Move the vorbis channel mapping to informative references.
[opus.git] / doc / draft-ietf-codec-oggopus.xml
1 <?xml version="1.0" encoding="utf-8"?>
2 <!DOCTYPE rfc SYSTEM 'rfc2629.dtd' [
3 <!ENTITY rfc2119 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.2119.xml'>
4 <!ENTITY rfc3533 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.3533.xml'>
5 <!ENTITY rfc3629 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.3629.xml'>
6 <!ENTITY rfc4732 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.4732.xml'>
7 <!ENTITY rfc5334 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.5334.xml'>
8 <!ENTITY rfc6381 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.6381.xml'>
9 <!ENTITY rfc6716 PUBLIC '' 'https://xml2rfc.tools.ietf.org/tools/xml2rfc/public/rfc/bibxml/reference.RFC.6716.xml'>
10 ]>
11 <?rfc toc="yes" symrefs="yes" ?>
12
13 <rfc ipr="trust200902" category="std" docName="draft-ietf-codec-oggopus-01">
14
15 <front>
16 <title abbrev="Ogg Opus">Ogg Encapsulation for the Opus Audio Codec</title>
17 <author initials="T.B." surname="Terriberry" fullname="Timothy B. Terriberry">
18 <organization>Mozilla Corporation</organization>
19 <address>
20 <postal>
21 <street>650 Castro Street</street>
22 <city>Mountain View</city>
23 <region>CA</region>
24 <code>94041</code>
25 <country>USA</country>
26 </postal>
27 <phone>+1 650 903-0800</phone>
28 <email>tterribe@xiph.org</email>
29 </address>
30 </author>
31
32 <author initials="R." surname="Lee" fullname="Ron Lee">
33 <organization>Voicetronix</organization>
34 <address>
35 <postal>
36 <street>246 Pulteney Street, Level 1</street>
37 <city>Adelaide</city>
38 <region>SA</region>
39 <code>5000</code>
40 <country>Australia</country>
41 </postal>
42 <phone>+61 8 8232 9112</phone>
43 <email>ron@debian.org</email>
44 </address>
45 </author>
46
47 <author initials="R." surname="Giles" fullname="Ralph Giles">
48 <organization>Mozilla Corporation</organization>
49 <address>
50 <postal>
51 <street>163 West Hastings Street</street>
52 <city>Vancouver</city>
53 <region>BC</region>
54 <code>V6B 1H5</code>
55 <country>Canada</country>
56 </postal>
57 <phone>+1 604 778 1540</phone>
58 <email>giles@xiph.org</email>
59 </address>
60 </author>
61
62 <date day="24" month="May" year="2013"/>
63 <area>RAI</area>
64 <workgroup>codec</workgroup>
65
66 <abstract>
67 <t>
68 This document defines the Ogg encapsulation for the Opus interactive speech and
69  audio codec.
70 This allows data encoded in the Opus format to be stored in an Ogg logical
71  bitstream.
72 Ogg encapsulation provides Opus with a long-term storage format supporting
73  all of the essential features, including metadata, fast and accurate seeking,
74  corruption detection, recapture after errors, low overhead, and the ability to
75  multiplex Opus with other codecs (including video) with minimal buffering.
76 It also provides a live streamable format, capable of delivery over a reliable
77  stream-oriented transport, without requiring all the data, or even the total
78  length of the data, up-front, in a form that is identical to the on-disk
79  storage format.
80 </t>
81 </abstract>
82 </front>
83
84 <middle>
85 <section anchor="intro" title="Introduction">
86 <t>
87 The IETF Opus codec is a low-latency audio codec optimized for both voice and
88  general-purpose audio.
89 See <xref target="RFC6716"/> for technical details.
90 This document defines the encapsulation of Opus in a continuous, logical Ogg
91  bitstream&nbsp;<xref target="RFC3533"/>.
92 </t>
93 <t>
94 Ogg bitstreams are made up of a series of 'pages', each of which contains data
95  from one or more 'packets'.
96 Pages are the fundamental unit of multiplexing in an Ogg stream.
97 Each page is associated with a particular logical stream and contains a capture
98  pattern and checksum, flags to mark the beginning and end of the logical
99  stream, and a 'granule position' that represents an absolute position in the
100  stream, to aid seeking.
