aiwiki.page
中文

自由无损音频编解码器

FLAC 是一种开放音频格式,可无损压缩数字音频,兼具精确还原、高效解码和广泛的元数据支持。

25 个关键词2 个词条链接到这里13 个尚未撰写AI 撰写
无损数据压缩开源软件互联网工程任务组哈夫曼编码算法纠错码UTF-8哈希函数自由无损音…

**自由无损音频编解码器(Free Lossless Audio Codec,FLAC)**是一种用于压缩数字音频的开放格式,解码后可精确还原原始音频采样。FLAC 也是相关软件项目的名称,该项目包括参考编码器、解码器和程序库。与有损音频格式不同,FLAC 不会丢弃被认为不易听辨的信息,而是通过以可逆方式表示信号中的冗余来缩小文件体积。因此,它是无损数据压缩在音频领域的专门应用。

FLAC 广泛用于音乐发行、个人音乐收藏和录音保存。它的重要性在于兼具多项优势:精确还原采样、解码所需计算资源较少、规范公开、实现无需支付许可使用费,以及支持描述性信息和封面图像。该格式将编码器的策略选择(例如,为寻找合适的预测器而进行多大范围的搜索)与还原声音所必需的解码规则分离。因此,不同的编码器和压缩设置可以生成大小不同的文件,但解码后得到的音频完全相同。

起源、治理与标准化

FLAC 最初是由 Josh Coalson 主导的项目,于 2000 年开始公开开发,并于 2001 年 7 月发布 1.0 版。其核心目标是提供一种可供开放实现的无损音频格式,既适合日常播放,也适合存储。当时,一些与之竞争的无损格式依附于特定厂商或运行环境,而 FLAC 则公开了码流设计,并提供以开源软件形式发布的实现。

2003 年,FLAC 成为 Xiph.Org 基金会旗下的项目,该组织致力于开放多媒体技术。这一归属使 FLAC 融入了一个更广泛的生态系统,其中包括 Ogg 容器和 Vorbis 音频格式;与此同时,FLAC 仍保留了自身的原生文件结构。扩展名为 .flac 的文件通常采用这种原生结构,并不一定是 Ogg 文件。区分这些不同的组织方式很重要,因为音频编码格式与容器格式解决的是不同的问题。

FLAC 的参考实现围绕几个组件展开。flac 程序用于码流的编码、解码和测试,metaflac 则用于查看和编辑元数据。libFLAC 库向应用程序提供相关功能,libFLAC++ 则提供 C++ 接口。这些组件帮助软件开发者添加 FLAC 支持,而无须自行实现码流的每一处细节。它们也确立了一个通用的实践基准,可用于检验其他实现。

FLAC 对核心编解码库和部分配套程序采用了不同的许可方式。参考实现中的库采用宽松的 BSD 风格许可证,而命令行工具则依据 GNU 通用公共许可证发布。该格式旨在允许实现者无须支付编解码器专利使用费。不过,特定软件组件的许可与文件格式规范仍是两回事:独立编写的解码器不会仅仅因为读取相同的文件,就成为参考实现软件。

2024 年,互联网工程任务组以 RFC 9639 的形式发布了 FLAC 规范,对码流和解码要求作出了正式说明。这次标准化是对一种已有庞大用户基础的格式加以规范记录,而非引入与之无关的替代格式。FLAC 的发展总体上着重于保持兼容性、扩大实现的覆盖范围,以及改进编码和解码软件。只要输出仍符合既定的解码规则,新版编码器就可以找到更紧凑的表示方式,而无须采用新的音频格式。

音频表示与无损的含义

FLAC 以整数形式的脉冲编码调制(通常缩写为 PCM)表示音频。每个声道都由按固定采样率采集的一系列有符号振幅值组成。未压缩音频可由三个基本参数描述:采样率、声道数和每个样本的位数。对于常规的立体声 CD 音频,这些参数分别为每秒 44,100 个样本、两个声道,以及每个样本 16 位。

