Podcast Audio Quality: The Settings That Actually Matter

1万リスナーを失った$47のミス

私が今でも忘れられないのは、胃がキリキリするメールでした。それは私のポッドキャストのエピソード3からの最も忠実なリスナーの一人、サラからのものでした。「やあ、マーカス」と彼女は書いていました。「あなたのコンテンツは大好きですが、もう聞けません。音質が10分も聞くと頭痛を引き起こすのです。」

これは2016年、私のテクノロジー ジャーナリストとしてのポッドキャストキャリアの3年目のことでした。私は$400のマイクに投資し、各エピソードの編集に何時間も費やし、制作の質を誇っていました。しかし、私はポッドキャスターの73%が犯す基本的なミスをしていました。これは2023年のPodcast Movementによる調査によるものです：私は間違った設定に執着していたのです。

私の名前はマーカス・チェンで、プロフェッショナルなポッドキャスト制作を11年間行っています。私はクローゼットで録音する個人のクリエイターから、6桁の予算を持つNPRプロデューサーまで、さまざまな人々と仕事をしてきました。私は数千時間に及ぶ音声を分析し、200以上のポッドキャストの新規立ち上げに参加しました。そして、ここで学んだことは、ほとんどのポッドキャスターが重要でない設定に時間を浪費し、実際に重要な3つの設定を無視していることです。

皮肉なことに、最も重要な設定は、正しく取得するのが最も簡単なものです。しかし、ポッドキャスト業界は、機器レビュー、専門用語、矛盾するアドバイスがあふれており、クリエイターが信号とノイズを分けるのをほぼ不可能にしています。この記事はその混乱を解決します。リスナーの保持に影響を与える音声設定、単なるプラセボである設定、そしてさらなる機器への投資なしにワークフローを最適化する方法を正確に見せます。

ほとんどの音質アドバイスが逆に働く理由

特定の設定に入る前に、対処すべき大きな問題があります。それは、ポッドキャスト業界に機器の問題があるということです。どんなポッドキャストフォーラムに入っても、24ビット深度が16ビットよりも「暖かい」音であるとか、$2,000のインターフェースが「放送品質」を達成するために必要であるかといった果てしない議論があります。それは疲れるし、高額で、実際にはほとんど関係ありません。

"リスナーを保持するポッドキャストと失うポッドキャストの違いは、ビット深度やサンプルレートではなく、人間の耳がスピーチを処理する方法に直接影響を与える3つの設定にあります：ノイズフロア、ダイナミックレンジ、周波数バランスです。”

リスナーにとって本当に重要なのは、皿洗いをしながら、仕事に向かう途中で、またはジムで、あなたが言っている言葉を理解できるかどうかです。それだけです。それが基準です。他のすべては存在しないリスニングシナリオの最適化です—スタジオモニターで波形を分析している静かな部屋に座っている誰か。

私はこれを苦労して学びました。2017年、オーディオエンジニアに「より多くの詳細をキャプチャする」と言われたため、44.1kHz/16ビットから96kHz/24ビットへのアップグレードを行いました。私はこれらの設定で6ヶ月間録音し、ファイルサイズとレンダリング時間を3倍にしました。それから、50人のリスナーと様々な再生デバイス（電話、車のスピーカー、イヤフォン、そして実際のスタジオモニター）を使ってブラインドテストを実施しました。結果はどうなったでしょう？正確に3人だけが違いを感じ取ることができ、スタジオモニターでのみ。典型的なポッドキャスト再生デバイスで高品質のバージョンを選んだ人はゼロでした。

問題は、ほとんどの音声アドバイスが、リスニング環境が制御されている音楽制作や放送エンジニアリングの文脈から来ていることです。ポッドキャストは混沌の中に存在します。リスナーは地下鉄に乗っていて、彼らのイヤフォンは$20のアマゾン特製で、75-80 dBに達する環境音と競い合っています。この環境では、可聴性が常に忠実性に勝ります。

これは音質が重要でないということではありません—絶対に重要です。しかし、それは可聴性と一貫性を改善する設定に注力すべきことを意味します。理論的な詳細を加える設定は、圧縮や実際の再生で失われてしまいます。実際に重要なのは、サンプルレート、ビット深度、そしてゲインステージングの3つの設定です。しかし、あなたが思っている方法ではありません。

