デジタル・オーディオ・インターフェース規格の変遷
プロ用デジタル・オーディオのインターフェース規格は、1981年に AES のワーキング・グループが検討を開始し、1985年に AES とEBU がほぼ同時に 『AES3-1985』 と『EBU Tech.3250-E』 として制定しました。このふたつは入出力部にトランスを使うかどうか以外はほぼ同じ内容なので、俗に 『AES/EBU』 と呼ばれていますが、実際にそういう正式名称の規格があるわけではありません。
『AES/EBU』で規定されているデジタル・オーディオ・インターフェースは、最大量子化ビット数 24bitのステレオ・オーディオ信号に制御ビットなどを加えたものですが、これはあくまで 『業務用』 の規格であることに注意しなくてはなりません（そもそもAESはプロ・オーディオ業界の機関、EBUは放送局の連合体です）。
*AES : Audio Engineering Society
*EBU : Europian Broadcasting Union
デジタル・オーディオ・インターフェース規格としては以下のようなものが制定されていますが、現在では廃版になっているものもありますので注意が必要です。
■AES3-1985 (ANSI S4.40-1985), "AES Recommendation Practice for Digital Audio Engineering Serial Transmission Format for Linearly Represented Digital Audio Data"
AES の定めたオリジナル規格。
■AES3-1992 (ANSI S4.40-1992), "AES Recommendation Practice for Digital Audio Engineering Serial Transmission Format for Two-Channel Linearly Represented Digital Audio Data"
改訂版。現在の規格はこれに準拠している。
■EBU Tech.3250-E, "Specification of the Digital Audio Interface"
EBUの定めた仕様。AES3-1985 とほとんど同じだが機器の入出力にトランスが必須。
■EBU Standard N9-1991: Digital Audio Interface for professional production equipment.
これに若干の修正が入ったものが現在のEBUの規格。
■CCIR Rec.647, "A Digital Audio Interface for Broadcast Studios"
放送局用途に CCIR が定めた規格。
■Publication IEC-958, "Digital Audio Interface" [廃版]
IEC が定めた国際規格。BROADCAST（業務用）とCONSUMER（民生用）がある。
■EIAJ CP-340, "デジタルオーディオインターフェース" [廃版]
EIAJ（日本電子工業会） が定めた日本国内規格。TYPE-Ⅰ（業務用）と TYPE-Ⅱ（民生用）がある。
■EIAJ CP-1201, "デジタルオーディオインターフェース" [廃版]
CP-340の改訂版。
S/PDIF
AES3-1985 に対して、民生（コンシューマ）用の場合はソニーとフィリップスの共同規格である S/PDIF (Sony Philips Digital InterFace) があります。これは AES3-1985 と同じフレーム構造を採用しており、オーディオ・データの位置が同じために、業務用機器に強引に接続しても音だけは出る場合が多いので、同じものだと思っている人が多いようです。
しかし AES/EBU と S/PDIF ではチャンネル・ステータス・データの使い方が全く異なるので、業務用／民生用ビット以外の情報（エンファシス情報やサンプリング周波数情報など）は正しく伝わらず、そういう意味では AES/EBU と S/PDIF の間に互換性はありません。
電気的な規格も異なり、AES/EBU では専用ケーブルによるバランス伝送と規定されており、S/PDIF では同軸と光ケーブルによるアンバランス伝送が規定されています。このように、このふたつは全く異なる規格と捕らえるべきです。デジタル・オーディオ・インターフェース規格には、業務用途の規格と民生用途の規格のふたつある、と理解してください。
