Музыку можно создавать на компьютере, почти ничего не зная о цифровом звуке. Но понимание его основ поможет лучше использовать возможности цифровой записи. Начнём с самого начала.

Некоторые объяснения могут показаться отвлечёнными, если не применять их на практике, однако они пригодятся при работе со звуком.

Основы звука

Звук — это колебания давления, распространяющиеся в среде, обычно в воздухе. Когда звуковые волны достигают барабанных перепонок, колебания воздуха передаются жидкости во внутреннем ухе. В каналах внутреннего уха находятся клетки с микроскопическими волосками — стереоцилиями. Под воздействием колебаний жидкости они выделяют нейромедиаторы, которые передают мозгу информацию о том, что мы слышим.

При записи звука колебания давления в воздухе преобразуются в электрический сигнал. Например, при записи на магнитную ленту преобразователь микрофона переводит колебания воздуха в электрический сигнал. Он поступает на записывающую головку, которая намагничивает движущиеся под ней частицы ленты в соответствии с этим сигналом.

Распространение звука в воздухе и сигнал, записанный на ленту, — аналоговые сигналы. Они непрерывны: переходят от одного значения к другому плавно, без ступенек, даже если рассматривать их с очень большим увеличением.

Цифровой звук в числах

Компьютеры в основном работают с цифровыми данными — отдельными значениями, то есть последовательностями чисел. Как же компьютер превращает плавную звуковую волну с бесконечно точным разрешением в понятный ему набор чисел?

Для этого используют импульсно-кодовую модуляцию (ИКМ; PCM) — основной способ представления цифрового звука. Сначала выполняется аналого-цифровое преобразование (АЦП): непрерывный сигнал измеряется через равные промежутки времени, и на основе измерений создаётся его цифровое представление. Чем чаще измеряется сигнал — то есть чем выше частота дискретизации, — и чем точнее записываются значения, тем ближе цифровая запись к исходной звуковой волне.

Число отсчётов в секунду называется частотой дискретизации. Например, у звука качества CD она составляет 44,1 кГц: сигнал измеряется 44 100 раз в секунду. Это позволяет достаточно точно представить и высокие частоты. Чем выше частота, которую нужно точно записать, тем выше должна быть частота дискретизации.

Частота 44,1 кГц выбрана не случайно. Максимальная частота, которую можно представить с помощью ИКМ, равна половине частоты дискретизации. Человеческое ухо воспринимает звуки примерно от 20 Гц до 20 кГц, то есть верхняя граница слышимого диапазона соответствует 20 000 колебаний в секунду. Здесь действует теорема Котельникова — Шеннона о частоте дискретизации: она определяет, как часто нужно измерять сигнал, чтобы его можно было точно восстановить.

Согласно теореме, частота дискретизации должна быть как минимум вдвое выше максимальной частоты сигнала. Иначе возникает алиасинг — искажение, при котором частоты выше частоты Найквиста, равной половине частоты дискретизации, отражаются относительно неё. Это создаёт негармоничные артефакты. Например, при частоте дискретизации 44,1 кГц частота Найквиста равна 22 050 Гц. Если попытаться оцифровать частоту 25 050 Гц — на 3 000 Гц выше этой границы, — она отразится и будет представлена как 19 050 Гц, то есть на 3 000 Гц ниже неё. Частоты выше примерно 20 кГц человек всё равно не слышит.

При АЦП для предотвращения алиасинга применяют фильтр, ограничивающий полосу частот: он не пропускает частоты выше половины частоты дискретизации. Поэтому частота 44,1 кГц позволяет охватить диапазон до 20 кГц и оставляет небольшой запас для фильтра низких частот, который убирает нежелательную верхнюю часть спектра.

Частота 44,1 кГц была стандартом цифрового воспроизведения в эпоху компакт-дисков, хотя сегодня широко применяются и более высокие частоты дискретизации.

После измерения отсчёт нужно сохранить в виде числа. Возможно, вы знаете, что звук качества CD имеет разрядность 16 бит. Но что такое бит? Бит — сокращение от английского binary digit, «двоичная цифра», — наименьшая единица информации в вычислительной технике. Обычно он принимает одно из двух значений: 1 или 0. Добавление каждого бита удваивает число доступных состояний. Два бита дают четыре состояния — 00, 01, 10 и 11.

Четыре бита позволяют представить 16 состояний, восемь бит — 256, а 16 бит — 65 536 возможных состояний. Таким образом, вместо простого выбора «включено или выключено», как при разрядности в 1 бит, получаем довольно высокую точность представления сигнала при 16 битах.

