デジタル音声は「モザイク」なのか — 縦と横で分かるサンプリングレートとビット深度

ここまでサンプリングレートとビット深度を別々に書いてきましたが、この2つ、実は1枚の絵にまとめられます。
「生の音にモザイクをかけたときの、タイルの細かさ」だと思ってもらえれば、ほぼ正解ですｗ

横がサンプリングレート、縦がビット深度

モザイクのタイルには、横方向の細かさと縦方向の細かさがありますよね。
デジタル音声もまったく同じで、横軸=時間、縦軸=音量の2方向に分かれています。

つまり48kHz / 24bitというスペック表記は、「横に48,000分割、縦に約1,677万分割のタイルで記録しています」と言っているだけなんです。
2つの数字が並んでいると難しく見えますが、見ているのは縦と横。それだけです。

この図のように、片方だけ細かくしても、もう片方が粗ければ元の波形からは遠いまま。
「レートが高ければ高音質」でも「ビット深度さえ深ければOK」でもなく、2軸のセットで考える必要があるわけですね。

ここからが今日の本題です。
モザイクの例えは入り口としては優秀なんですが、そのまま信じると誤解する部分があります。

画像のモザイクは、拡大すればギザギザのタイルが見えますよね。
では音も、記録した点と点の間がカクカクした階段状になって、そのまま耳に届くのか。
——ここが違うんです。

デジタル音声は、再生するときに点と点の間が補間されて、元の滑らかな波形に復元されます。
記録できる範囲内の音であれば、階段状のギザギザな音になることはありません。
「デジタルは階段だからアナログより角張った音」というのは、この復元の工程を知らないまま語られる、わりと有名な誤解です。

だから44.1kHzと48kHzの記事で「音質差で悩む必要はない」と書けたわけです。
レートを上げても「ギザギザが滑らかになる」のではなく、記録できる音の高さの上限が上がるだけ。
そしてその上限は、44.1kHzの時点ですでに人間の可聴域を超えています。

では縦(ビット深度)が粗いとどうなるのか。
こちらも「波形がカクカクになる」というイメージを持ちがちですが、実際の現れ方は少し違います。
正確には、ノイズの床(ノイズフロア)が上がるという形で効いてきます。

目盛りが粗いほど、丸め誤差がノイズとして常に鳴っている状態になる。
そのノイズより小さい音は、埋もれて聞こえなくなります。
ビット深度変換の記事で「余韻やリバーブの尻尾で表面化する」と書いたのは、まさにこれ。
大きい音は無事なのに、小さい音から順に失われていくわけです。