このあたりが紛らわしいのには理由があります。1989年にIECは IEC-958 として業務用と民生用のふたつの規格を1冊にまとめて発表しました。IECとしては業務用にも民生用にも関わる必要があったので致し方なかったわけですが、ここから「ひとつの規格のふたつの用途」という誤解が生じるようになります。
日本のEIAJ （現在のJEITA ） ではこの IEC-958 制定の 2 年前に CP-340 という規格（内容は同等）が制定され、その後 CP-340 と IEC 958 を整理･統合した CP-1201を制定しました。ここでは業務用を TYPE-Ⅰ、民生用を TYPE-Ⅱとしていますが、やはり 1冊にまとまっていたために誤解を広めることになります。つまり「CP-340 / CP-1201準拠」と謳っていても、TYPE-Ⅰ準拠なのか TYPE-Ⅱ準拠なのかがわからないと意味がないということです。
追記：
JEITA（旧EIAJ）は、CP-1201 と IEC 958 (現在は IEC 60958 ) というダブル・スタンダードを解消するため、1999年に CP-1201 を廃止しています。
現在、IEC 958 は IEC 内の規格番号体系の変更に伴って IEC 60958 と呼称変更されています。デジタル・オーディオの 一般仕様として 60958-1があり、その下にリニア PCM オーディオの民生用として 60958-3、同じく業務用として 60958-4 があります。
またノンリニアPCMオーディオの規格としては 61937-1 ( General )、61937-2 ( Burst-Info.)、61937-3 ( AC-3 )、61937-4 ( MPEG-1,-2 Audio )、61937-5 ( DTS )、61937-6 ( MPEG2 AAC )、61937-7 ( ATRAC and ATRAC2/3 ) があります。これらもすべて 60958-1 の下に位置するものです。
これらの規格書は邦訳版もあり、 JSA の Web Store
( https://www.webstore.jsa.or.jp/ ) で購入することができます（ただしとても高価ですが）。
デジタル・オーディオ信号の構造
デジタル・オーディオ信号のフォーマットは業務用 ( AES/EBU )・民生用 ( S/PDIF ) とも下図のようになっています。このフォーマットで一番小さな単位を 『サブフレーム』 といいます。『サブフレーム』 は Ch-1 (Lｰch) または Ch-2 (R-ch) のデータです。『サブフレーム』 がふたつで 『フレーム』 となり、『フレーム』 が 192個で 『ブロック』 という単位になります。
■サブフレーム
サブフレームは 32 ビットで、それぞれのビットをタイムスロットと呼んでいます。タイムスロットはそれぞれが意味をもち、次のようになっています。
タイムスロット 0～3 ： 『プリアンブル』 といって、サブフレーム、フレーム、ブロックの同期を検出するためのセクションです。プリ・アンブルはサブフレームの先頭 4 ビットにある同期用のパターンです。プリアンブルには B、W、M の３種類のパターンがあり、ブロックの最初のサブフレーム(つまり Ch-1）のプリアンブルは 『B』 です。それ以外の Ch-1 サブフレームのプリアンブルは 『M』 で、Ch-2 サブフレームのプリアンブルは常に 『W』 です。
プリアンブル以外のデータはバイフェーズマーク方式で変調されていますが、プリアンブル部分は変調されておらず、データとプリアンブルが同じようなパターンになってしまうことを避けると共に、プリアンブルの検出を容易にしています。
タイムスロット 4～7 ： 『オーディオ・オキジャリ』 といって、補助情報または拡張ワード用です。
タイムスロット 8～27 ： この 20 ビットがオーディオ・データで使用される部分です。16 ビット・データの場合は LSB 4 ビット ( 8、9、10、11）が "0000" になります。24 ビット・データの場合は、更に先程のタイムスロット 4～7 も使います。
タイムスロット 28 ： 『バリディティ（信頼性）・フラグ』 に使います。一時停止（ポーズ）やデータを補間したときなど、オーディオ・データが真の値でないときにこのフラグを立てて送り出します。受信した側がこのフラグを見てどう処理するかは任意です。
