Format de fichier audio

• Nombre de canaux sonores codés : mono, stéréo, multicanaux.
• Fréquence d'échantillonnage : nombre d'échantillons par seconde utilisés pour décrire numériquement le signal qui représente l'onde sonore pour chaque canal. La bande passante dépend étroitement de cette caractéristique.
• Résolution de chaque échantillon en bits. Le rapport signal sur bruit dépend de cette caractéristique si le bruit de quantification est supérieur au bruit propre du signal. Le dither augmente un peu le bruit de fond, afin de le rendre indépendant du signal, et de le déplacer vers une région du spectre.
• Débit numérique : taille du fichier par rapport à la durée du son.
• compression de données ou réduction de débit par rapport à un fichier brut.
  • avec reconstitution de la forme d'onde initiale (codage de l'entropie), ou
  • avec reconstitution (plus ou moins précise) de l'impression sonore (codage psychoacoustique).
• Puissance de calcul nécessaire au codage.
• Puissance de calcul nécessaire au décodage.
• Structure permettant ou non
  • de commencer à jouer le fichier alors qu'on en connaît pas encore la fin,
  • de jouer un fichier à partir du milieu sans connaître le début,
  • de sauter sur un emplacement déterminé,
  • d'enregistrer des données ancillaires et auxiliaires (Métadonnées),
  • de gérer les droits de reproduction numérique (DRM),
  • d'adapter automatiquement le niveau au local d'écoute.

Selon l'usage auquel le fichier est destiné, certaines caractéristiques ont plus d'importance que d'autres.

Dans un format donné, les fichiers peuvent être déclinés en plusieurs échelles de quantification (8, 16 ou 24 bits) avec différentes fréquences d'échantillonnage (par exemple 22,05 kHz, 44,1 kHz, 48 kHz, 88,2 kHz, 96 kHz, 176,4 kHz, 192 kHz,) appliqués à un certain nombre de voies (monophonique, stéréophonique, 5.1 surround, etc.). Les formats qui utilisent la réduction de débit par codage psychoacoustique proposent diverses qualités de reproduction, correspondant à plus ou moins de réduction de débit.

Les différents canaux sonores peuvent être réels et multiplexés, ou mélangés discrètement aux signaux principaux, que tous les décodeurs restituent, tandis que seulement ceux qui exploitent des algorithmes spécifiques (Surround) décodent et restituent les autres. Quand il y a réduction de débit, celle-ci peut utiliser ou non la redondance entre les canaux.

Les codecs peuvent utiliser deux stratégies, avec leurs avantages et inconvénients respectifs.

• « Constant bit rate » ou CBR : Le « débit binaire fixe » donne à chaque trame du fichier, correspondant à une durée élémentaire, la même taille.
• « Variable bit rate » ou VBR : Le « débit binaire variable » adapte la compression à chaque passage du fichier, pour obtenir une qualité homogène. En général, on peut arriver à une meilleure qualité subjective globale pour une même taille de fichier, puisque le fichier peut comporter plus d'informations pour les passages difficiles. En contrepartie, cette stratégie est délicate à mettre en œuvre pour le codage en direct ; il faut en général au moins deux passes pour l'encodage. La première repère les passages contenant le plus d'information, la seconde répartit la compression selon les résultats de la première et l'objectif global de taille qu'impose l'utilisateur. Il est aussi plus difficile d'atteindre un point repéré uniquement par le temps.

Un format est dit « de production » quand il sert à la confection d'un prototype, « de diffusion » lorsque l'enregistrement, qui ne subira plus de modifications, sera copié à un grand nombre d'exemplaires ou diffusé sur un canal de communication de débit binaire limité.

Dans un processus de production, la taille du fichier est de moindre importance. On choisit des formats qui conservent autant que possible l'information enregistrée dans les éléments sonores, et qui permettent des traitements de meilleure qualité, même au prix d'une importante consommation de ressources de calcul. Le plus souvent, on évite la compression de données, et même on augmente la taille des fichiers, par exemple en ajoutant des métadonnées encapsulées et en convertissant le format des données numériques de nombres entiers en virgule flottante. La plupart du temps, le signal peut être restitué après décodage identique à ce qu'il était avant le codage.

Dans la diffusion des fichiers audio, la taille des fichiers a beaucoup plus d'importance. Le codage vise à restituer l'impression sonore, sans garantir la restitution du signal à l'identique. La réduction du débit des données rend incertaine la qualité d'un traitement ultérieur.