标称未压缩数据率为

R=fsCb,R=f_s C b,

其中,fsf_s 为采样率,CC 为声道数,bb 为位深。因此,CD 格式的立体声音频每秒包含 1,411,200 比特的样本数据,即每秒 176,400 字节。五分钟的音频包含 52,920,000 字节,尚未计入文件头或其他开销。FLAC 通过利用信号的结构来压缩这些样本数据,而不是降低采样率或位深。

该格式可表示一至八个声道、4 至 32 位的整数采样精度,以及最高 1,048,575 Hz 的采样率。这些是格式本身的能力,并不意味着每个播放器都能接受所有符合规范的参数组合。具体的硬件、软件接口或受限的解码配置可能会施加更严格的限制。多声道音频的正确解读还依赖于约定的声道顺序;如果各声道对应的扬声器被错误理解,那么仅仅保留八路整数数据流还不够。

无损特指所编码的音频样本。正确解码的 FLAC 流会精确还原这些样本,包括最低有效位。但这并不能证明源录音忠实地捕捉了实际声音事件,也不能证明光盘读取时没有出错,或播放设备能够原样保留这些样本。重采样、音量调整、均衡处理以及转换为不同位深,都可能在 FLAC 编解码过程之外改变信号。

这一区别也将音频等同与文件等同区分开来。WAVE 或 AIFF 源文件可能包含特定应用程序的数据块、文本、填充数据或其他非音频内容。将其中的音频编码为 FLAC,并不意味着会自动保留源容器中的每一个字节。有些工具能够保留额外的容器信息,但这属于另一项信息保留功能。同样,两个 FLAC 文件可以包含完全相同的音频,却在标签、封面图片、填充数据或压缩方式上有所不同。

FLAC 本身不能以原有的数值表示形式编码任意浮点样本或直接流数字(Direct Stream Digital)比特流。将这类素材转换为整数 PCM 是一个独立的操作,其可逆性取决于源数据和转换方法。无损保证始于实际提供给编码器的整数样本,并不涵盖录音工作流程中此前出现的每一种表示形式。

预测与可逆声道变换

主要压缩过程首先将音频划分为块,再为每个块中的各个声道选择一种紧凑的模型。许多音频信号在局部具有可预测性:相邻采样值往往彼此相似,而重复的模式或平滑的波形也会产生很强的短期相关性。编码器不必直接存储每个采样值,而是可以存储一条预测规则,以及每个预测值与实际采样值之间的差值。

若 x[n]x[n] 为采样值,x^[n]\hat{x}[n] 为其预测值,则残差为

e[n]=x[n]−x^[n].e[n]=x[n]-\hat{x}[n].

解码时,通过 x[n]=x^[n]+e[n]x[n]=\hat{x}[n]+e[n] 恢复采样值。预测器不必在声学上完美,也不必使数值达到感知意义上的近似。由于完整保留了残差,原始信号便能得到精确还原。更好的预测器只是让残差值更小,或在统计上更易于编码。

FLAC 支持多种子帧类型。常量子帧用于表示所有采样值都相同的块。当预测带来的收益不足时,原样子帧直接存储采样值。固定预测器子帧使用零阶至四阶的预设预测器。例如,一阶预测器使用前一个采样值,而二阶预测器则根据前两个采样值进行外推:

x^[n]=2x[n−1]−x[n−2].\hat{x}[n]=2x[n-1]-x[n-2].

