آشنایی با فرمت‌های فایل صوتی و تفاوت آن‌ها

فرمت‌های صوتی در سه گروه اصلی قرار می‌گیرند: بدون فشرده‌سازی مثل WAV، فشرده بدون اتلاف مثل FLAC و فشرده با اتلاف مثل MP3 و AAC. انتخاب بین‌شان به کیفیت، حجم فایل و سازگاری با دستگاه‌تان بستگی دارد.

خیلی از منابع فقط از دو دسته حرف می‌زنند، اما این تقسیم‌بندی گمراه‌کننده است. WAV اصلاً فشرده نیست. FLAC فشرده است، ولی حتی یک بیت از کیفیت اصلی را از دست نمی‌دهد. حجمش هم حدود ۴۰ تا ۶۰ درصد کمتر از WAV می‌شود.

فرمت‌های با اتلاف مثل MP3 و AAC از مدل روان‌شنایی استفاده می‌کنند. این مدل جزئیاتی را حذف می‌کند که گوش شما تشخیص نمی‌دهد، مثلاً صداهایی که پشت صدای بلندتر پنهان می‌شوند. به این پدیده «پوشش شنیداری» می‌گویند. هرچه بیت‌ریت پایین‌تر باشد، حذف جزئیات بیشتر می‌شود.

MP4 هم فرمت صوتی نیست. این یک کانتینر چندرسانه‌ای است که صدا و تصویر را کنار هم نگه می‌دارد. صدای داخل آن معمولاً AAC است و فایل صوتی خالص با پسوند m4a ذخیره می‌شود. پس اگر فایلی با پسوند mp4 فقط صدا دارد، باز هم با یک کانتینر سروکار دارید.

MP3 هنوز برای سازگاری با دستگاه‌های قدیمی عالی است، اما دیگر تنها گزینه نیست. سرویس‌های استریم امروز بیشتر سراغ AAC و Opus می‌روند. پیش از تبدیل فایل‌هایتان، این راهنما را بخوانید تا بدانید هر فرمت کجا به دردتان می‌خورد.

نکات کلیدی این مقاله:

۳ دسته اصلی بدون فشرده‌سازی، فشرده بدون اتلاف و فشرده با اتلاف
FLAC در برابر WAV حدود ۴۰ تا ۶۰ درصد حجم کمتر، بدون هیچ افت کیفیتی
MP4 فرمت صوتی نیست کانتینر است؛ صدای داخلش معمولاً AAC و پسوند خالص آن m4a است

فرمت فایل صوتی چیست و چرا انتخاب آن اهمیت دارد؟

فرمت فایل صوتی روشی استاندارد برای ذخیره‌ی صدای دیجیتال است. این فرمت مشخص می‌کند صدا چطور کدگذاری، فشرده و در فایل بسته‌بندی شود. انتخاب آن مستقیم روی کیفیت شنیداری، حجم فایل و سازگاری با گوشی، خودرو و پخش‌کننده‌ها اثر می‌گذارد.

پسوند فایل همه‌ی ماجرا نیست

وقتی فایلی با پسوند mp3 یا wav می‌بینین، فقط اسم آن را دیده‌اید. پشت این اسم دو چیز پنهان است. اولی «کدک» (Codec) است که صدا را کدگذاری و فشرده می‌کند. دومی «کانتینر» (Container) است که صدا و اطلاعاتی مثل نام خواننده را در یک فایل جمع می‌کند.

بعضی فرمت‌ها هر دو نقش را با هم دارند. بعضی دیگر فقط یکی را. همین تفاوت باعث بسیاری از سردرگمی‌هاست و در بخش‌های بعدی بازش می‌کنیم.

انتخاب اشتباه چه هزینه‌ای دارد؟

فرض کنین آرشیو موسیقی‌تان را با فرمت پرحجم ذخیره کرده‌اید. حافظه‌ی گوشی خیلی زود پر می‌شود. حالا برعکسش را در نظر بگیرین: ضبط حرفه‌ای را با فرمت کم‌کیفیت ذخیره کرده‌اید. این اتلاف دیگر برنمی‌گردد.

کیفیت: بعضی فرمت‌ها بخشی از صدا را برای همیشه حذف می‌کنند.
حجم: یک آهنگ چهار دقیقه‌ای بین حدود ۴ تا ۴۰ مگابایت جا می‌گیرد.
سازگاری: همه‌ی دستگاه‌ها همه‌ی فرمت‌ها را نمی‌شناسند.
کاربرد: ضبط استودیویی، پخش آنلاین و پادکست نیازهای متفاوتی دارند.

در این راهنما فرمت‌ها را مرحله‌به‌مرحله می‌شناسیم. اول مفاهیم پایه را می‌خوانیم. بعد سراغ دسته‌بندی و تک‌تک فرمت‌ها می‌رویم و در پایان انتخاب درست را یاد می‌گیریم.

فرمت فایل صوتی چیست و چرا انتخاب آن اهمیت دارد؟

مفاهیم پایه: نرخ نمونه‌برداری، عمق بیت و بیت‌ریت

سه عدد کیفیت صدای دیجیتال را تعیین می‌کنند. نرخ نمونه‌برداری می‌گوید در هر ثانیه چند بار صدا اندازه‌گیری شده. عمق بیت دقت هر اندازه‌گیری را نشان می‌دهد. بیت‌ریت هم مقدار داده‌ی مصرفی در هر ثانیه است.

نرخ نمونه‌برداری (Sample Rate)

صدا در طبیعت پیوسته است. کامپیوتر آن را با اندازه‌گیری‌های پشت‌سرهم می‌گیرد. سی‌دی ۴۴٫۱ کیلوهرتز دارد، یعنی ۴۴٬۱۰۰ نمونه در ثانیه. طبق قضیه‌ی نایکوئیست، بیشینه‌ی فرکانس قابل ضبط نصف این عدد است، یعنی حدود ۲۲ کیلوهرتز. گوش انسان تا حدود ۲۰ کیلوهرتز می‌شنود.

عمق بیت (Bit Depth)

عمق بیت دقت ثبت بلندی صداست. در ۱۶ بیت، دامنه‌ی دینامیکی حدود ۹۶ دسی‌بل است. در ۲۴ بیت این عدد در تئوری به ۱۴۴ دسی‌بل می‌رسد. برای ضبط و میکس، ۲۴ بیت فضای امن‌تری می‌دهد.

