Comment fonctionnent les codecs audio ? Modèle psychoacoustique et logique du débit

Un fichier WAV occupe environ 10 Mo par minute ; le même son en MP3 tombe à 1 Mo. Les données sont divisées par dix mais la plupart des gens n'entendent pas la différence. Comment est-ce possible ? La réponse tient moins aux mathématiques de la compression qu'au fonctionnement de l'oreille humaine. Dans cet article, nous expliquons la logique des codecs audio avec perte et ce qui doit orienter vos décisions de conversion.

Qu'est-ce qu'une donnée audio brute

Un microphone convertit les variations de pression de l'air en signal électrique. Lors de la numérisation de ce signal, deux paramètres sont fixés :

La fréquence d'échantillonnage (sample rate) : combien de mesures sont prises par seconde. Le standard CD est de 44 100 Hz. Ce nombre n'est pas arbitraire : selon le théorème de Nyquist, pour capter correctement un signal, il faut l'échantillonner au double de sa fréquence la plus élevée. L'oreille humaine entendant jusqu'à environ 20 000 Hz, 44 100 offre une limite haute suffisante.

La profondeur de bits (bit depth) : combien de bits expriment chaque mesure. Le CD utilise 16 bits, soit 65 536 niveaux d'amplitude différents. En studio, 24 bits est courant.

Le calcul est simple : 44 100 échantillons × 16 bits × 2 canaux = 1 411 200 bits par seconde, soit environ 1 411 kbit/s. Une minute de son stéréo non compressé occupe environ 10 Mo.

Le format WAV stocke exactement ces données brutes. Le FLAC conserve les mêmes données avec une compression sans perte, dans environ la moitié de la taille — à la décompression, on retrouve rigoureusement les mêmes échantillons.

L'idée fondamentale du codage avec perte

Les encodeurs avec perte comme le MP3 posent une autre question : quelle part de ces données entendons-nous réellement ?

La réponse : bien moins qu'on ne le croit. Le système auditif humain n'est pas un enregistreur parfait ; dans certaines conditions, il ne perçoit pas du tout certains sons. L'encodeur repère ces angles morts et écarte l'information correspondante.

Cela se fait par un calcul appelé modèle psychoacoustique.

Le masquage : les sons que nous n'entendons pas

Le fondement du modèle psychoacoustique est le phénomène de masquage, qui existe sous deux formes.

Le masquage fréquentiel (masquage simultané). Une composante forte rend imperceptibles les composantes plus faibles situées à des fréquences voisines. Comme lorsque vous ne pouvez pas entendre un chuchotement dans un environnement bruyant — mais cela se produit à une échelle bien plus fine sur l'axe des fréquences.

Exemple concret : en présence d'un son puissant à 1000 Hz, un son situé à 1100 Hz sous un certain seuil n'est pas entendu. L'encodeur peut écarter cette composante ou la coder très grossièrement ; l'oreille ne perçoit pas la différence.

Le masquage temporel. Les sons faibles arrivant juste avant (environ 20 ms) et juste après (environ 100 à 200 ms) un instant bruyant ne sont pas perçus. L'oreille reste brièvement « sourde » après une stimulation forte.

L'encodeur combine ces deux phénomènes pour calculer, à chaque instant, un seuil de masquage : à quelle fréquence et en dessous de quel niveau l'information peut être écartée.

Le processus d'encodage étape par étape

Voici grossièrement le travail d'un encodeur MP3 :

1. Découper le son en blocs. Généralement des fenêtres de quelques centaines à un millier d'échantillons. La taille de bloc est importante : les longs blocs offrent une résolution fréquentielle, les courts une résolution temporelle. L'encodeur passe en blocs courts sur les transitions brusques (un coup de batterie, par exemple).

2. Transformer dans le domaine fréquentiel. Les données de l'axe temporel sont décomposées en composantes de fréquence (filtrage en sous-bandes + MDCT en MP3, MDCT directe en AAC).

3. Exécuter le modèle psychoacoustique. Un seuil de masquage est calculé pour chaque bande de fréquences.

4. Répartir le budget de bits. Le budget de débit disponible est réparti pour décider avec combien de bits coder chaque bande. Les bandes masquées reçoivent peu ou pas de bits.

5. La quantification. Chaque composante est arrondie selon le nombre de bits qui lui est alloué. C'est là que se produit la perte — une valeur approchée est stockée à la place de la valeur exacte.

6. Le codage entropique. Une compression sans perte (comme Huffman) est appliquée aux données restantes.

Au décodage, ces étapes sont parcourues en sens inverse, mais l'information écartée à l'étape 5 ne revient pas. La quantification est irréversible.

Le débit : à quel point le budget se resserre

Le débit est le budget que vous accordez à l'encodeur. À bas débit, l'encodeur doit écarter davantage d'information et la perte commence à s'entendre.

