A hangtömörítés és az audiokodekek

„A  digitális  valamely  változó  jelenségnek,  vagy  fizikai  mennyiségnek  diszkrét  (nem  folytonos),  megszámlálhatóan  felaprózott,  s  így  számokkal  meghatározható,  felírható  értékeinek  halmaza  (például:  jel  (informatika),  számítógép,  szélessávú  internet­kapcsolatok,  digitális  fényképezők,  digitális  hangrögzítés,  stb.).”[1]  „Hangnak  nevezzük egy rezgő testnek (hangforrás) rugalmas közegben (hangtér) terjedő rezgéseit és  hullámait, ha azok a hallószervben hangérzetet keltenek.”  Minden  hang,  hangeffekt  vagy  zene analógnak, azaz folyamatos adatnak számít, amit csak  a digitalizálást  (a  bináris  jelsorozattá alakítást) követően tudunk számítógépen ábrázolni. A  digitalizált  audioállományok  mintavételezett  hangok: a másodperc  törtrészében a hangból  mintát veszünk, a minták amplitúdó­értékeit bináris  számokká  alakítjuk (kvantálás), a bitek  és  bájtok  formájában  reprezentált  digitális  információt  pedig  tároljuk.  Minél  gyakrabban  (tehát egy másodpercben minél többször)  és  minél nagyobb méretű mintákat vételezünk a  hangokból,  annál  finomabb  felbontású  és  jobb  minőségű  digitális  állományt  kapunk.  Mintaméretként  a  leggyakrabban  8,  illetve  16  bitet  választanak.  Minél nagyobb a minta, az  adatok annál pontosabban írják le a rögzített hangot.  A  mintavételezés  (sampling)  során  a  számítógép  a  kapott  analóg  jelből  egy  ún.  ADC  (analog­digital   converter)  segítségével  digitális  adatot  gyárt.  Ennek  a  –  már  –  digitális  hanganyagnak  a  megszólaltatása   a  DAC  (digital­analog  converter)  feladata  lesz.  A  mintavételezési  gyakoriság  (sampling  frequency)  adja  meg  azt,  hogy  az  ADC  másodpercenként  hány mintát vegyen a hangból. Egy hangminőség­szabvány szerinti (ISO  10149  –  „Red  Book”)  Audio  CD  minőségű  hang  44100  Hz,  azaz  az  ADC  másodpercenként 44100 alkalommal vett mintát.  A  minőség  másik  meghatározó  tulajdonsága  a  mintavétel  mellet  a  bitmélység  vagy  hangfelbontás  (bit  depth).  A  bitmélység  függvénye,  hogy  a  hallható  tartományból  milyen  széles  tartományt  tudunk  rögzíteni  számítógéppel. Minél jobb egy hangállomány minősége,  annál nagyobb lesz az azt reprezentáló audiofájl mérete is.    A hangtömörítés és az audiokodekek    Egy  audio CD minőségű  hangfelvétel  egyetlen  perce  10,5  Mb  méretű  fájlt  eredményez.[7]  Éppen  ezért szükséges  az  állomány  méretének  csökkentése,  melyet tömörítő eljárásokkal  lehet  kivitelezni.   A  hanganyag  nem  tartalmaz  ismétléseket,  nem  redundáns,  ezért  bonyolultabb  eljárásra  van  szükség,  mint  egy  szöveg tömörítésénél.  A tömörítés  választott  mértéke  mindig  kompromisszum  az  átviteli  minőség  és  az  átviteli  kapacitás­szükséglet  között.  Hangot úgy érdemes tömörítetten  tárolni,  hogy azt  kicsomagolási procedúra nélkül,  ún.  real  time  programokkal  meg  lehessen  hallgatni.[8]  Az  eredmény  minősége  szempontjából  kétféle  tömörítést  különböztethetünk  meg:  veszteségmentes  és  veszteséges  tömörítést.  Veszteségmentes tömörítés  során az adatok mérete csökken, ám   azok  minősége  nem  változik,  így  kerülve  el  az  adatvesztést.  Veszteséges  tömörítés 

