音のデジタル化を体験しよう

音とは何か

音の正体は、空気の振動です。太鼓の皮が震えると、まわりの空気が押されたり引かれたりして、その変化が波となって耳に届きます。この空気の圧力の変化を、時間とともに描いたものが波形です。

波形の上下は空気の圧力の強さ、つまり音の大きさを表します。波が細かく振動していれば高い音、ゆっくり振動していれば低い音です。1秒あたりに何回振動するかを周波数といい、単位はヘルツ（Hz）です。ピアノの中央のラの音は440Hz、つまり1秒間に440回振動しています。

この波は、時間的にも大きさ的にも切れ目なく連続しています。つまりアナログの量です。コンピュータで扱うには、0と1に置きかえる必要があります。

音のデジタル化の3ステップ

画像のときと同じで、標本化・量子化・符号化の順に進みます。

1. 標本化（サンプリング）

連続している波を、一定の時間間隔で区切り、その瞬間の値を取り出します。1秒間に何回はかるかを標本化周波数（サンプリング周波数）といいます。

CDでは44,100Hz、つまり1秒間に44,100回はかっています。1回あたり約0.0000227秒という細かさです。

この回数が少ないと、波の細かい変化を拾いきれません。特に高い音は波が細かいので、先に失われます。上のツールで標本化周波数を下げていくと、シャリシャリした高音成分が消えて、こもった音になるのが確かめられます。

標本化定理という決まり

どこまで下げてよいかには、はっきりした基準があります。再現したい音の最も高い周波数の、2倍より高い周波数で標本化する必要があるというものです。これを標本化定理（サンプリング定理）といいます。

人が聞き取れる音は、およそ20Hzから20,000Hzまでといわれます。その上限の20,000Hzを再現するには40,000Hzより高い標本化周波数が必要です。CDの44,100Hzという数字は、この条件を満たすように決められています。

逆に、電話は約8,000Hzで標本化しています。再現できるのは4,000Hzまでですが、人の話し声を聞き分けるにはこれで足ります。電話の声が少しこもって聞こえるのは、このためです。

回数が足りないと、別の音に化ける

標本化周波数が元の音の2倍に届かないと、どうなるのでしょうか。音が少し粗くなるだけではありません。まったく別の、低い音に化けてしまいます。

たとえば1秒に1,000回はかる設定で900Hzの音を記録すると、はかった点をつなぐと100Hzの波になります。900Hzの音は記録から消え、代わりに元の音には含まれていなかった100Hzの音が現れます。この現象をエイリアシング（折り返し）といいます。

映画で走る車のタイヤが、止まって見えたり逆回転して見えたりすることがあります。これも同じ現象です。1秒に24コマという撮影の回数が、タイヤの回転に対して足りないために起こります。

実際の録音機器では、標本化する前に、上限をこえる高い音をあらかじめ取り除いておきます。そうしないと、聞こえないはずの高い音が、聞こえる低い音に化けて混ざってしまうからです。

2. 量子化

取り出した値を、決められた段階のうち最も近いものに置きかえます。何段階で表すかを量子化ビット数で決めます。

段階が少ないと、本来の値との間にずれが生じます。このずれは量子化誤差と呼ばれ、耳にはザラザラした雑音として聞こえます。上のツールでビット数を下げていくと、この雑音が増えていくのが分かります。

3. 符号化

量子化で求めた段階の値を、2進数に変換します。16ビットなら、1つの点が16桁の0と1で表されます。この数値の並びが、音楽ファイルの中身そのものです。

データ量の計算

音のデータ量は、次の式で求められます。

チャンネル数は、モノラルなら1、ステレオなら2です。左右の音を別々に記録するので、ステレオは2倍のデータ量になります。

CD品質で3分の曲を計算してみます。

3分の曲1つで30メガバイト以上です。CD1枚（約74分）が約740メガバイトなのは、この計算によります。

圧縮という工夫

実際に配信されている音楽ファイルは、これよりずっと小さくなっています。MP3やAACといった形式で圧縮されているからです。

これらは、人間の耳の性質を利用しています。大きな音の直後の小さな音は聞こえにくい、聞こえる範囲を超えた高い音は削ってもわからない。そうした「聞こえない部分」のデータを削ることで、音質をあまり損なわずにデータ量を10分の1程度まで減らせます。もとに完全には戻せないので、非可逆圧縮と呼ばれます。

