【ITニュース解説】Decoding Netflix's AV1 Streams: Here are 10 things I found

Netflixが提供する高画質な映像コンテンツを、私たちが快適に視聴できる背景には、様々な先進的な技術が使われている。特に近年注目されているのが、新しい映像圧縮技術であるAV1（AOMedia Video 1）だ。AV1は、オープンソースのロイヤリティフリーなビデオコーデックであり、従来のコーデックよりも高い圧縮効率を誇る。これにより、同じ画質であればより少ないデータ量で、同じデータ量であればより高い画質で映像を配信できるようになる。NetflixはすでにこのAV1を一部のコンテンツに導入しており、その具体的な実装方法や技術的特徴について、詳細な分析から様々な知見が得られている。

まず、NetflixがAV1エンコードに採用しているのは、SVT-AV1（Scalable Video Technology for AV1）と呼ばれるエンコーダである。これはIntelとNetflixが共同で開発しているオープンソースプロジェクトで、高い性能と柔軟性を持つ。特定のハードウェアに依存しないため、幅広い環境で利用でき、Netflixが様々なデバイスに向けて効率的なエンコードを行う上で重要な役割を果たす。

映像のエンコード処理には、通常、複数回のパスを経て最適化が行われる。NetflixのAV1ストリームも例外ではなく、2-パスエンコーディングという手法を採用している。これは、まず1回目のパスで映像コンテンツ全体を分析し、どのシーンにどれくらいのビットレート（データ量）を割り当てれば効率的かを判断する。そして2回目のパスで、その分析結果に基づいて実際に映像をエンコードすることで、全体の画質を保ちつつ、データ量を最小限に抑えることを目指す。このプロセスにより、動きの激しいシーンではより多くのビットレートを割り当て、静止画のようなシーンではビットレートを削減するといった、賢いデータ配分が可能となる。

エンコードの品質を客観的に評価するために、NetflixはVMAF（Video Multimethod Assessment Fusion）という独自の画質評価指標を広く利用している。VMAFは、人間の視覚特性を考慮して設計されており、単なるデータ上の差分だけでなく、人がどのように映像の品質を認識するかを数値化する。Netflixは、コンテンツごとに特定のVMAFスコアを目標として設定し、そのスコアを達成できるようにエンコード設定を細かく調整している。これにより、エンコードされた映像が、客観的にも主観的にも高品質であることを保証しようとしている。

AV1の導入は、現時点では主にモバイルデバイス向けのコンテンツや、比較的低解像度な映像（例えば480pや720p）から進められている。これは、AV1が高い圧縮率を持つ一方で、デコード（再生）に要する計算処理の負荷が比較的高いことに起因する。高解像度のコンテンツをAV1で配信するには、視聴側のデバイスにそれなりの処理能力が求められるため、現時点では普及している全てのデバイスでの安定した再生を考慮し、段階的な導入が進められている状況だ。

AV1の高い圧縮効率は、H.264やVP9といった従来の主要なビデオコーデックと比較して顕著だ。同じ視覚的品質を保ちながら、AV1はより少ないデータ量で映像を配信できるため、ユーザーにとってはモバイルデータ通信量の節約につながり、Netflixにとっては配信コストの削減やネットワーク帯域の効率的な利用が可能になる。これは、インターネットを介したストリーミングサービスにとって非常に大きなメリットとなる。

しかし、この高圧縮率の裏側には、デコードの複雑さという側面もある。AV1でエンコードされた映像を再生するには、デバイスのCPUやGPUに大きな負荷がかかる場合がある。特に旧式のスマートフォンやタブレットなど、処理能力が限られたデバイスでは、AV1の映像をスムーズに再生できない可能性も考えられる。そのため、Netflixはデバイスの性能に応じて、AV1以外のコーデックも併用し、最適なストリーミング体験を提供するよう努めている。

NetflixのAV1ストリームは、主にメインプロファイル（Profile 0）を使用してエンコードされている。これはAV1で最も一般的に使用されるプロファイルであり、幅広いデバイスでの互換性を保つためである。また、映像の解像度やフレームレートに応じて、Level 3.1からLevel 5.1といった様々なレベルが適用されている。例えば、低解像度の映像では低いレベルが使われ、高解像度の映像ではより高いレベルが使われることで、データ処理の複雑さを適切に制御している。

映像ストリームの内部構造を見ると、AV1はIフレーム、Pフレーム、Bフレームといった異なる種類のフレームを効率的に組み合わせて使用している。Iフレームは完全な画像情報を持つフレームで、他のフレームに依存しない。Pフレームは前方にあるフレームを参照して差分情報のみを持つ。そしてBフレームは、前方と後方の両方のフレームを参照して差分情報を持つため、最も高い圧縮率を実現する。NetflixのAV1ストリームでは、このBフレームが多用され、さらに参照フレームの数を調整することで、さらなる圧縮効率の向上を図っている。これらのフレームが組み合わさることで、動きの予測や補間がより正確に行われ、少ないデータ量で高品質な映像を実現しているのだ。

Netflixはまた、アダプティブビットレート（ABR）ストリーミングと呼ばれる技術を組み合わせてAV1配信を行っている。これは、視聴者のネットワーク環境に応じて、リアルタイムで最適な画質の映像ストリームを自動的に選択・切り替える技術だ。例えば、ネットワークが混雑している場合は低いビットレートの映像を、安定している場合は高いビットレートの映像を配信することで、途切れることなくスムーズな視聴体験を提供する。AV1はスケーラブルビデオコーディング（SVC）といった、より高度なスケーリング機能をサポートしているが、Netflixの現在の実装ではまだその全機能が活用されていない可能性も指摘されている。しかし、将来的にはこの機能がさらに活用され、より柔軟で効率的なストリーミングが可能になることも期待される。

このように、NetflixのAV1ストリームは、SVT-AV1エンコーダの使用、2-パスエンコーディングによる最適化、VMAFを用いた厳密な画質評価、そしてアダプティブビットレートストリーミングとの組み合わせによって、高画質と高効率を両立させている。これらの技術的選択は、利用者のデータ消費を抑えつつ、安定した高品質な映像体験を提供するための綿密な戦略に基づいていると言える。今後、AV1のデコード性能がデバイス側でさらに向上し、より広範囲のコンテンツ、特に高解像度コンテンツへの展開が進むことで、私たちのオンライン視聴体験はさらに豊かなものになっていくことだろう。