Kalkulator rozmiaru plików audio WAV i AIFF

Rozmiar nieskompresowanego pliku audio w formacie WAV lub AIFF wynika bezpośrednio z matematycznej reprezentacji fali dźwiękowej. Sygnał analogowy zostaje przekształcony na postać cyfrową w procesie próbkowania i kwantyzacji. Ostateczna objętość danych zależy od czterech podstawowych parametrów: częstotliwości próbkowania, głębi bitowej, liczby kanałów oraz całkowitego czasu trwania nagrania.

Częstotliwość próbkowania określa, ile razy na sekundę mierzony jest poziom sygnału audio. Przykładowo 44,1 kHz oznacza wykonanie 44 100 pomiarów w każdej sekundzie. Głębia bitowa określa precyzję każdego pojedynczego pomiaru. Wartość 16 bitów daje 65 536 możliwych poziomów dynamiki, podczas gdy 24 bity oferują ponad 16,7 miliona poziomów. Liczba kanałów działa jako prosty mnożnik: nagranie stereo podwaja ilość danych w stosunku do mono, a format surround 5,1 zawiera sześć oddzielnych ścieżek audio.

Do obliczenia dokładnej wagi pliku w bajtach służy wzór: $$\text{bajty} = \text{częstotliwość próbkowania} \times \frac{\text{głębia bitowa}}{8} \times \text{liczba kanałów} \times \text{czas w sekundach}$$

Równolegle można wyznaczyć przepływność strumienia audio: $$\text{przepływność kbps} = \frac{\text{częstotliwość} \times \text{głębia} \times \text{kanały}}{1000}$$

Kalkulator rozmiaru audio wykorzystuje te zależności do natychmiastowego określenia objętości danych bez konieczności ręcznego przeliczania jednostek. Nagłówek pliku WAV zajmuje zaledwie około 44 bajtów, co przy wielomegabajtowych plikach stanowi wielkość pomijalną.

W produkcji dźwiękowej stosuje się kilka ugruntowanych standardów rozdzielczości, z których każdy generuje zupełnie inne zapotrzebowanie na miejsce na dysku. Wybór odpowiednich parametrów zależy od przeznaczenia materiału oraz etapu pracy nad projektem muzycznym lub lektorskim.

Standard płyty kompaktowej Audio CD opiera się na parametrach 44,1 kHz oraz 16 bitów w formacie stereo. Jedna minuta takiego zapisu zajmuje około 10,6 MB. Kompletny utwór muzyczny o czasie trwania 3,5 minuty osiąga wagę około 37 MB. Taka konfiguracja zapewnia pasmo przenoszenia do 22,05 kHz oraz zakres dynamiki rzędu 96 dB, co wystarcza do końcowego odsłuchu konsumenckiego.

Współczesny standard studyjny i telewizyjny to 48 kHz oraz 24 bity. Ten sam 3,5-minutowy miks stereo w tej rozdzielczości waży już około 60,5 MB. Z kolei nagrania wysokiej rozdzielczości (hi-res), takie jak 96 kHz przy 24 bitach w stereo, generują stały strumień o przepływności 4608 kbps. Oznacza to przyrost danych do poziomu około 34,6 MB na każdą minutę nagrania.

Poniższa tabela przedstawia porównanie zapotrzebowania pamięci dla typowych konfiguracji:

| Format i zastosowanie | Parametry | Przepływność | Rozmiar za 1 min | Rozmiar za 60 min | | Audio CD (konsumencki) | 44.1 kHz / 16-bit stereo | 1411.2 kbps | 10.6 MB | 635 MB | | Studio / Wideo (standard) | 48 kHz / 24-bit stereo | 2304 kbps | 17.3 MB | 1.04 GB | | Podcast / Lektor (mono) | 48 kHz / 24-bit mono | 1152 kbps | 8.6 MB | 518 MB | | Hi-Res Audio | 96 kHz / 24-bit stereo | 4608 kbps | 34.6 MB | 2.07 GB | | Surround 5.1 (kino/post) | 48 kHz / 24-bit (6 ch) | 6912 kbps | 51.8 MB | 3.11 GB |

Rzeczywiste zapotrzebowanie na pamięć podczas sesji nagraniowej rośnie znacznie szybciej, niż sugeruje rozmiar gotowego miksu stereo. Wynika to z faktu, że program DAW (Digital Audio Workstation) zapisuje każdy pojedynczy mikrofon na osobnej ścieżce, a do tego dochodzą kolejne podejścia i alternatywne wersje wykonawcze.

Podczas rejestracji perkusji akustycznej standardem jest użycie od 8 do 16 mikrofonów jednocześnie. Jeśli cały zespół nagrywa na żywo 24 ślady w jakości 48 kHz i 24 bity, każda minuta rejestracji zużywa 207,4 MB miejsca na dysku. Godzinna sesja z próbami, powtórkami i ujęciami pomocniczymi generuje od 12 do 25 GB surowych plików WAV. Sesja 24-śladowa rośnie dokładnie 24 razy szybciej niż pojedynczy ślad mono i 12 razy szybciej niż stereofoniczny podgląd.