101 A single page can contain up to 65,025 octets of packet data from up to 255
102  different packets.
103 Packets may be split arbitrarily across pages, and continued from one page to
104  the next (allowing packets much larger than would fit on a single page).
105 Each page contains 'lacing values' that indicate how the data is partitioned
106  into packets, allowing a demuxer to recover the packet boundaries without
107  examining the encoded data.
108 A packet is said to 'complete' on a page when the page contains the final
109  lacing value corresponding to that packet.
110 </t>
111 <t>
112 This encapsulation defines the required contents of the packet data, including
113  the necessary headers, the organization of those packets into a logical
114  stream, and the interpretation of the codec-specific granule position field.
115 It does not attempt to describe or specify the existing Ogg container format.
116 Readers unfamiliar with the basic concepts mentioned above are encouraged to
117  review the details in <xref target="RFC3533"/>.
118 </t>
119
120 </section>
121
122 <section anchor="terminology" title="Terminology">
123 <t>
124 The key words "MUST", "MUST NOT", "REQUIRED", "SHALL", "SHALL NOT", "SHOULD",
125  "SHOULD NOT", "RECOMMENDED", "MAY", and "OPTIONAL" in this document are to be
126  interpreted as described in <xref target="RFC2119"/>.
127 </t>
128
129 <t>
130 Implementations that fail to satisfy one or more "MUST" requirements are
131  considered non-compliant.
132 Implementations that satisfy all "MUST" requirements, but fail to satisfy one
133  or more "SHOULD" requirements are said to be "conditionally compliant".
134 All other implementations are "unconditionally compliant".
135 </t>
136
137 </section>
138
139 <section anchor="packet_organization" title="Packet Organization">
140 <t>
141 An Opus stream is organized as follows.
142 </t>
143 <t>
144 There are two mandatory header packets.
145 The granule position of the pages on which these packets complete MUST be zero.
146 </t>
147 <t>
148 The first packet in the logical Ogg bitstream MUST contain the identification
149  (ID) header, which uniquely identifies a stream as Opus audio.
150 The format of this header is defined in <xref target="id_header"/>.
151 It MUST be placed alone (without any other packet data) on the first page of
152  the logical Ogg bitstream, and must complete on that page.
153 This page MUST have its 'beginning of stream' flag set.
154 </t>
155 <t>
156 The second packet in the logical Ogg bitstream MUST contain the comment header,
157  which contains user-supplied metadata.
158 The format of this header is defined in <xref target="comment_header"/>.
159 It MAY span one or more pages, beginning on the second page of the logical
160  stream.
161 However many pages it spans, the comment header packet MUST finish the page on
162  which it completes.
163 </t>
164 <t>
165 All subsequent pages are audio data pages, and the Ogg packets they contain are
166  audio data packets.
167 Each audio data packet contains one Opus packet for each of N different
168  streams, where N is typically one for mono or stereo, but may be greater than
169  one for, e.g., multichannel audio.
170 The value N is specified in the ID header (see
171  <xref target="channel_mapping"/>), and is fixed over the entire length of the
172  logical Ogg bitstream.
173 </t>
174 <t>
175 The first N-1 Opus packets, if any, are packed one after another into the Ogg
176  packet, using the self-delimiting framing from Appendix&nbsp;B of
177  <xref target="RFC6716"/>.
178 The remaining Opus packet is packed at the end of the Ogg packet using the
179  regular, undelimited framing from Section&nbsp;3 of <xref target="RFC6716"/>.
180 All of the Opus packets in a single Ogg packet MUST be constrained to have the
181  same duration.
182 The duration and coding modes of each Opus packet are contained in the
183  TOC (table of contents) sequence in the first few bytes.
184 A decoder SHOULD treat any Opus packet whose duration is different from that of
185  the first Opus packet in an Ogg packet as if it were an Opus packet with an
186  illegal TOC sequence.
187 </t>
188 <t>
189 The first audio data page SHOULD NOT have the 'continued packet' flag set
190  (which would indicate the first audio data packet is continued from a previous
191  page).
