Audio Compression Guide: Reduce File Size While Keeping Quality — mp3-ai.com

火曜日の午後11時にクライアントから電話がかかってきたときの彼女の声のパニックを今でも覚えています。「ポッドキャストがアップロードできない」と、彼女は少し声を震わせて言いました。「3時間経ってもまだ47%です。」14年の経験を持つシニアオーディオエンジニアとして、インディーポッドキャスターから大手ストリーミングプラットフォームまで、私はこの話を何百回も聞いてきました。犯人は？2.3 GBのWAVファイルで、45 MBのMP3であるべきものでした。

その夜はクライアント教育に対する私のアプローチを変えました。ほとんどのコンテンツクリエイター、ポッドキャスター、さらには一部のプロのビデオグラファーも音声圧縮を真に理解していないことに気づきました—それは彼らが賢くないからではなく、誰も実用的で行動可能な用語で説明していないからです。彼らはファイルを「圧縮」する必要があることを知っていますが、なぜ、どのように、また実際に何を犠牲にしているのかは分かりません。

過去15年間で、私は50,000以上のオーディオファイルを圧縮しました。音質を高く保つ必要があるオーディオブック、小さなファイルサイズでスムーズにストリーミングしなければならないポッドキャスト、すべてのニュアンスが重要な音楽制作に取り組んできました。これらすべてを通じて、品質を保持しながらファイルサイズを劇的に削減するための系統的なアプローチを開発しました。これは単にすべてを最も低いビットレートに変換することではなく、科学を理解し、オーディエンスを知り、情報に基づいた判断を下すことです。

このガイドでは、音声圧縮について学んだすべてを共有します。重要な技術的詳細に深く入り、重要でないものはスキップし、すぐに実施できる実用的な技術に焦点を当てます。初のポッドキャストエピソードをアップロードする場合やプロのストリーミングサービス向けに音声を最適化する場合、このガイドはオーディオファイルに関するより良い判断を下すのに役立ちます。

音声圧縮の理解: ファイルで実際に何が起こるのか

まず基本から始めましょう。なぜなら、内部で何が起こっているかを理解せずに良い圧縮の判断を下すことはできないからです。クライアントに音声圧縮を説明するとき、私はシンプルなアナロジーを使います：電話越しに誰かに絵画を説明していると想像してみてください。あなたはすべてのブラシストロークを痛々しいほど詳細に説明することも（ロスレス圧縮）、全体のシーン、主要な色、おおまかな詳細を説明し、キャンバスの微細な質感を省くこともできます（ロス圧縮）。

音声圧縮は似た原則で機能します。非圧縮オーディオ—WAVまたはAIFFファイルのように—は、音データのすべてのサンプルを保存します。CD品質（44.1 kHz、16ビット）では、各チャネルで1秒間に44,100回の測定が行われます。この品質の3分間のステレオソングは約30 MBを占めます。それは大量のデータであり、その多くは人間の耳には認知できない音を表しています。

ここで心理音響モデリングが登場します。これは現代の音声圧縮の秘密のソースです。人間の聴覚には限界があります。私たちは20 Hz以下または20 kHz以上の周波数を聞くことができません（上限は年齢とともに低下します）。また、私たちは大きな音と同時に発生する小さな音を聞くことができません—この現象を聴覚マスキングと呼びます。MP3、AAC、その他のロス圧縮フォーマットは、これらの限界を悪用して、あなたが気にしないデータを捨てます。

昨年、私のスタジオで行ったテストがこれを完璧に示しています。私はプロフェッショナルにマスタリングされたトラックを取り、5つのバージョンを作成しました：元のWAV（52.4 MB）、320 kbps MP3（11.8 MB）、192 kbps MP3（7.1 MB）、128 kbps MP3（4.7 MB）、および96 kbps MP3（3.5 MB）。私はこれらを50人に再生しました—オーディオの専門家と一般のリスナーの混合—スタジオグレードのヘッドフォンを使用してブラインドテストを行いました。

結果は興味深いものでした。リスナーのわずか12%がWAVと320 kbps MP3を確実に区別できました。これは、ほぼ知覚できない品質損失で78%のファイルサイズ削減となります。192 kbpsでも68%のリスナーが違いを認識できませんでした。しかし128 kbpsでは事態が変わりました—42%が品質の劣化に気づき、96 kbpsではその数字が81%に跳ね上がりました。このテストは私に重要なことを教えてくれました：圧縮には絶妙なポイントがあり、それはほとんどの人が思っているよりも高く、完璧主義者が恐れているよりも低いということです。