W przypadku twórców podcastów kalkulacja jest prostsza. Godzinny wywiad zarejestrowany na dwóch osobnych mikrofonach mono w studyjnym formacie 48 kHz / 24 bity zajmuje łącznie około 1,04 GB surowego materiału przed montażem. Po zakończeniu miksu i zgraniu do formatu stereo gotowy plik przed masteringiem waży około 1,04 GB. Przydatnym narzędziem na etapie finalizacji jest miernik LUFS, który pozwala dopasować docelową głośność zintegrowaną do wymogów dystrybutorów cyfrowych.

Wybór parametrów próbkowania i głębi bitowej powinien wynikać z etapu produkcji. Zapis w rozdzielczości 24 bitów jest współcześnie bezwzględnym standardem na etapie rejestracji i miksu. Zapewnia teoretyczną dynamikę do 144 dB, co daje ogromny zapas poziomu sygnału (headroom) i eliminuje ryzyko powstawania szumów kwantyzacji przy cichych partiach instrumentów.

Format 32-bitowy zmiennoprzecinkowy (32-bit float) znajduje szczególne zastosowanie w rejestratorach terenowych i nagraniach reporterskich. Choć zajmuje o jedną trzecią więcej miejsca niż plik 24-bitowy, pozwala na całkowite zabezpieczenie materiału przed cyfrowym przesterowaniem. Nawet jeśli sygnał wejściowy przekroczy granicę 0 dBFS, dane powyżej tego progu nie zostają bezpowrotnie ścięte i można je odzyskać w programie edycyjnym.

Podnoszenie częstotliwości próbkowania do 96 kHz lub 192 kHz podwaja lub czterokrotnie zwiększa rozmiar pliku. Taki zabieg bywa korzystny przy nagraniach efektów dźwiękowych (sound design), które będą następnie spowalniane lub transponowane w dół, a także w masteringu w celu ograniczenia zjawiska aliasingu w procesorach nieliniowych. W przypadku typowych nagrań lektorskich czy podcastów praca w 96 kHz nie przynosi słyszalnych korzyści, a niepotrzebnie obciąża procesor komputera i przestrzeń dyskową.

Osoby pracujące z plikami dźwiękowymi często napotykają rozbieżności między obliczeniami matematycznymi a informacjami wyświetlanymi przez system operacyjny. Pierwszym źródłem pomyłek jest mylenie jednostek przepływności. Wartość podawana w kilobitach na sekundę (kbps) określa liczbę bitów, natomiast przestrzeń dyskowa mierzona jest w bajtach. Ponieważ jeden bajt składa się z 8 bitów, strumień 1411,2 kbps odpowiada transferowi 176,4 kilobajtów na sekundę (kB/s).

Drugą częstą przyczyną nieporozumień jest różnica między jednostkami dziesiętnymi a binarnymi. Kalkulator rozmiaru audio oraz producenci dysków twardych stosują standard dziesiętny SI, gdzie 1 megabajt to 1 000 000 bajtów. Systemy operacyjne, takie jak Windows, prezentują rozmiary w mebibajtach binarnych (1 MiB = 1 048 576 bajtów), oznaczając je skrótem MB. Z tego powodu plik o wyliczonej wadze 635 MB system Windows wyświetli jako około 605 MB, mimo że zawartość danych jest identyczna.

Trzeci błąd polega na próbie szacowania rozmiaru plików stratnych (takich jak MP3 czy AAC) na podstawie częstotliwości próbkowania. W kompresji stratnej rozmiar pliku zależy wyłącznie od wybranego bitrate i czasu trwania. Plik MP3 o stałej przepływności 320 kbps zajmuje zawsze około 2,4 MB na minutę, niezależnie od tego, czy materiał źródłowy pochodził z pliku 44,1 kHz czy 96 kHz. Z kolei bezstratny kodek FLAC pozwala zredukować objętość nieskompresowanego PCM średnio o 40% do 60% bez jakiejkolwiek utraty jakości.

Dlaczego plik WAV jest wielokrotnie większy niż ten sam utwór w formacie MP3? Format WAV PCM przechowuje każdy pojedynczy punkt pomiaru fali dźwiękowej bez uproszczeń. Standardowy plik stereo w jakości CD wymaga przepływności 1411,2 kbps. Format MP3 stosuje algorytmy psychoakustyczne, usuwając niesłyszalne dla ludzkiego ucha składowe pasma i kompresując dane do stałego poziomu, na przykład 320 kbps. Oznacza to ponad czterokrotną redukcję objętości danych.

Jakie parametry nagrywania wybrać do podcastu, a jakie do muzyki? Dla podcastów i nagrań głosu optymalnym wyborem jest pojedyncza ścieżka mono w formacie 48 kHz oraz 24 bity. Zapewnia to pełną kompatybilność ze standardami wideo oraz wystarczający zapas dynamiki przy wadze zaledwie 518 MB za godzinę nagrania. W przypadku produkcji muzycznej standardem sesyjnym jest 48 kHz / 24 bity lub 96 kHz / 24 bity dla wymagających projektów akustycznych.

Ile miejsca na dysku należy zarezerwować na kompletną sesję studyjną? Bezpieczną regułą jest pomnożenie planowanego czasu nagrania przez liczbę aktywnych śladów oraz współczynnik 3 na kolejne podejścia i duble. Dla 16-śladowej sesji w jakości 48 kHz / 24 bity trwającej 2 godziny rzeczywistej pracy należy przygotować co najmniej 25 do 35 GB wolnej przestrzeni na szybkim dysku SSD.