Lyd på web-en

Nettlesar-krigen er over når det gjeld HTML-koding og standardisering, men for lyd (og levande bilete) er det dessverre framleis stor skilnad på støtte av ulike format.

I prosjektet Kunnskap kryssar grenser var strøyming (streaming) av lyd og bilete i samband med direkteoverføring av arrangement, ein sentral del. Me fekk dermed rikeleg høve til å bli frustrerte over sendingar som fungerte i ein nettlesar, men ikkje i ein annan.

Tidsskriftet .net (må ikkje forvekslast med Microsoft-teknologien med same namn!) har ei god oppsummering av problema på lydsida i mai-nummeret.

Lyd i nettlesaren har vanlegvis vorte handtert av Flash, og då er det formatet mp3 (MPEG-1 layer 3) som har vorte brukt. Det blir skjult gjennom Flash-formatet .swf. Flash er på vikande front og HTML5 overtek i aukande grad, og spørsmålet er då kva lydformat som bør veljast. Det eksisterer dessverre ikkje eitt lydformat som blir støtta av alle nettlesarar utan tillegg av ymse slag.

I utgangspunktet finst det fem standardar å velja mellom:

  • Ukomprimerte lydfiler, også kalla tapsfritt format (FLAC er aktuell standard)
  • MPEG-1 layer 3 (mp3)
  • MPEG-4 AAC (AAC)
  • Ogg Vorbis
  • WebM

MP3 kan bli dyrt
Ukomprimerte filer kan me gløyma i vanleg web-samanheng, dei blir for store. Då står me att med fire. MP3 er mykje brukt, særleg i Flash, men er problematisk på grunn av patentar. Dei ulike patentane i standarden går ut i løpet av dei kommande 5 åra. MP3-standarden blir handtert av ISO.

AAC nyare, men også patentert...
Det neste alternativet, AAC, er også patentert, men krev lisensiering berre for distribusjon av verktøy for koding/dekoding. Bruk av vanlege lydfiler i AAC er, inntil vidare, gratis. I valet mellom mp3 og AAC kan det verka som det siste er best (tryggast). Men med patentert teknologi kan krava endra seg, så det heftar usikkerheit ved det. Dessutan er mp3 meir utbreidd og er betre kjent, og patentane går ut i løpet av ein 5-årsperiode.

Ogg Vorbis er best
Ogg Vorbis tilsvarer MP3 i størrelse, men gir eit endå betre kvalitet/størrelse-forhold. Det er dessutan fri programvare og heilt utan bindingar. Det er såleis det beste valet, gitt at nettlesarar støttar det. Og det er her haken er, Internet Explorer og Safari støttar ikkje formatet utan tilleggsprogramvare (plug-in), truleg av kommersielle/politiske grunnar. Microsoft og Apple er sjølve avhengig av proprietær teknologi og har difor ikkje same interesse av å støtta bruken av fri programvare som andre leverandørar. Dette må også sjåast i samanheng med videostandard, då lyd ofte er ein del av ei videoavspeling.

Spotify brukar Ogg Vorbis som lydformat. Det er nok først og fremst fordi det er ope og gratis, men også fordi kvaliteten er god sett i høve til størrelse.

WebM = Ogg Vorbis
WebM er for alle praktiske føremål det same som Ogg Vorbis og me kan difor oppsummera at dei to aktuelle lydformata for bruk med HTML(5) er Ogg Vorbis og AAC. Chrome, FireFox og Opera støttar Ogg Vorbis, medan Chrome Safari og IE støttar AAC. Det betyr at for å vera sikker på at lyden blir støtta av nettlesaren, må du levera både AAC og Ogg Vorbis!

Inga tilråding på lydformat i HTML5
Alt i alt er dette eit tilbakesteg i høve Flash, men Flash har nok av andre ulemper til å føretrekkja video (og lyd) i HTML5. "Krigen" om lydformat føregår også på standardiseringsnivå og har ført til at W3C ikkje har vilja ta stilling til konkrete format for lyd i HTML5. Det er synd, for det er lite tvil om at opne og frie standardar som Ogg Vorbis, er det som tener utviklinga av web-en best.

Difi tilrår mp3 og Ogg Vorbis
Difi har gjennom Standardiseringsportalen ein oversikt over tilrådde og obligatoriske standardar på ulike område, også på lyd. For tapsbasert, dvs. komprimert, lyd er tilrådinga bruk av mp3 og Ogg Vorbis.

Det eg saknar på Standardiseringsportalen er utfyllande informasjon om dei tilrådingane som blir gjorde. Det er greitt å ha ein stad å slå opp gjeldande standardar og tilrådingar, men det hadde vore endå betre å knyta diskusjonen kring ulike format til tilrådingane. Slik det no framstår, blir ein like vis om kvifor det eine formatet er valt framfor eit anna. Kvifor er t.d. mp3 føretrekt framfor AAC?

Vidare utvikling
Xiph er organisasjonen bak Ogg Vorbis og dei jobbar no med ein ny kodek, som heiter Opus. Den blir arbeida med i IETF no, med høgt trykk. Det er håp om at den kan bli ein rammekodek for nettet. Han er bygd på CELT, som er ein låg-latens kodek laga for nett-telefoni og liknande, og SILK som er ein kodek frå Skype for god tale med lite bandbreidde. Tidlege testar viser at Opus kan konkurrera med AAC og Vorbis på høgare bitratar òg (sjølv om han er laga primært for låge).