtöbb fejhallgatón nem tudná megmondani, melyiket hallja. Hogy miért, és mikor számít mégis a különbség, az a hangformátumok működéséből derül ki.

A kiindulópont: a nyers digitális hang

A mikrofon előtt a hang levegőnyomás-ingadozás. A digitalizálás két dolgot rögzít róla: milyen sűrűn mérjük meg a jelet (ez a mintavételi frekvencia), és milyen finom skálán írjuk le az egyes mérések értékét (ez a bitmélység).

A zenei CD szabványa másodpercenként 44 100 mintát vesz csatornánként, mintánként 16 biten. Két csatornával ez másodpercenként 44 100 × 16 × 2 = 1 411 200 bit, vagyis kerekítve 1411 kbit/s. Ebből jön ki a bevezetőben említett harminc megabájt: három perc alatt körülbelül 254 millió bit, ami 31–32 megabájt.

Miért éppen 44,1 kHz? A mintavételi tétel szerint egy jelet akkor lehet hiánytalanul visszaállítani, ha a mintavételi frekvencia nagyobb a jelben előforduló legmagasabb frekvencia kétszeresénél. Az emberi hallás felső határa fiatal korban nagyjából 20 kHz körül van, és az életkorral csökken; a 44,1 kHz tehát kényelmes ráhagyással lefedi a hallható tartományt. A 16 bit nagyjából 96 decibeles elméleti dinamikatartományt ad (bitenként körülbelül 6 dB), ami több, mint amennyit egy átlagos lakásban vagy villamoson valaha kihasználunk.

Ezt a tömörítetlen hangot tárolja a WAV és az AIFF fájl. Pontos, de pazarló, ezért zsebben hordozható eszközökön ritkán találkozunk vele.

Veszteségmentes tömörítés: FLAC és ALAC

A veszteségmentes tömörítés úgy működik, mint egy ZIP-fájl, csak hangra szabva: a kitömörített adat bitről bitre megegyezik az eredetivel. A zene ritkán teljesen kiszámíthatatlan, a következő minta jó közelítéssel megjósolható az előzőekből, így elég a jóslat hibáját eltárolni. Ez jellemzően a felére-kétharmadára csökkenti a fájlméretet, a pontos arány a zenétől függ: egy szólózongora-felvétel jobban tömöríthető, mint egy torzított gitárfal.

A legelterjedtebb nyílt formátum a FLAC (Free Lossless Audio Codec). Specifikációja nyílt, referenciakódja nyílt forráskódú, és 2024 decemberében az IETF szabványjavaslatként is közzétette RFC 9639 néven. A szabvány 1–8 csatornát, 4–32 bites mintákat és rendkívül széles mintavételi tartományt ír le, a dekódolás pedig kevés számítási kapacitással is megoldható, ezért régi, gyenge zenelejátszók is boldogulnak vele. Az Apple saját veszteségmentes formátuma az ALAC; elve ugyanez, csak más konténerben él.

A veszteségmentes fájl a gyakorlatban archiválásra kiváló: ha egyszer FLAC-ba mented a CD-idet, abból később bármilyen más formátumot készíthetsz minőségromlás nélkül, fordítva viszont ez nem igaz.

Veszteséges tömörítés: amit a fül úgysem hall

Az MP3, az AAC, az Ogg Vorbis és az Opus másképp gondolkodik. Nem az eredeti jelet próbálják hűen tárolni, hanem azt, amit belőle valószínűleg hallunk. Ehhez pszichoakusztikus modellt használnak: a hangos hang „elfedi” a közvetlenül mellette lévő halkabb frekvenciákat, egy erős ütés előtt és után rövid ideig kevésbé érzékeny a fülünk, a nagyon magas tartományban pedig durvább felbontás is elég. Amit a modell szerint úgysem észlelnénk, azt a kódoló kevesebb bittel írja le vagy elhagyja.

Ennek ára van: a kidobott információ nem hozható vissza. Egy MP3-ból készített FLAC ugyanolyan, mint az MP3, csak nagyobb, és két veszteséges formátum közötti átkódolás minden lépésben ront valamennyit a hangon.

MP3

Az MP3 az MPEG-1 szabvány harmadik hangrétege (Layer III), a Fraunhofer Intézet és partnerei fejlesztették a nyolcvanas évek végétől; a szabványt 1992-ben fogadták el, a .mp3 kiterjesztés pedig 1995 júliusában született. Legnagyobb szabványos bitrátája 320 kbit/s. A Fraunhofer és a Technicolor MP3-licencprogramja 2017. április 23-án megszűnt, azóta a formátum gyakorlatilag szabadon használható. Maga a Fraunhofer IIS is azt írja, hogy a streaming és a műsorszórás nagy része mára az AAC családra és utódaira tért át, mert azok kisebb bitrátán jobb minőséget adnak.