192 Packets MUST be placed into Ogg pages in order until the end of stream.
193 Audio packets MAY span page boundaries.
194 A decoder MUST treat a zero-octet audio data packet as if it were an Opus
195  packet with an illegal TOC sequence.
196 The last page SHOULD have the 'end of stream' flag set, but implementations
197  should be prepared to deal with truncated streams that do not have a page
198  marked 'end of stream'.
199 The final packet on the last page SHOULD NOT be a continued packet, i.e., the
200  final lacing value should be less than 255.
201 There MUST NOT be any more pages in an Opus logical bitstream after a page
202  marked 'end of stream'.
203 </t>
204 </section>
205
206 <section anchor="granpos" title="Granule Position">
207 <t>
208 The granule position of an audio data page encodes the total number of PCM
209  samples in the stream up to and including the last fully-decodable sample from
210  the last packet completed on that page.
211 A page that is entirely spanned by a single packet (that completes on a
212  subsequent page) has no granule position, and the granule position field MUST
213  be set to the special value '-1' in two's complement.
214 </t>
215
216 <t>
217 The granule position of an audio data page is in units of PCM audio samples at
218  a fixed rate of 48&nbsp;kHz (per channel; a stereo stream's granule position
219  does not increment at twice the speed of a mono stream).
220 It is possible to run an Opus decoder at other sampling rates, but the value
221  in the granule position field always counts samples assuming a 48&nbsp;kHz
222  decoding rate, and the rest of this specification makes the same assumption.
223 </t>
224
225 <t>
226 The duration of an Opus packet may be any multiple of 2.5&nbsp;ms, up to a
227  maximum of 120&nbsp;ms.
228 This duration is encoded in the TOC sequence at the beginning of each packet.
229 The number of samples returned by a decoder corresponds to this duration
230  exactly, even for the first few packets.
231 For example, a 20&nbsp;ms packet fed to a decoder running at 48&nbsp;kHz will
232  always return 960&nbsp;samples.
233 A demuxer can parse the TOC sequence at the beginning of each Ogg packet to
234  work backwards or forwards from a packet with a known granule position (i.e.,
235  the last packet completed on some page) in order to assign granule positions
236  to every packet, or even every individual sample.
237 The one exception is the last page in the stream, as described below.
238 </t>
239
240 <t>
241 All other pages with completed packets after the first MUST have a granule
242  position equal to the number of samples contained in packets that complete on
243  that page plus the granule position of the most recent page with completed
244  packets.
245 This guarantees that a demuxer can assign individual packets the same granule
246  position when working forwards as when working backwards.
247 For this to work, there cannot be any gaps.
248 In order to support capturing a stream that uses discontinuous transmission
249  (DTX), an encoder SHOULD emit packets that explicitly request the use of
250  Packet Loss Concealment (PLC) (i.e., with a frame length of 0, as defined in
251  Section 3.2.1 of <xref target="RFC6716"/>) in place of the packets that were
252  not transmitted.
253 </t>
254
255 <section anchor="preskip" title="Pre-skip">
256 <t>
257 There is some amount of latency introduced during the decoding process, to
258  allow for overlap in the MDCT modes, stereo mixing in the LP modes, and
259  resampling, and the encoder will introduce even more latency (though the exact
260  amount is not specified).
261 Therefore, the first few samples produced by the decoder do not correspond to
262  real input audio, but are instead composed of padding inserted by the encoder
263  to compensate for this latency.
264 These samples need to be stored and decoded, as Opus is an asymptotically
265  convergent predictive codec, meaning the decoded contents of each frame depend
266  on the recent history of decoder inputs.
267 However, a decoder will want to skip these samples after decoding them.
268 </t>
269
270 <t>
271 A 'pre-skip' field in the ID header (see <xref target="id_header"/>) signals
272  the number of samples which SHOULD be skipped (decoded but discarded) at the
273  beginning of the stream.
274 This provides sufficient history to the decoder so that it has already
275  converged before the stream's output begins.
276 It may also be used to perform sample-accurate cropping of existing encoded
277  streams.