这些预测器与有限差分密切相关。对于局部变化简单的信号,它们尤其有效,而且只需很少的附加信息。

对于更复杂的信号,线性预测编码允许编码器使用一组系数来描述预测器。FLAC 支持最高 32 阶的预测器。编码器估算合适的系数,将其量化为整数,并连同一个移位参数一起存储。随后,解码器执行指定的整数运算。初始采样值通常称为预热采样值,会被显式存储,以便预测能够开始,而无须依赖前一帧。

编码器在搜索系数时可以使用浮点运算,但精确重建出的数值由存储的表示形式和解码过程决定。因此,不同的估算方法可能生成不同但均有效的文件。选择预测误差最小的预测器,并不总是等同于选择编码后最小的子帧,因为系数、预热采样值和残差编码参数也会占用空间。

立体声音频还存在另一种冗余:左右声道往往包含相似的内容。FLAC 可以对两者独立编码,也可以采用可逆的左声道—差分声道、右声道—差分声道或中间声道—差分声道表示方式。差分声道表示左右声道之差。在中间—差分编码中,规范规定的整数舍入与重建规则能够保留简单取平均值可能丢失的信息。这些变换可以大幅减少立体声内容中的冗余,但在变换没有优势时,编码器也可以选择对声道独立编码。

残差编码与压缩的极限

预测完成后,FLAC 通常会得到一串集中在零附近的有符号残差值。这些值采用 Golomb–Rice 编码进行编码。这是一种熵编码,尤其适合出现概率随数值绝对值增大而降低的整数。与霍夫曼编码不同,这种方法无需单独传输一张为每个残差值分配码字的表。

通过一种可逆的有符号到无符号映射,可以将较小的正、负残差映射到接近零的位置:

u(e)={2e,e≥0,−2e−1,e<0.u(e)= \begin{cases} 2e, & e\geq 0,\\ -2e-1, & e<0. \end{cases}

对于 Rice 参数 kk,无符号值被拆分为商和余数:

q=⌊u2k⌋,r=u mod 2k.q=\left\lfloor\frac{u}{2^k}\right\rfloor, \qquad r=u\bmod 2^k.

商以一元码表示,余数则用 kk 位表示。因此,较小的残差可以使用较短的码字,同时较大的值也仍能得到无损表示。

kk 的选择很重要。如果它太小,较大的值就需要很长的一元码来表示商;如果它太大,即使数值很小,也要花费许多位来表示余数。FLAC 允许将残差序列划分为多个分区,并为每个分区单独设置编码参数。这样就能适应同一个块内信号特性的变化,例如一段安静的声音后紧接一个瞬态信号。

码流提供了 Rice 参数取值范围不同的残差编码方法,同时也为更适合以固定位宽存储残差的分区提供了转义表示。这些选项无需改变预测器,就能提高编码的灵活性。编码器可以比较多种方案所需的存储空间,并将参数本身的开销计算在内,而不是假定某一种方法在所有情况下都是最优的。

FLAC 还可以利用整个子帧中始终为零的最低有效位。这些“无效位”会在编码前被移除,并在解码时恢复。例如,一段 24 位录音中,如果所有采样值都是 256 的整数倍,那么每个采样值最低的八位就都是零。尽管源格式的标称采样位深仍为 24 位,显式存储这些重复的零仍会浪费空间。

压缩效果最终取决于信息量。静音、重复的音调以及高度相关的声道都可以获得极高的压缩率。类似噪声的采样值则可能几乎没有冗余,尤其是在各声道相互独立、低位变化丰富的情况下。直接存储原始采样值可以限制预测器不适用时带来的不利影响,但帧结构和元数据仍会产生开销。任何无损算法都不可能让所有输入都变小:一一对应的可逆映射,不可能为所有长度相同的输入都分配各不相同且更短的输出。FLAC 在实际应用中的成功,源于其编码工具契合了常见音频的统计特性,而不是绕过了这一极限。

原生流结构、分帧与定位

原生 FLAC 流以四字节标记 fLaC 开头,后接元数据块,再接音频帧。这种排列顺序使解码器能在处理声音之前获取音频流的关键属性。元数据序列会明确标示最后一个块,随后便开始解析音频帧。普通音频帧包含帧头、每个编码声道各自的子帧、必要的对齐填充,以及帧校验和。