folyamán  információ  vész  el;  a  cél  az,  hogy  az  információvesztés  minél  kisebb  minőségromlást eredményezzen.    A kodek kifejezés a  coder­decoder szavak összevonása, és olyan eszközt vagy  programot  ír  le,  ami  adatfolyam  vagy  jel továbbításának  módját  határozza  meg. Egy  kodek  tartalmaz  egy  kódoló  és  egy  dekodoló  komponenst  is.  A  kodoló  komponens  kódolja  a  fájlt  a  létrehozás alatt, az utóbbi pedig dekódolja, hogy meglehessen azt tekinteni.[9]  Többféle  audiotömörítő  eljárás  létezik  [ilyenek  például  az  az  adaptív  differenciális  impulzuskódolású  moduláció  (ADPCM),  az  Interactive  Multimedia  Association  ADPCM  (IMA  ADPCM),  az  A­  és  U­Law  eljárás  vagy  a  Creative  Labs  által  kidolgozott  VOC­tömörítés], de szócikkünkben csak az MPEG tömörítéssel foglalkozunk átfogóan.    A digitális  hangállományok méretét az ISO  albizottsága,  az  MPEG  (Motion  Picture  Expert   Group)  által  kidolgozott  digitális  kódolási  eljárással  is  lehet  csökkenteni.  Az  eljárás  neve  MPEG  Audio,  alapja  pedig  a  pszichoakusztikus  redundancia.[10]  „Az  MPEG   Audio  veszteséges  tömörítési  eljárás…”  ami  „még  1:12  tömörítési  arány  mellett  is  CD  hangminőséget  biztosít.”[11]  Az  eljárás  nem  a  hangállomány  jellege  szerint,  hanem  az  ember  által  nem  hallott  hangelemek  eltávolítása  tömörít,  ezért  jórészt  nem  érzékelhető  torzítást okoz.    Az  MPEG  szabvány  folyamatosan  fejlődött a  multimédia terén  egyre  növekvő  igényeknek  megfelelően. Az MPEG­nek három fő szintje van:  MPEG­1:  Mozgó  kép  és   társított  hang  digitális  tárolás,  tömörítés  (Coding  of  Moving  Pictures and Associated Audio for Digital Storage Media).  MPEG­2:  Általános  mozgókép  és  társított  hanginformáció  tömörítés  (Generic  Coding  of  Moving Pictures and Associated Audio Information).  MPEG­3:  eredetileg  főként  HDTV  alkalmazásokhoz  tervezték;  később  összevonták  az  MPEG­2­vel.  MPEG­4: “Coding of Audio­Visual Objects”  Az  MPEG  Audio  szabvány,  illetve  eljárás  három  réteg  (Layer)  szerinti  tömörítés  közötti  választást  tesz  lehetővé.  Az  egyes  rétegekben  különböző  tömörítési  arányok  mellett  különböző  hangminőség  érhető  el.  Az  ún.  Layer  1  a  legegyszerűbb  eljárás, mely  128  kb/s  fölötti  bitsebesség esetén használható. A Layer 2 közepes bonyolultságú eljárás, mely 128  kb/s  bitsebesség  körül  használható.  A  Layer  3  (az  ún.  MP3  eljárás)  a  legbonyolultabb  eljárás,  mely  a  legjobb  hangminőséget  csatornánként  64  kb/s  bitsebesség  mellett  biztosítja.    A digitális hangformátumok   

A számítástechnika  és  a  multimédia  világában  manapság számos (több mint harmincféle)   digitális  audio  formátum  létezik. Valamennyi  áttekintésére  a  szócikk  terjedelme  miatt nem  nyílik  lehetőség,  ezért  ebben  a  fejezetben  csak  a  fontosabb,  illetve   legtöbbet  használt  hangformátumokat  ismertjük  részletesebben.  (A  szócikk  „PC  centrikussága”  miatt  a  különböző  DVD  hangsávokkal,  illetve  különböző  Dolby  Digital  formátumokkal,  valamint  a  „féldigitális” MIDI formátummal sem foglalkozunk).    Az MP3    Az  MPEG  Audio  Layer  3  (azaz  az  MP3)  a második  fejezetben  ismertetett MPEG  család  leghatékonyabb  tagja.  „Megadott  hangminőség  esetén  a  legkisebb bitsebesség  érhető el  vele,  azaz  egy  adott  bitsebességhez  vele   érhető  el  a  legjobb  hangminőség.”[14]  A  formátum kiterjesztése .mp3.  A német  Fraunhoffer Institute által  1992­ben kifejlesztett  MP3, hasonlóan az MPEG család  többi  tagjához,  pszichoakusztikus  elveket  figyelembe  vevő  tömörítést használ.  A .mp3  fájl  egy veszteséges tömörítésen alapuló zenei fájlformátum, melynek a használt tömörítő (azaz  kodek)  szerint számos különböző változata lehet.