278 This amount need not be a multiple of 2.5&nbsp;ms, may be smaller than a single
279  packet, or may span the contents of several packets.
280 </t>
281 </section>
282
283 <section anchor="pcm_sample_position" title="PCM Sample Position">
284 <t>
285 The PCM sample position is determined from the granule position using the
286  formula
287 <figure align="center">
288 <artwork align="center"><![CDATA[
289 'PCM sample position' = 'granule position' - 'pre-skip' .
290 ]]></artwork>
291 </figure>
292 </t>
293
294 <t>
295 For example, if the granule position of the first audio data page is 59,971,
296  and the pre-skip is 11,971, then the PCM sample position of the last decoded
297  sample from that page is 48,000.
298 This can be converted into a playback time using the formula
299 <figure align="center">
300 <artwork align="center"><![CDATA[
301                   'PCM sample position'
302 'playback time' = --------------------- .
303                          48000.0
304 ]]></artwork>
305 </figure>
306 </t>
307
308 <t>
309 The initial PCM sample position before any samples are played is normally '0'.
310 In this case, the PCM sample position of the first audio sample to be played
311  starts at '1', because it marks the time on the clock
312  <spanx style="emph">after</spanx> that sample has been played, and a stream
313  that is exactly one second long has a final PCM sample position of '48000',
314  as in the example here.
315 </t>
316
317 <t>
318 Vorbis streams use a granule position smaller than the number of audio samples
319  contained in the first audio data page to indicate that some of those samples
320  must be trimmed from the output (see <xref target="vorbis-trim"/>).
321 However, to do so, Vorbis requires that the first audio data page contains
322  exactly two packets, in order to allow the decoder to perform PCM position
323  adjustments before needing to return any PCM data.
324 Opus uses the pre-skip mechanism for this purpose instead, since the encoder
325  may introduce more than a single packet's worth of latency, and since very
326  large packets in streams with a very large number of channels might not fit
327  on a single page.
328 </t>
329 </section>
330
331 <section anchor="end_trimming" title="End Trimming">
332 <t>
333 The page with the 'end of stream' flag set MAY have a granule position that
334  indicates the page contains less audio data than would normally be returned by
335  decoding up through the final packet.
336 This is used to end the stream somewhere other than an even frame boundary.
337 The granule position of the most recent audio data page with completed packets
338  is used to make this determination, or '0' is used if there were no previous
339  audio data pages with a completed packet.
340 The difference between these granule positions indicates how many samples to
341  keep after decoding the packets that completed on the final page.
342 The remaining samples are discarded.
343 The number of discarded samples SHOULD be no larger than the number decoded
344  from the last packet.
345 </t>
346 </section>
347
348 <section anchor="start_granpos_restrictions"
349  title="Restrictions on the Initial Granule Position">
350 <t>
351 The granule position of the first audio data page with a completed packet MAY
352  be larger than the number of samples contained in packets that complete on
353  that page, however it MUST NOT be smaller, unless that page has the 'end of
354  stream' flag set.
355 Allowing a granule position larger than the number of samples allows the
356  beginning of a stream to be cropped or a live stream to be joined without
357  rewriting the granule position of all the remaining pages.
358 This means that the PCM sample position just before the first sample to be
359  played may be larger than '0'.
360 Synchronization when multiplexing with other logical streams still uses the PCM
361  sample position relative to '0' to compute sample times.
362 This does not affect the behavior of pre-skip: exactly 'pre-skip' samples
363  should be skipped from the beginning of the decoded output, even if the
364  initial PCM sample position is greater than zero.
365 </t>
366
367 <t>
368 On the other hand, a granule position that is smaller than the number of
369  decoded samples prevents a demuxer from working backwards to assign each
370  packet or each individual sample a valid granule position, since granule
371  positions must be non-negative.
372 A decoder MUST reject as invalid any stream where the granule position is
373  smaller than the number of samples contained in packets that complete on the
374  first audio data page with a completed packet, unless that page has the 'end
375  of stream' flag set.
376 It MAY defer this action until it decodes the last packet completed on that
377  page.
378 </t>
379
380 <t>
381 If that page has the 'end of stream' flag set, a demuxer MUST reject as invalid
382  any stream where its granule position is smaller than the 'pre-skip' amount.