Lorsqu'on considère la qualité de la transmission du point de vue de la perception humaine, son évaluation ne peut se faire qu'avec des méthodes psychoacoustiques, soit en étudiant l'appréciation d'échantillons d'auditeurs, soit avec des modèles d'évaluation élaborés à partir de ces enquêtes[1]. Ce contrôle de la qualité des méthodes d'encodage est un champ de recherche depuis 1990[2]. L'Union internationale des télécommunications a défini des « méthodes d'évaluation subjectives de la qualité de la transmission[3] », qui résultent en une note d'opinion moyenne (MOS, « Mean Opinion Score ») qui peut varier entre 0 (très mauvais) et 5 (excellent, comparable à la version d'origine).

Pour un format de fichier sans réduction de débit, la qualité de reproduction peut assez bien s'évaluer par le débit numérique, qui est le produit de la fréquence d'échantillonnage par le nombre de bits. Le CD, à 44,1 kHz et 16 bits, peut servir de point de comparaison dans cette évaluation^{[réf. souhaitée]}. Quand on réduit le débit, la qualité se dégrade rapidement ; quand on l'augmente, elle s'améliore de plus en plus marginalement au fur et à mesure que le débit augmente. Pour l'enregistrement en direct, où, contrairement au CD terminé, on ne peut contrôler et anticiper le niveau, une résolution supérieure est appréciable, d'autant plus qu'on ne souhaite pas en général, à ce stade, comprimer la dynamique sonore.

Aidé par les nouveaux supports informatiques, le son peut être numérisé en 24 bits. On atteint ainsi un rapport signal sur bruit supérieur à celui du matériel de prise de son. Pour le mélange et le traitement du signal, il est préférable d'utiliser une plus grande résolution, pour éviter que le cumul des arrondis dans les très nombreux calculs que nécessitent les filtres et les mélanges ne détériore le signal. En codage en virgule flottante, 32 bits (IEEE 754 simple précision) suffisent pour éviter cette accumulation. Certaines machines travaillent en 64 bits (IEEE 754 double précision), et les erreurs se trouvent ainsi repoussées à l'infini, au prix d'une énorme marge de calculs inutiles.

De la même façon, augmenter la fréquence d'échantillonnage à la prise de son permet d'utiliser des filtres anti-repliement moins brutaux. Quand les filtres doivent passer de « passe » à « coupe » sur une octave, comme dans le CD[4], ils transmettent un peu irrégulièrement la partie du signal qui doit passer, et ne peuvent couper complètement la partie qui doit disparaître. Les meilleurs filtres demandent beaucoup de calculs et ils imposent un délai important au signal. Il est possible de reporter cette opération à la phase finale de la production (masterisation en musique). Les appareils modernes offrent des fréquences d'échantillonnage doubles et quadruples du CD : 88,2 kHz et 176,4 kHz et de celles de la télévision : (48 kHz), soit 96 kHz et 192 kHz.

L'utilisation de formats de qualité supérieure s'impose durant les phases d'enregistrement et de production. La précision supplémentaire ainsi obtenue autorise des calculs plus fins lors de traitements numériques dans les logiciels audio. Ceci permet une amélioration subtile de la qualité lors de l'application d'effets tels que la réverbération. Et le coût se répartit entre les dizaines de milliers de consommateurs du produit fini.

Le format du CD obéit à d'autres critères. Chaque auditeur doit acquérir le matériel pour l'écoute. Celui-ci ne doit pas être trop coûteux. L'enregistrement n'est pas destiné à être modifié : le niveau peut exploiter la totalité de la dynamique du média. Le CD, avec une dynamique effective d'environ 92 dB est adéquat pour une dynamique sonore de 70 dB, correspondant à un mixage de musique classique. Pour les autres genres musicaux, il est largement suffisant, si l'on en juge par l'évolution des mixages (voir Guerre du volume). Il correspond aussi à l'état de l'art dans les années 1980, progressivement amélioré par les progrès sur les filtres numériques et sur le dither.

Des offres promettant un son de qualité supérieure au CD existent : pour les disques physiques, le DVD-Audio ou le SuperAudio CD de Sony, qui a l'avantage d'exister en version hybride : il est lisible à la fois selon la norme CD Audio classique, sur tous les lecteurs, et en SACD sur un lecteur dédié. D'une part, ces revendications ont été contestées[5], alors que parallèlement, le son du CD était amélioré, sans en changer le format, et d'autre part, le public audiophile visé par ces arguments semble avoir été trop restreint : pour entendre une éventuelle différence, il faut une assez grosse installation. Mais l'existence de cette différence n'est pas universellement reconnue ; par exemple, les salles de cinéma offrent un son de haute qualité, multicanal, avec une forte dynamique, en utilisant un codage seulement un peu supérieur à celui du CD, 48 kHz et 16 bits.