بیت‌ریت (Bitrate)

بیت‌ریت را با کیلوبیت بر ثانیه (kbps) می‌سنجیم. برای صدای فشرده‌نشده، فرمول ساده است: نرخ نمونه‌برداری × عمق بیت × تعداد کانال.

کیفیت سی‌دی: ۴۴٬۱۰۰ × ۱۶ × ۲ برابر ۱۴۱۱٫۲ کیلوبیت بر ثانیه.
کیفیت استودیویی ۲۴ بیت و ۹۶ کیلوهرتز استریو: حدود ۴٬۶۰۸ کیلوبیت بر ثانیه.
یک دقیقه از صدای سی‌دی: حدود ۱۰٫۵ مگابایت.

پس بیت‌ریت WAV سقف ثابتی ندارد. هرچه تنظیمات ضبط بالاتر باشد، عدد هم بالاتر می‌رود. در فرمت‌های فشرده، بیت‌ریت را خودمان هنگام تبدیل انتخاب می‌کنیم.

نمودار نمونه‌برداری از موج صوتی پیوسته با نقاط گسسته — نمونه‌برداری یعنی تبدیل موج پیوسته به نقاط اندازه‌گیری‌شده‌ی پشت‌سرهم

مفاهیم پایه: نرخ نمونه‌برداری، عمق بیت و بیت‌ریت

دسته‌بندی سه‌گانه فرمت‌های صوتی: بدون فشرده‌سازی، بدون اتلاف و با اتلاف

فرمت‌های صوتی سه دسته‌ی اصلی دارند. دسته‌ی اول بدون فشرده‌سازی است، مثل WAV. دسته‌ی دوم فشرده‌سازی بدون اتلاف است، مثل FLAC. دسته‌ی سوم فشرده‌سازی با اتلاف است، مثل MP3. تفاوتشان در حجم و حفظ اطلاعات است.

چرا دو دسته کافی نیست؟

خیلی از منابع فقط می‌گویند «فشرده» و «فشرده‌نشده». این تقسیم‌بندی گمراه‌کننده است. اصطلاح Lossless به فشرده‌سازی بدون اتلاف اشاره دارد، نه فایل فشرده‌نشده. WAV اصلاً فشرده نیست. FLAC فشرده است، اما هیچ اطلاعاتی از دست نمی‌دهد.

تشبیهی ساده

یک کتاب را در نظر بگیرین. نسخه‌ی کاغذی کامل، همان فایل فشرده‌نشده است. حالا کتاب را با ZIP فشرده کنین. بعد از باز کردن، هر کلمه سر جایش است. این می‌شود فشرده‌سازی بدون اتلاف.

اما اگر کسی کتاب را خلاصه کند، جزئیات کم می‌شود و برنمی‌گردد. این مثال فشرده‌سازی با اتلاف است.

بدون فشرده‌سازی: WAV، AIFF، BWF و PCM خام. بیشترین حجم، کیفیت کامل.
بدون اتلاف: FLAC، ALAC و WavPack. معمولاً ۴۰ تا ۶۰ درصد کوچک‌تر از WAV، با کیفیت عیناً برابر.
با اتلاف: MP3، AAC، Ogg Vorbis، Opus، WMA و AC3. کوچک‌ترین حجم، با حذف بخشی از اطلاعات.

یک نکته‌ی مهم دیگر هم هست. دسته‌ی فرمت همیشه کیفیت نهایی را تضمین نمی‌کند. یک MP3 با بیت‌ریت ۳۲۰ بهتر از یک AAC با بیت‌ریت ۶۴ است. بیت‌ریت و کیفیت منبع هم نقش دارند.

دسته‌بندی سه‌گانه فرمت‌های صوتی: بدون فشرده‌سازی، بدون اتلاف و با اتلاف

فرمت‌های بدون فشرده‌سازی: WAV، AIFF و BWF

فرمت‌های بدون فشرده‌سازی نمونه‌های صدا را عیناً و بدون کوچک‌سازی ذخیره می‌کنند. WAV، AIFF و BWF مهم‌ترین‌هایشان هستند. کیفیت‌شان کامل است، اما حجم بالایی دارند. معمولاً در ضبط، میکس و کار حرفه‌ای استفاده می‌شوند.

WAV

مایکروسافت و آی‌بی‌ام این فرمت را ساختند. WAV روی ساختار RIFF بنا شده و تقریباً همه‌جا باز می‌شود. اما فیلد اندازه‌ی آن ۳۲ بیتی است. به همین دلیل WAV کلاسیک حداکثر حدود ۴ گیگابایت می‌شود. در کیفیت سی‌دی این یعنی نزدیک به ۶ ساعت و ۴۰ دقیقه.

AIFF

اپل در سال ۱۹۸۸ AIFF را معرفی کرد. از نظر کیفیت با WAV تفاوتی ندارد. فقط ساختار و ترتیب بایت‌هایش فرق می‌کند. در دنیای مک و نرم‌افزارهای ضبط اپل رایج‌تر است. AIFF هم مثل WAV حجم زیادی دارد.

BWF و RF64

BWF یا Broadcast Wave Format را اتحادیه‌ی پخش اروپا (EBU) برای رادیو و تلویزیون تعریف کرد. ظاهرش WAV است، اما اطلاعات اضافه دارد: زمان‌نگار دقیق، نام تولیدکننده و توضیحات. برای عبور از سقف ۴ گیگابایت هم RF64 ساخته شد.

کیفیت: بدون هیچ افتی.
حجم: حدود ۱۰٫۵ مگابایت در دقیقه برای کیفیت سی‌دی.
برچسب‌گذاری: ضعیف در WAV ساده، قوی‌تر در BWF.
مناسب برای: ضبط، ادیت، مسترینگ و آرشیو مرجع.

اگر فقط می‌خواین موسیقی گوش بدین، لازم نیست سراغ WAV بروین. برای کار روی صدا چرا، چون هر بار ذخیره کردن هیچ افتی ایجاد نمی‌کند.