383 This would indicate that more samples should be skipped from the initial
384  decoded output than exist in the stream.
385 If the granule position is smaller than the number of decoded samples produced
386  by the packets that complete on that page, then a demuxer MUST use an initial
387  granule position of '0', and can work forwards from '0' to timestamp
388  individual packets.
389 If the granule position is larger than the number of decoded samples available,
390  then the demuxer MUST still work backwards as described above, even if the
391  'end of stream' flag is set, to determine the initial granule position, and
392  thus the initial PCM sample position.
393 Both of these will be greater than '0' in this case.
394 </t>
395 </section>
396
397 <section anchor="seeking_and_preroll" title="Seeking and Pre-roll">
398 <t>
399 Seeking in Ogg files is best performed using a bisection search for a page
400  whose granule position corresponds to a PCM position at or before the seek
401  target.
402 With appropriately weighted bisection, accurate seeking can be performed with
403  just three or four bisections even in multi-gigabyte files.
404 See <xref target="seeking"/> for general implementation guidance.
405 </t>
406
407 <t>
408 When seeking within an Ogg Opus stream, the decoder SHOULD start decoding (and
409  discarding the output) at least 3840&nbsp;samples (80&nbsp;ms) prior to the
410  seek target in order to ensure that the output audio is correct by the time it
411  reaches the seek target.
412 This 'pre-roll' is separate from, and unrelated to, the 'pre-skip' used at the
413  beginning of the stream.
414 If the point 80&nbsp;ms prior to the seek target comes before the initial PCM
415  sample position, the decoder SHOULD start decoding from the beginning of the
416  stream, applying pre-skip as normal, regardless of whether the pre-skip is
417  larger or smaller than 80&nbsp;ms, and then continue to discard the samples
418  required to reach the seek target (if any).
419 </t>
420 </section>
421
422 </section>
423
424 <section anchor="headers" title="Header Packets">
425 <t>
426 An Opus stream contains exactly two mandatory header packets:
427  an identification header and a comment header.
428 </t>
429
430 <section anchor="id_header" title="Identification Header">
431
432 <figure anchor="id_header_packet" title="ID Header Packet" align="center">
433 <artwork align="center"><![CDATA[
434  0                   1                   2                   3
435  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
436 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
437 |      'O'      |      'p'      |      'u'      |      's'      |
438 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
439 |      'H'      |      'e'      |      'a'      |      'd'      |
440 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
441 |  Version = 1  | Channel Count |           Pre-skip            |
442 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
443 |                     Input Sample Rate (Hz)                    |
444 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
445 |   Output Gain (Q7.8 in dB)    | Mapping Family|               |
446 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+               :
447 |                                                               |
448 :               Optional Channel Mapping Table...               :
449 |                                                               |
450 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
451 ]]></artwork>
452 </figure>
453
454 <t>
455 The fields in the identification (ID) header have the following meaning:
456 <list style="numbers">
457 <t><spanx style="strong">Magic Signature</spanx>:
458 <vspace blankLines="1"/>
459 This is an 8-octet (64-bit) field that allows codec identification and is
460  human-readable.
461 It contains, in order, the magic numbers:
462 <list style="empty">
463 <t>0x4F 'O'</t>
464 <t>0x70 'p'</t>
465 <t>0x75 'u'</t>
466 <t>0x73 's'</t>
467 <t>0x48 'H'</t>
468 <t>0x65 'e'</t>
469 <t>0x61 'a'</t>
470 <t>0x64 'd'</t>
471 </list>
472 Starting with "Op" helps distinguish it from audio data packets, as this is an
473  invalid TOC sequence.
474 <vspace blankLines="1"/>
475 </t>
476 <t><spanx style="strong">Version</spanx> (8 bits, unsigned):
477 <vspace blankLines="1"/>
478 The version number MUST always be '1' for this version of the encapsulation
479  specification.
480 Implementations SHOULD treat streams where the upper four bits of the version
481  number match that of a recognized specification as backwards-compatible with
482  that specification.
