অডিও ও মিউজিক গাইড
ডিজিটাল অডিওর মূল কথা: স্যাম্পল রেট, বিট ডেপথ, বিটরেট, কোডেক
ডিজিটাল অডিও হলো সংখ্যা হিসেবে রাখা শব্দ, আর প্রতিটি অডিও ফাইলকে বোঝানো যায় একই কয়েকটি সংখ্যা দিয়ে: স্যাম্পল রেট, বিট ডেপথ, বিটরেট ও চ্যানেলের সংখ্যা। আরও দুটি শব্দ, কোডেক ও কন্টেইনার, বলে দেয় শব্দ কীভাবে গুছিয়ে রাখা হয়েছে এবং কোন ধরনের ফাইল তা ধরে আছে। ডিজিটাল অডিওর এই মূল কথাগুলো বোঝায় একটি গানের দুটি কপির আকারে দশগুণ ফারাক হয় কেন।
ডাউনলোড বোতাম চাপতে এর কিছুই লাগে না। তবে ফরম্যাট বাছাই করতে, ফাইল বড় কেন তা ভাবতে, বা 320 kbps-এর মতো লেবেল আসলে কী প্রতিশ্রুতি দেয় তা জানতে এটি কাজে আসে। নিচের প্রতিটি শব্দের সঙ্গে সিডি মানের সংখ্যা দেওয়া আছে, যা সাধারণ তুলনার মাপকাঠি। একটি ফরম্যাট গভীরে জানতে পড়ুন MP3 ফাইল কী।
স্যাম্পল রেট: ডিজিটাল অডিও কতবার শব্দ মাপে
মাইক্রোফোন শব্দকে মসৃণভাবে বদলাতে থাকা বৈদ্যুতিক সংকেতে পরিণত করে। তা জমা করতে একটি কনভার্টার নির্দিষ্ট বিরতিতে সংকেত মাপে, আর প্রতিটি মাপকে বলে স্যাম্পল। স্যাম্পল রেট হলো প্রতি সেকেন্ডে নেওয়া স্যাম্পলের সংখ্যা। সিডি ব্যবহার করে 44,100, লেখা হয় 44.1 kHz। ভিডিও ও সম্প্রচারে ব্যবহৃত হয় 48 kHz। স্টুডিও রেকর্ডিং প্রায়ই হয় 96 kHz-এ।
একটি স্যাম্পল রেট তার নিজের মানের অর্ধেক পর্যন্ত পিচ ধরতে পারে। তাই 44.1 kHz পৌঁছায় প্রায় 22 kHz-এ, যা তরুণ সুস্থ কানের 20 kHz উচ্চসীমার সামান্য ওপরে। সেই কারণেই সিডি অডিও সেখানে থেমেছিল। উচ্চতর রেট মানুষের শোনার ওপরের শব্দও রেকর্ড করে। প্রোডাকশনে তা কাজে লাগে এবং ফাইল বড় করে, কিন্তু তৈরি গানের ক্ষেত্রে প্রমাণিত কোনো সুবিধা নেই।
বিট ডেপথ: প্রতিটি স্যাম্পল কত সূক্ষ্মভাবে লেখা হয়
বিট ডেপথ হলো প্রতিটি স্যাম্পল লিখতে ব্যবহৃত বিটের সংখ্যা। 16 বিটে সম্ভাব্য স্তর 65,536টি। 24 বিটে স্তর এক কোটি ষাট লক্ষেরও বেশি। বেশি স্তরের মানে ছোট গোলাকরণ ভুল, আর সেই ভুল শোনা যায় ক্ষীণ পটভূমির হিসহিস শব্দ হিসেবে। প্রতিটি বাড়তি বিট হিসহিস প্রায় 6 ডেসিবেল কমায়।
