這個問題我查了很久才真正弄明白。音訊格式指的是「容器」的類型,講白一點就是聲音檔案的種類,例如「我愛你中國.mp3」,它的音訊格式就是 MP3。
這裡必須先釐清一個常見混淆:許多人分不清楚「音訊格式」與「音訊編碼」的差異,例如格式裡有 MP3,編碼裡也有 MP3,於是就糊塗了。
音訊編碼本質上是一種演算法。取得原始聲音資料後,不能直接塞進檔案裡用,必須依用途做處理,例如壓縮以縮小體積,這時就需要編碼器。而資料準備好之後,還要寫入檔案才能長期保存;保存的過程中往往還會夾帶其他資料甚至腳本,於是音樂檔就成了混合體。為了讓播放器知道這個檔案裡混了什麼東西,我們才需要賦予它特定的音訊格式。
結論很明確:格式與編碼是兩件不同的事。
要在電腦中播放或處理音訊,必須進行數位與類比的轉換,這個過程同樣由取樣與量化構成。人耳可聽範圍約為 20Hz 到 20kHz,20kHz 以上聽不到,因此音訊格式的最大頻寬就是 20kHz,取樣率需落在 40~50kHz 之間,並為每個樣本配置更多量化位元。數位化的標準規格是每樣本 16 位元、約 96dB 的信噪比,並採用線性脈衝編碼調變(PCM),每一量化步長長度相等。
最普遍的是 WAV 格式,它格式靈活、可承載多種音訊資料,適合保存原始錄音,並以 RIFF 檔案格式為基礎(與 AIFF、IFF 類似)。BWF(廣播聲波格式)則是歐洲廣播聯盟制定的標準格式,作為 WAV 的後繼者,可在檔案中存放後設資料,副檔名同樣是 .wav。
壓縮又細分兩類:無損壓縮如 APE、FLAC、TAK、TTA、WV、LPAC、AU、ALAC;有損壓縮如 MP3、RealAudio、OGG、VQF、WMA、ATRAC、Musepack、AAC、AMR。有損格式奠基於心理聲學模型,會丟棄人類難以察覺的聲音,例如一個大音量聲音之後緊接的小音量聲音。
CD 的音質在傳統格式中名列前茅,因此談音訊格式總得從它說起。多數播放軟體的「開啟檔案類型」中都能看到 .cda,這就是 CD 音軌。標準 CD 為 44.1kHz 取樣頻率、88K/秒 速率、16 位元量化,近乎無損,聲音忠於原聲。要注意的是 .cda 只是一份索引資訊,並非真正包含聲音資料,所以不論音樂長短,電腦上看到的 .cda 檔一律是 44 位元組。
WAV 由微軟與 IBM 共同開發,符合 RIFF 規範,用於保存 Windows 平台的音訊資源。它支援 MS ADPCM、CCITT A LAW 等多種壓縮演算法,也支援多種位元深度、取樣率與聲道。標準 WAV 同樣是 44.1kHz、88K/秒、16 位元,音質與 CD 相差無幾,幾乎所有音訊編輯軟體都「看得懂」這個格式。
AIFF(Audio Interchange File Format)由 Apple 開發,是 Mac 平台的標準音訊格式,屬於 QuickTime 技術的一部分,Netscape 的 LiveAudio 亦支援。它的特色是「格式本身與資料意義無關」的包容性設計,也因此啟發了微軟做出 WAV。由於主要流行於蘋果生態與多媒體出版產業,在 PC 平台普及度不高,但只要蘋果電腦還在,它就始終保有一席之地。
APE(Monkey's Audio)是常見的無損壓縮格式,副檔名為 .ape,偶爾用 .MAC。壓縮 CD 音訊時,典型的 APE 檔可達 600~700 Kbit/sec,而 MP3 最高僅 320 Kbit/sec,實務上多只設到 128~192 Kbit/sec。
特點:壓縮率約 55%;編解碼速度略慢,低階電腦可能卡頓;不提供錯誤處理機制,檔案一旦損壞,後續資料可能遺失;音質相對於 WMA、MP3、AAC 等有損格式有絕對優勢;開放原始碼,但因授權條款屬「準自由軟體」而在部分自由軟體發行版中受限。
FLAC(Free Lossless Audio Codec)意為自由無損音訊壓縮編碼,這裡的 Free 指的是自由而非免費。它不會破壞任何原有音訊資訊,可完整還原 CD 音質。