483 That is, the version number can be split into "major" and "minor" version
484  sub-fields, with changes to the "minor" sub-field (in the lower four bits)
485  signaling compatible changes.
486 For example, a decoder implementing this specification SHOULD accept any stream
487  with a version number of '15' or less, and SHOULD assume any stream with a
488  version number '16' or greater is incompatible.
489 The initial version '1' was chosen to keep implementations from relying on this
490  octet as a null terminator for the "OpusHead" string.
491 <vspace blankLines="1"/>
492 </t>
493 <t><spanx style="strong">Output Channel Count</spanx> 'C' (8 bits, unsigned):
494 <vspace blankLines="1"/>
495 This is the number of output channels.
496 This might be different than the number of encoded channels, which can change
497  on a packet-by-packet basis.
498 This value MUST NOT be zero.
499 The maximum allowable value depends on the channel mapping family, and might be
500  as large as 255.
501 See <xref target="channel_mapping"/> for details.
502 <vspace blankLines="1"/>
503 </t>
504 <t><spanx style="strong">Pre-skip</spanx> (16 bits, unsigned, little
505  endian):
506 <vspace blankLines="1"/>
507 This is the number of samples (at 48&nbsp;kHz) to discard from the decoder
508  output when starting playback, and also the number to subtract from a page's
509  granule position to calculate its PCM sample position.
510 When cropping the beginning of existing Ogg Opus streams, a pre-skip of at
511  least 3,840&nbsp;samples (80&nbsp;ms) is RECOMMENDED to ensure complete
512  convergence in the decoder.
513 <vspace blankLines="1"/>
514 </t>
515 <t><spanx style="strong">Input Sample Rate</spanx> (32 bits, unsigned, little
516  endian):
517 <vspace blankLines="1"/>
518 This field is <spanx style="emph">not</spanx> the sample rate to use for
519  playback of the encoded data.
520 <vspace blankLines="1"/>
521 Opus has a handful of coding modes, with internal audio bandwidths of 4, 6, 8,
522  12, and 20&nbsp;kHz.
523 Each packet in the stream may have a different audio bandwidth.
524 Regardless of the audio bandwidth, the reference decoder supports decoding any
525  stream at a sample rate of 8, 12, 16, 24, or 48&nbsp;kHz.
526 The original sample rate of the encoder input is not preserved by the lossy
527  compression.
528 <vspace blankLines="1"/>
529 An Ogg Opus player SHOULD select the playback sample rate according to the
530  following procedure:
531 <list style="numbers">
532 <t>If the hardware supports 48&nbsp;kHz playback, decode at 48&nbsp;kHz.</t>
533 <t>Otherwise, if the hardware's highest available sample rate is a supported
534  rate, decode at this sample rate.</t>
535 <t>Otherwise, if the hardware's highest available sample rate is less than
536  48&nbsp;kHz, decode at the highest supported rate above this and resample.</t>
537 <t>Otherwise, decode at 48&nbsp;kHz and resample.</t>
538 </list>
539 However, the 'Input Sample Rate' field allows the encoder to pass the sample
540  rate of the original input stream as metadata.
541 This may be useful when the user requires the output sample rate to match the
542  input sample rate.
543 For example, a non-player decoder writing PCM format samples to disk might
544  choose to resample the output audio back to the original input sample rate to
545  reduce surprise to the user, who might reasonably expect to get back a file
546  with the same sample rate as the one they fed to the encoder.
547 <vspace blankLines="1"/>
548 A value of zero indicates 'unspecified'.
549 Encoders SHOULD write the actual input sample rate or zero, but decoder
550  implementations which do something with this field SHOULD take care to behave
551  sanely if given crazy values (e.g., do not actually upsample the output to
552  10 MHz if requested).
553 <vspace blankLines="1"/>
554 </t>
555 <t><spanx style="strong">Output Gain</spanx> (16 bits, signed, little
556  endian):
557 <vspace blankLines="1"/>
558 This is a gain to be applied by the decoder.
559 It is 20*log10 of the factor to scale the decoder output by to achieve the
560  desired playback volume, stored in a 16-bit, signed, two's complement
561  fixed-point value with 8 fractional bits (i.e., Q7.8).