Разрядность и шум квантования

Когда аналого-цифровой преобразователь измеряет аналоговый сигнал и округляет значение до ближайшего доступного уровня, определяемого количеством битов, возникает ошибка, или искажение, квантования. Это разница между исходным аналоговым сигналом и его цифровым представлением. Её можно рассматривать как дополнительный случайный сигнал — шум квантования. Случайный, или стохастический, сигнал ведёт себя по-разному при каждом наблюдении.

В цифровой записи разрядность определяет шумовой порог — наименьший уровень сигнала, который можно измерить с определённой точностью. Разрядность также называют длиной слова. Каждый дополнительный бит удваивает число возможных состояний каждого отсчёта и увеличивает динамический диапазон примерно на 6 дБ относительно шумового порога.

Например, 16-битная цифровая запись с качеством CD теоретически даёт динамический диапазон 96 дБ. Это больше, чем динамический диапазон виниловой пластинки, который составляет около 80 дБ. Если понятия децибел и динамического диапазона пока незнакомы, ниже они объясняются подробнее.

Если сравнить один и тот же отсчёт при разной разрядности, видно, что разрядность не меняет максимальную громкость сигнала — она влияет на точность представления амплитуды. Распространено заблуждение, будто повышение разрядности улучшает точность только на низком уровне громкости. На самом деле точность возрастает во всём диапазоне амплитуд.

Если вы только начинаете заниматься музыкальным продакшеном и объяснения пока кажутся слишком абстрактными, попробуйте простой опыт.

Установите бесплатный аудиоредактор Audacity, запустите его и выберите встроенный микрофон компьютера в качестве источника входного сигнала. Нажмите «Запись» и несколько раз произнесите в микрофон слово «тест»: сначала тихо, а затем каждый раз немного громче. На экране появятся похожие волновые формы, постепенно увеличивающиеся по вертикали.

Увеличьте первый фрагмент со словом «тест»: нажмите клавишу Cmd на Mac или Ctrl на ПК и клавишу 1. Сначала волна будет выглядеть непрерывной, но при достаточном увеличении станут видны отдельные точки — значения каждого отсчёта.

Снова нажмите Cmd/Ctrl и клавишу 3, чтобы уменьшить масштаб и увидеть волну целиком. Чем выше волна по вертикали, тем громче произнесено слово, то есть тем больше амплитуда. Выберите самый громкий фрагмент «тест» и увеличьте его. В самых громких точках волна приблизится к значениям +1,0 и −1,0 по вертикальной шкале или достигнет их. При любой разрядности это максимально возможный уровень записанного сигнала.

Однако большая разрядность позволяет точнее представить форму волны. Это особенно важно для сигналов, в которых сочетаются громкие и тихие элементы, например для ударных звуков: большее число битов обеспечивает больший динамический диапазон.

Динамический диапазон — это отношение наибольшего и наименьшего возможных значений величины, например амплитуды. Его выражают в децибелах (дБ). Проще говоря, это разница в децибелах между самыми громкими и самыми тихими частями сигнала.

Динамический диапазон — это отношение наибольшего и наименьшего возможных значений величины, например амплитуды.

Представьте ситуацию, знакомую многим: вы поздно вечером смотрите фильм и стараетесь не включать звук слишком громко, чтобы никому не мешать. Но диалоги звучат тихо, а выстрелы и взрывы — слишком громко. Было бы удобнее, если бы громкость всего фильма оставалась одинаковой.

Для домашнего просмотра поздно вечером, возможно. Но в кинотеатре именно разница в амплитуде между диалогами и взрывами делает последние такими выразительными. Поэтому широкий динамический диапазон важен для звуковых дорожек фильмов, а также для классической музыки, в которой есть гораздо более тихие фрагменты, чем в танцевальной музыке.

Послушайте, например, четвёртую часть «Симфонии из Нового Света» Дворжака: в ней есть и очень сдержанные эпизоды, и мощные нарастания громкости. Динамический диапазон важен и для клубной музыки — он помогает ударным звучать энергично и чётко.

Сжатие и динамический диапазон

Значение динамического диапазона особенно заметно при сжатии ударных звуков. Компрессия — это уменьшение динамического диапазона сигнала, благодаря которому повышается его средняя громкость. Когда уровень сигнала превышает заданный порог, превышение уменьшается в соответствии с установленным пользователем коэффициентом сжатия.

Чтобы компенсировать общее снижение уровня, возникающее при сжатии, выходной сигнал компрессора усиливают так, чтобы его пиковый уровень совпадал с пиковым уровнем несжатого сигнала. Средний уровень при этом становится выше, а звук — громче благодаря уменьшению динамического диапазона.

