WebM を AAC に変換

「AAC」という言葉には二つの意味があります。一つはコーデックそのもので、あらゆる M4A や MP4、大手の配信サービスから流れてくるトラックの中にも入っています。もう一つはエレメンタリーストリーム——符号化されたフレームだけが並んでいて、周りにコンテナが何もない状態です。この変換が作るのは後者です。

この違いが、目的のページに来ているかどうかを分けます。音楽ライブラリに追加してタイトルを付け、再生ボタンを押したいだけなら、M4A への変換のほうが目的にかない、こちらを選ぶとかえって面倒が増えます。パイプラインの中の何かが AAC を求め、MP4 を拒んでいるなら、これがまさにその求めているファイルです。

ADTS は Audio Data Transport Stream の略で、その設計の狙いは、ファイルのどの位置から読んでも有効な開始点になることです。すべてのフレームが 7 バイトのヘッダーを持ち、プロファイル、標本化周波数、チャンネル構成を書いています。だからこそ途中から結合したデコーダーでも、続きをすぐに解釈できます。

これは放送や配信がまさに必要とする性質です。HLS のセグメンターはフレームの境界でストリームを切り出し、それぞれの断片が単独で成立します。二つのストリームはバイト単位で連結するだけで有効な三本目になります。数キロバイトのバッファーしか持たない組み込みプレイヤーも、持っていない索引を解析せずに復号を始められます。MP4 ではどれも成り立ちません。索引が 1 か所にまとまっていて、全体を記述しているからです。

コンテナがやっていたことがすべてなくなります。長さを記録する仕組みがないので、プレイヤーはフレームを走査して長さを計算するか、たいていはビットレートから推定して間違えます。シークテーブルもないので、位置の移動は参照ではなく計算になります。タイトルやアーティスト、日付を書く場所もありません。

機械が最初から一度だけ読む用途なら、これらはどれも問題になりません。だからこの形式は生き残っています。人がメディアプレイヤーで扱う場合はすぐに問題になり、.aac ファイルがファイル管理アプリでもっともらしいのに間違った長さを表示するのはこれが理由です。それが気になるなら、そのファイルは本来 M4A になりたがっています。

AAC は 1997 年に MPEG が ISO/IEC 13818-7 として標準化し、それ以来ずっと配信のデフォルトです。放送、ストリーミング、モバイル、そして各社のカタログでも使われています。最大 48 チャンネルまで扱えますが、ブラウザーの録音であればモノラルかステレオのどちらかです。

入っていたのは Opus で、こちらは新しく、一般にはより優れたコーデックですが、ブラウザーの外ではほとんど受け付けられません。両者の変換は完全な復号と再符号化になります。二つの非可逆コーデックの間でデータをそのまま受け渡すことはできず、これは二回目の圧縮です。発話であれば聞き取れず、パイプラインにとっては、その先の配信でかかる圧縮に比べればたいてい誤差の範囲です。

よくある形は、ブラウザー経由で録音する Web アプリケーションです。MediaRecorder は Opus 入りの WebM を書き出します。それがブラウザーに標準で求められているコーデックだからです。その録音が、AAC を前提に設計されたバックエンド——取り込みサービス、トランスコードファーム、通話基盤、決まった素材形式を持つアプリのビルド——に渡ることになります。

アップロードの前、クライアント側で変換するほうが安上がりな設計になることが多いです。ネットワークを通るファイルはすでにバックエンドが求める形になっており、録音ごとにサーバー側でトランスコーダーを走らせる必要もなく、待ち行列も生まれません。この変換をブラウザーに置いた理由と同じ考え方です。

Opus は 48 kHz で動くので、ブラウザーの録音は 48 kHz であり、そこから書き出す AAC も 48 kHz です。チャンネル数も同様に、収録した通りです。マイク一本ならモノラル、システム音声も含めて録ったならステレオです。

ここでリサンプルは行われません。それは意図的な判断です。リサンプルは信号処理上の判断であり、それ自体に品質のトレードオフを伴い、それを黙って行う変換器は工程を隠していることになります。行き先が 44.1 kHz や特定のチャンネル構成を求めているなら、その要件を持つツールで行ってください。そこでこそ、選んだリサンプラーで処理できます。

WebM に映像トラックがあれば、無視されるのではなく丸ごと捨てられます。ソースがナレーション付きの画面録画である場合はまさに望んだ動作です。音声は最初のトラックだけが残り、マイクとシステム音声を別トラックとして録音したファイルでは、どちらか一方しか選べません。

パイプラインにとってこれは前提ではなく確認すべき事項です。使っている録音側が二本のトラックを書くなら、音声が消えたという不具合報告が三週間後に来る前に、どちらのトラックが届くか確かめてください。

あらかじめ間違った使い方を除いておく価値があります。<audio> 要素に .aac ファイルを指すのは信頼できません。ブラウザーによって生の ADTS ストリームを解析するかどうかが分かれ、対応していても長さの情報がファイルの中にないため誤った長さを報告することがよくあります。シークバーの挙動もおかしくなり、それはプレイヤーの不具合のように見えます。

ブラウザーで再生する用途なら、同じ音声を M4A にしたものがどこでも正しく動きます。コンテナが長さと索引を運んでくれるからです。パイプラインが求めた ADTS ストリームはそのまま渡し、人が触れる場面にはコンテナを使う。これがこの二つの形式が実際に想定している使い分けです。

一度に最大 100 個の WebM ファイルを変換でき、それぞれ進捗を持ちながら 1 つの ZIP として戻ってきます。サーバーが関わらないので 1 日の上限も順番待ちもなく、ファイルあたりの上限は 100 MB です。

これは仕事の一環として行う人にとって実務上の違いです。アップロード型の無料の変換サイトは 1 日 5〜20 本あたりで頭打ちになりますが、ここでは 100 本をすぐまた繰り返しでき、100 本目でも 1 本目と変わらない挙動です。