[15] Az MP3 fájl minősége függ a tömörítő  programtól  és  a  kódolandó  jel  bonyolultságától.  Az MP3 veszteséges: információt hagy el,  hogy  tárhelyet  nyerjen.  Az  MPEG–1­es  szabvány  nem   ad  pontos  meghatározásokat  egy  MP3  tömörítő  számára,  csak  az  algoritmus  és  a  fájlformátum  mint  körvonal   adottak.  „A  szabványt  implementálóknak  maguk  kell  meghatározni  a  megfelelő  algoritmusokat  a  hangoknak az eredeti audióból történő elhagyására.”[16]  A  formátumhoz  kapcsolódnak  úgynevezett  ID3  vagy  ID4  tagek,  amelyek  lehetőséget  biztosítanak  arra,  hogy  különböző  információkat  tároljunk  el  az  adott  hanganyagról,  mint  például cím, szerző, album címe, műfaja, stb.[17]  Az  MP3,  annak  ellenére,  hogy  nagyon  népszerű  és  a  „mindennapi  élethez”  tökéletes  formátum,  algoritmusában  tartalmaz  néhány  hibát.  Nagy  hátránya,  hogy  a   hanganyag  pontos  lejátszási  idejét  nem  lehet  tömöríteni.   Az  időbeni  felbontás  túl  alacsony  a  változékony  jelekhez,  és  a  bitsűrűsége  320  kb/s­ig  van  behatárolva.  Az   MP3  mellett  pár  éve  megjelent  az  MP4  formátum,  mely  megpróbálja  megújítani,  illetve  a  kor  követelményeinek  megfelelővé  tenni  az  eredeti  MP3  formátumot,  valamint  az  MP3  Pro,  mely azonos minőséget tud nyújtani fele akkora tárhelyen.[18]    A WAV formátum    A  WAV  (Resource  Interchange  Format  ­  RIFF  WAVE)  a  Microsoft  által  kiadott,  8/16  bit  mélységű  hangformátum,  melyet  operációs  rendszeréhez,  a Windowshoz fejlesztett  ki,  és  mára  már  szabványos   formátumnak  tekinthető.  Ilyen  formátumban  van  eltárolva  minden   olyan  hangeffektus,  amelyet  a  Windows  indításakor,  leállításakor,  illetve  egyes  hibák 

esetében  hallhatunk.  Ugyancsak  ezt  a  formátumot  használja  a  Windows  hangrögzítő  programja  is.  Digitális  hanghullámokat  tartalmaz,  monó  vagy  sztereó  hangokat  is  rögzíthet.[19]  Szemben  az  MPEG  szabványú  adatformátumokkal  a  WAV  formátum  nem  tömöríti  az  audioadatokat,  így bár a többi  tömörített formátumhoz képest hatalmas méretű,  de hangminősége kiváló. A formátum kiterjesztése .wav.  Ezt  a  kódolási  formát  PCM­nek,  azaz  Pulse  Code  Modulation­nek  is  nevezik.  Egy  WAV  állományban három  adatblokk van, ezek az  ún. chunkok. A Riff­rész az állomány azonosítja  WAV­állományként,  a  formátumrész  jellemzőket  tárol  (például  a  gyűjtési  gyakoriságot), az  adat  részben  (data  particion)  a  tényleges  adatok  vannak.[20]  A  WAV  formátumú  fájlok  lejátszásához  dekóderprogram  szükséges.  A  hangállományt  először  teljes  egészében  tárolni  kell,  és  csak  utána  lejátszható.  A  WAV  formátum  nagy  hátránya,  hogy  valós  idejű  (real time) hangközvetítésre alkalmatlan.[21]    A  nagy  fájlméret  kiküszöbölésére  a  WAV  formátumnál  két  tömörítési  eljárást  szoktak  használni.  Az  egyik  a  Differential  Pulse  Code  Modulation  (DPCM),  amelynél  nem  a  mért  amplitúdó  értékek  kerülnek  tárolásra,  hanem  az  előző  amplitúdó  értéktől  való  eltérés.  A  másik  ilyen  tömörítési  eljárás  az  Adaptive  Pulse  Code   Modulation  (ADPCM).[22]  Itt  általában  egy 4 bites skálatényezőt adnak a mintához, amely azt adja meg, hogy mennyivel  kell  megszorozni  az  előző  amplitúdó  értéket,  hogy  megkapják  a  következőt.  „A  skálatényező  mértékétől  függően  ez  az  eljárás  akár  az  eredeti  méret  egynegyedére  is  képes tömöríteni a hangzó dokumentumot.”