Но чрезмерная компрессия может лишить звук выразительности и сделать его вялым и слабым. При сведении музыки для клубного воспроизведения важно найти баланс между энергичным, чётким звучанием и высокой средней громкостью.

В целом, до определённого предела, более громкая музыка звучит лучше. Но цифровой сигнал нельзя усиливать бесконечно: когда все биты установлены в 1 и достигнут максимальный уровень — 65 536-е состояние при разрядности 16 бит, — записывать информацию выше уже некуда. Что происходит, если сигнал слишком горячий, то есть слишком громкий для системы?

Возникает цифровое ограничение, или клиппинг. Если сигнал превышает максимальный уровень системы, верхушки волны срезаются. Потеря информации искажает представление об амплитуде и порождает нежелательные высокие частоты. Клиппинг может применяться как художественный приём, но обычно он нежелателен. Именно поэтому нельзя просто бесконечно увеличивать уровень микса, чтобы сделать его громче.

Воспринимаемая громкость и RMS

Некоторые миксы звучат заметно громче других. Иногда причина в том, что их волновые формы достигают более высокого пикового уровня, но это не всегда так: две дорожки в цифровой звуковой рабочей станции (DAW) могут выглядеть примерно одинаково по амплитуде, хотя одна на слух будет гораздо громче другой.

На воспринимаемую громкость влияет не только пиковая амплитуда волны, но и то, как долго сигнал остаётся на высоком уровне. Поэтому для оценки воспринимаемой громкости полезнее измерять не пик, а уровень RMS.

RMS — это среднеквадратичное значение (от английского root mean square), способ вычислить среднюю амплитуду волны за определённый промежуток времени. Например, среднее значение амплитуды синусоидальной волны будет равно нулю при любой её пиковой амплитуде: волна симметрично поднимается и опускается относительно центральной линии.

Для оценки средней амплитуды такой способ не подходит. RMS вычисляется как квадратный корень из среднего значения квадратов исходных величин. Возведение в квадрат устраняет отрицательные значения, поэтому результат всегда положительный; иначе говоря, RMS показывает величину набора чисел. Сжатый сигнал может иметь тот же пиковый уровень, что и исходный, но более высокий уровень RMS, поэтому RMS лучше отражает воспринимаемую громкость.

Уровни сигнала и децибелы

Уровни сигнала измеряют в логарифмических единицах — децибелах, или дБ. Децибелы выражают отношение двух величин, поэтому амплитуду в них описывают относительно другого уровня. Например, в цифровом звуке сигнал на уровне 0 dBFS (0 децибел относительно максимального цифрового уровня) достигает максимального пика — +1,0 или −1,0 по вертикальной шкале.

Упрощённо, увеличение уровня на 6 дБ удваивает амплитуду сигнала, а уменьшение на 6 дБ делит её пополам. Точнее, речь идёт примерно о 6,02 дБ — это значение получается из расчёта 20 log 2. Если синусоидальная волна достигает пика 0 dBFS и её уровень уменьшить на 6,02 дБ, пик составит примерно +0,5 или −0,5. Каждое следующее уменьшение на 6,02 дБ примерно вдвое снижает пиковый уровень. Для мощности уменьшение на 6,02 дБ означает снижение в четыре раза, а увеличение на 6,02 дБ — рост в четыре раза.

Коэффициент амплитуды, или crest factor, вычисляют, разделив пиковое значение сигнала на его среднеквадратичное значение RMS. Полученное значение в децибелах помогает оценить динамичность сигнала. Измерять пики, RMS и коэффициент амплитуды можно с помощью программ вроде Blue Cat Audio DP Meter Pro. Достаточно поместить её на мастер-канал: во время воспроизведения она будет в реальном времени показывать пиковые значения, усреднённый RMS и коэффициент амплитуды. Настройки временного усреднения можно менять.

Одна из причин, по которой два трека могут казаться по-разному громкими при одинаковом пиковом уровне, заключается в том, что у одного из них, вероятно, выше значение RMS. Но это не единственный фактор. На восприятие громкости влияют и другие психоакустические особенности: частотный состав, длительность звука и, что особенно важно, его место в треке.

Сведение и суммирование сигнала

Теперь перейдём к аранжировке и сведению. В основе суммирование двух звуковых сигналов — очень простой процесс: процессор складывает значения каждого отсчёта, чтобы получить итоговый сигнал.

Во всех DAW это происходит одинаково. Если кто-то утверждает, что у движка суммирования определённой DAW есть собственное «звучание», он ошибается. Это легко проверить: загрузите две или больше аудиодорожек в разные DAW и экспортируйте сведённые файлы.