タイムスロット 29 ： 『ユーザー・データ』 に使います。ここの使い方は、各カテゴリ別に仕様書に規定されています。ユーザー・データを使用しないときは "0" にします。
タイムスロット 30 ： 『チャネル・ステータス』 に使います。ここにはサンプル・ワード長、プリ・エンファシス、標本化周波数、タイムコード、ソース番号、ディスティネーション・コードなどが記録されています。ここはややこしいので後で詳しく解説します。
タイムスロット 31 ： 『パリティ・ビット』 に使います。タイムスロット 4 から 31 までの "0" の数と "1" の数がそれぞれ偶数になるようにします。
■フレーム
Ch-1 と Ch-2 の 『サブフレーム』 ふたつで 『フレーム』 という単位になります。『フレーム』 の長さは標本化周波数の逆数に等しくなります。つまりワード・クロック 1 周期分の時間です。1フレーム 64 ビットをワード・クロック・レートで伝送するので、「伝送スピードはサンプリング周波数の 64 倍」ということになります。
■ブロック
『フレーム』 が 192 個集まると 『ブロック』 となります。チャネル・ステータスなどはブロック単位で扱います。なお、収録されている音楽信号とブロックの区切りとの間には何の関連もありません。つまり音アタマがブロックの開始ということではありません。
■チャネル・ステータス
デジタル・オーディオ機器を扱う場合、カテゴリー・コードがどうとか、コピー禁止フラグがどうだとかよく話題になります。これらの情報はどこに入っているのでしょうか？
これらの情報はチャネル・ステータスとして含まれています。チャネル・ステータスは合計 24 バイトのデータで、細かい情報まで伝送できるようになっています。
しかし 『サブフレーム』 には 『チャネル・ステータス (C) 』 というタイムスロット（ビット）が 1 ビット分しかありません。同じフレームのサブフレームのチャネル・ステータスは原則同じなので、 1 フレーム当たり 1 ビットです。そこで、この 1 ビットを 1 ブロック分、つまり 192 ビット溜めておいて、合計 24 バイトの情報として扱っているのです（1バイト＝8ビット）。逆に言うと、1 ブロック分の時間が経過しないとチャネル・ステータスは確定しないということになります。
AES/EBU 信号を民生機に入力したり、逆に S/PDIF 信号を業務用機に入力しても "とりあえず音は出る" 理由は、このフレーム構造自体が同じだからです。業務用と民生用の違いは、チャンネルステータス・データの定義が違うということです。しかしデジタル･データにとって、エンファシスのある・なしなどといったデータ・ビットの定義の違いは大きな違いです。
それではチャネル･ステータス 24バイト（192 ビット）のそれぞれの意味をみてみましょう。
A. 放送局スタジオ用 (AES/EBU) の場合
サブフレームのプリアンブルが 『B』 である場合、そのフレームがブロックの始まりだということは説明しました。このフレームのチャネル・ステータスが "1" だと、そのデジタル・オーディオ信号が放送局スタジオ用であることを表しています。
そこから 8 フレーム分の 『バイト 0 』 は以下の情報を表します。なおこれらは 『放送局スタジオ用』 の定義です。用途ビット "0" の民生用では全く違う定義になりますので注意してください。
| バイト０ | |
| ビット０ | 用途 |
| １ | 放送局スタジオ用。 |
| ビット１ | オーディオ用途の区分。 |
| ０ | オーディオ用途 |
| １ | オーディオ以外の用途 |
| ビット２～４ | オーディオ信号のエンファシス指定。 |
| ０００ | エンファシスなし。受信側で手動設定できる。 |
| １００ | エンファシスなし。受信側では手動で設定できない。 |
| １１０ | エンファシス時定数 50/15μsec。受信側では手動で変更できない。 |
| １１１ | エンファシス特性は CCITT J.17（800Hz挿入損失 6.5dB）受信側は手動で変更できない。 |
| その他 | 未規定 |
| ビット５ | ロック状態 |
| ０ | ソースの標本化周波数はロックしている。 |
| １ | ソースの標本化周波数はロックしていない。 |
