MP3とは？音声圧縮、ビットレート、音質、MP3変換ツールを解説

MP3ファイルとは？

MP3は MPEG-1 Audio Layer III の略です。音楽や音声ファイルを raw PCM音声より大幅に小さくしながら、日常的なリスニングに十分な聞きやすさを保つために作られた 圧縮デジタル音声形式です。MP3ファイルは通常 .mp3拡張子を持ち、Webでは audio/mpeg として配信されることが多いです。

MP3は lossy 形式です。つまり、encoderは元の音声から一部の情報を意図的に削除します。 ZIPやFLACのようなlossless圧縮とは違い、MP3をdecodeしても元の波形を完全には復元できません。 MP3の価値は、小さいファイルサイズ、速い転送、ほぼどこでも再生できる互換性のバランスにあります。

このバランスにより、MP3は長い間デジタル音楽の共通語になりました。適切に設定されたMP3は小さく、 streamしやすく、ダウンロードも速く、ブラウザー、スマートフォン、車載オーディオ、スマートスピーカー、 動画編集ソフト、古いメディアプレーヤーでも再生しやすい形式です。

MP3の簡単な歴史

MP3は初期のインターネット時代に有名になりましたが、その背景には知覚音声符号化の長い研究があります。 研究者たちは、非圧縮CD音声よりはるかに少ないデータ量で高品質な音楽を保存・送信する方法を探していました。

この形式はMPEG Audioの一部として標準化され、実用上の問題を解決したことで急速に広まりました。 1曲分の音声を、遅いインターネット回線や小さなハードディスクでも扱えるサイズにできたからです。

MP3はユーザーの期待も変えました。音声はディスクやテープ、大きなファイルに縛られるものではなくなり、 検索でき、ダウンロードでき、持ち運べて、端末間で簡単に移せるものになりました。

MP3圧縮の仕組み

MP3圧縮は psychoacoustics、つまり人間が音をどう知覚するかに基づいています。 encoderは単にbyteを小さくするのではなく、音声を分析し、聞こえにくい情報を予測して、 重要な部分にbitを多く割り当てます。

MP3 encodingを単純化すると、次のような流れです。

1. 音声を小さなframeに分割する
2. 時間方向のsampleを周波数情報へ変換する
3. psychoacoustic modelでmaskingや聴覚閾値を推定する
4. 聞こえにくい情報をより強くquantizeする
5. 残った情報をMPEG audio bitstreamとして格納する

重要なのはmaskingです。大きな音は、時間や周波数が近い小さな音を隠すことがあります。 例えば強いsnareの音は、その周辺の細かな成分を聞こえにくくします。MP3はこの性質を利用して、 気づきにくい情報に使うbitを減らします。

そのためMP3は、元音源に近く聞こえながらファイルサイズを大きく減らせます。ただし、lossy音声を 再encodeするたびに情報がさらに失われるため、作業用masterとしては向いていません。

MP3ファイルの中身

MP3はMP4、MOV、WebMのようなcontainerとは少し違います。一般的なMP3はMPEG audio frameの連続で、 その前後にmetadata tagが付くことがあります。

+------------------------------+
| Optional ID3v2 tag           |  曲名、アーティスト、アルバム、カバー画像
+------------------------------+
| MPEG audio frame             |
| MPEG audio frame             |  encodeされた音声データ
| MPEG audio frame             |
| ...                          |
+------------------------------+
| Optional ID3v1 tag           |  末尾にある古いmetadata block
+------------------------------+

各frameには小さなheaderと圧縮音声データが含まれます。headerにはMPEG version、layer、 bitrate、sample rate、channel mode、paddingの有無など、decodeに必要な情報が入っています。

frame構造のおかげで、MP3はファイル全体のダウンロードが終わる前に再生を始めやすい形式です。 これは初期のWeb音声で特に便利で、今でもpodcast、preview、ダウンロード用音声に向いています。

MP3のビットレートと音質

ビットレートは、1秒あたりに使えるbit数です。高いビットレートは一般に音質が良く、ファイルサイズも大きくなります。 低いビットレートは容量を節約できますが、シンバルの揺れ、transientの鈍さ、stereoの不安定さ、 声のにじみなどのartifactが出やすくなります。

ファイルサイズは次の式でおおよそ計算できます。

ファイルサイズ(MB) = (bitrate(kbps) * 長さ(秒)) / 8 / 1024

例: 192 kbps * 180秒 / 8 / 1024 = 約4.2 MB

音質を決めるのはビットレートだけではありません。encoderも重要です。新しいencoderは、 同じビットレートでも古いencoderや設定の悪いencoderより良い結果を出せることがあります。

CBRとVBR

MP3には constant bitrate と variable bitrate があります。 どちらも一般的ですが、向いている目的が違います。

サンプルレート、チャンネル、ファイルサイズ

サンプルレートは、encode前に1秒あたり何個の音声sampleを扱うかを表します。MP3では CD audioで使われる 44.1 kHz や、動画制作でよく使われる48 kHz が一般的です。