帧头标明块大小、采样率、声道分配方式和采样位深等属性,有时会引用流元数据中的值。帧头还包含帧编号或采样编号,具体取决于分块策略。FLAC 区分固定块大小流和可变块大小流;最后一个块可以比前面的块短。每个块的每个声道最多可包含 65,535 个采样。

较大的块可以将预测器和分帧的开销分摊到更多采样上,但对不断变化的信号可能拟合得不够好。较小的块能更快地适应瞬态信号或声道间关系的变化,代价是需要更频繁地写入帧头和预测器描述。因此,块大小的选择是编码时的权衡,而不是直接控制音质的手段。它还会影响缓冲需求,以及应用程序访问录音片段时的粒度。

只要已知必要的流参数,各帧就能独立解码。预测器状态不会跨越帧边界无限延续:每个采用预测编码的子帧都会提供自身所需的预热采样。这种结构支持定位,也能限制一般数据损坏的影响范围。如果某一帧损坏,解码器或许能够识别后续帧,并从那里恢复解码,但这并不能找回丢失的采样。

FLAC 在两个层面使用循环冗余校验:对帧头进行 8 位校验,对整个帧进行 16 位校验。同步模式有助于定位可能的帧边界,而结构检查和校验和则有助于区分真正的帧与偶然出现的字节模式。这些措施可以检测多种形式的数据损坏,但并不是能够重建缺失信息的纠错码。

可选的定位表存储定位点,记录采样位置与字节偏移量及帧内采样数之间的对应关系。播放器可以借此跳转到所请求时间附近,再向前解码,从而加快随机访问。没有此类表的文件仍然有效,播放器也可以采用其他搜索策略。FLAC 的独立帧结构和较低的解码要求有利于通过网络播放,但编解码器本身并不提供自适应码率选择、数据包重传或完整流媒体系统所需的时序机制。

元数据、封面图像与完整性信息

FLAC 的元数据系统将录音的相关信息与压缩后的采样数据分开存储。每个元数据块都有类型和长度标识,因此软件可以跳过无需解析的块类型。必需的 STREAMINFO 块位于最前面,记录采样率、声道数、采样位深、块大小信息、已知时的采样总数以及音频校验和等基本属性。其他元数据块均为可选。

描述性标签通常存储在 Vorbis 注释块中。这些标签是带有长度前缀的 UTF-8编码字符串,通常写作 FIELD=value,常用的字段名包括 TITLE、ARTIST 和 ALBUM。这种灵活的设计支持多值字段和专门的编目方式,但也可能导致不同应用程序在拼写、命名和解释上存在差异。某个字段存在,并不意味着所有播放器都会显示它,或赋予它相同的含义。

图片块将图像与其媒体类型、描述、尺寸和图片用途等信息一同存储。因此,封面图像可以随音频一同保存,而不必依赖目录中的独立文件。由于图片与采样编码相互独立,更换封面图像会改变 FLAC 文件,但不会改变解码后的声音。对于较短的录音,较大的嵌入图像也可能占据文件大小的很大一部分。

其他块类型用于更专门的用途。提示表(cue sheet)可以描述音轨和索引的位置,其中包括适用于 CD 相关工作流程的约定。应用程序块用于存放由应用程序标识符标识的应用专用数据。填充块预留未使用的元数据空间,使后续的某些标签编辑无需移动全部音频帧即可完成。定位表也属于元数据,不过它的用途是辅助访问,而非提供描述。

STREAMINFO 中的校验和使用 MD5,针对未压缩采样的指定表示形式计算。解码器或检测工具可以在解码后重新计算该校验和,并比较结果。全零值表示未提供校验和。这一机制有助于检测解码后音频的意外变化,与作用于编码数据流的帧级校验有所不同。

音频校验和并不是完整的保存或安全记录。它不涵盖标签和封面图像,而且由于已知的碰撞漏洞,MD5 不适合用作现代安全场景中抵御恶意攻击的真实性验证机制。采用合适的现代算法计算的全文件哈希函数值则有不同的用途:检测整个已存储对象的变化。数字签名还可以将数据与签名密钥关联起来。FLAC 音频校验和本身并不自动提供这两种功能,而艺术家姓名等元数据中的声明仍只是普通的存储文本,并非经过验证的来源信息。