| ビット６、７ | 標本化周波数 |
| ００ | 標本化周波数の指定なし。受信側では 48kHzと判断するが手動または自動でセットできる。 |
| ０１ | 標本化周波数 48kHz。手動または自動でセットできない。 |
| １０ | 標本化周波数 44.1kHz。手動または自動でセットできない。 |
| １１ | 標本化周波数 32kHz。手動または自動でセットできない。 |
次の８フレーム分である 『バイト１』 は以下のとおりです。
| バイト１ | |
| ビット０～３ | チャネル・モード指定 |
| ００００ | モード指定なし。受信側はステレオ・モードとする。手動でも変更できる。 |
| ０００１ | ステレオ・モード。手動で変更できない。 |
| ００１０ | １チャネル・モード（モノフォニック）。手動で変更できない。 |
| ００１１ | プライマリ／セカンダリ・モード( Ch-1 がプライマリ)。手動で変更できない。 |
| １１１１ | バイト３の将来用。 |
| その他 | 未規定。 |
| ビット４～７ | ユーザービット管理用（未規定） |
チャネル・ステータスを使用する場合は、このバイト０とバイト１はすべてのデータを伝送する必要があります。逆にチャネル・ステータスを使わない場合は、すべてのデータを論理 "０" にしなくてはなりません。この場合、受信した側は標本化周波数 48kHz、データ長 20ビット、エンファシス無しと認識します。
次の 『バイト２』 は、データが 24 ビット・データかどうかを示します。
| バイト２ | |
| ビット０～２ | オーディオ・オキジャリ・ビットの使い方 |
| ０００ | オーディオ・オキジャリ・ビットの使い方の指定なし。オーディオ・サンプル・ワード長は 20 ビットである。 |
| ００１ | オーディオ・オキジャリ・ビットはオーディオ・データの拡張用として使う。オーディオ・サンプル・ワード長は 24 ビットである。 |
| その他 | 未規定 |
| ビット３～７ | ソースワード長とソースエンコーディングの履歴用。未規定。 |
その他のバイトについては以下のようになっています。
バイト３：将来のマルチ・チャネル化対応。使い方はバイト1で指定することになっています。デフォルト値は00000000です。
バイト４、５：デフォルト値は00000000です。
バイト６～９：英数字チャネル・オリジン・データ。奇数パリティ付きの7ビット。ISO-646(ASCII)データ。
バイト１０～１３：英数字チャネル・ディスティネーション・データ。奇数パリティ付きの7ビット。ISO-646(ASCII)データ。
バイト１４～１７：ローカル・サンプル・アドレス・コード。レコーディング・インデックス・カウンタと同じ機能。
バイト１８～２１：時間コード。
バイト２２：チャネル・ステータスの情報が信頼できるかどうか識別するフラグ。
バイト２３：チャネル・ステータス・データ用 CRCC。
B. 民生用 (S/PDIF) の場合
ブロックの先頭のサブフレームのチャネル・ステータスが "0" の場合は、その信号が民生用途であることを表しています。なお、ここでは 192 ビットのうちビット 0 からビット 29 まで紹介します。
| ビット０ | |
| ０ | 民生用 |
| ビット１～５ | |
| ０ｘ０００ | ２チャネル・オーディオ（プリエンファシス無） |
| ０ｘ１００ | ２チャネル・オーディオ（ 50/15μsecプリエンファシス有） |
| ０ｘ０１０ | 未規定（プリエンファシス有の２チャネル・オーディオ用） |
| ０ｘ１１０ | |
| ０ｘｘｘ１ | 未規定（４チャネル・データ用） |
| １ｘ０００ | デジタル・データ |
| １ｘ１ｘｘ | 未規定 |
| １ｘｘ１ｘ | |
| １ｘｘｘ１ | |
| ｘ０ｘｘｘ | 著作権保護有 |
| ｘ１ｘｘｘ | 著作権保護無 |
ビット２を 『著作権表示ビット』 と呼んでいます。このビットが ０ だと著作権保護を要求されていることになります。しかし特定の用途ではこのビットだけでは著作権状態が定まらないことがあるため、カテゴリー・コードとからめて然るべき処理をしなければならない、と定められています。
次のビット６、７で、モードを決定します。現在のところ、モード０のみ規定されています。
| ビット６、７ | モード設定 |