一方、ZIPのようにもとに完全に戻せる圧縮を可逆圧縮といいます。音楽ではFLACなどがこれにあたり、CD品質のまま6割程度まで小さくできます。

ハイレゾという言葉

音楽配信サービスで「ハイレゾ」と表示されているものがあります。これは高解像度（High-Resolution）の略で、CDを超える品質という意味です。

具体的には、標本化周波数が96,000Hz以上、量子化ビット数が24ビット以上といった規格が使われます。CDの44,100Hz・16ビットと比べると、時間方向にも音の大きさ方向にも、より細かく記録していることになります。

ただし、人が聞き取れる音の上限は約20,000Hzです。標本化定理からすると、CDの44,100Hzでその範囲は十分カバーできています。それでもハイレゾが使われるのは、標本化するときに必要な処理の余裕が生まれることや、量子化ビット数を増やすことで小さな音の表現が細かくなることに理由があります。データ量はCDの3倍以上になるので、音質と容量のどちらを優先するかという判断になります。

アナログとデジタルの使い分け

デジタル化には、はっきりした利点があります。何度コピーしても劣化しないこと、ノイズが混入しにくいこと、コンピュータで加工や検索ができることです。カセットテープは再生やダビングを重ねると音が悪くなりますが、デジタルデータは何度コピーしても同じです。

一方で、デジタル化は必ず情報の一部を捨てます。標本化で時間の隙間の情報が失われ、量子化で細かな値の差が失われます。どこまで細かくするかは、必要な品質とデータ量のバランスで決めることになります。

自分の耳で確かめる

音質の違いは、説明を読むだけでは実感しにくいものです。実際に同じ音を違う設定で聴き比べると、はっきり分かります。

上のツールの「自分の音で試す」では、手持ちの音楽ファイルや自分の声を読み込んで、設定を落とした音と聴き比べられます。読み込んだファイルは端末の中だけで処理され、どこにも送信されません。

何が聞こえなくなるのか

標本化周波数を下げると、まず高い音から失われます。シンバルやハイハットのシャリシャリした音、歯擦音（サ行の子音）などが最初に消えます。全体がこもった印象になります。

量子化ビット数を下げると、小さい音の表現が粗くなります。静かな部分にザラザラした雑音が乗り、音の余韻が不自然に途切れます。

どちらも、大きな音が鳴っているときは気づきにくく、静かな部分や音が消えていく瞬間に差が表れます。聴き比べるときは、曲の静かな部分に注目してみてください。

波形でも見える

ツールでは、元の波形と設定を落とした波形を上下に並べて表示しています。標本化周波数を下げると波形が階段状に粗くなり、ビット数を下げると縦方向の段差が大きくなります。耳で感じる違いが、目でも確認できます。

人の耳の上限とハイレゾ

人が聞き取れる音の高さには限りがあります。一般に上限は約20,000Hzといわれ、年齢とともに下がっていきます。上のツールの「聞こえる範囲とハイレゾ」で、自分の耳の上限を確かめられます。

CDの標本化周波数44,100Hzは、この上限をこえる22,050Hzまで再現できるように決められています。ハイレゾの96,000Hzや192,000Hzは、さらにその上まで記録できますが、その範囲は人の耳には聞こえません。

ハイレゾの価値は、聞こえる音を増やすことよりも、録音や編集の途中で余裕をもたせられる点にあるとも考えられています。量子化ビット数を24ビットにすると、小さな音から大きな音までの幅（ダイナミックレンジ）が広がり、音量を調整しても細部が失われにくくなります。

使い方

• 波を数値にする：スライダーを動かすと、標本化と量子化のようすが図で確かめられます。粗くすると、元の波から離れていくのが見えます。
• 音質を聴き比べる：実際に音を鳴らします。設定を変えて聴き、CD品質と比べてみてください。
• 自分の音で試す：手持ちの音楽ファイルを読み込むか、マイクで録音して、音質を落とした音と聴き比べられます。「交互に聴き比べる」を使うと違いが分かりやすくなります。
• 標本化定理：元の音の高さと、はかる回数を変えて、エイリアシング（別の音に化ける現象）を確かめられます。化けた音を実際に聴くこともできます。
• 聞こえる範囲とハイレゾ：自分の耳が聞き取れる高さの上限を調べられます。CDとハイレゾの規格も比べられます。
• データ量を計算する：条件を変えると、ファイルの大きさが自動で計算されます。身近なファイルとの比較も表示されます。