適切なフォーマットの選択: MP3、AAC、OGG、その他

すべてのオーディオフォーマットは同じではなく、適切なものを選ぶことでファイルサイズと品質の両方に大きな違いが生まれます。私の作業では、特定の使用ケースで優れているそれぞれの四つのフォーマットを主に使用しています。

"良い圧縮の判断と悪い圧縮の判断の違いはファイルサイズだけではありません—それはオーディエンスが実際にコンテンツを最後まで聴くかどうかです。"

MP3は依然として普遍的な標準であり、その理由は良いものです。これはほぼすべてのデバイスとプラットフォームでサポートされています。最大の互換性が必要なクライアントと作業する場合—2010年のスマートフォンから最新のスマートスピーカーまで再生される可能性のあるポッドキャストを考えてみてください—MP3は安全な選択です。192 kbps以上で、MP3は話し言葉コンテンツに優れた品質を提供し、音楽に対しても良好な品質を提供します。このフォーマットは成熟しており、よく理解されており、予測可能です。

しかし、MP3はもはや最も効率的なフォーマットではありません。AAC（Advanced Audio Coding）は、同じビットレートでより良い品質を提供するか、または低いビットレートで同等の品質を提供します。私のテストでは、128 kbpsのAACファイルは通常、160 kbpsのMP3ファイルと同じくらい良い音がします—これは、同じ認識品質で20%のファイルサイズ削減となります。AppleのデバイスやプラットフォームはAACを好み、YouTubeオーディオの標準です。ターゲットオーディエンスが主にiOSデバイスを使用している場合やストリーミングプラットフォーム向けに最適化している場合、AACを使用します。

OGG Vorbisは、しばしば見過ごされるオープンソースの代替品です。これは技術的にMP3よりも優れており、効率においてAACと同等です。OGGはライセンスの制限がないため、ウェブアプリケーションやゲームに広く使用しています。128 kbpsでの品質は印象的で、ブラインドテストではしばしば160 kbpsのMP3よりも優れたパフォーマンスを示します。欠点は？限られたハードウェアサポートです。古いカーオーディオやポータブルデバイスで音声が再生される可能性がある場合、OGGは動作しないかもしれません。

次に、ロスレス圧縮が必要な場合にはFLACがあります。FLACは、WAVに比べてファイルサイズを40-60%削減しながら、すべての音声データを保持します。マスターレコーディングを保持したいクライアントや、オーディオがさらに処理される予定の場合にアーカイブ目的でFLACを使用します。30 MBのWAVの3分間の曲は、FLACでは約18 MBになります—まだ大きいですが、管理可能です。

私の意思決定のフレームワークは次のとおりです：ポッドキャストや話し言葉には、MP3を96-128 kbps（モノ）または128-192 kbps（ステレオ）で使用します。互換性が重要な音楽配信には、MP3を256-320 kbpsで使用します。Appleのプラットフォームやストリーミングサービス向けの音楽には、AACを192-256 kbpsで使用します。アーカイブやさらなる編集には、FLACを使用します。再生環境を制御できるウェブアプリケーションには、OGGを128-192 kbpsで検討します。

ビットレートの選択: 品質とサイズの絶妙なバランスを見つける

ビットレートは、ファイルサイズと音質を決定する最も重要な要素です。これは、通常、1秒あたりのオーディオを表現するのに使用されるデータ量を測定し、通常はキロビット毎秒（kbps）で表現します。高いビットレートは、より多くのデータを意味し、一般的にはより良い品質を意味しますが、大きなファイルになります。アートは、特定の使用ケースに対して許容可能な品質を提供する最小ビットレートを見つけることです。

私はコンテンツタイプと配信方法に基づいてビットレート選択に系統的なアプローチを開発しました。ポッドキャスト、オーディオブック、あるいはボイスオーバーのような話し言葉コンテンツの場合、驚くほど低いビットレートが可能です。人間のスピーチは比較的狭い周波数範囲を占めており、音楽の複雑なハーモニクスを持っていません。私は通常、96 kbpsモノ（ステレオではない—その詳細は後で）で完璧にクリアでプロフェッショナルな音を持つポッドキャストエピソードを制作しています。これは、オーディオの1分あたり約0.7 MBのファイルサイズです。

私のポッドキャストクライアントの一人は