16 বিট রেকর্ডিংয়ে সবচেয়ে জোরালো শব্দ ও নয়েজ ফ্লোরের মাঝে প্রায় 96 dB ব্যবধান থাকে, যা বেশিরভাগ শোনার ঘর কাজে লাগাতে পারে না। 24 বিট রেকর্ডিংয়ে ব্যবধান প্রায় 144 dB, আর স্টুডিওতে এটিই রীতি, কারণ বাড়তি পরিসর লেভেল সেটিংয়ের ভুল ক্ষমা করে। বিট ডেপথ ঠিক করে না কোন পিচ ধরা পড়বে। সেটি স্যাম্পল রেটের কাজ।
বিটরেট ও চ্যানেল: প্রতি সেকেন্ডে ব্যবহৃত ডেটা
বিটরেট হলো প্রতি সেকেন্ডের শব্দের জন্য ব্যবহৃত ডেটার পরিমাণ। অসংকুচিত অডিওর জন্য এটি সরল গুণ: 44,100 স্যাম্পল গুণ 16 বিট গুণ 2 চ্যানেল সমান প্রতি সেকেন্ডে 1,411,200 বিট, অর্থাৎ 1,411 kbps। এটিই সিডি মান, আর প্রতি মিনিটে প্রায় 10.6 মেগাবাইট নেয়। মনোতে চ্যানেল একটি, স্টেরিওতে দুটি আর 5.1 সারাউন্ডে ছয়টি।
সংকুচিত ফরম্যাট হিসাবটি উল্টে দেয়। বিটরেট আগে ঠিক হয়, যেমন 128 বা 256 kbps, আর এনকোডার ঠিক করে সেই বাজেটের মধ্যে কোন খুঁটিনাটি ধরবে। সেজন্যই MP3 ফাইলের ক্ষেত্রে বিটরেটই সবচেয়ে বেশি উল্লেখ করা সংখ্যা। প্রতিটি প্রচলিত সেটিংয়ে কত মেগাবাইট লাগে এবং বিনিময়ে কতটা শব্দ মেলে তা দেখায় MP3 বিটরেট গাইড।
কোডেক ও কন্টেইনার: পদ্ধতি এবং মোড়ক
কোডেক হলো অডিও গুছিয়ে রাখা ও খোলার পদ্ধতি। PCM কাঁচা স্যাম্পল কোনো গোছানো ছাড়াই রাখে। FLAC ও ALAC লসলেস: ডেটা ছোট করে এবং প্রতিটি স্যাম্পল অক্ষত ফিরিয়ে দেয়। MP3, AAC ও Opus লসি: যে খুঁটিনাটি শোনা যাবে না বলে মনে হয় তা বাদ দিয়ে অনেক ছোট আকারে পৌঁছায়। MP3, AAC, Opus, WAV ও FLAC পাশাপাশি দেখায় অডিও ফরম্যাটের তুলনা, আর লসি ও লসলেসের জুটিটি আলাদাভাবে দেখে MP3 বনাম FLAC।
কন্টেইনার হলো সেই ফাইল যা এনকোড করা শব্দকে মুড়ে রাখে। WAV সাধারণত PCM মোড়ে, M4A সাধারণত AAC মোড়ে, আর WebM প্রায়ই Opus মোড়ে। ফাইলের শেষাংশ কন্টেইনারের নাম বলে, ভেতরের কোডেক বদলাতে পারে। YouTube ভিডিওর শব্দ AAC বা Opus হিসেবে রাখে, তাই YouTube থেকে MP3 কনভার্টারকে সেই স্ট্রিম নতুন করে এনকোড করতে হয়।
প্রশ্ন ও উত্তর
বিট রেট আর বিট ডেপথ কি একই?
না। বিট ডেপথ হলো প্রতিটি স্যাম্পলে বিটের সংখ্যা, যা ঠিক করে প্রতিটি মাপ কত নিখুঁত। বিটরেট হলো পুরো স্ট্রিমের জন্য প্রতি সেকেন্ডে ব্যবহৃত বিটের সংখ্যা। অসংকুচিত অডিওতে বিটরেট সমান স্যাম্পল রেট গুণ বিট ডেপথ গুণ চ্যানেল। MP3-র মতো লসি ফাইলের বিটরেট আছে কিন্তু নির্দিষ্ট বিট ডেপথ নেই।
44.1 kHz ব্যবহার করব, না 48 kHz?