| ００ | モード０ |
| その他 | 未規定 |
モード０ では、ビット８～１９１はカテゴリー・コードとして次の意味を持ちます。
| ビット８～１５ | カテゴリ・コード |
| ０００ ０００００ | ゼネラル。限定的に使用。 |
| １００ ｘｘｘｘＬ | 光ディスク機器 |
| ０１０ ｘｘｘｘＬ | デジタル／デジタル変換機器及び信号処理装置 |
| １１０ ｘｘｘｘＬ | 磁気テープ機器及び磁気ディスク機器 |
| ００１ ｘｘｘｘＬ | 映像信号付き又は無しのデジタル放送受信 |
| ０１１ １ｘｘｘＬ | |
| １０１ ｘｘｘｘＬ | 楽器、マイク及びオリジナル信号を生成するソース |
| ０１１ ００ｘｘｘ | A/D コンバータ（著作権情報無） |
| ０１１ ０１ｘｘＬ | A/D コンバータ（著作権情報有） |
| ０００ １ｘｘｘＬ | 固体メモリ機器 |
| ０００ ０００１Ｌ | 商用に適さない実験機器 |
| １１１ ｘｘｘｘＬ | 未規定 |
| ０００ ０ｘｘｘＬ | 『０００ ０００００』 及び 『０００ ０００１Ｌ』 を除き未規定 |
- ビット１５は 『Ｌビット』 と呼び、「世代」 を示しています。通常は
- ビット１５ = "０" : 指定なし
- ビット１５ = "１" : 商業的に発行された録音済みソフトウエア
- を示しています。上記の表の 『Ｌ』 には、ソースによって"０"または"１"が入ります。
- ただし「光ディスク機器」 と 「デジタル放送受信」では意味が逆になります。
- また「著作権情報の無い A/D コンバータ」と 「ゼネラル」 では世代は確定しません。
上記の表のうち、ｘで表したビットは更に細かいカテゴリ分けが行われていますが、ここでは割愛します。
ビット１６～１９は、ソース番号を示しています。ソース番号とは、同じカテゴリの機器が複数台接続されているときに各機器に番号を付けるためのものです。
| ビット１６～１９ | ソース番号 |
| ００００ | 指定なし |
| １０００ | １ |
| ０１００ | ２ |
| １１００ | ３ |
| ↓ | |
| １１１１ | １５ |
ビット２０～２３はチャネル番号を示します。つまり Ｌ-ch か Ｒ-ch かということです。
| ビット２０～２３ | チャネル番号 |
| ００００ | 指定なし |
| １０００ | ステレオ動作におけるＬ-ch |
| ０１００ | ステレオ動作におけるＲ-ch |
| １１００ | 未規定 |
| ↓ | |
| １１１１ |
ビット２４～２７は標本化周波数を示します。
| ビット２４～２７ | 標本化周波数 |
| ００００ | ４４．１kHz |
| １０００ | ４８kHz |
| ０１００ | ３２kHz |
| その他 | 未規定 |
ビット２８、２９はクロック精度（標本化周波数精度）を示します。
| ビット２８、２９ | クロック精度 |
| ００ | 標準モード レベルⅡ |
| ０１ | 可変ピッチ・モード レベルⅢ |
| １０ | 高精度モード レベルⅠ |
| １１ | 未規定 |
この規定は送信側で付けるものなので、伝送経路などの問題で実際に送られてくる信号の精度とこのビットで示される精度が一致しない場合があります。
ビット３０～１９１は省略します。
ＳＣＭＳについて：
民生用フォーマットでは、著作権のあるソースを無制限なコピーから守るために、SCMS ( Serial Copy Management System ） を採用しています。例えばＣＤからＤＡＴへのコピーは無制限にできますが、そうしてコピーされたものを更に他のＤＡＴなどへコピーすることはできません。
SCMS は、チャネル･ステータスのビット２とビット１５（Ｌビット）、及びカテゴリー・コードの組み合わせで判断しています。ビット２が "0" であれば著作権の保護を求めていることになり、Ｌビットとカテゴリー･コードによって、それがオリジナルなのか複製なのかを判断しています。
◇参考文献
上記の表および解説は、主に EIAJ CP-1201 という規格書を参照しています。正確なデータが必要な場合は必ず正式な規格書で確認してください。
デジタル・オーディオ信号の同軸伝送 [AES3ID-1995]