فرمت‌های فشرده‌سازی بدون اتلاف: FLAC، ALAC و WavPack

فرمت‌های بدون اتلاف صدا را کوچک می‌کنند، اما هیچ اطلاعاتی را حذف نمی‌کنند. بعد از باز کردن فایل، دقیقاً همان صدای اصلی برمی‌گردد. حجمشان معمولاً ۴۰ تا ۶۰ درصد کمتر از WAV است. FLAC، ALAC و WavPack سه گزینه‌ی اصلی‌اند.

FLAC

FLAC را بنیاد Xiph.Org در سال ۲۰۰۱ منتشر کرد. متن‌باز است و حق امتیاز ندارد. از برچسب‌گذاری کامل پشتیبانی می‌کند و سطح فشرده‌سازی آن از ۰ تا ۸ قابل تنظیم است. امروز اندروید، ویندوز، macOS، iOS و بیشتر پخش‌کننده‌های خودرو آن را می‌شناسند.

ALAC

ALAC یا Apple Lossless را اپل ساخت و در سال ۲۰۱۱ متن‌باز کرد. فایل آن معمولاً داخل کانتینر m4a قرار می‌گیرد. در اکوسیستم اپل کاملاً راحت کار می‌کند. در بسیاری از دستگاه‌های اندرویدی ممکن است به پخش‌کننده‌ی جداگانه نیاز داشته باشین.

WavPack

WavPack کمتر شناخته‌شده است، اما ویژگی جالبی دارد: حالت ترکیبی (Hybrid). در این حالت یک فایل با اتلاف و یک فایل تصحیح جدا ساخته می‌شود. با هر دو فایل، صدای کامل برمی‌گردد. WavPack ممیز شناور ۳۲ بیتی را هم پشتیبانی می‌کند.

بدون اتلاف همیشه یعنی حجم زیاد. کتابخانه‌ی ۵۰۰ آهنگی در FLAC به‌راحتی از ۱۵ گیگابایت می‌گذرد. هنگام انتقال آن به هارد یا کامپیوتر دیگر، راه‌های افزایش سرعت کپی فایل در ویندوز کمک می‌کند زمان انتظار کمتر شود.

FLAC: بهترین انتخاب عمومی، آزاد و گسترده.
ALAC: مناسب کاربران آیفون و مک.
WavPack: مناسب آرشیو‌کاران و کاربران حرفه‌ای.

فرمت‌های فشرده‌سازی با اتلاف: MP3، AAC، Ogg Vorbis و Opus

فرمت‌های با اتلاف برای کوچک‌تر شدن، بخشی از اطلاعات صدا را برای همیشه حذف می‌کنند. حذف‌ها طوری انتخاب می‌شوند که گوش کمتر متوجه شود. MP3، AAC، Ogg Vorbis و Opus مهم‌ترین نمونه‌ها هستند و حجم را تا حدود یک‌دهم کاهش می‌دهند.

MP3

MP3 یا MPEG-1 Layer III را موسسه‌ی فراونهوفر توسعه داد و در دهه‌ی ۱۹۹۰ استاندارد شد. بیت‌ریت آن از ۳۲ تا ۳۲۰ کیلوبیت بر ثانیه است. حق ثبت آن در سال ۲۰۱۷ منقضی شد. هنوز برای فایل‌های قدیمی و دستگاه‌های ساده، سازگارترین فرمت است.

AAC

AAC جانشین MP3 است. در بیت‌ریت یکسان معمولاً صدای بهتری می‌دهد. اپل، یوتیوب و بسیاری از سرویس‌های استریم از آن استفاده می‌کنند. فایل‌های AAC اغلب با پسوند m4a ذخیره می‌شوند.

Ogg Vorbis

Vorbis هم از Xiph.Org آمده و کاملاً آزاد است. کیفیتش در بیت‌ریت‌های متوسط از MP3 بهتر است. بازی‌ها و برخی سرویس‌های استریم از آن بهره می‌برند.

Opus

Opus استاندارد IETF است (RFC 6716، سال ۲۰۱۲). بیت‌ریت آن از ۶ تا ۵۱۰ کیلوبیت بر ثانیه تنظیم می‌شود و تأخیر بسیار کمی دارد. برای تماس صوتی و پیام‌رسان‌ها عالی است.

بسیاری از پیام‌های صوتی همین فرمت را دارند؛ اگر می‌خواین بدانین فایل‌های تلگرام کجا ذخیره می‌شوند، آن‌جا فایل‌های صوتی را هم پیدا می‌کنین.

MP3: بیشترین سازگاری.
AAC: تعادل خوب کیفیت و حجم.
Vorbis: آزاد و باکیفیت.
Opus: بهترین کیفیت در بیت‌ریت پایین، حدود ۹۶ تا ۱۲۸ کیلوبیت بر ثانیه برای موسیقی.

مدل روان‌شنایی و پوشش شنیداری: فشرده‌سازی با اتلاف چگونه کار می‌کند؟

فشرده‌سازی با اتلاف از مدل روان‌شنایی (Psychoacoustic) استفاده می‌کند. این مدل می‌داند گوش انسان چه جزئیاتی را نمی‌شنود. کدک همان جزئیات را حذف می‌کند. بنابراین حجم کم می‌شود، بدون آن‌که شنونده فرق زیادی حس کند.

یک تصحیح مهم

گاهی می‌خوانید کدک «طول موج‌هایی که گوش نمی‌شنود» را حذف می‌کند. این توضیح ناقص است. حذف فقط به فرکانس‌های خارج از شنوایی محدود نیست. کدک جزئیات غیرقابل‌تشخیص را در کل طیف حذف می‌کند.

پوشش شنیداری (Masking)

وقتی صدای بلندی پخش می‌شود، صداهای ضعیف‌تر نزدیک آن شنیده نمی‌شوند. به این پدیده «پوشش شنیداری» می‌گویند. مثلاً در کنار یک طبل بلند، زمزمه‌ی ساز ضعیف گم می‌شود. کدک این بخش گم‌شده را نادیده می‌گیرد.

آستانه‌ی شنوایی: صداهای کمتر از آن، برای ما وجود ندارند.
پوشش همزمان: صدای قوی، صدای ضعیف هم‌فرکانس را می‌پوشاند.
پوشش زمانی: بلافاصله قبل و بعد از صدای بلند، صداهای ضعیف شنیده نمی‌شوند.