562 To apply the gain, a decoder could use
563 <figure align="center">
564 <artwork align="center"><![CDATA[
565 sample *= pow(10, output_gain/(20.0*256)) ,
566 ]]></artwork>
567 </figure>
568  where output_gain is the raw 16-bit value from the header.
569 <vspace blankLines="1"/>
570 Virtually all players and media frameworks should apply it by default.
571 If a player chooses to apply any volume adjustment or gain modification, such
572  as the R128_TRACK_GAIN (see <xref target="comment_header"/>) or a user-facing
573  volume knob, the adjustment MUST be applied in addition to this output gain in
574  order to achieve playback at the desired volume.
575 <vspace blankLines="1"/>
576 An encoder SHOULD set this field to zero, and instead apply any gain prior to
577  encoding, when this is possible and does not conflict with the user's wishes.
578 The output gain should only be nonzero when the gain is adjusted after
579  encoding, or when the user wishes to adjust the gain for playback while
580  preserving the ability to recover the original signal amplitude.
581 <vspace blankLines="1"/>
582 Although the output gain has enormous range (+/- 128 dB, enough to amplify
583  inaudible sounds to the threshold of physical pain), most applications can
584  only reasonably use a small portion of this range around zero.
585 The large range serves in part to ensure that gain can always be losslessly
586  transferred between OpusHead and R128_TRACK_GAIN (see below) without
587  saturating.
588 <vspace blankLines="1"/>
589 </t>
590 <t><spanx style="strong">Channel Mapping Family</spanx> (8 bits,
591  unsigned):
592 <vspace blankLines="1"/>
593 This octet indicates the order and semantic meaning of the various channels
594  encoded in each Ogg packet.
595 <vspace blankLines="1"/>
596 Each possible value of this octet indicates a mapping family, which defines a
597  set of allowed channel counts, and the ordered set of channel names for each
598  allowed channel count.
599 The details are described in <xref target="channel_mapping"/>.
600 </t>
601 <t><spanx style="strong">Channel Mapping Table</spanx>:
602 This table defines the mapping from encoded streams to output channels.
603 It is omitted when the channel mapping family is 0, but REQUIRED otherwise.
604 Its contents are specified in <xref target="channel_mapping"/>.
605 </t>
606 </list>
607 </t>
608
609 <t>
610 All fields in the ID headers are REQUIRED, except for the channel mapping
611  table, which is omitted when the channel mapping family is 0.
612 Implementations SHOULD reject ID headers which do not contain enough data for
613  these fields, even if they contain a valid Magic Signature.
614 Future versions of this specification, even backwards-compatible versions,
615  might include additional fields in the ID header.
616 If an ID header has a compatible major version, but a larger minor version,
617  an implementation MUST NOT reject it for containing additional data not
618  specified here.
619 However, implementations MAY reject streams in which the ID header does not
620  complete on the first page.
621 </t>
622
623 <section anchor="channel_mapping" title="Channel Mapping">
624 <t>
625 An Ogg Opus stream allows mapping one number of Opus streams (N) to a possibly
626  larger number of decoded channels (M+N) to yet another number of output
627  channels (C), which might be larger or smaller than the number of decoded
628  channels.
629 The order and meaning of these channels are defined by a channel mapping,
630  which consists of the 'channel mapping family' octet and, for channel mapping
631  families other than family&nbsp;0, a channel mapping table, as illustrated in
632  <xref target="channel_mapping_table"/>.
633 </t>
634
635 <figure anchor="channel_mapping_table" title="Channel Mapping Table"
636  align="center">
637 <artwork align="center"><![CDATA[
638  0                   1                   2                   3
639  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
640                                                 +-+-+-+-+-+-+-+-+
641                                                 | Stream Count  |
642 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
643 | Coupled Count |              Channel Mapping...               :
644 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
645 ]]></artwork>
646 </figure>
647
648 <t>
649 The fields in the channel mapping table have the following meaning:
650 <list style="numbers" counter="8">
651 <t><spanx style="strong">Stream Count</spanx> 'N' (8 bits, unsigned):