La majorité du public non seulement se contente de la qualité CD, mais se tourne vers des formats plus portables, parfois au détriment de la qualité de reproduction. Pour les applications audiovisuelles, il n'a pas le choix.

Plusieurs formats audio étant basés sur la norme RIFF (Resource Interchange File Format), format d'échange de fichiers ressources, il convient de le décrire en premier, bien qu'il s'agisse d'une norme d'usage général.

Le principe est de définir des conteneurs et des bouts (chunks (en)), les uns et les autres identifiés par leurs quatre premiers octets, qui sont, généralement, des caractères ASCII, de façon à pouvoir être lus par les techniciens qui ouvrent le fichier avec un éditeur hexadécimal, suivi par quatre octets qui indiquent où se trouve la fin du conteneur (ce nombre d'octets limite la taille d'un fichier RIFF à 4 Gio).

Un fichier RIFF commence par « RIFF » et la longueur totale; puis on trouve l'identifiant du premier sous-conteneur, par exemple « INFO » suivi de la longueur de ce bout, à la fin duquel commence le suivant, par exemple « WAVE » suivi de la longueur de ce bout.

Le format WAV (ou WAVE), (« Waveform Audio File Format ») est un conteneur basé sur le format de fichier RIFF, dans lequel son identifiant est « WAVE ». Il peut contenir des codages audio avec réduction de débit ou non, mono, stéréo ou multicanal, il a été mis au point par Microsoft et IBM. Les informations nécessaires au décodage se trouvent au début du fichier. Le WAV permet de stocker des métadonnées dans le fichier.

Le plus souvent, il contient de l'audio sans réduction de données, avec des fréquences d'échantillonnage et des résolutions variées.

Le suffixe des fichiers créés est .wav.

L'European Broadcasting Union a défini une extension broadcast du format WAVE à l'usage des professionnels, le « Broadcast Wave Format » (BWF en abrégé). Il s'agit d'un bloc (chunk) de métadonnées ajouté au fichier .wav. Dans le format RIFF, les programmes qui rencontrent un bloc (chunk) qu'ils ne peuvent interpréter l'ignorent simplement. Les fichiers BWF sont donc compatibles avec les lecteurs WAVE classiques. Leur suffixe reste .wav. C'est le format d'enregistrement usuel de nombreuses stations de travail audio professionnelles de la télévision et du cinéma.

Le bloc d'extension broadcast s'identifie dans le fichier WAV par le code bext (« broadcast extension »). Il inclut une référence standardisée Timestamp qui permet la synchronisation avec un élément d'image distinct, ainsi que des informations d'identification du contenu et de mesure du volume, de la dynamique et du niveau de crête[6].

Des appareils enregistreurs multipistes Sound Devices[7], Zaxcom[8], HHB USA[9], Fostex[10], Nagra[11] et Aaton[12] utilisent le BWF.

Le format Ogg est un format libre, fruit de la fondation Xiph.org. Ogg est un conteneur qui peut contenir des pistes audio sans perte (FLAC), codées avec le codec psychoacoustique Vorbis, audio parlées (Speex) et vidéo (Theora). Un « fichier Ogg » peut donc contenir l'un ou l'autre (ou une combinaison) de pistes.

L'AIFF est l'équivalent du format WAV sur les ordinateurs de Apple. Les résolutions 8, 16, 20, 24 et 32 bits (à virgule flottante) sont acceptées.

Le suffixe des fichiers créés est .aif.

Une variante l'AIFF-C permet de compresser la taille jusqu'à 6x.

Le CAF (Core audio format) a été développé par Apple pour s'affranchir des limitations de conteneur audio plus ancien comme le AIFF ou le WAV.

Il est compatible avec le système Mac OS X d'Apple depuis la version 10.3 et est lisible par Quicktime 7.

Cette section ne cite pas suffisamment ses sources (juillet 2016). 

Pour l'améliorer, ajoutez des références de qualité et vérifiables (comment faire ?) ou le modèle {{Référence nécessaire}} sur les passages nécessitant une source.

RAW (Real Audio Wrapper) est un format audio utilisé pour représenter les données de son en modulation d'impulsion codée sans en-tête ni métadonnées. Le fichier RAW est inexploitable sans les informations sur la fréquence d'échantillonnage, le nombre de bits de la quantification et sa loi linéaire ou logarithmique ainsi que le codage des valeurs grand-boutien ou petit-boutien, ainsi que le nombre de canaux, qui doivent être transmises par ailleurs.