کدک با داده‌ی باقی‌مانده چه می‌کند؟

بیت‌های موجود فقط خرج بخش‌های مهم می‌شوند. به همین دلیل بیت‌ریت پایین‌تر، صدای قابل‌قبول اما کم‌جزئیات می‌دهد. در بیت‌ریت خیلی پایین، اثرات آزاردهنده مثل صدای «آبکی» و خش‌های فلزی ظاهر می‌شوند.

مدل روان‌شنایی برای میانگین شنوندگان طراحی شده است. گوش‌های تیز، هدفون خوب و آهنگ‌های پیچیده ممکن است تفاوت را بهتر تشخیص بدهند.

اشتباهات رایج: MP4، m4a و سی‌دی صوتی (CD-DA)

MP4 فرمت صوتی نیست، بلکه یک کانتینر چندرسانه‌ای است. صدای داخل آن معمولاً AAC است. سی‌دی صوتی هم فایل WAV نیست و از استاندارد CD-DA پیروی می‌کند. این دو اشتباه از رایج‌ترین سوءتفاهم‌ها هستند.

MP4 و m4a

کانتینر MP4 مثل یک جعبه است. داخلش می‌تواند ویدیو، صدا و زیرنویس باشد. وقتی فقط صدا داخل جعبه باشد، پسوند m4a استفاده می‌شود. صدای داخل m4a ممکن است AAC باشد (با اتلاف) یا ALAC (بدون اتلاف).

پس نمی‌شود از روی پسوند m4a گفت فایل باکیفیت است یا نه. باید کدک داخلش را بررسی کنین.

سی‌دی صوتی و CD-DA

سی‌دی صوتی از استاندارد Red Book با نام CD-DA استفاده می‌کند. صدا روی آن ۴۴٫۱ کیلوهرتز، ۱۶ بیت و استریو است. ظرفیتش بین ۷۴ تا ۸۰ دقیقه است. تعداد قطعات ثابت نیست و تا ۹۹ قطعه ممکن است.

کپی سی‌دی روی کامپیوتر

وقتی سی‌دی را در کامپیوتر باز می‌کنین، قطعات معمولاً به صورت فایل WAV یا AIFF نمایش داده می‌شوند. اما روی خود دیسک فایل WAV وجود ندارد. نرم‌افزار آن‌ها را هنگام کپی تبدیل می‌کند.

MP4 کانتینر است، نه کدک.
m4a یعنی فایل صوتی داخل کانتینر MP4.
CD-DA قالب فیزیکی دیسک است، نه فایل WAV.
تعداد قطعات سی‌دی ثابت نیست.

اگر می‌خواین سی‌دی را بدون افت کیفیت آرشیو کنین، آن را مستقیم به FLAC یا ALAC تبدیل کنین. این کار حجم را نصف می‌کند و کیفیت را حفظ می‌کند.

مقایسه فرمت‌ها: حجم، کیفیت و سازگاری با دستگاه‌ها

برای مقایسه‌ی فرمت‌ها سه معیار مهم است: حجم، کیفیت و سازگاری. WAV بیشترین حجم و کیفیت کامل را دارد. FLAC کیفیت یکسان را با نصف حجم می‌دهد. MP3 و AAC کمترین حجم را دارند، اما بخشی از اطلاعات را حذف می‌کنند.

جدول مقایسه‌ی تقریبی

اعداد جدول برای یک آهنگ چهار دقیقه‌ای استریو با کیفیت سی‌دی است. مقدار دقیق به محتوای آهنگ بستگی دارد.

فرمت	نوع	حجم تقریبی	سازگاری
WAV	فشرده‌نشده	حدود ۴۲ مگابایت	بسیار بالا
FLAC	بدون اتلاف	حدود ۱۸ تا ۲۵ مگابایت	بالا
ALAC	بدون اتلاف	حدود ۱۸ تا ۲۵ مگابایت	عالی در اپل
MP3 با ۳۲۰ کیلوبیت	با اتلاف	حدود ۹٫۶ مگابایت	تقریباً همه‌جا
AAC با ۲۵۶ کیلوبیت	با اتلاف	حدود ۷٫۷ مگابایت	بسیار بالا
Opus با ۱۲۸ کیلوبیت	با اتلاف	حدود ۳٫۸ مگابایت	رو به رشد

سازگاری در عمل

MP3 تقریباً هر دستگاهی را پوشش می‌دهد. AAC هم روی گوشی‌ها و مرورگرها مشکلی ندارد. FLAC در ویندوز ۱۰ به بعد، اندروید و iOS رایج است. Opus در مرورگرها و پیام‌رسان‌ها خوب جواب می‌دهد، اما بعضی پخش‌کننده‌های قدیمی آن را نمی‌شناسند.

حجم هم در ارسال فایل مهم است. یک WAV چند صد مگابایتی در ایمیل جا نمی‌شود. در این حالت روش‌های ارسال فایل‌های حجیم از طریق ایمیل یا فشرده‌سازی به FLAC یا MP3 راه‌حل‌اند.

کدام فرمت صوتی را برای چه کاربردی انتخاب کنیم؟

انتخاب فرمت به کاربرد بستگی دارد. برای ضبط و ادیت، WAV یا AIFF بهترین است. برای آرشیو موسیقی، FLAC یا ALAC مناسب است. برای گوش دادن روزمره، AAC یا MP3 و برای تماس صوتی، Opus کافی است.

راهنمای انتخاب بر اساس کاربرد

ضبط و میکس: WAV یا AIFF با ۲۴ بیت.
پخش رادیویی و آرشیو حرفه‌ای: BWF.
آرشیو شخصی موسیقی: FLAC، یا ALAC اگر آیفون دارین.
گوش دادن در گوشی: AAC با ۲۵۶ یا MP3 با ۳۲۰ کیلوبیت.
پادکست و کتاب صوتی: AAC یا Opus با بیت‌ریت پایین.
تماس و پیام صوتی: Opus.

مراحل ساده‌ی تصمیم‌گیری

اگر نمی‌دانین کدام فرمت را بردارین، این مراحل را دنبال کنین:

اول هدف را مشخص کنین: ضبط، آرشیو یا گوش دادن.
اگر قرار است روی صدا کار کنین، فرمت فشرده‌نشده بردارین.
اگر حافظه کافی دارین و کیفیت مهم است، FLAC یا ALAC بگیرین.
اگر حافظه محدود است، AAC با ۲۵۶ کیلوبیت بر ثانیه انتخاب کنین.
اگر دستگاه قدیمی دارین، به MP3 برگردین.