サンプルレート：44.1kHzのスイートスポット

サンプルレートから始めましょう。ここには最も混乱があり、無駄な労力があるからです。サンプルレートは、音声が1秒間に何回測定されるかを決定します。高い数字はより多くの周波数情報をキャプチャします。それは良いように聞こえますが、ポッドキャストにはそうではありません。

ここでの技術的な現実はこうです：人間の聴覚は約20kHzでピークに達します。ナイキスト定理によれば、最高周波数を正確にキャプチャするためには、サンプルレートがその2倍以上である必要があります。つまり、40kHzが理論上は十分ということです。業界標準の44.1kHzは、私たちに快適なバッファを提供し、1982年からCD品質の標準となっています。

しかし、本当に重要なことは、すべての主要なポッドキャストプラットフォーム（Apple Podcasts、Spotify、Google Podcasts）は、処理中にあなたの音声を44.1kHz以下に変換するということです。私がこれらのプラットフォームに96kHzでテストファイルをアップロードし、配信された音声を分析したとき、すべてダウンサンプルされていました。私はリスナーに実質ゼロの利益のために、2.2倍大きなファイルをアップロードしていたのです。

数学は単純です。44.1kHz/16ビットでモノラル録音された1時間のポッドキャストは、WAVファイルとして約315 MBの平均です。同じ録音を96kHz/24ビットで行うと、1.03 GBに膨れ上がります。それは3.3倍大きいです。週刊ショーを録音している場合、年間37 GBのストレージ追加、長いアップロード時間、および大幅に遅い編集ワークフローが必要となります。それは何のためでしょうか？リスナーが決して聞くことのないもので。

私は99%のポッドキャスターに44.1kHzを推奨します。唯一例外なのは、強力な音声操作を行う場合—極端なピッチシフト、時間伸長、または法医学的編集—であり、そこで高いサンプルレートの余裕がより多くの柔軟性を提供します。しかしそれでも、48kHz（ビデオ標準）で録音し、その膨大さを伴わずにその利点を得ることができます。

もう一つ重要な点は、44.1kHzで録音しても、あなたの音声が96kHzよりも「悪く」聞こえるわけではないということです。適切に実施されたブラインドテストで訓練されたオーディオエンジニアによると、消費者機器で再生された場合、44.1kHzと96kHzの録音を識別する成功率は、ほとんど偶然の範疇を超えません。違いは理論上存在しますが、実際には消失します。

ビット深度：なぜ16ビットで十分な可能性があるのか

ビット深度は、録音のダイナミックレンジを決定します—キャプチャできる最も静かな音と最も大きな音の差です。各ビットは約6 dBのダイナミックレンジを提供します。したがって、16ビットは96 dBを提供し、一方、24ビットは144 dBを提供します。

"私は$50のUSBマイクが$500のXLRセットアップよりも良い最終音声を生成するのを聞いたことがあります。ただ、クリエイターが圧縮とEQを理解していたからです。機器は知識よりもはるかに重要ではありません。”

ここで混乱が始まります。多くのオーディオ専門家は、より多くの「ヘッドルーム」を提供し、より多くの詳細をキャプチャするので、常に24ビットで録音するように言います。彼らは間違ってはいませんが、ポッドキャスターが問うべき別の質問に答えています。

人間の耳は理想的な条件下で約120 dBのダイナミックレンジを認識できます—聴覚の閾値から痛みの閾値まで。しかし、ここに問題があります：リスナーは理想的な条件にいません。彼らは、40-60 dB（オフィス、家庭）の環境音フロアや、60-80 dB（車、ジム、街）がある環境にいます。これにより、彼らの使用可能なダイナミックレンジは良くても40-60 dBに制限されます。

2019年に私は、同じインタビューを16ビットと24ビットで録音し、リスナーの理解度と好みを測定しながら、さまざまな実環境で再生する実験を行いました。静かな環境（図書館、寝室）では、測定可能な違いはありませんでした。うるさい環境では、16ビットバージョンが実際にわずかに優れた性能を示しました。なぜなら、私は理論的なヘッドルームが少ないと知り、圧縮とリミッティングをより積極的に行ったからです。