最新のPipewireまで、Linuxによる音を鳴らす歴史

Ubuntuで音がならなかったのでトラブルシューティングしてたら基礎的なことまで立ち戻りました。
そこで学んだ成果をまとめます。

そもそも音がなるまで

コンピュータで「音が鳴る」までの流れを整理すると、いくつかの階層を経て信号が伝わっていきます。大きく分けると (1) ソフトウェア層 → (2) OS/ドライバ層 → (3) ハードウェア層 → (4) 音響出力 です。

---

1. ソフトウェア層

• アプリケーション（音楽プレイヤー、ゲーム、ブラウザなど）が「音を出したい」と命令する。
• 音の表現は通常 デジタル音声データ（PCM: Pulse Code Modulation） で、サンプリング周波数（例: 44.1kHz）、ビット深度（16bitなど）、チャンネル数（ステレオ/モノラル）が指定される。
• 圧縮フォーマット（MP3, AAC, Ogg Vorbisなど）の場合は、アプリ内またはOSライブラリでデコードしてPCMに戻す。

---

2. OS/ドライバ層

• アプリケーションが生成したPCMデータは オーディオAPI を経由してOSに渡される。

  • Windows → WASAPI, DirectSound など
  • macOS/iOS → CoreAudio
  • Linux → ALSA, PulseAudio, PipeWire

• OSのミキサーが複数アプリの音声を合成（ミックス）し、共通のサンプルレート/ビット深度に変換する。

• デバイスドライバがサウンドカード（あるいは内蔵オーディオチップ）に命令を送る。

---

3. ハードウェア層

• サウンドカード/オーディオチップには DAC (Digital-to-Analog Converter) があり、PCMの数値データをアナログ信号（電圧の波形）に変換する。
• 変換された信号は アンプ回路で増幅される。
• デジタルのまま出力する場合（HDMIやUSB DAC）は、外部機器に渡ったあとでDAC処理が行われる。

---

4. 音響出力

• 最終的に電気信号が スピーカーやヘッドホンに伝わる。
• スピーカーは電気信号に応じて 振動板を動かし、空気を振動させる → 人間の耳に届いて「音」として認識される。

---

サウンドカードがでる以前の標準がなかった時代

「コンピューターが音を鳴らした」と言える例はいくつかあります。

1. CSIRAC（オーストラリア）による最初の「音を鳴らした」コンピューター

• **CSIRAC（Commonwealth Scientific and Industrial Research Automatic Computer）**は、1949年に稼働を開始したオーストラリア初の電子式デジタルコンピューターです。これが「世界初で音を鳴らしたデジタルコンピューター」とされています。(ウィキペディア)
• 1951年には “Colonel Bogey March” をはじめとする当時のポピュラー曲を演奏しました。ただし、この演奏は記録されておらず、現存するのは再現されたバージョンのみです。(120 Years of Electronic Music, ウィキペディア)

（※録音は残っていませんが、再現された音源や詳細な解説を見られるサイトもあります）

2. Ferranti Mark 1（イギリス）による最初の「録音された」コンピューター音楽

• Ferranti Mark 1 は、1951年にマンチェスター大学で稼働した、世界初の商用電子汎用コンピューターです。(ウィキペディア, 情報の歴史)
• 同年末、Christopher Strachey によってプログラムされた演奏が、BBC の外部放送ユニットによって録音されました。曲目は「God Save the King」「Baa Baa Black Sheep」「In the Mood」など。これが 現存する最古のコンピューター音楽録音とされます。(ウィキペディア, ガーディアン, New Atlas, 情報の歴史)
• この録音は2016年に英国図書館のチームによって音色を修復され、元の音により近い形で聴けるようになりました。(New Atlas)

3. もっと単純に「ビープ音」を出した例

1940年代の**初期コンピュータ（ENIACやManchester Babyなど）**でも、
計算機の状態確認や警告のために「スピーカーやリレー音を制御」する試みがありました。
ただしこれは「音楽」ではなく、「ノイズやビープ的な信号」でした。

サウンドカードの歴史

今のコンピューターの基礎であるPC/AT互換機

IBMがPC/AT互換機の元祖であるPC/ATを開発した頃、PCの音源といえばBEEP音しかありませんでした。

PC/AT互換機の元祖であるPC/AT

余談になりますが、PC/AT互換機とは現代の大多数のPCのことを言い、以下の特徴があります。

• x86 CPU（Intel/AMD互換）
• BIOSによる標準化
• ISAバスに代表される拡張性
• DOS/Windows対応ソフト資産
• 多メーカーによる互換機市場の形成

オープンな仕様はIBM以外のメーカーを巻き込み、様々な拡張が加えられていくことになります。
サウンドカードもその一つで、最初はAdLib Music Synthesizer Cardが道を切り開きました。

初めてのサウンドカード(1980年代後半 - 1990年代)

1987年にPC/AT互換機用の拡張カードとしてAdLib社がAdLib Music Synthesizer Cardを発売しました。
これは、モノラルのFM音源のサウンドカードでしたが、PC/AT互換機にサウンドという分野を切り開きました。

そこにやってきたのが、Sound Blasterシリーズです。ゲームやマルチメディアコンテンツの普及とともに、この分野のデファクトスタンダードとなりました。
主な機能は、デジタル音声をアナログ信号に変換してスピーカーに出力するDAC (Digital-to-Analog Converter)と、マイクなどのアナログ信号をデジタルに変換するADC (Analog-to-Digital Converter)でした。

オンボード化 (1990年代後半 - 2000年代)