AES/EBU デジタル・オーディオ信号の伝送には、専用のデジタル・ケーブルを使ってバランス（平衡）伝送しますが、このケーブルが高価で敷設にコストがかかるのと、あまり長距離を引き回せないという欠点があります。そこで 110Ω：75Ωの変換トランスを使ってインピーダンスを 75Ωに変換し、専用ケーブルの代わりに同軸ケーブルを敷設すればコストも下がるし長距離も引き回せるようになります。それに周波数も近いビデオ用のパッチベイなども使えるようになるので便利です。実際に多くのスタジオでこのようなシステムを構築しています。
しかしこの方法は何ら規格化されたものではありませんので、あくまで 『自己責任』 で運用しなくてはなりません。それに、確かに初期費用は安くつきますが、接続する機器がそのようなインターフェースをもっていなければ、接続経路の両端で再びバランスに変換してやる必要があります。
ただ、同軸ケーブルで伝送するというアイデアは、ビデオ制作の立場からの意見として SMPTE からも AES に要望されていました。テレビ局でもデジタルVTRなどが導入されると、ビデオでもオーディオでも同軸ケーブルを使いたいし、もっと長距離を伝送したい、というわけです。
こうした話題が AES と SMPTE の間で交わされ、AES ではデジタル信号をビデオ信号と同じように伝送するための規格を模索しはじめました。そうして 1995年にワーク・グループの研究発表という形で公開したのが 『AES-3ID-1995』 です。
同軸ケーブルを使うメリットとしては、ケーブル特性が明確であるので、長距離伝送時に必要な補正用のイコライザが設計しやすいことがあげられます。またビデオ信号と同じ信号レベル ( 1vp-p/75Ω)なので、ビデオ機器用のシステム、パッチベイやルーティング・スイッチャなどをビデオ・システムと共有できる点もあります。
標準規格である AES3-1992では、バランス型ケーブルを使った伝送距離は約 100mが限度でしたが、同軸ケーブルを使って適切なイコライザを設計すれば、5C-2V で約 1000m、7C-2V で 1500m、3C-2V でも約 650mの伝送が可能です。
『AES-3ID-1995』 と同じ内容で、SMPTE でも 『276M-1995, "Transmission of AES/EBU Digital Audio Signals Over Coaxial Cable"』 として制定されています。
なお、『AES-3ID-1995』 『SMPTE 276M-1995』 ではデジタル・オーディオ信号の伝送レベルがビデオ信号と同じ 1v p-pと規定されているので、単純な 110Ω：75Ω変換トランスを使ったシステムとは互換性はありません。
またビデオ信号と共存するために、波形の立ち上がり・立ち下がりなどでより厳しい波形管理が求められます。信号の波形があまりに崩れていると、シビアなビデオ機器を流用することができなかったり、共通グラウンドを持ったビデオ信号にクロストークなどの悪影響を与えかねないからです。
なお Information Document である 『AES-3ID』 の内容は、正式規格である 『AES3-4-2009 附則Ｄ "Coaxial transmission"』 と 『AES2ID-2010 附則Ｃ "Coaxial cable adapters and equalizer characterrization"』 に引き継がれたため、『AES-3ID』 自体は 2010年 7月 9日をもって撤回されました。
主な略称
■AES : Audio Engineering Society
■EBU : Europian Broadcasting Union 欧州放送連合
■SMPTE : Society of Motion Pictures and Television Engineers 米国映画テレビ技術者協会
■CCIR : Committee Consultative International of Radio-Communication
■IEC : International Electro-Technical Commission 国際電気標準会議
■EIAJ : Electronic Industries Association of Japan 日本電子機械工業会
■JEITA : Japan Electronics and Information Technology industrial Association 電子情報技術産業協会