Le format FLAC (Free Lossless Audio Codec), est un format libre de compression audio sans perte.

Maintenu par la fondation Xiph.org, ce format est très apprécié pour l'archivage, étant donné son fort taux de compression sans altération des données[15].

L'ALAC (Apple Lossless Audio Codec), est un format de codage sans perte (lossless) créé en 2004 par Apple.

Shorten aussi dit SHN est un format audio qui applique une méthode standard de compression de données.

Le format de compression AC-3 (ou Dolby Digital), est un standard introduit par la société américaine Dolby Laboratories au début des années 90.

Il permet de coder de l'audio multicanal 5.1 (6 canaux), avec des débits allant de 32 à 640 kbit/s. Ce format est employé dans les projections cinéma 35 mm, en télédiffusions HD, sur support DVD et Blu-ray, dans les consoles de jeux.

MP3 est l'abréviation de MPEG-1/2 Audio Layer 3. La section audio du Moving Picture Experts Group (MPEG) réunit en 1990 des techniques de compression MUSICAM, développée pour la radiodiffusion numérique, et ASPEC, prévue pour des transmissions point à point, en une seule norme. La norme a trois niveaux (« layer ») de complexité et de performance croissante, permettant des applications très variées. La couche 3 est adaptée à des applications nécessitant des débits réduits[16], d'où une adhésion très rapide du monde Internet à ce format. L'ISO en fera une norme internationale dans les années 92-93[17].

La musique s'encode d'ordinaire à un débit de 192 kbit/s, correspondant à un taux de compression (ratio) de 1 pour 7,35, c'est-à-dire qu'un fichier encodé en mp3 occupe 7,35 fois moins d'espace qu'un fichier non compressé enregistré à 44,1 kHz. Une qualité maximum s'obtient à 320 kbit/s (taux de réduction de débit 1:4,4). La parole s'encode en général en mono au débit de 48 kbit/s (1:15). Le débit minimum est 8 kbit/s (1:88).

La norme .mp3 spécifie uniquement les opérations de décodage, afin de permettre la lecture des fichiers sur tous les appareils. La qualité du résultat, à un même taux de compression, dépend, dans une certaine mesure, de l'encodeur. La précision liée à la puissance de calcul, ainsi que la stratégie d'encodage, qui peut être en temps réel ou en plusieurs passes, interviennent. Les encodeurs peuvent être sujets à des royalties. L'encodeur MP3 LAME (V5), permet d'obtenir à 130 kbit/s une qualité comparable au AAC (Advanced Audio Coding) à 48 kbit/s[18].

Le suffixe des fichiers créés est .mp3.

Type de compression : débit constant (CBR, Constant Bit Rate) ou débit variable (VBR, Variable Bit Rate).

Le format mp3PRO, fruit de la collaboration entre Thomson Multimédia et l'Institut Fraunhofer, combine l'algorithme MP3 et un système améliorant la qualité des fichiers comprimés appelé SBR pour Spectral Bandwidth Replication.

Ce format a été publié à la fin de 2001 ; un fichier MP3pro 64 kbit/s a une qualité équivalente à celle d'un MP3 à 128 kbit/s.

Le suffixe des fichiers créés est .mp3.

Vorbis se différencie des MP3, WMA et autre AAC par son algorithme. Il segmente les sources audio en paquets successifs, l'algorithme de compression agissant dans un premier temps sur chaque paquet indépendamment des autres. Cela lui permet d'avoir très peu de faiblesses sur certaines fréquences et de conserver la même qualité quel que soit le type de musique.

Le suffixe des fichiers créés est .ogg ou parfois .oga.

Par abus de langage, on appelle 'fichier Ogg' des fichiers musicaux compressés par l'algorithme Vorbis. Nous devrions parler de fichier Ogg Vorbis lorsque nous mentionnons un fichier .ogg qui ne contient qu'une piste sonore au format Vorbis.

Opus est un format ouvert de compression audio avec pertes, libre de redevances et normalisé par l'Internet Engineering Task Force (IETF), conçu pour encoder efficacement la voix et plus largement l'audio dans un format unique, tout en ayant une latence suffisamment faible pour la communication en temps réel et une complexité suffisamment faible pour les processeurs embarqués peu puissants. Opus remplace Vorbis et Speex pour les nouvelles applications et différents tests d'écoute en aveugle l'ont jugé supérieur à tous les autres formats audio à tous les débits, y compris MP3, AAC et HE-AAC.