PCの進化とコストダウンが進むにつれ、サウンド機能はマザーボード上に直接組み込まれるようになりました。これをオンボードサウンドと呼びます。

これにより、サウンドカードが必須ではなくなり、多くのユーザーが手軽に音を楽しめるようになりました。

この頃から、単なる音の再生・録音だけでなく、サラウンドサウンド（例：5.1ch、7.1ch）や、ハードウェアによるゲームサウンドの高速処理（例：EAX）といった機能が重視されるようになりました。

現代のサウンドカード

現在でも、より高品質な音を求めるオーディオ愛好家や、プロの音楽クリエイター向けに、高性能な外付けのUSBオーディオインターフェイスや内蔵型のサウンドカードが販売されています。

これらは、ノイズの少ないクリアな音質、低レイテンシ、そして高品質な入出力端子（XLR、TRSなど）を備えています。

サウンドサーバーの歴史

サウンドカードがハードウェアであるのに対し、サウンドサーバーはソフトウェアです。

• サウンドサーバーの役割

  • 複数のアプリケーションからの音声をミックスし、一つのストリームとしてサウンドカードに送る交通整理役。

  • 音声のボリューム調整、ルーティング、エフェクト処理などの高度な機能を提供する制御役。

サウンドサーバー黎明期

Sound Blasterという現代まで続く強力なサウンドカードが出たあとはソフトウェア側の問題でした。
Linuxはサウンドをサポートし始めた1992年頃、最初に対応したのがSound Blasterでした。

当時は、Sound Blaster のハードウェアを直接叩くことを前提にしており、/dev/dsp に対して write() するだけで音が出せました。

Sound Blaster はハードウェア、/dev/dsp はそのハードを抽象化したUNIXのデバイスファイル。
OSS初期の設計がSound Blaster依存だったため、両者は歴史的に強く結びついています。

ただし、この方式には欠点があり、この方式では、複数のアプリが同時に音を出そうとすると競合が発生し、音が出せなくなることがありました。

そこでサウンドサーバーが導入されます。

第一世代：独立型サウンドサーバー (1990年代後半 - 2000年代前半)

この課題を解決するため、複数のアプリケーションからの音声ストリームをミックスし、単一の出力としてハードウェアに送るサウンドサーバーが開発されました。アプリケーションは直接サウンドカードにアクセスするのではなく、一度サウンドサーバーに音声を送るようになり、サウンドサーバーがその音声をまとめて、最終的にサウンドカードに送ることで、競合が解消されました。

• ESD (Enlightened Sound Daemon, 1997〜): GNOMEデスクトップ環境で広く使われた初期のサウンドサーバーです。シンプルな機能を提供しましたが、遅延（レイテンシ）の問題や安定性の課題がありました。

• ARTS (analog Real-time Synthesizer, 1998〜): KDEデスクトップ環境で使われました。ESDよりも高度な機能を目指しましたが、設計の複雑さからメンテナンスが困難になり、普及には至りませんでした。

第二世代：高機能サウンドサーバー (2000年代前半 - 2010年代前半)

前の時代の流れを受け、よりサウンドサーバーは高機能に進化しました。
PulseAudioは未だに動いているところも多いと思われます。

• JACK (Jack Audio Connection Kit, 2002〜): プロ音楽制作向けに登場したサウンドサーバーです。超低レイテンシを実現し、ソフトシンセやDAWで必須ともいえる存在になりました。音楽制作分野では現在でも広く使われる一方で、汎用デスクトップ用途には使われなかった経緯があります。

• PulseAudio (2004〜): Fedora、Ubuntu など主要ディストリビューションが採用しています。Linuxデスクトップの事実上の標準になっており、後述のPipeWireもPulseAudioとの互換性を残した動きをすることをできます。

  • アプリ間の音声ミキシング
  • 音量管理（アプリ別音量）
  • ネットワーク転送も可能

現代：統一プラットフォーム PipeWire (2010年代後半 - 現在)

PulseAudioとJACKのそれぞれの利点を統合し、さらに動画（ビデオ）も扱えるようにRed HatのWim Taymansらによって設計されたのがPipeWireです。PipeWireは、現在のLinuxデスクトップ環境で次世代の標準として広く採用されています。

• PipeWireの主な特徴:

  • 統合プラットフォーム: PulseAudioが担っていたデスクトップオーディオの役割と、JACKが担っていたプロフェッショナルオーディオの役割を一つのシステムで実現します。

  • 低レイテンシ: JACKと同等の低レイテンシを実現し、プロのオーディオ用途にも対応します。

  • 映像も扱う: 音声だけでなく、動画ストリームの管理も行えます。これは、スクリーンキャストやリモートデスクトップなど、映像と音声を同時に扱うアプリケーションにとって重要です。

  • セキュリティ: アプリケーションごとに細かくアクセス権を制御できるため、セキュリティが向上しました。

PipeWireは、従来のサウンドサーバーが抱えていた断片化や機能のトレードオフといった問題を解決し、Linuxにおける音声・映像システムの未来を形作っています。現在では、多くの主要なLinuxディストリビューションでデフォルトのサウンドサーバーとして採用されています。

まとめ

コンピューターにおけるサウンドシステムは、サウンドカードとサウンドサーバーの二つの側面から成り立っています。サウンドカードはハードウェア、サウンドサーバーはソフトウェアであり、両者は密接に関わって進化してきました。

参考

• Ferranti Mark 1 の録音について（解説記事）
  → BBC が録音した最古のコンピューター音楽に関するガーディアン紙の記事。(ガーディアン)

• 録音の修復と詳細な解説
  → 英国図書館による修復プロジェクトを紹介する記事。(New Atlas)

• 歴史的背景と学術的記録
  → Ferranti Mark 1 の演奏歴史や録音内容についてのまとめ。(情報の歴史, マンチェスター大学, CS Project)

• CSIRAC による最初の演奏（録音なし）について
  → 当時の演奏の様子や技術的な背景の説明。(120 Years of Electronic Music, ウィキペディア)