کتاب صوتی نیاز به کیفیت استودیویی ندارد. صدای گوینده در بیت‌ریت پایین هم واضح می‌ماند. برای همین فایل‌های کتاب‌های صوتی انگیزشی معمولاً حجم کمی دارند و در گوشی جا به‌جا می‌شوند.

یک اصل کلی هم یادتان باشد: بهترین فرمت، فرمتی است که دستگاه شما راحت پخش کند.

نکات مهم و هشدارها: تبدیل فرمت و افت کیفیت

تبدیل فرمت صوتی همیشه ایمن نیست. تبدیل بدون اتلاف به بدون اتلاف، مثل WAV به FLAC، کیفیت را حفظ می‌کند. اما تبدیل فایل با اتلاف به فرمت دیگر، مثل MP3 به AAC، افت کیفیت بیشتری ایجاد می‌کند و جبران‌ناپذیر است.

اشتباه رایج: MP3 به FLAC

بعضی فکر می‌کنند با تبدیل MP3 به FLAC کیفیت بهتر می‌شود. این درست نیست. اطلاعات حذف‌شده برنمی‌گردند. فقط حجم فایل بالا می‌رود. چنین فایلی را «FLAC جعلی» هم می‌نامند.

تبدیل پشت‌سرهم

هر بار فشرده‌سازی با اتلاف، خطای تازه‌ای اضافه می‌کند. اگر یک فایل را چند بار تبدیل کنین، صدا کم‌کم خش‌دار می‌شود. به این پدیده «افت نسلی» می‌گویند.

مراحل تبدیل ایمن

همیشه از فایل اصلی یا منبع بدون اتلاف شروع کنین.
بیت‌ریت مقصد را بالاتر یا برابر با منبع بگذارین.
برای هر خروجی یک فایل جدا بسازین.
فایل اصلی را تا وقتی از نتیجه راضی نشده‌اید پاک نکنین.
نتیجه را با هدفون خوب گوش بدین.

بعد از تبدیل چه کنیم؟

بعد از تبدیل، نسخه‌های تکراری حافظه را پر می‌کنند. اگر در اندروید فایل‌های اضافه جمع شده‌اند، آموزش حذف فایل‌های دانلودشده در اندروید کمک می‌کند فضا را آزاد کنین.

یک هشدار آخر: برچسب‌ها (Tag) و کاور آلبوم گاهی هنگام تبدیل گم می‌شوند. قبل از حذف نسخه‌ی اصلی، مطمئن شین که اطلاعات منتقل شده است.

جمع‌بندی و پرسش‌های متداول

فرمت‌های صوتی در سه دسته قرار می‌گیرند: بدون فشرده‌سازی، بدون اتلاف و با اتلاف. WAV برای کار حرفه‌ای است، FLAC برای آرشیو و AAC یا MP3 برای گوش دادن روزمره. فرمت درست به هدف، حافظه و دستگاه شما بستگی دارد.

خلاصه‌ی نکات

بیت‌ریت سی‌دی ۱۴۱۱٫۲ کیلوبیت بر ثانیه است.
FLAC و ALAC حجم را حدود ۴۰ تا ۶۰ درصد کم می‌کنند.
MP4 کانتینر است و m4a می‌تواند AAC یا ALAC باشد.
تبدیل فایل با اتلاف به بدون اتلاف کیفیت را برنمی‌گرداند.

پرسش‌های متداول

آیا FLAC واقعاً از MP3 بهتر است؟

از نظر داده بله، چون هیچ اطلاعاتی حذف نمی‌شود. اما در ۳۲۰ کیلوبیت بر ثانیه، خیلی از افراد با دستگاه معمولی تفاوت را تشخیص نمی‌دهند.

MP3 هنوز استفاده می‌شود؟

بله. اما استریم‌های امروزی بیشتر از AAC، Opus و Vorbis استفاده می‌کنند. MP3 هنوز برای فایل‌های قدیمی و سازگاری عالی است.

بهترین فرمت برای گوشی چیست؟

AAC با ۲۵۶ کیلوبیت بر ثانیه تعادل خوبی دارد. اگر حافظه کافی دارین، FLAC هم امن است.

فایل WAV را می‌شود به FLAC تبدیل کرد؟

بله، و هیچ افتی ندارد. فقط حجم کمتر می‌شود و برچسب‌گذاری بهتر کار می‌کند.

سقف ۴ گیگابایت WAV چیست؟

ساختار RIFF اندازه را با ۳۲ بیت ذخیره می‌کند. برای فایل‌های بزرگ‌تر، RF64 یا BWF استفاده می‌شود.

حالا که با فرمت‌ها آشنا شده‌اید، می‌تونین آرشیو صوتی‌تان را در سال ۱۴۰۵ هوشمندانه‌تر مدیریت کنین. اول هدف را مشخص کنین، بعد فرمت را انتخاب کنین.

برچسب‌گذاری فایل‌های صوتی: از ID3 تا Vorbis Comment

هر فایل صوتی علاوه بر خود صدا می‌تواند اطلاعات توصیفی هم داشته باشد: نام آهنگ، خواننده، آلبوم، سال انتشار، شماره قطعه، ژانر و حتی تصویر جلد. این اطلاعات «متادیتا» نام دارد و محل ذخیره‌اش به فرمت فایل بستگی دارد.

اگر هنگام انتخاب فرمت به متادیتا توجه نکنید، بعدها مرتب‌سازی کتابخانه موسیقی دردسرساز می‌شود.

MP3 از استاندارد ID3 استفاده می‌کند. نسخه اول، یعنی ID3v1، فقط ۱۲۸ بایت در انتهای فایل است و هر فیلد حداکثر ۳۰ نویسه دارد. جایی برای تصویر جلد یا متن طولانی ندارد.

ID3v2 در ابتدای فایل قرار می‌گیرد، طولش متغیر است و فیلدهای بسیار بیشتری مثل تصویر جلد، متن ترانه و توضیحات را پشتیبانی می‌کند.