[23]    A WMA formátum    A  WMA  (Windows  Media  Audio)  szintén  a  Microsoft  formátuma,  de  az  „alap”  WAV  formátummal  ellentétben veszteségesen  tömörített audioformátum. Hangminősége azonos  bitrátánál  jobb,   mint  az  MP3  fájloké,  azonban  a  „népszerűségi  listán”  csak  a   második  helyett  foglalja  el  a  jóval  népszerűbb  MPEG  szabványú  formátum  mögött.  A  WMA  formátumot éppen  ezért sokan az MP3 és az Apple iTunes Music Store cég formátuma, az  AAC  vetélytársának  tartják.[24]  A  WMA  jogdíjköteles  tömörítési  algoritmust  használ.  A  formátum kiterjesztése .wma.  A  WMA  formátum  lejátszását  –  az  MP3­hoz  hasonlóan  –   számos  eszköz  támogatja.  A  szoftverek  közül  a  Windows  Media  Player,  a  Winamp  és  a  RealPlayer  mellett  számos,  kisebb hang­ és videólejátszó program is támogatja (Crystal Player, BS Player, stb.).    Az ASF formátum    Az ASF (kezdetben  Advanced  Streaming  Format,  manapság Advanced Systems Format)  szintén  a  Microsoft  által  szabadalmaztatott  digitális  audio/digitális  video  tömörítő 

(konténer),  amit a médiafolyamatok továbbítására szántak. Az ASF a WMA­hoz és a WMV  videoformátumhoz  hasonlóan  része  a  Windows  Media  keretrendszernek.[25]  Az  ASF   formátum  csak  az  audiotartalom  struktúráját  határozza  meg,  de  a  folyam  kódolását  már  nem, tehát  alapjában véve  bármilyen kodekkel kódolt audioinformáció  szerepelhet az ASF  formátumú  fájlokban.  Ez  hasonló  funkció  ahhoz,  amit  például  az  Ogg  (lásd  a  következő  fejezetet) formátum valósít meg.  Az  ASF  formátum  sorosított  objektumokra  épül,  melyek  ún.  guid  jelzővel  azonosított  bájt   sorozatok.  „ASF  szintén  tartalmazhat  metaadat  modulokat,  mint  artist (művész  neve), title  (cím),  album  és  genre  (műfaj)  egy  hangfelvételhez,  vagy  director  (rendező)  videó  v[agy]  filmanyag esetén, hasonlóan az MP3 formátum ID3 címkéihez.”[26]  Az  ASF  bővíthető  fájlformátum,  amely  kialakítása  révén  szinkronizált  multimédiás  adatok  tárolására  képes. Támogatja az adattovábbítást sokféle hálózaton és protokollon keresztül,  miközben  alkalmas  marad  a  helyi  lejátszásra.  Az  ASF  olyan  fejlett  multimédiás  szolgáltatásokat  támogat,  mint  például a bővíthető médiatípusok,  az  összetevők  letöltése,  a  méretezhető  médiatípusok,  a  készítő  által  megadott  adatfolyam­prioritás,  több  nyelv  támogatása,  valamint  széles  körű  könyvtártechnikai  képességek,  többek  között  a  dokumentum­ és tartalomkezelés is.[27]  Az  ASF  szerkezet  az  Amerikai  Egyesült  Államokban  a  Microsoft  által   bejegyzett  United  States Patent 6,041,345 Levi, et al. March 21, 2000 szabadalom alatt védett.[28]    A Vorbis (Ogg) formátum    Az Vorbis  egy nyílt  forráskódú és ingyenes veszteséges hangtömörítés,  melyet  a  Xiph.org  alapítvány  (Xiph.org Foundation)  fejleszt. Gyakran használják – Ogg Vorbis néven ­ az Ogg  konténerrel együtt.[29] A Vorbis formátum kiterjesztése .ogg.  Az  Ogg  bitfolyam  (bitstream)  formátum,  egy  keretrendszer,  melynek  célja  az  olyan  multimédiás  formátumok  támogatása,  melyek  szabadóan  felhasználhatóak  anélkül,  hogy  azok után jogdíjat kelljen fizetni, vagy felhasználhatóságuk korlátozva lenne.[30]  A  Vorbis  fejlesztése  1998­ban  kezdődött,  a  kodek  és  formátumának  első  stabil  verziója  2002­ben  jelent  meg  a  piacon.  „A  Vorbis  módosított  diszkrét  koszinusz­transzformációt  (MDCT)  használ  a hang  időtartományból  frekvencia­tartományba történő  konvertálásához.  Az  eredményül  kapott  frekvencia­domain  zajszintre  és  maradék  komponensekre  oszlik,  melyet kvantálnak és entrópia­kódolást hajtanak végre rajta.”[31]    A FLAC formátum    A FLAC (Free Losless Audio Codec) formátum veszteségmentes tömörítő formátum, tehát  tömörítés  közben  a  hanganyag  egyáltalán  nem  veszít  a  minőségéből.  A  tömörítetlen  hangfájlokhoz  képest  akár  30­50%­os  méretcsökkenés  is  elérhető  vele,[32]  ám  a  fájl 

