音の波形

音のファイルをえらぶと、中に入っている数字をそのまま画面に出します。 波の形と、どの高さの音が混ざっているかも見られます。音はどこにも送りません。

音は、ただの数字の列です

ふだん音は「聞こえるもの」で、形があるようには思えません。 でも、耳が受け取っているのは空気の押し引きだけです。 太鼓を叩くと皮が動き、そのまわりの空気が押されて、 押されたところがとなりを押して、と伝わっていきます。 その押し引きが耳のまくを揺らすと、 音として感じられます。

だから音を記録するというのは、ある場所の空気が、今どれだけ押されているかを くり返し測って、数字として書き留めることです。 マイクがやっているのはそれだけです。 そして音のファイルは、その数字がならんでいるだけのものです。

上のボタンでファイルをえらぶと、その数字が本当に出てきます。説明のための例ではなく、あなたが選んだファイルの中身そのものです。 きれいな波の絵を見るより、この数の列を見るほうが「そういうものか」と分かると思います。

1秒に44,100回、測っています

どれくらい細かく測るかをサンプリング周波数といいます。 CDは1秒に44,100回です。 まばたきが1回だいたい0.1秒なので、 そのあいだに4,410回測っていることになります。

1回ぶんの記録には16ビットを使います。 ビットは2つに1つを選ぶ回数のことで、16回くり返すと 2を16回かけた数 ＝ 65,536段階 になります。 つまり「押しも引きもしていない」から「いちばん強く押されている」までを65,536段階の目盛りで測っている、ということです。

ここから、CDの音がどれくらいの量になるか計算できます。 1秒ぶんは 44,100 × 2本（左と右） × 2バイト ＝ 176,400バイト。 1分ではおよそ10,584,000バイト、 つまり1分で約10メガバイトです。 MP3のような形式が生まれたのは、 この量をそのまま持ち歩くのが大変だったからです。

ただし、これはCDの話です。 あなたが選んだファイルがこの値だとはかぎらないので、 上の表には実際に読み取れた値を出しています。

44,100という半端な数の理由は、確かめられませんでした

きりのいい40,000でも50,000でもなく、なぜ44,100なのか。 これには「昔、音をビデオテープに記録していた名残だ」という説明が 広く出回っています。 実際、当時のビデオの信号の形に合わせて計算すると、2つのちがう方式のどちらでも、ぴたりと44,100になります。 偶然とは思えない一致です。

ただ、そう決めたと書いてある元の文書には行き着けませんでした。このサイトは「出どころの分からない数字は書かない」ことにしているので、ここでは理由として断定しません。

確かめられたのはここまでです。ソニー自身のページが、1978年にPCM-1600 という機械を出し、Uマチックというビデオテープの機械と組み合わせて（新しいタブで開きます）音を記録していたこと、その後の PCM-1610 が「16ビット／44.056または44.1kHz」の2つに対応していたことを書いています。44.056 と 44.1 という、よく似た2つの数が並んでいた時期がある── ここまでは確かです。

分からないことを分からないままにしておくのは気持ちの悪いものですが、それらしい理由で埋めてしまうと、もう誰も調べ直さなくなります。調べ物では、こういう「ここまでは確か」という線を引くことのほうが大事です。

まとめ方をまちがえると、音が消えます

3分の曲には、数字が1,000万個以上ならんでいます。 画面の横はせいぜい数百の点しかないので、絵にするときは何万個かを1本の線にまとめるしかありません。 ここに、このページでいちばん危ない落とし穴があります。

いちばん思いつきやすいのは「100個ごとに1個だけ拾う」というやり方です。 ふつうの音ならこれでもそれらしい形になります。 ところがカスタネットのような、一瞬だけ鳴る鋭い音が入っていると、 その音がちょうど拾わなかったところにあった場合、絵から丸ごと消えます。

これはただの見落としではなく、嘘の絵になります。 音は鳴っているのに、絵は「ここは静かでした」と言っているからです。 しかも絵を見ても気づけません。もっともらしい波が出ているだけだからです。

だからこのページは、区間ごとの「いちばん上」と「いちばん下」を両方残して1本の縦線にしています。こうすると、どれだけまとめても振れ幅だけは絶対に縮みません。 上の画面には、正しいまとめ方と、1個ずつ拾うやり方の数を並べて出しています。 鋭い音の入った曲でためすと、数がはっきり食い違うのが見えます。

ブラウザは、押されるまで音を鳴らせません

このページで音を鳴らすのに、かならずボタンを押す必要があるのには理由があります。ブラウザは、勝手に音を鳴らし始めることを自分に禁じているからです。

音を扱う仕組みの決まりには、「新しく作られたものは、かならず止まった状態で始まる」（新しいタブで開きます）と書かれています。 ページを開いた瞬間に用意しても、それは止まったままで、人が何か押してはじめて動き出せるようになっています。

ページを開いただけで大音量が出たら困る、という当たり前のことを、決まりのほうで先に止めてあるわけです。 ここを知らずに作ると「音が鳴らない」と悩むことになります。 このページも、ボタンを押した流れの中でだけ音の仕組みを立ち上げています。

ブラウザは「必ず聞けます」と言えません

ある形式のファイルが読めるかどうかは、ブラウザに直接たずねられます。 面白いのは返ってくる答えの種類です。 決まりで用意されているのは「空っぽ（たぶん無理）」「maybe」「probably」の3つだけで、「必ず聞けます」に当たる答えがありません。

しかも決まりは、作る人に対して「はっきり分かる場合をのぞいては maybe を返すように」（新しいタブで開きます）とすすめています。 ファイルの中身は開いてみないと分からず、 名前や見出しだけでは本当に最後まで読めるとは言い切れないからです。

だからこのページも、形式の一覧を自分では持ちません。いま見ているブラウザに、その場で聞いた答えを出しています。 「この形式はあのブラウザでは駄目」と書いた表は、書いたそばから古くなりますし、 同じブラウザでも端末によって答えが変わるからです。

数値の出どころ: CDの44,100Hz・16ビットは日本オーディオ協会（新しいタブで開きます）に載るJEITA公告の例示、記録できる音の高さの上限が22.05kHzであることは同協会の用語集、 音の仕組みの決まりは W3C の Web Audio API、形式の聞き方は WHATWG の HTML Standard、 PCM-1600 と PCM-1610 についてはソニーのページから取りました。44,100という数が決まった理由の原典は見つけられていません。見つからなかったことは、見つからなかったと書いています。