Ce qui se dégrade le plus à bas débit :

| Problème | Où cela s'entend | |---|---| | Coupure des hautes fréquences | Les cymbales, les instruments aigus et les sons en « s » s'éteignent | | Pré-écho | Un léger « souffle » avant un coup de batterie | | Dégradation de la stéréo | L'image stéréo large se rétrécit | | Timbre métallique | Les applaudissements et les foules sonnent « aqueux » | | Bruit de quantification | Un souffle de fond dans les passages calmes |

Une référence approximative (pour le MP3, avec un bon encodeur) :

| Débit | Qualité perçue | |---|---| | 64 kbit/s | Acceptable pour la parole, dégradation marquée en musique | | 96 kbit/s | Suffisant pour un podcast, un livre audio | | 128 kbit/s | Écoute courante, perceptible pour une oreille attentive | | 192 kbit/s | Bon pour la plupart des usages | | 256 kbit/s | Proche de la transparence pour la plupart des auditeurs | | 320 kbit/s | Limite haute pratique, transparent pour la plupart des oreilles |

Le terme « transparence » signifie que le son encodé ne peut pas être distingué de l'original lors d'un test d'écoute en aveugle. Cela varie d'une personne à l'autre, d'un contenu à l'autre et d'un équipement à l'autre.

Débit constant et débit variable

CBR (débit constant) : la même quantité de données est utilisée chaque seconde. Simple et prévisible ; avantageux pour la diffusion en continu.

VBR (débit variable) : l'encodeur alloue à chaque instant les bits nécessaires. Il économise sur un passage de piano calme et dépense sur une section orchestrale dense.

Le VBR est généralement meilleur car la complexité de la musique n'est pas constante. À débit moyen égal, il offre une meilleure qualité perçue que le CBR. Son seul inconvénient : la taille du fichier n'est pas prévisible à l'avance, et certains anciens lecteurs rencontrent des problèmes de durée ou d'avance rapide.

L'ABR (débit moyen) constitue un compromis entre les deux.

Pourquoi les codecs n'ont pas la même efficacité

À débit égal, l'AAC sonne mieux que le MP3. Les raisons :

• Des tailles de blocs plus souples. Il gère mieux les transitions brusques, le pré-écho diminue.
• Un meilleur codage stéréo. Il exploite plus efficacement la similarité entre canaux.
• Un codage entropique plus efficace.
• Un modèle psychoacoustique plus évolué.
• Une liberté de conception. Le MP3 a été conçu sous des contraintes de compatibilité ascendante ; l'AAC est parti de zéro.

Opus va encore plus loin et se montre nettement meilleur à bas débit (32 à 64 kbit/s) ; il embarque des composants conçus pour la communication vocale et le podcast.

Équivalence pratique : un AAC à 128 kbit/s est perçu comme équivalent à un MP3 à environ 160-192 kbit/s. Cela explique pourquoi le choix du débit cible dépend du format source lors d'une conversion.

Pourquoi la perte de transcodage s'accumule

Quand vous convertissez un fichier avec perte vers un autre format avec perte, voici ce qui se passe :

1. Le fichier source est décodé. Le son obtenu est une approximation déjà dégradée de l'original.
2. Le nouvel encodeur applique à ce son son propre modèle psychoacoustique et écarte à nouveau de l'information.

Le problème est que le second encodeur ignore ce que le premier a écarté. Il décide selon son propre modèle, et ces décisions ne coïncident pas avec les premières. Deux « abandons » différents se superposent donc.

Par ailleurs, le bruit de quantification laissé par le premier encodage apparaît au second encodeur comme du « vrai son » et il dépense du budget à tenter de le préserver.

C'est pourquoi les conversions en chaîne se dégradent vite. Sur un parcours du type MP3 → AAC → MP3 → OGG, les hautes fréquences s'estompent un peu plus à chaque étape et les transitions deviennent un peu plus floues.

Règle : allez toujours en une seule étape de la meilleure source dont vous disposez vers la cible.

Revenir vers un format sans perte

Convertir un MP3 en FLAC est une confusion répandue. Le FLAC est sans perte, mais cela signifie « il conserve sans l'altérer ce qu'on lui donne » — pas « il restitue ce qui a été perdu ».

Les composantes de fréquence écartées lors de l'encodage MP3 ont définitivement disparu. En convertissant en FLAC, vous stockez sans perte ce son déjà amputé. Résultat : un fichier de qualité MP3, cinq fois plus lourd.

Seule exception légitime : si vous allez modifier un fichier. Pour éviter un réencodage à chaque enregistrement lors d'opérations de coupe, d'assemblage ou d'effets, le convertir temporairement en WAV est judicieux. Une fois le travail terminé, vous encodez une seule fois vers le format cible.

En résumé

Les codecs audio avec perte écartent l'information inaudible en exploitant les propriétés de masquage de l'oreille humaine ; la perte se produit à l'étape de quantification et elle est irréversible. Le débit est le budget de cette opération — à budget réduit, les premières victimes sont les hautes fréquences, la largeur stéréo et la netteté des transitions. Les différents codecs n'ont pas la même efficacité ; l'AAC et Opus donnent un meilleur résultat que le MP3 à débit égal, c'est pourquoi il faut viser un débit cible un cran au-dessus de celui de la source lors d'une conversion. Et la conséquence pratique la plus importante : les conversions avec perte sont cumulatives, et revenir au sans perte n'apporte aucune qualité — allez toujours en une seule étape de la meilleure source vers la cible.