特點:壓縮率略遜於 APE;技術更先進、資源佔用更低、解碼更快;僅支援定點取樣,確保無近似誤差影響音質,資料流損壞時損失被限制在受損幀內;取樣率支援 1Hz 至 655,350Hz 並可逐 1Hz 微調;支援 4 至 32bit 的 PCM 位元解析度;跨平台支援 Unix-like 系統、Windows、BeOS 與 OS/2。
TAK(Tom's lossless Audio Kompressor)是無損音訊編解碼器,目前支援的軟體極少,通常需要 foobar2000、Winamp 配合外掛才能播放。特點是壓縮比接近 APE,編解碼速度接近 FLAC,1.0.3 之後支援多執行緒編碼;具備錯誤容忍(單一 bit 錯誤不影響超過 250ms)與錯誤偵測(每個 frame 附 24-bit CRC);取樣率最高 192kHz、位元深度最高 24bit;尚未開放原始碼,但 FFmpeg 團隊已透過逆向工程實作出開源解碼器並收入 FFmpeg。
TTA(True Audio)是自由且簡單的即時無損編解碼器,基於自適應預測濾波,壓縮效果與主流格式相當或更佳。可將資料壓縮至 30%~70%,採即時演算法、系統需求低,支援多平台自由軟體,並支援 ID3v1 與 ID3v2 標籤。
WV(WavPack)由 David Bryant 開發,是自由開源的無損壓縮格式。它引進獨特的「混合」模式:同時產生一個可獨立使用的高品質有損檔,以及一個用於還原無損資料的「修正」檔,讓使用者不必再糾結要選有損還是無損。普通流行音樂壓縮率約 30%~70%,古典音樂等音域較寬的素材比例更高;支援極高取樣率與多種位元表示,並以類似 BSD 的方式授權。
MPEG-4 ALS(LPAC)是 MPEG-4 音訊標準的無損擴充,定稿於 2005 年 12 月。運算方式近似 FLAC,可視為以 Golomb Coding 或 Bounded Gilbert Moore Coding 編碼餘數的量化線性預測器。由於缺乏可用的編解碼器,即使到 2006 年仍未被大眾接受。
由 SUN 公司推出的數位音訊格式,源自 UNIX 系統下的聲音檔。由於早期 Web 伺服器多建於 UNIX,AU 在網路上的使用至今仍相當常見。
ALAC(Apple Lossless Audio Codec)是蘋果自家的無損壓縮格式,隨 iTunes 4.5 與 QuickTime 6.5.1 於 2004 年 4 月 28 日推出。與 MP3 不同,它不會刪除高頻與低頻的細節,還原後與原檔完全一致。可壓縮至原容量的 40%~60%,編解碼速度很快,編碼器已於 2011 年 10 月 26 日以 Apache License 公布原始碼。
MPEG 是動態圖像專家組的英文縮寫,成立於 1988 年,專責為 CD 建立視訊與音訊壓縮標準,包含 MPEG-1、MPEG-2、MPEG-Layer3、MPEG-4 等格式。MP3 誕生於八○年代的德國,依壓縮品質與編碼處理分為三層,分別對應 .mp1、.mp2、.mp3。它屬有損壓縮,基本保持低頻不失真,但犧牲 12kHz 到 16kHz 的高頻以換取更小檔案。壓縮後約為原容量的 8.5%~10%,取樣率最高 48kHz。開源領域由 LAME 完美實作了 VBR 演算法,並進一步發展出 ABR(平均位元率)。
RA(RealAudio)版本眾多,從 RealAudio 1 到 RealAudio 11,不同版本依賴的播放器也不同,同一播放器有些 rm 檔能播、有些不能,多半就是編碼版本差異所致。它主要用於線上串流聆聽,格式包含 RA、RM(RealAudio G2)、RMX(RealAudio Secured)等,最大特色是能依網路頻寬動態調整音質,在維持多數人聽感流暢的前提下,讓頻寬充裕者獲得較好品質。
OGG(Ogg Vorbis)是完全免費、開放且無專利限制的音訊壓縮格式,副檔名為 .OGG。它的設計相當先進,可持續改進大小與音質而不影響舊有編碼器或播放器。採用有損壓縮,但透過更先進的聲學模型降低損失;在相同位元率下,聽感普遍優於 MP3,並以新 BSD 授權發布。