উদ্দেশ্য অনুযায়ী বেছে নিন। সিডি বা সাধারণ শোনার জন্য গানে 44.1 kHz, আর ভিডিওর সঙ্গে যাওয়া শব্দে 48 kHz, যা সেখানে স্ট্যান্ডার্ড। কোনোটিই অন্যটির চেয়ে ভালো শোনায় না। ফাইলে এর একটি রেট আগে থেকে থাকলে সেটিই রাখুন, কারণ এক রেট থেকে অন্যটিতে বদলে কিছু পাওয়া যায় না।
কোডেক আর কন্টেইনারের পার্থক্য কী?
কোডেক হলো শব্দ এনকোড ও ডিকোড করার পদ্ধতি, যেমন AAC, Opus বা FLAC। কন্টেইনার হলো সেই ফাইল ফরম্যাট যা এনকোড করা স্ট্রিম এবং ট্যাগ, কখনো ভিডিওও ধরে রাখে, যেমন MP4, WebM বা Ogg। একই কন্টেইনারে ভিন্ন কোডেক থাকতে পারে, তাই শুধু ফাইলের শেষাংশ থেকে বোঝা যায় না কোনটি ব্যবহৃত হয়েছে।
উচ্চতর স্যাম্পল রেট কি সবসময় ভালো শোনায়?
না। 44.1 বা 48 kHz ইতিমধ্যে মানুষের শোনার পুরো পরিসর ছোঁয়। উচ্চতর রেট আলট্রাসনিক অংশ ধরে এবং রেকর্ডিং ও সম্পাদনায় কাজে লাগে, কিন্তু শোনার পরীক্ষায় তৈরি গানে শোনার মতো নির্ভরযোগ্য কোনো সুবিধা দেখা যায়নি। বিদ্যমান ফাইলের রেট বাড়ালে কোনো তথ্য যোগ হয় না।
সিডি মানের সংখ্যাগুলোর অর্থ কী?
সিডি মান হলো 44.1 kHz, 16 বিট, স্টেরিও। অর্থাৎ প্রতি সেকেন্ডে 44,100 স্যাম্পল, প্রতিটি 16 বিটে লেখা, দুটি চ্যানেলে। সব গুণ করলে হয় 1,411 kbps, প্রতি মিনিটে প্রায় 10.6 MB, কোনো সংকোচন ছাড়াই।
মনো কি স্টেরিওর চেয়ে খারাপ?
সবকিছুর জন্য নয়। মনো একটি চ্যানেল বহন করে, যা কথা, পডকাস্ট ও লেকচারের জন্য যথেষ্ট, আর মনো ফাইল তার পুরো বিটরেট সেই একটি চ্যানেলেই খরচ করতে পারে। স্টেরিওতে মিশ্রিত গান মনোতে নামালে তার বাঁ থেকে ডানে ছড়িয়ে থাকা ভাব হারায়, তাই গানের জন্য স্টেরিও রাখুন।
লসলেস অডিও কী?
লসলেস অডিও কিছু বাদ না দিয়েই সংকুচিত হয়, তাই প্লেব্যাকে যে স্যাম্পল ঢুকেছিল ঠিক সেগুলোই ফিরে আসে। FLAC ও ALAC এভাবে কাজ করে এবং সাধারণত WAV ফাইলকে তার আকারের 50 থেকে 70 শতাংশে নামায়। লসি উৎস থেকে বানানো লসলেস ফাইলের মান বাড়ে না। তা শুধু ক্ষতিগুলোকে সংরক্ষণ করে।
PCM কী?
PCM, অর্থাৎ pulse-code modulation, ডিজিটাল অডিওর সাদামাটা অসংকুচিত রূপ: স্যাম্পল মানের একটি তালিকা, যেখানে কিছু বাদ নেই এবং কিছু গোছানোও নেই। WAV ও AIFF ফাইলে সাধারণত PCM থাকে, অডিও সিডিতেও তা-ই। অন্য প্রতিটি কোডেক PCM থেকে শুরু করে এবং প্লেব্যাকের জন্য আবার PCM-এ ফেরে।
হালনাগাদ: