続 Suno出力のMP3とWAVのどちらが高音質なのか論争

続 Suno出力のMP3とWAVのどちらが高音質なのか論争

前回の記事以降気になるポストが有ったので、もう少し掘り下げてみようと思う。

https://x.com/yohine_ik/status/2050881283820228613?s=20

この記事にあるようにステム分離からのwavはチェックしていなかったのでやってみることに。

今回の比較に使った曲です。

https://youtu.be/D5Io9qMRA-E

(蝉時雨_ALLmix.wavを独自マスタリングしたものをアップしています)

https://webmastering.pages.dev/

続 Suno出力のMP3とWAVのどちらが高音質なのか論争

一旦、全ステム分離をミックスしたものと、歌と楽器を二つにステム分離したものをミックスしたものを作成したが、この時点で違いがある。なんで?仕組みが分からないのでどう違うのか、何故違うのかは分からない。ClaudeCodeでミックスの処理しているので、その際に何か処理が違っていたら分からない。

ちなみに二つにステム分離する方で、バージョン違いを作成してみたが出来上がりに違いはあったが、他と比べれば誤差の範囲と言うこと。

この処理を考えると大本にマスターのデータが有るとするが、≒で全ステム分離をミックスしたものを準マスターと仮定する。次はこの準マスターとwavファイルの比較。

続 Suno出力のMP3とWAVのどちらが高音質なのか論争

出てきた数値で比較すると何が起きているかはっきりは断言できないが、ラウドネス系処理のようなマスタリング処理が内部で走っているように思われる。

では、MP3ではどうなのかと比較すると、

続 Suno出力のMP3とWAVのどちらが高音質なのか論争

MP3形式による劣化は見られるがwav形式のようなマスターからの変質は見られないという結果。

以上をまとめると

上記のデータをまとめてチャッピーに投げてみたところ、

(注) 
以下でAll Detected StemsとVocals + InstrumentalのことをALLmixと2mixと呼んでいますが、2mixという用語が存在するのを知らずに2つ混ぜてるからそのまま2mixと呼んでいます。分かりにくくて申し訳ありません

マスター相当
├─ 蝉時雨_ALLmix.wav
├─ 蝉時雨_2mix_ver1.wav
├─ 蝉時雨_2mix_ver2.wav
├─ 蝉時雨.mp3
└─ 蝉時雨.wav ← ここだけ別の内部処理が強く入っている可能性

ポイントは、蝉時雨.wav だけが「形式差」では説明しにくい変化をしていることです。

ALLmix / 2mix_ver1 / 2mix_ver2 は、LUFSやRMSに差はあっても、DRやCrestが大きく崩れていないので、マスターに近い、またはマスターから比較的素直に出力された系統に見えます。特に ALLmix.wav は LUFS -16.1、DR 14.6、Crest 17.5 で、ダイナミクスがかなり残っています。

一方で 蝉時雨.wav は、以前のデータ上では DR が大きく下がり、Crestも低下し、Flatnessが上がっていました。これは単なるWAV書き出しではなく、リミッター、コンプ、ラウドネス正規化、エンハンサー系のどれかが強く入った時の挙動です。つまり「WAVだから高音質」ではなく、WAV化の前段で音が変質している可能性が高いです。

そして 蝉時雨.mp3 は、MP3特有の高域・微細成分の削れはあるとしても、蝉時雨.wav のような強い圧縮・平坦化の痕跡が薄い。ここが重要で、もし 蝉時雨.wav → mp3 なら、WAV側の潰れや平坦化の特徴がMP3にもかなり残るはずです。

なので仮説としては、

蝉時雨.wav と 蝉時雨.mp3 は同じマスター由来だが、蝉時雨.wav だけ内部マスタリング/音圧処理が強く、結果として音質劣化している

という見方が一番しっくり来ます。

言い換えると、今回の問題は WAV vs MP3ではなく、「内部マスタリング済みWAV」 vs 「比較的素直なMP3」 の比較になっている可能性が高いです。

しかも曲の特性によってこの影響の出方が違ってくるのも意見が分かれる原因となっている。この内部マスタリングで劣化と感じるレベルに変化する曲で有ればMP3の方が良いと思うだろうし、内部マスタリングが入っても大して変わらないタイプの曲であればWAVの方がよくなるということがこの話題を分かり難くしている。

(注 5/11追記)のちの確認でMP3はWAVから作成されていることが確認できた。そうすると上の説明がちょっと違うかもしれない。MP3が“劣化”ではなく“整流”として働くことで、AI生成音源では
“不安定な高情報量”より“安定した低情報量”の方が聴感優位になるケースがあるということかもしれない。

と、ここまでの仮説があっているかは

私の曲を基にして仮説検証を繰り返した結果なので、一つの側面で有り今回の問題のすべてかと言われると謎だが、私の中では腑に落ちたと言う感じです。ただ、AI音楽をステム分離するというのが個人的にはちょっと意味分からないので、未加工状態のWAVを入手するためにはクレジットを払わないといけないというのはちょっと納得がいかない。

【宣伝】SwitchBot 購入はこちらから

SwitchBot公式ページ
クーポン「AF-4903」で5%引き(アフィリエイトクーポンになりますのでご協力お願いします)
割引の詳しい仕組みに関してはこちらのページを参照ください。
製品ごとの特徴・紹介動画は SwitchBot 製品ガイド にまとめています。

大きいセールがある場合はAmazonもしくは楽天から購入するとお得です。
買い物情報はこちらからご確認ください。気分で紹介しています。

アリエクのクーポン情報もまとめています。こちらをご覧ください。

当ページの商品リンクは基本アフィリエイト(SwitchBot、Amazon、楽天、アリエクスプレス他)となっております。ご協力いただければ幸いです。