فرمت‌های دیگر روش خودشان را دارند. FLAC، Ogg Vorbis و Opus از Vorbis Comment استفاده می‌کنند که ساختار ساده «کلید=مقدار» دارد. فایل‌های M4A متادیتا را در اتم‌های MP4 نگه می‌دارند.

WAV تنها بخش RIFF INFO را دارد که امکانات کمی دارد و بسیاری از برنامه‌ها آن را نادیده می‌گیرند. به همین دلیل، کتابخانه‌های بزرگ معمولاً WAV را به FLAC تبدیل می‌کنند تا تگ‌ها ماندگار شوند.

برای متن فارسی، رمزگذاری مهم‌ترین نکته است. ID3v1 یونیکد را به‌خوبی پشتیبانی نمی‌کند. در بسیاری از فایل‌های قدیمی فارسی، نام‌ها با رمزگذاری Windows-1256 ذخیره شده‌اند و در پخش‌کننده‌های دیگر به‌صورت علامت‌های نامفهوم دیده می‌شوند. ID3v2.3 از UTF-16 و ID3v2.4 از UTF-8 پشتیبانی می‌کند.

برای فایل‌های تازه یکی از این دو را انتخاب کنید و از ID3v1 صرف‌نظر کنید.

برای ویرایش گروهی تگ‌ها می‌توانید از برنامه‌هایی مانند Mp3tag، Kid3 یا MusicBrainz Picard استفاده کنید. تصویر جلد را حدود ۵۰۰ تا ۱۰۰۰ پیکسل مربع و با فرمت JPEG بگذارید. تصویرهای چندمگاپیکسلی حجم هر قطعه را بی‌دلیل بالا می‌برند و در یک کتابخانه بزرگ فضای قابل‌توجهی هدر می‌دهند.

هنگام تبدیل فرمت هم مراقب تگ‌ها باشید. بعضی ابزارها به‌طور پیش‌فرض متادیتا را منتقل نمی‌کنند. در ffmpeg گزینه `-map_metadata 0` تگ‌های فایل مبدأ را به خروجی کپی می‌کند.

بهتر است نام فایل‌ها را بر اساس تگ‌ها بسازید، نه برعکس، چون تگ‌ها منبع اصلی اطلاعات هستند و نام فایل فقط بازتاب آن‌هاست.

CBR، VBR و ABR: انتخاب حالت رمزگذاری بدون حدس‌زدن

هنگام تبدیل به MP3 یا AAC، علاوه بر عدد بیت‌ریت باید حالت رمزگذاری را هم انتخاب کنید. سه حالت رایج وجود دارد: نرخ بیت ثابت (CBR)، نرخ بیت متغیر (VBR) و نرخ بیت میانگین (ABR). تفاوت آن‌ها در نحوه تقسیم «بودجه داده» میان بخش‌های ساده و پیچیده آهنگ است.

در CBR هر ثانیه از صدا دقیقاً به همان تعداد بیت اختصاص می‌یابد، چه سکوت باشد و چه ارکستر کامل. نتیجه، حجم قابل‌پیش‌بینی و سازگاری عالی با دستگاه‌های قدیمی و پخش زنده است. هزینه‌اش این است که بخش‌های پیچیده ممکن است بیت کم بیاورند و بخش‌های ساده بیت هدر دهند.

VBR بیت را بر اساس نیاز هر لحظه تقسیم می‌کند. در رمزگذار LAME حالت‌های V0 تا V9 تعریف شده‌اند. V0 بالاترین کیفیت را دارد و میانگین بیت‌ریتش حدود ۲۴۵ کیلوبیت بر ثانیه است. V2 میانگینی نزدیک به ۱۹۰ کیلوبیت بر ثانیه دارد.

این اعداد تقریبی‌اند و با نوع موسیقی تغییر می‌کنند. بسیاری از شنوندگان V2 را از CBR با ۳۲۰ کیلوبیت تشخیص نمی‌دهند، در حالی که حجم فایل کمتر است.

ABR حالتی میانه است. میانگین هدف را ثابت نگه می‌دارد، اما اجازه می‌دهد بیت‌ریت لحظه‌ای کمی بالا و پایین شود. امروز کمتر توصیه می‌شود، چون VBR مدرن معمولاً در همان حجم کیفیت بهتری می‌دهد.

VBR هم نکات خاص خودش را دارد. مدت زمان و جلو و عقب بردن فایل VBR باید از هدر ویژه‌ای مثل Xing یا VBRI محاسبه شود. اگر این هدر وجود نداشته باشد، بعضی پخش‌کننده‌ها طول آهنگ را اشتباه نشان می‌دهند یا جلو بردن دقیق نیست.

رمزگذارهای معتبر این هدر را خودکار می‌نویسند، اما ابزارهای بسیار قدیمی ممکن است ننویسند.

کدک‌های مدرن مثل Opus و AAC معمولاً به‌صورت پیش‌فرض یا در بهترین حالتشان بیت متغیر هستند. توصیه عملی روشن است. برای موسیقی شخصی از VBR با کیفیت بالا (V0 یا V2) استفاده کنید. برای رادیو آنلاین یا سخت‌افزار قدیمی CBR انتخاب مطمئن‌تری است.

بیش از ۳۲۰ کیلوبیت در MP3 ممکن نیست، پس اگر کیفیت بیشتری می‌خواهید باید به سراغ فرمت دیگری بروید.

چرا بین قطعات آلبوم مکث شنیده می‌شود؟ راز پخش بدون وقفه

بعضی آلبوم‌ها، مثل اجراهای زنده، موسیقی الکترونیک و آثار کلاسیک، قطعاتی دارند که بی‌وقفه به هم وصل می‌شوند. اگر چنین آلبومی را به MP3 تبدیل کنید، ممکن است بین قطعات یک مکث کوتاه بشنوید. این مکث ربطی به کیفیت ضبط ندارد و از ساختار فرمت‌های با اتلاف می‌آید.

رمزگذارهای با اتلاف صدا را در بلوک‌های ثابت پردازش می‌کنند. در MP3 هر فریم ۱۱۵۲ نمونه دارد. رمزگذار در ابتدای فایل مقداری سکوت به‌نام «تأخیر رمزگذار» اضافه می‌کند و در انتها برای پر کردن فریم آخر صفر می‌گذارد.