AAC

Az AAC (Advanced Audio Coding) az MPEG-2, majd az MPEG-4 szabványcsalád része. Ugyanazon a bitrátán általában tisztább, mint az MP3, különösen 128 kbit/s alatt. A Bluetooth-fejhallgatók egy része is képes AAC-t fogadni, erről a Bluetooth-kodekekről szóló cikkünk szól részletesen.

Opus

Az Opus a legfiatalabb a sorban: az IETF RFC 6716 néven 2012 szeptemberében tette közzé. Eredetileg valós idejű beszédre és zenére (internettelefonálás, videóhívás) tervezték, ezért nagyon kis késleltetéssel dolgozik, és a 6 kbit/s-os beszédtől a 510 kbit/s-os sztereó zenéig terjed. Zenére már 96–128 kbit/s körül is meglepően jó. Hátránya, hogy a régebbi hordozható lejátszók jellemzően nem ismerik.

Mit jelent a bitráta, és mennyi elég?

A bitráta azt mondja meg, hány kilobit jut egy másodpercnyi hangra. Veszteséges formátumnál ez a minőség legfontosabb gombja, de nem lineáris: 64-ről 128 kbit/s-ra lépni óriási különbség, 256-ról 320-ra lépni a legtöbb felvételen és fülhallgatón nem hallható.

Két üzemmódot érdemes ismerni:

• CBR (állandó bitráta): minden másodperc ugyanannyi bitet kap, akár csend, akár zenekari tutti szól. Egyszerű, de pazarló.
• VBR (változó bitráta): a kódoló a bonyolult részekre több, az egyszerűekre kevesebb bitet ad. Azonos fájlméret mellett jellemzően jobb, és ma ez az ajánlott alapbeállítás a legtöbb kódolóban.

Hogy neked mennyi elég, azt egyetlen módon lehet becsületesen eldönteni: vak összehasonlítással. Kérj meg valakit, hogy ugyanazt a részletet játssza le neked két különböző formátumban, úgy, hogy nem tudod, melyik melyik, és próbáld eltalálni. Ha tíz próbából nem találod el lényegesen többször, mint a véletlen, akkor a kisebb fájl neked elég. Az eredmény függ a zenétől, a fejhallgatótól és a füledtől is, ezért nincs mindenkire érvényes szám.

Hi-res: több bit, nagyobb mintavétel

A „hi-res” vagy nagy felbontású hang a gyakorlatban jellemzően 24 bites, legalább 48 kHz-es, gyakran 96 vagy 192 kHz-es mintavételű felvételt jelent. Az amerikai fogyasztói elektronikai és lemezipari szervezetek közös meghatározása szerint olyan veszteségmentes hangról van szó, amely a CD-nél jobb minőségű forrásból masterelt felvétel teljes hangképét képes visszaadni.

A 24 bit a stúdióban valóban hasznos: keverés és utómunka közben bőséges tartalékot ad, hogy semmi ne torzuljon és a zaj ne kerüljön előtérbe. Lejátszáskor viszont a 16 bit és a 44,1 kHz a hallható tartományt már lefedi, ezért a különbség, ha egyáltalán van, inkább a felvétel eltérő keveréséből vagy masteréből adódik, nem a számokból. A hi-res fájl ráadásul sokszorosan nagyobb, és vezeték nélkül a legtöbb esetben úgyis veszteséges kodek viszi tovább a fülhallgatóig.

Konténer és kodek: nem ugyanaz

Gyakori zavar forrása, hogy a fájl kiterjesztése nem mindig árulja el, mi van benne. Az .m4a például egy konténer, amelyben lehet veszteséges AAC és veszteségmentes ALAC is. Az .ogg mögött lehet Vorbis, Opus vagy akár FLAC. A .wav fájl elvben tömörített adatot is tartalmazhat, bár ez ritka. Ha egy lejátszó „nem ismeri” a fájlt, érdemes megnézni egy médiainformációs programmal, milyen kodek van valójában a konténerben.

Gyakorlati összefoglaló

• Archiválásra: FLAC vagy ALAC. Egyszer kell elkészíteni, és bármikor lehet belőle másolatot csinálni.
• Telefonra, régi lejátszóra, korlátos tárhelyre: AAC vagy MP3 VBR-módban, nagyjából 192–256 kbit/s körül; Opus, ha a lejátszó ismeri.
• Soha ne készíts veszteséges fájlból veszteségmentest abban a reményben, hogy jobb lesz; csak nagyobb lesz.
• Ha a hang rossz, gyakran nem a formátum a ludas, hanem a felvétel, a fejhallgató vagy a környezeti zaj. A fejhallgató adatlapjának értelmezéséről külön cikkünk szól, a fogalmak pedig röviden a Lexikonban is megtalálhatók.