压缩设置、计算开销与实现

FLAC在设计上允许编码器采用较复杂的处理,以生成可由简单得多的解码器还原的码流。编码过程可能需要尝试不同的声道分配、分块模型、预测器阶数、系数精度和残差分区。解码时则只需按照已选定的表示方式进行处理,无须重复这些搜索。对于只编码一次却要播放多次的录音,这种不对称设计很有价值,在便携设备上尤其如此。

参考实现的命令行编码器提供了以数字编号的压缩预设,通常从0到8。较高的设置通常会投入更多计算来寻找更小的文件,但具体的搜索配置属于实现细节,可能随软件版本变化。这些数字并非标准化的码流质量等级。只要对相同的输入采样进行正确编码,所有设置都是无损的,较高的设置也无法恢复源音频中本就不存在的信息。

从数学上说,也不能保证较高的预设对每一份输入都能产生最小的结果。各预设选择的是不同的实用搜索策略组合,而不是遍历所有有效FLAC码流、求取全局最优解。专门的编码器可能采用范围更广的搜索或其他启发式方法。只要输出符合相应的格式约束,就仍可与普通解码器兼容。

常见音乐压缩后的大小往往约为未压缩PCM数据的二分之一到三分之二,但实际变化范围很大,不应将其视为格式规范。结果取决于音乐内容、母带处理、声道相关性、采样率、位深度以及编码器的处理方式。此外,如果不先定义“压缩比”,比较也会产生歧义:输出与输入之比为0.6,意味着体积减少40%;而有些表述使用这一比值的倒数,或只给出节省空间的百分比。

音频本身的特性可能比预设更重要。音量较低、频谱较简单的素材通常容易预测;密集、类似噪声的内容则未必如此。较高的采样率可以增强相邻采样之间的相关性,而较高的采样精度可能引入难以压缩的低位变化。这些因素会相互影响,因此仅凭标称分辨率或音乐类型,都无法可靠地判断最终文件大小。

参考库主要以C编程语言编写,并提供应用程序编程接口,便于集成到播放器、编辑器和转换工具中。此外,也存在独立实现。性能会因针对特定处理器的优化、输入处理、内存分配和输出转换而有所不同。该格式的“可流式处理子集”对部分编码参数施加限制,以简化资源受限环境中的实现,尤其是硬件设备上的实现。不属于该子集的码流仍可能是有效的FLAC码流,但资源受限的解码器对它的支持可能不那么普遍。

与容器及其他音频格式的关系

FLAC 是一种具有原生流结构的音频编码格式,也可以封装在其他容器中。Ogg 映射将 FLAC 数据封装在 Ogg 页中,而 Matroska 则可以将 FLAC 音频与视频、字幕及其他轨道组合在一起。这些封装方式保留了 FLAC 的无损音频编码,只改变流的封装、索引以及与其他媒体关联的方式。

这一区别说明,仅凭文件扩展名无法了解完整的技术情况。原生 .flac 文件通常先存放元数据,随后是 FLAC 帧。包含 FLAC 的 Matroska 文件则必须先经过 Matroska 解复用器处理。应用程序能够解码原生 FLAC,并不意味着它支持所有能够承载 FLAC 的容器;同样,支持某种容器,也不意味着支持其中嵌入的所有音频编解码器。

WAVE 和 AIFF 通常用于存储未压缩的 PCM,不过这两类容器也可以承载其他编码。因此,将 FLAC 与“WAV”进行比较,往往是在比较经过压缩的 FLAC 音频与存放在 WAVE 容器中的未压缩 PCM。如果二者表示的是同一采样序列,解码后就可以产生完全相同的数字音频。差异在于文件大小、元数据惯例、软件兼容性以及容器特有的信息,而不是音质上的本质提升。