由 NTT 與 YAMAHA 開發,核心是以減少資料流量但維持音質的方式換取更高壓縮比,可達 18:1 甚至更高,技術上相當先進,但因宣傳不足而難有用武之地。壓縮率約 5%,優於 MP3 與 RA,音質接近 CD(16 位元 44.1kHz 立體聲);播放對 CPU 的要求僅比 MP3 高約 5~10%,在 Pentium 75 以上即可運行。原始碼並未公開。
WMA(Windows Media Audio)由微軟開發,同樣以降低流量維持音質為目標。WMA 9 大幅改進引擎後,64Kbps 的 WMA 即可接近 128Kbps MP3 的聽感,體積少約三分之一,音質強於 MP3,更遠勝 RA。另一大優勢是可透過 DRM 機制加入防拷貝保護,限制播放時間、次數甚至播放裝置,對饱受盜版困擾的唱片公司是一大福音。從 WMA 9 起亦支援無損壓縮。
ATRAC(Adaptive Transform Acoustic Coding)是 Sony 於 1992 年開發的有損壓縮技術,Sharp、Panasonic 等 MiniDisc 製造商也各自研發了自家版本。ATRAC1 編碼時先以兩次 QMF 將音訊切為三個子頻帶,再於 MDCT 切割分塊,依人耳敏感度調整資料塊配置量,這就是所謂的「自適應」;同時依心理聲學忽略聽覺極限外的音訊與被大音量遮蔽的細微聲音。後續發展出 ATRAC2、ATRAC3、ATRAC3plus 與無損的 ATRAC Advanced Lossless,名稱末數字屬技術名稱的一部分,並非版本號。
AAL 發表於 2005 年 9 月的 A&VFesta 2005,是 ATRAC 家族唯一的無失真規格,可同時包含無失真與破壞性壓縮兩部分,壓縮率約 30%~80%。首度由 2005 年 11 月 1 日的 SonicStage 3.3 支援,SonicStage 可傳輸完整 AAL,也可只取出較小的 ATRAC3/ATRAC3plus 部分。
Musepack(早期稱 MPEGplus、MPEG+ 或 MP+)基於 MP2 演算法,編碼方式著重聽覺穿透感,在 160kbit/s 以上表現尤為出色。最初由 Andree Buschmann 提出開發,後由 Frank Klemm 接手,目前由 Musepack 開發團隊維護。採用比 MP3、AAC 更有效率的和碼編碼,支援 3kbit/s 到 1300kbit/s 的純可變位元率編碼,官方提供多平台編解碼器與第三方播放器外掛,以 LGPL 或 BSD 授權發布。
AAC(Advanced Audio Coding)出現於 1997 年,基於 MPEG-2 音訊編碼技術,由 Fraunhofer IIS、杜比實驗室、AT&T、Sony 等共同開發,目標是取代 MP3。2000 年 MPEG-4 標準出現後重新整合,加入 SBR 與 PS 技術,形成 MPEG-4 AAC。壓縮率約 5%,取樣率最高 96kHz,在相同規格下音質勝過幾乎所有傳統編碼方式。行動電話領域支援度相當普遍,早期以 LC-AAC 為主,隨著效能提升 HE-AAC 也逐漸普及。
AMR(Adaptive Multi-Rate)即自適應多速率編碼,主要用於行動裝置的通話音訊,壓縮比大但品質相對較弱;因多用於人聲,實際通話效果仍相當不錯。分為 AMR-NB(語音頻寬 300-3400Hz,8kHz 取樣)與 AMR-WB(50-7000Hz,16kHz 取樣)。AMR-WB 同時被 ITU-T 與 3GPP 採用,也称 G.722.2,可採用 6.6kb/s 到 23.85kb/s 共九種編碼,當網路繁忙、C/I 惡化時編碼器能自動調整模式以強化 QoS,抗擾度優於 AMR-NB,語音品質甚至超越 PSTN 固網。AMR 屬專利產品。
我一直認為 MIDI 不該被歸類為音訊格式,因此單獨列出。MIDI(Musical Instrument Digital Interface)讓數位合成器與其他裝置得以交換資料。MID 檔並不是錄製好的聲音,而是記錄「如何再現音樂」的一組指令,因此每分鐘音樂僅佔約 5~10KB。重放效果完全取決於音效卡的等級,主要應用於原創樂器作品、業餘演奏、遊戲音軌與電子賀卡,最大用武之地在電腦作曲領域。