Если во всех программах используются одинаковые настройки, в том числе автоматические фейды, закон панорамирования и дизеринг, и звук не изменялся — например, не применялось растяжение по времени, — экспортированные файлы будут идентичны. Загрузите их в DAW и инвертируйте полярность одного из сигналов. Если файлы импортированы правильно и программа не добавила эффекты, сигналы полностью компенсируют друг друга, и останется тишина.

Стоит учитывать и то, что микшеры DAW обычно используют суммирование с плавающей точкой — 32-битное или, что сейчас встречается гораздо чаще, 64-битное. Оно рассчитывает итоговый звук перед воспроизведением через аудиоинтерфейс и колонки или экспортом в аудиофайл.

При представлении с плавающей точкой часть битов описывает показатель степени. Проще говоря, это позволяет хранить гораздо более широкий диапазон значений. Диапазон 16-битного формата с фиксированной точкой составляет 96 дБ, тогда как у 32-битного формата с плавающей точкой он превышает 1 500 дБ.

Такой запас по уровню намного больше того, который может понадобиться на практике. Поэтому перемещение фейдеров в микшере DAW на очень высокие или низкие значения обычно не ухудшает звук, если только сигнал не проходит через плагин, который плохо обрабатывает экстремальные значения, или не перегружается мастер-канал.

Фактически каждый канал микшера может показывать уровень в красной зоне, но искажения не возникнут, если мастер-канал не перегружен: 32-битный формат с плавающей точкой способен справиться практически с любым уровнем.

Перегружать мастер-канал DAW не стоит. Даже если слышимых искажений нет, результату уже нельзя полностью доверять: разные цифро-аналоговые преобразователи по-разному обрабатывают сигнал, превышающий 0 dBFS. Искажения могут возникнуть даже тогда, когда сам сигнал не подвергался клиппингу.

Это явление называют интерсемпловой модуляцией. Внутри DAW оно не возникает — оно появляется при преобразовании цифрового сигнала в аналоговый в аудиоинтерфейсе, точнее, в фильтре восстановления цифро-аналогового преобразователя (ЦАП). Этот фильтр превращает ступенчатый цифровой сигнал в плавный аналоговый. При очень громком цифровом сигнале процесс может вызвать проблемы.

Дизеринг и аудиоформаты

При выводе звука из DAW — как при воспроизведении, так и при экспорте аудиофайла — сигнал преобразуется из 32- или 64-битного в 16- или 24-битный формат. При уменьшении разрядности часть точности теряется. Здесь применяют часто неправильно понимаемый процесс, называемый дизерингом: к сигналу добавляют очень тихий шум, чтобы увеличить воспринимаемый динамический диапазон.

Представьте, что вы хотите нарисовать серую картину, но у вас есть только чёрная и белая краски. Если раскрасить её чередующимися очень маленькими чёрными и белыми квадратиками, издалека получится серый цвет. Дизеринг работает по похожему принципу: быстрое чередование состояний бита создаёт впечатление более широкого диапазона значений, чем доступен в действительности.

Дизеринг следует применять при уменьшении разрядности. Поэтому при экспорте микса в 32- или 64-битном формате в 16-битный WAV для воспроизведения в клубе, а также при подготовке 24-битного WAV для инженера мастеринга имеет смысл добавить дизеринг.

WAV и AIFF — форматы аудио без сжатия. Они подходят для передачи звуковых данных между DAW и программами для редактирования аудио. Сжатые форматы, например MP3 и M4A, позволяют значительно уменьшить размер файла, но используют психоакустические методы, удаляющие из сигнала данные, которые человеческое ухо воспринимает хуже.

Такие форматы со сжатием с потерями обычно хорошо звучат при прослушивании в обычных условиях, но при обработке ведут себя не так, как несжатые файлы. Источник в формате MP3 не обязательно испортит мастеринг: результат зависит от самого материала, контекста и использованного алгоритма кодирования. Чтобы готовый трек звучал как можно лучше, используйте исходные материалы максимально высокого качества.

Напоследок

Человеческое ухо и мозг удивительно чутко воспринимают звук. Поэтому даже человек, который ничего не знает о музыкальном продакшене, способен распознать неудачное или слабое сведение: оно просто будет звучать хуже других треков.

Это особенно важно в клубе, где музыка обычно звучит непрерывным потоком и диджей сводит композиции друг с другом. Когда диджей быстро переключает каналы с помощью кроссфейдера, происходит примерно то же, что при A/B-сравнении в студии: любые недостатки сведения одной композиции на фоне другой становятся очевидными.

Чтобы ваши миксы звучали не хуже конкурирующих записей, важно понимать пределы цифрового звука и уметь использовать весь доступный динамический диапазон.