C'est le codec utilisé dans les conteneurs multimedia webm.

Le suffixe des fichiers créés est .opus

Le format TwinVQ (Transform-domain Weighted Interleave Vector Quantization), a été développé par NTT Cyber Space Laboratories et soutenu par Yamaha. Dans le même esprit que le MP3, il comprime encore plus et avec une meilleure qualité. On regrettera une durée de codage un peu trop longue, près de 10 fois plus lente que le MP3. De plus, arrivé bien plus tard, et distribué sous une licence très restrictive, il a eu peu d'adeptes et est plus ou moins abandonné.

Le suffixe des fichiers créés est .vqf, .vql ou .vqe.

Le format WMA (Windows Media Audio), créé par Microsoft à partir des recommandations MPEG-4 en 1999, est utilisé par le logiciel Windows Media Player. Ce format est lié à une gestion pointue des droits d'auteurs (Gestion numérique des droits, en anglais Digital Right Management ou DRM) qui permet de définir par exemple une durée de vie limitée pour les fichiers ou d'interdire les possibilités de gravure.

Il existe plusieurs versions du codec (wma7.1, wma9, wma pro).

Le suffixe des fichiers créés est .wma.

Le format AU est assez bien répandu grâce à Unix et Linux. La fréquence d'échantillonnage est comprise entre 1 kHz et 200 kHz. Mais les applications de rendu audio ne lisent principalement que trois fréquences d'échantillonnage : 8012.821 (codec entré), 22050 et 44 100 hertz.

Le suffixe des fichiers créés est .au.

Les résolutions 8, 16, 20, 24 et 32 bits (flottant) sont acceptées.

ASF Advanced Streaming Format, est un format conteneur de Microsoft servant au streaming audio et vidéo.

AA (en) Audible, est un format utilisé par Apple pour les audio-books.

L'AAC (Advanced Audio Coding) est une extension du MPEG-2 et a été amélioré en MPEG-4, MPEG-4 Version 2 et MPEG-4 Version 3. Il a été reconnu fin avril 1997.

Le suffixe des fichiers créés est .aac, .mp4, .m4a.

Apple a choisi l'AAC comme codec privilégié, on le retrouve dans son iPod et son logiciel iTunes. Pour la vente musicale en ligne iTunes Music Store, la norme AAC ne proposant pas de système de gestion des droits numériques (DRMs), Apple a développé son propre système, appelé FairPlay. Il est lisible sur Mac OS et Windows, uniquement avec le logiciel iTunes. En janvier 2009, Apple annonce la suppression des DRM FairPlay sur toute la musique de son site iTunes Store 2

Le fait que l'AAC soit le seul format de compression plus performant que le MP3 qui soit pris en charge par les iPod a fortement contribué à sa popularité. Insuffisamment cependant pour qu'il s'impose comme successeur du MP3, d'autres formats cités faisant largement jeu égal en performances.

L'ATRAC (Adaptive Transform Acoustic Coding) est une technique de compression audio psychoacoustique (il existe une option purement statistique) développée par Sony en 1992 pour son MiniDisc. Ce format a subi plusieurs évolutions : ATRAC3, ATRAC3plus (familièrement écrit ATRAC3+) et ATRAC Advanced Lossless se sont succédé respectivement en 1999, 2002 et 2006.

Le U-MYX est un format multipiste lisible avec une application dédiée, éditée par la même entreprise qui a développé le format. Ce format a été utilisé pour fournir des morceaux en version multipiste à titre de bonus dans les albums, l'application étant fournie en même temps que les morceaux, le tout sur une session de CD visible uniquement si on lisait le disque sur un ordinateur.

Malgré ces exemples d'utilisation, le futur de U-MYX est incertain, car l'entreprise qui le produit est assez floue sur ses projets futurs.

Le MXP4 est un format multipiste dans lequel les pistes encapsulées sont au format Ogg[20]. Produit par une société française, le format a bénéficié d'une forte médiatisation dans la presse française, présenté comme un « successeur du MP3 ». Une expression qui peut sembler exagérée, les formats multipistes jouant tout simplement un rôle différent[21].

débit (kbit/s) = fréquence d'échantillonnage (kHz) x quantification (bit) x nombre de canaux

Taille d'un MP3 à 192 kbit/s d'une durée de 3,75 minutes : [temps (s)] x débit (kbit/s) / 8 000 : [3,75 × 60] × 192 / 8 000 = 5,4 Mo.

• Format de fichier
• Traitement de la parole
• Module
• Lecteur audio
• Codage de l'information, Transcodage
• Compression audio.