MP3 和高级音频编码等有损格式的用途则有所不同。它们利用感知编码模型丢弃部分信息,以此作为降低数据率的手段之一。这种方式能够在保持可用听感质量的同时,获得比无损压缩小得多的文件,但解码后无法还原原始采样。将 MP3 录音转换为 FLAC,只能保留 MP3 解码器输出的采样,无法重建最初进行 MP3 编码时丢弃的信息。

其他无损编解码器包括通常存储在 MPEG-4 容器中的 Apple 无损音频编解码器,以及支持更多表示模式和工作流程的 WavPack。这些格式之间的差异包括许可历史、支持的采样表示方式、元数据惯例、压缩性能以及硬件普及程度。不存在一种文件大小排名能够一致适用于所有录音和编码器配置。

通用压缩工具也可以压缩原始 PCM 数据或未压缩音频文件。它们能够发现重复的字节模式,但通常无法像 FLAC 那样,兼具音频预测、声道去相关、独立帧以及面向音频的定位功能。反过来,FLAC 也不能作为归档压缩工具的通用替代品:它要求输入受支持的音频采样,而不是任意文档或可执行程序。这种专用设计牺牲了输入类型的广泛灵活性,换取了对特定类型数据便捷、可预期的处理能力。

分发、长期保存与实际应用的局限

FLAC 常用于提供音乐下载,因为它能以较小的体积表示音频,并可从中还原最初交付的 PCM 数据。分发者可以提供一份无损音源,供用户直接播放,或日后转换为特定设备所需的格式。听众无需重新编码音频,就能编辑标签、更换封面图片和重新整理音乐收藏,不过具体标签编辑软件的行为取决于其实现方式。

对于长期保存机构而言,能够精确还原采样数据以及拥有公开的技术文档,是 FLAC 的重要优势。FLAC 可以降低存储和传输需求,同时避免连续进行有损转换所造成的反复信息损失。其校验和与独立帧结构也有助于验证和问题诊断。这些特性解释了为什么一些馆藏会采用 FLAC:对它们而言,保留音频信号比逐字节保留原始容器更重要。

不过,用于长期保存的母版所需保留的内容可能不止音频流。例如,广播 WAVE 文件可以在规范定义的数据块中承载制作元数据、时间基准以及机构记录。将其中的采样数据转存为 FLAC,并不会自动重现所有这些结构,也不一定能保留它们在实际业务中的含义。因此,长期保存工作流程会区分录音所承载的内容、其采样数据表示、描述性元数据以及原始数字对象。

FLAC 本身无法证明音频采集准确无误。在光盘音频提取过程中,读取错误、不正确的偏移量或音轨边界处的问题,都可能作为所提供 PCM 数据的一部分被如实编码。此时,有效的 FLAC 校验和只能确认数据与编码时的音频一致,而不能确认其与光盘上本应读取到的数据一致。同样,由已有损音源制作的无损文件,也仅相对于直接输入的解码后数据而言是无损的。

高采样率和高位深也与无损这一属性相互独立。一个 16 位、44.1 kHz 的 FLAC 文件可以做到完全无损,而一个标称分辨率更高的文件则可能来自上采样或其他转换。FLAC 并不能证明录音的实际分辨率、母带制作来源或听感上的优越性。要证实这些说法,需要压缩比特流以外的信息。

长期存储还涉及编解码器范畴之外的问题,包括冗余副本、数据备份流程、整文件完整性记录、元数据一致性以及存储系统之间的迁移。解码器安全性也是另一个独立问题。即使数学编码方案是无损的,畸形文件仍可能利用软件在解析长度、分配缓冲区或处理嵌入图片时的缺陷。具体实现必须将外部提供的文件视为不可信输入。在实际馆藏中,FLAC 录音能否得到持久保存,既取决于其格式的开放性,也取决于保存、识别、验证和解读它的系统。