mérete  még  így  is  duplája  marad  akár  egy  MP3  formátumú  fájlénak.  A  FLAC  formátum  nemrég  kezdett teret hódítani magának az  internet világában, ám egyre többen használják.  Személyes  tapasztalatunk  alapján  nem  ajánljuk  „házi  használatra”, mérete  nagy, speciális  lejátszóprogram  tudja  csak  kezelni,  és  a  minősége  nem  áll  ezekkel  fordított  arányosságban.  „A  FLAC  csak  fixpontos  mintákat  támogat,  lebegőpontosakat  nem.  Bármilyen  PCM  kódolást képes  kezelni  4­től  32  bites mintákig, bármilyen  mintavételezési  frekvenciát 1 és  1  048  570  Hz  között  1  Hz­es  lépésekben  és  1  és  8  között  bármennyi  csatornát.  A  csatornák  csoportosíthatóak,  így  a  sztereó vagy 5.1 surround hanganyag esetén a kódolás  kihasználja  a  csatornák  közötti  hasonlóságokat  is.  A  FLAC  CRC  ellenőrző­összegeket  használ  a  sérült  adatok  felismerésére (ami streaming médiák esetében fontos), és a nyers  PCM  audio  adatfolyamra  egy  MD5  ellenőrző  kódot  is  tartalmaz  a  STREAMINFO  metaadatokban.”[33]  A FLAC tömörítés teljesen ingyenes, sok platform alatt elérhető és használható.    A Real Audio formátum    Az  Interneten  egyre  nagyobb  nyilvánosságot  kap az ún. streaming  media fogalma.  Ez azt  jelenti,  hogy  a  nézett  oldalt  tartalmazó  („távoli")  gépen  létezik  egy  hangfájl,  amit  annak  letöltése közben  is tudunk hallgatni. Mivel  az  Internet a legtöbb esetben nem teszi lehetővé  a  gyors  adatátvitelt,  ezért  ezek  a  zenék,  hanganyagok  a  kisebb  méret  érdekében  gyengébb  minőségűek.  A  legelterjedtebb  ilyen  streaming  formátum  az  RA   (Real  Audio).[34]  A Real Audio  egy olyan, valós idejű digitális, veszteséges tömörítést alkalmazó hangátviteli  eljárás,  amely  elvben  már  28,8  kbit/s  sebességű  modemkapcsolattal  elfogadható  hangminőséget  produkál.  A  hatékony  kódolás  következtében  a  Real  Audio  állományok  terjedelme  akár  öt  százaléka  lehet  egy  CD  minőségű  WAV  állománynak.  A  hozzá  szükséges  RealPlayer  dekódoló  program  az  internetről  ingyenesen  letölthető, akárcsak a  kódolóprogram egyszerű változata.  „A  legtöbb ismert rádióállomás és egyre több privát­ adó szolgáltat bizonyos időpontokban  RealAudio  közvetítéseket,  melyek  hangminősége  körülbelül  a  hagyományos  AM  adások  minőségének felel meg.”[35]    Az AAC formátumok    Az  AAC  (Advanced  Audio  Encoding)  egy  veszteséges  tömörítési  fomátum. Szintén  „régi  motoros”;  a  szabványt   1997­ben  mutatta  be  az  MPEG  munkacsoport,  egy  nemzetközi  szabványként.  Az  AAC­t  az  MP3­hoz  képest  javított  teljesítményű  kodeknek  tervezték,  közepes  és  magas   bitrátákhoz.  Legfontosabb  előnye,  hogy  széles  mintavételezési 

frekvencia­tartományt alkalmaz, nagyobb a kódolási hatékonysága.[36]  Az  AAC+  az  AAC  formátum  módosítása,  hozzá  képest  azonos  bitrátánál  jobb  hangminőséget produkál.  A  High  Efficiency  AAC  (HE­AAC)  veszteséges  adattömörítést  végez  streaming  adatátvitelhez.  „Az  MPEG  4­en  alapul,  de  három technológiát kombinál:  Advanced Audio  Coding (AAC), Spectral  Band Replication (SBR)  és  Parametric Stereo (PS).”[37] Nagyon  alacsony bitrátán is képes működni.