PCM

PCMの位置づけ

PCM(パルス符号変調、Pulse Code Modulation)は、A-D変換で標本化・量子化された数値を、圧縮せずそのまま整数として記録する方式です。音声をコンピュータで扱うには、まずA-D変換で連続した波形を一定の間隔で測り、その振幅を整数に置き換えます。PCMは、その後で得られた数値の並びを、どのような形で保存するかという段階にかかわる語です。

Jurafsky と Martin の教科書では、圧縮をかけない(対数をとらない)ままの値が一般に線形PCM値と呼ばれると説明されています。つまりPCMは、量子化された振幅の値を、線形のまま1つずつ並べて記録するやり方を指します。

サンプルの大きさとサンプリングレート

音声では、8,000 Hzのサンプリングレートであっても、音声1秒ごとに8000回の振幅の測定値が生まれます。そのため振幅の値を効率よく保存することが大切になります。値は通常、整数として保存され、8ビットなら-128から127まで、16ビットなら-32768から32767までの範囲をとります。

保存の形式を決める要素の1つが、このサンプリングレートとサンプルの大きさの組み合わせです。教科書では、電話の音声は8 kHzで標本化して8ビットのサンプルとして保存されることが多く、マイクで録った音声は16 kHzで標本化して16ビットのサンプルとして保存されることが多いという例が挙げられています。ほかにチャンネル数も要素の1つで、ステレオの音声や2人の会話では、両方のチャンネルを同じファイルに入れることも、別々のファイルに分けることもできます。

線形PCMとμ-lawの違い

最後の要素が、個々のサンプルを線形のまま保存するか、圧縮して保存するかです。線形のまま保存するのがPCMで、電話の音声でよく使われる圧縮形式の代表がμ-law(u-lawとも書かれますが、読みはミューロー)です。

μ-lawのような対数圧縮の考え方は、人間の聴覚は大きな音より小さな音に対して敏感だという直感に基づいています。対数をとると、大きな値の誤差が増える代わりに、小さな値をより忠実に表せます。これに対して線形PCMは、値の大小にかかわらず同じ量子の幅で記録します。μ-lawは圧縮方式であり、圧縮しない線形PCMとは別のものとして区別されます。

PCMを収めるファイル形式

こうしてデジタル化された音声を保存する標準的なファイル形式には、Microsoftの.wavやAppleのAIFFがあり、どちらも専用のヘッダーを持ちます。ヘッダーを持たない単純な生データのファイルも使われます。たとえば.wav形式は、Microsoftのマルチメディア用のRIFF形式の一部です。RIFFは、データと制御情報のまとまり(チャンク)を入れ子にして並べられる汎用の形式です。PCMは数値の記録の仕方であり、.wavやAIFFはその数値を入れておく入れ物だと区別すると整理しやすくなります。