مجموع تأخیر رمزگذار و رمزگشا در LAME حدود ۱۱۰۵ نمونه است که در ۴۴٫۱ کیلوهرتز تقریباً ۲۵ میلی‌ثانیه می‌شود.

گوش انسان این مقدار سکوت را در میانه‌ی یک اجرای پیوسته به‌خوبی تشخیص می‌دهد. وقتی دو قطعه پشت سر هم می‌آیند، همین ۲۵ میلی‌ثانیه به‌صورت ضربه یا مکثی ناخوشایند شنیده می‌شود.

راه‌حل این است که مقدار تأخیر و پدینگ در خود فایل ذخیره شود. LAME این اعداد را در هدر Xing یا LAME می‌نویسد. اپل در فایل‌های M4A از تگی به‌نام iTunSMPB استفاده می‌کند. در Opus مقدار pre-skip در هدر فایل قرار می‌گیرد.

پخش‌کننده‌ای که این مقادیر را بخواند، نمونه‌های اضافه را حذف می‌کند و قطعات بی‌درز به هم می‌چسبند.

فرمت‌های بدون اتلاف مثل FLAC و WAV اصلاً این مشکل را ندارند، چون چیزی به صدا اضافه نمی‌شود. Ogg Vorbis هم اطلاعات طول دقیق را در ساختار خودش نگه می‌دارد. بنابراین برای آلبوم‌های بی‌وقفه، FLAC، ALAC، Opus یا Ogg Vorbis انتخاب امن‌تری هستند.

اگر ناچار به MP3 هستید، از نسخه‌های جدید LAME استفاده کنید و کل آلبوم را با یک تنظیم تبدیل کنید. پخش‌کننده‌ای را هم بردارید که پخش بدون وقفه را پشتیبانی کند؛ برنامه‌هایی مانند foobar2000 این قابلیت را دارند.

برای آزمایش، دو قطعه‌ی پیوسته از یک آلبوم زنده را پشت سر هم پخش کنید و به نقطه‌ی اتصال گوش دهید. گزینه‌ی Crossfade را هم خاموش کنید، چون با ایجاد هم‌پوشانی مصنوعی نتیجه‌ی آزمایش را مخدوش می‌کند.

صدای با وضوح بالا و DSD: واقعیت در برابر بازاریابی

برچسب Hi-Res معمولاً به فایل‌هایی داده می‌شود که کیفیتشان از CD (۴۴٫۱ کیلوهرتز و ۱۶ بیت) بالاتر است؛ مثلاً ۹۶ کیلوهرتز با ۲۴ بیت یا حتی ۱۹۲ کیلوهرتز. فروشگاه‌ها آن را گام بعدی کیفیت معرفی می‌کنند.

پرسش درست این است که این افزایش دقیقاً چه چیزی را بهتر می‌کند و آیا گوش شما می‌تواند آن را تشخیص دهد.

نرخ نمونه‌برداری ۴۴٫۱ کیلوهرتز طبق قضیه‌ی نایکوییست فرکانس‌ها را تا ۲۲٫۰۵ کیلوهرتز پوشش می‌دهد. شنوایی انسان معمولاً تا حدود ۲۰ کیلوهرتز است و با افزایش سن کمتر هم می‌شود. بنابراین نرخ‌های بالاتر عمدتاً محتوایی بالاتر از محدوده‌ی شنوایی اضافه می‌کنند.

عمق ۲۴ بیت دامنه‌ی دینامیکی نظری حدود ۱۴۴ دسیبل دارد و ۱۶ بیت حدود ۹۶ دسیبل. اما در عمل نویز مدارهای الکترونیکی سقف واقعی را به حدود ۱۲۰ دسیبل یا کمتر می‌رساند. موسیقی معمولی هم به‌ندرت از دینامیک ۹۶ دسیبل استفاده می‌کند.

آزمون‌های شنیداری کورکورانه، که در آن شنونده نمی‌داند کدام نسخه پخش می‌شود، در بیشتر موارد تفاوت قابل‌اتکایی میان CD و Hi-Res نشان نداده‌اند. تفاوتی که گاهی شنیده می‌شود اغلب از مسترینگ متفاوت می‌آید.

نسخه‌ی Hi-Res یک آلبوم گاهی از مستر دیگری با دینامیک بیشتر تهیه شده است، نه از نرخ نمونه‌برداری بالاتر.

جایی که ۲۴ بیت و ۹۶ کیلوهرتز واقعاً به کار می‌آید مرحله‌ی تولید است. ضبط با ۲۴ بیت فضای سرریز بیشتری می‌دهد، پردازش‌های سنگین خطای گردکردن کمتری انباشته می‌کنند و تغییر زمان یا گام بهتر انجام می‌شود.

هزینه‌ی پخش نهایی روشن است: فایل استریوی ۹۶/۲۴ حدود ۴٬۶۰۰ کیلوبیت بر ثانیه دارد، یعنی بیش از سه برابر CD.

DSD رویکرد متفاوتی دارد. این فرمت به‌جای نمونه‌های چندبیتی، جریان یک‌بیتی با نرخ بسیار بالا ذخیره می‌کند. در DSD64 نرخ ۲٫۸۲۲۴ مگاهرتز است، یعنی ۶۴ برابر ۴۴٫۱ کیلوهرتز، و بیت‌ریت استریوی آن حدود ۵٫۶ مگابیت بر ثانیه می‌شود.

فرمت SACD بر پایه‌ی آن ساخته شد و فایل‌هایش پسوند DSF یا DFF دارند. ویرایش مستقیم DSD دشوار است و بسیاری از استودیوها آن را به PCM تبدیل می‌کنند. پخش آن هم DAC سازگار می‌خواهد یا تبدیل به PCM.

اگر هدفتان نگه‌داری مطمئن موسیقی است، ریپ CD به FLAC با ۴۴٫۱ کیلوهرتز و ۱۶ بیت کافی است. فایل Hi-Res را زمانی بخرید که مستر آن مشخصاً بهتر باشد، نه فقط به این دلیل که عدد بزرگ‌تری دارد.

