【ITニュース解説】What audio quality does YouTube actually stream? (and how to spot a fake 320kbps MP3)

YouTubeから音楽をMP3形式でダウンロードする際、「320kbps」という表示を頻繁に見かけることがある。多くの変換サイトがこれを高品質の証としてアピールするが、この320kbpsという数字は、必ずしも私たちが期待する最高品質を保証するものではない。これは出力ファイルのビットレート設定に過ぎず、元のYouTubeが提供する音源の品質を超えることは決してないという事実を理解することが重要だ。

YouTubeは動画を配信する際、音声と動画を別々のデータとして扱っている。私たちが通常利用するYouTubeの動画から得られる音声の品質にはいくつかの種類が存在する。例えば、最も一般的に利用されるものとして、Opusというオーディオコーデックを使ったWebM形式の音声があり、そのビットレートは最大で約160kbps（キロビット毎秒）で可変だ。ビットレートとは1秒あたりのデータ量を指し、一般的に数値が高いほど音質が良く、ファイルサイズも大きくなる。また、AAC-LC（Advanced Audio Coding - Low Complexity）というコーデックを使ったMP4形式の音声も広く提供されており、こちらは128kbpsのビットレートで配信されている。さらに、インターネット環境が悪いユーザー向けに、Opusコーデックで約70kbpsや約50kbpsといった低ビットレートの音声も用意されている。唯一、YouTube Music Premiumの有料会員だけが、AAC-LCコーデックで256kbpsの高品質な音声ストリームを利用できるが、これらは一般的なYouTube動画の公開ストリームには含まれない。つまり、私たちが通常のYouTubeから入手できる音声ストリームの最高品質は、Opusコーデックの約160kbpsが上限であり、ロスレス（非圧縮）音源や320kbpsのストリームは存在しないのである。ロスレスとは、圧縮しても元の情報が完全に保持される形式を指す。

では、なぜYouTubeからダウンロードした音声を320kbpsのMP3に変換する必要があるのだろうか。それは、MP3というコーデックが、OpusやAACといったより新しいコーデックに比べて、圧縮効率が低いからである。コーデックとは、音声データを圧縮・伸長するためのプログラムやアルゴリズムのことだ。もし約160kbpsのOpusストリームを、効率の悪い128kbpsのMP3に再エンコードしてしまうと、音質の劣化が二重に発生してしまう。元のOpusストリームが持つ音の細部が、MP3への変換でさらに失われてしまうのだ。ここで320kbpsという設定が重要になる。320kbpsのMP3は、元の約160kbpsのOpusストリームに含まれる音の情報を、ほとんど劣化させることなく維持できるだけの十分なデータ容量を確保できる。つまり、320kbpsという設定は、「YouTubeの音源よりも音質が良い」という意味ではなく、「YouTubeから得られる最高の音源品質を、MP3形式に変換する際にこれ以上の劣化を加えないようにする」ための設定だと理解すべきである。

しかし、世の中には「偽の320kbps」MP3ファイルが少なくない。これは、変換ツールやサイトが、YouTubeが提供する最も手軽に取得できる音源、具体的には128kbpsのAACストリーム（フォーマットID 140）をダウンロードし、その音源を320kbpsのMP3として保存しているケースだ。結果として作成されるファイルは、320kbpsという高いビットレートでエンコードされているためファイルサイズは大きくなるが、その中身の音質は、元々128kbpsのAACであり、さらにMP3への再エンコードが加わっているため、実際の音質は元の128kbpsからさらに劣化している可能性がある。つまり、ファイル名やプロパティ上は320kbpsと表示されていても、実際の音質はそれよりもはるかに低いという状況が発生するのだ。

では、ダウンロードしたMP3ファイルが本当に320kbpsの音質を持っているのか、あるいは偽物なのかをどのように見分ければ良いだろうか。これには「Spek」という無料のオーディオスペクトログラム解析ツールが非常に役立つ。スペクトログラムとは、音声の周波数成分の時間的変化を視覚化したグラフのことだ。このツールをインストールし、疑わしいMP3ファイルをドラッグ＆ドロップするだけで、その音源の素性がおおよそ判明する。スペクトログラムのグラフで注目すべきは、周波数の上限だ。周波数とは音の高低を表し、Hz（ヘルツ）で示され、高い周波数ほど高い音になる。人間の可聴域は一般的に20Hzから20kHzまでとされる。もしグラフの周波数成分が約19kHzから20kHz近くまで表示されていれば、それは約160kbpsのOpusストリームのような、比較的良好な音源から作成された可能性が高い。しかし、もし約16kHz付近で急激に周波数成分が途切れて、壁のように表示されている場合は、そのMP3ファイルは元々128kbps程度の低品質な音源から作られたものであると判断できる。ファイル名が320kbpsと表示されていても、このスペクトログラムを見れば真実がわかるのだ。異なる変換サイトで同じ曲をダウンロードし、Spekで比較してみると、その違いは一目瞭然である。

質の高いYouTube to MP3変換ツールは、このような問題を回避するために、明確な設計思想を持って開発されている。例えば、筆者が運営する「YT320MP3」のようなツールでは、まず最初にYouTubeが提供する最良の音声ストリーム、特にOpusコーデックのストリームを優先的に選択するように設定されている。具体的には、yt-dlpというダウンロードツールのフォーマットセレクタで「bestaudio[acodec=opus]/bestaudio/best」といった指定を用いることで、Opusストリームが利用可能であればそれを最優先で取得し、Opusが存在しない場合は次に良い音声ストリームを選択する。次に、取得したOpusストリームを一度だけデコードし、そこから指定されたビットレート（例えば320kbps）のMP3形式に一度だけエンコードする。このプロセスにおいて、タグ情報やアルバムカバーなどのメタデータは追加するが、オーディオデータ自体が何度も再処理されることはない。このように、音源の取得から変換、保存までの一連の工程で、音質の劣化を最小限に抑える工夫がなされているのだ。この一連の解説から、YouTubeから音楽をダウンロードする際の「320kbps」という表示が持つ意味と、真の音質を見分ける方法、そして高品質な変換ツールの設計原則が理解できたことだろう。