多くの音楽では、元音源のサンプルレートを保つのが自然です。44.1 kHzから48 kHzへ、 またはその逆へresampleしても、それだけで音質が良くなるわけではありません。 音声のみなら低いsample rateやmonoでサイズを減らせますが、設定を下げすぎると聞き疲れしやすくなります。

• Mono は音声メモ、講義、インタビュー、電話風の録音に向いています。
• Stereo は音楽、環境音、左右の定位が重要な音に向いています。
• Joint stereo はstereo情報を効率よく保存でき、MP3 encoderでよく使われます。

MP3でよくある音の劣化

Artifactとは、encodingによって生じる望ましくない音です。低ビットレート、変換の繰り返し、 シンバル、拍手、密度の高いmix、reverb tail、鋭い子音などで目立ちやすくなります。

MP3とWAV、FLAC、AAC、OGG、Opus、M4Aの違い

MP3が常に最適な音声形式というわけではありません。圧縮形式としての互換性は非常に高いですが、 用途によって適した形式は変わります。

良いworkflowは、WAV、AIFF、FLACのようなlossless masterを残し、配信用にMP3を作ることです。 そうすれば、すでにlossyになった音源を何度も圧縮し直さずに済みます。

ID3メタデータとアルバムアート

多くのMP3ライブラリは ID3 tag にmetadataを保存します。曲名、アーティスト、 アルバム、track番号、genre、リリース年、歌詞、comment、cover artなどを保存できるため、 音楽アプリでファイル名だけでなく整理された情報として表示できます。

ID3v1は古く制限が多い形式です。ID3v2はより柔軟で、通常ファイルの先頭に置かれるため、 再生開始前にplayerがmetadataを読み取りやすくなります。cover artは便利ですが、 高解像度画像を埋め込むとファイルサイズが大きくなります。

• 曲名、アーティスト名、話者名を明確にする
• アルバムアートは適切なサイズにする
• 公開前に個人的なメモや編集用metadataを削除する
• アルバム、講座、audiobookではtrack番号を統一する

WebでのMP3

MP3はブラウザーで広くサポートされているため、単純なWeb再生に向いています。 基本的なHTMLは次のように書けます。

<audio controls preload="metadata">
  <source src="/audio/interview.mp3" type="audio/mpeg" />
  <a href="/audio/interview.mp3">MP3をダウンロード</a>
</audio>

実運用では、再生できるかだけでなく、ページ容量、モバイル通信量、再生開始までの時間も考える必要があります。 適切なbitrateを選び、cacheを設定し、音付きautoplayは避けましょう。

MP3を選ぶべき場面

互換性、配布のしやすさ、小さなファイルサイズが、元録音のすべての細部を保存することより重要な場合、 MP3は良い選択です。

• 端末、アプリ、Webサイトで最大限の再生互換性が必要なとき
• podcast、音声メモ、音楽共有、ダウンロード、Web音声を配布するとき
• 編集用の非圧縮音声が必要なら、MP3ではなくWAVまたはAIFFを選ぶ
• 保存用のlossless圧縮が必要なら、FLACを選ぶ
• 古い環境より現代的な効率を優先するなら、Opus、OGG、AAC、M4Aも検討する

つまり、MP3は配信用形式であり、完全な保存形式ではありません。人に音声を届ける用途には優れていますが、 重要な録音の唯一の高品質コピーとしては不向きです。

MP3変換前のポイント

できるだけ高品質な元ファイルから始めましょう。FLAC、WAV、AIFFからMP3へ変換する方が、 すでに圧縮された音声を再変換するよりきれいな結果になりやすいです。編集する場合は、先に編集を終えてから 最後にMP3を書き出します。

音声だけならmonoと中程度のbitrateで小さくできます。音楽ならstereoで192 kbps以上を目安にするとよいでしょう。 古い端末との互換性を考えるなら、MP3は今でも安全な書き出し先です。

おすすめの書き出し設定

• podcastや音声コンテンツ: monoまたはstereo、制作品質に応じて96-160 kbps
• 音楽共有: stereo、192-256 kbpsが実用的なバランス
• 高めの音楽配信: stereo、256-320 kbpsまたは高品質VBR preset
• 編集workflow: まずWAVまたはAIFFで書き出し、編集後にMP3を作る
• archive workflow: FLACまたはWAVを保存用、MP3を配信用として持つ

MP3に関するよくある誤解

誤解: MP3をWAVに変換すると音質が良くなる

MP3をWAVに変換すると編集ソフトで扱いやすくなる場合はありますが、MP3圧縮で失われた情報は戻りません。 WAVは大きくなりますが、基本的にはdecodeされたMP3と同じ音です。

誤解: 320 kbps MP3はlosslessである

320 kbpsのMP3はかなり良く聞こえることがありますが、それでもlossyです。数学的にlosslessな音声が必要なら、 FLAC、WAV、AIFFを選びましょう。

誤解: MP3はもう古くて使えない

MP3は新しいcodecより古く、効率で劣ることもあります。しかし互換性という強みは今でも大きいです。 聞き手の端末を選べない場合、MP3は信頼できる配信用形式です。