یکنواخت‌سازی بلندی صدا: LUFS، ReplayGain و فایل‌های صوتی

در یک پلی‌لیست مخلوط، آهنگی آرام پخش می‌شود و بلافاصله آهنگ بعدی با صدای بلند شروع می‌شود. این اختلاف به فرمت فایل ربطی ندارد. علتش «بلندی ادراکی» است، یعنی صدایی که گوش ما می‌شنود.

بلندی با دامنه‌ی پیک سیگنال فرق دارد و دو آهنگ با پیک یکسان ممکن است کاملاً متفاوت به گوش برسند.

برای اندازه‌گیری بلندی از واحد LUFS استفاده می‌شود که بر پایه‌ی استاندارد ITU-R BS.1770 تعریف شده و حساسیت گوش به فرکانس‌های مختلف را در نظر می‌گیرد. در پخش تلویزیونی اروپا، استاندارد EBU R128 هدف ۲۳- LUFS را تعیین کرده است.

سرویس‌های استریم موسیقی معمولاً هدفی نزدیک ۱۴- تا ۱۶- LUFS دارند. این اعداد در طول زمان تغییر می‌کنند، پس پیش از آماده‌سازی فایل به مستندات هر پلتفرم نگاه کنید.

در کتابخانه‌ی شخصی، روش رایج ReplayGain است. این روش بلندی هر قطعه را تحلیل می‌کند و مقدار بهره‌ی لازم را در تگ‌هایی مانند REPLAYGAIN_TRACK_GAIN و REPLAYGAIN_ALBUM_GAIN می‌نویسد. داده‌ی صدا هیچ تغییری نمی‌کند.

پخش‌کننده هنگام پخش بهره را اعمال می‌کند و می‌توانید هر زمان بخواهید آن را خاموش کنید. نسخه‌ی ۲ این استاندارد هدف ۱۸- LUFS دارد. فایل‌های Opus مقدار بهره را در هدر خودشان نگه می‌دارند.

دو حالت اندازه‌گیری وجود دارد. حالت قطعه هر آهنگ را جداگانه هم‌سطح می‌کند، که برای پلی‌لیست‌های مخلوط مناسب است. حالت آلبوم تفاوت بلندی میان قطعات یک آلبوم را حفظ می‌کند، که برای شنیدن کامل یک آلبوم بهتر است؛ چون قطعه‌ی آرام آلبوم نباید به‌اندازه‌ی قطعه‌ی پرانرژی بلند شود.

نرمال‌سازی مخرب خطر دارد. اگر بخواهید بلندی را در خود فایل بالا ببرید، ممکن است قله‌ها از ۰ دسیبل فول‌اسکیل عبور کنند و برش (Clipping) رخ دهد. فرمت‌های با اتلاف مثل MP3 و AAC حتی می‌توانند پس از رمزگذاری، قله‌ای بالاتر از قله‌ی اصلی بسازند (True Peak).

به همین دلیل معمولاً سقف ۱- دسیبل True Peak توصیه می‌شود.

در پادکست، هدف رایج حدود ۱۶- LUFS برای استریو و ۱۹- LUFS برای مونو است. در هر حال، نرمال‌سازی مخرب را فقط روی یک کپی انجام دهید و فایل اصلی را دست‌نخورده نگه دارید.

آرشیو بلندمدت موسیقی: ریپ دقیق و بررسی سلامت فایل‌ها

آرشیو صوتی یعنی نگه داشتن یک «مستر» که بتوان هر زمان از آن نسخه‌های دیگر ساخت. انتخاب فرمت فقط نیمی از کار است. نیمه‌ی دیگر این است که مطمئن شوید فایل‌ها سالم ضبط شده‌اند و سال‌ها بعد هم سالم می‌مانند.

اگر از CD ریپ می‌کنید، ابزار شما باید خطای خواندن را تشخیص دهد. CD خراشیده یا کثیف ممکن است داده‌ی نادرست بدهد، بدون اینکه صدایی مشخص بشنوید.

برنامه‌هایی مانند EAC، XLD و whipper با پایگاه AccurateRip مقایسه‌ی چک‌سام انجام می‌دهند و نشان می‌دهند ریپ شما با ریپ‌های دیگران یکسان است یا نه. یک فایل CUE هم ساختار دقیق دیسک را نگه می‌دارد.

FLAC برای آرشیو انتخاب معمول است. در سرآیند آن یک مقدار MD5 از داده‌ی بدون فشرده‌ی صدا ذخیره می‌شود. با دستور `flac -t` می‌توانید فایل را رمزگشایی و با آن مقدار مقایسه کنید، تا اگر حتی یک بیت خراب شده باشد خطا بگیرید.

فرمت متن‌باز است، مستندات کامل دارد و ابزارهای زیادی آن را می‌خوانند. اگر کل اکوسیستم شما اپل است، ALAC هم گزینه‌ی منطقی است.

خرابی تدریجی داده (bit rot) واقعی است. دیسک‌ها و حافظه‌ها در طول سال‌ها ممکن است بیت‌هایی را بدون هیچ پیامی تغییر دهند. قاعده‌ی ۳-۲-۱ راهکار ساده‌ای است: سه نسخه از داده، روی دو نوع رسانه‌ی متفاوت، و یک نسخه در مکانی بیرونی.

علاوه بر آن، چک‌سام فایل‌ها (مثلاً SHA-256) را یک‌بار ثبت کنید و هر چند ماه یکبار مقایسه کنید. سیستم‌فایل‌هایی مانند ZFS و Btrfs این بررسی را به‌صورت خودکار انجام می‌دهند.

ساختار پوشه‌ها را از ابتدا یکدست بگیرید؛ مثلاً هنرمند، سپس آلبوم و سال، سپس شماره و نام قطعه. از نویسه‌های ممنوع در نام فایل مثل دو نقطه، ستاره و علامت سؤال پرهیز کنید. فارسی در نام فایل مشکلی ندارد، اما در انتقال میان سیستم‌عامل‌ها، یونیکد را آزمایش کنید.

در نهایت، نسخه‌ی مشتق مثل MP3 یا Opus برای موبایل را همیشه از مستر بدون اتلاف بسازید. مستر را تغییر ندهید و فقط از آن کپی بگیرید. به این ترتیب هر زمان که فرمت بهتری آمد، می‌توانید دوباره از همان منبع سالم شروع کنید.