652 <vspace blankLines="1"/>
653 This is the total number of streams encoded in each Ogg packet.
654 This value is required to correctly parse the packed Opus packets inside an
655  Ogg packet, as described in <xref target="packet_organization"/>.
656 This value MUST NOT be zero, as without at least one Opus packet with a valid
657  TOC sequence, a demuxer cannot recover the duration of an Ogg packet.
658 <vspace blankLines="1"/>
659 For channel mapping family&nbsp;0, this value defaults to 1, and is not coded.
660 <vspace blankLines="1"/>
661 </t>
662 <t><spanx style="strong">Coupled Stream Count</spanx> 'M' (8 bits, unsigned):
663 This is the number of streams whose decoders should be configured to produce
664  two channels.
665 This MUST be no larger than the total number of streams, N.
666 <vspace blankLines="1"/>
667 Each packet in an Opus stream has an internal channel count of 1 or 2, which
668  can change from packet to packet.
669 This is selected by the encoder depending on the bitrate and the audio being
670  encoded.
671 The original channel count of the encoder input is not preserved by the lossy
672  compression.
673 <vspace blankLines="1"/>
674 Regardless of the internal channel count, any Opus stream can be decoded as
675  mono (a single channel) or stereo (two channels) by appropriate initialization
676  of the decoder.
677 The 'coupled stream count' field indicates that the first M Opus decoders are
678  to be initialized in stereo mode, and the remaining N-M decoders are to be
679  initialized in mono mode.
680 The total number of decoded channels, (M+N), MUST be no larger than 255, as
681  there is no way to index more channels than that in the channel mapping.
682 <vspace blankLines="1"/>
683 For channel mapping family&nbsp;0, this value defaults to C-1 (i.e., 0 for mono
684  and 1 for stereo), and is not coded.
685 <vspace blankLines="1"/>
686 </t>
687 <t><spanx style="strong">Channel Mapping</spanx> (8*C bits):
688 This contains one octet per output channel, indicating which decoded channel
689  should be used for each one.
690 Let 'index' be the value of this octet for a particular output channel.
691 This value MUST either be smaller than (M+N), or be the special value 255.
692 If 'index' is less than 2*M, the output MUST be taken from decoding stream
693  ('index'/2) as stereo and selecting the left channel if 'index' is even, and
694  the right channel if 'index' is odd.
695 If 'index' is 2*M or larger, the output MUST be taken from decoding stream
696  ('index'-M) as mono.
697 If 'index' is 255, the corresponding output channel MUST contain pure silence.
698 <vspace blankLines="1"/>
699 The number of output channels, C, is not constrained to match the number of
700  decoded channels (M+N).
701 A single index value MAY appear multiple times, i.e., the same decoded channel
702  might be mapped to multiple output channels.
703 Some decoded channels might not be assigned to any output channel, as well.
704 <vspace blankLines="1"/>
705 For channel mapping family&nbsp;0, the first index defaults to 0, and if C==2,
706  the second index defaults to 1.
707 Neither index is coded.
708 </t>
709 </list>
710 </t>
711
712 <t>
713 After producing the output channels, the channel mapping family determines the
714  semantic meaning of each one.
715 Currently there are three defined mapping families, although more may be added.
716 </t>
717
718 <section anchor="channel_mapping_0" title="Channel Mapping Family 0">
719 <t>
720 Allowed numbers of channels: 1 or 2.
721 RTP mapping.
722 </t>
723 <t>
724 <list style="symbols">
725 <t>1 channel: monophonic (mono).</t>
726 <t>2 channels: stereo (left, right).</t>
727 </list>
728 <spanx style="strong">Special mapping</spanx>: This channel mapping value also
729  indicates that the contents consists of a single Opus stream that is stereo if
730  and only if C==2, with stream index 0 mapped to output channel 0 (mono, or
731  left channel) and stream index 1 mapped to output channel 1 (right channel)
732  if stereo.
733 When the 'channel mapping family' octet has this value, the channel mapping
734  table MUST be omitted from the ID header packet.
735 </t>
736 </section>
737
738 <section anchor="channel_mapping_1" title="Channel Mapping Family 1">
739 <t>
740 Allowed numbers of channels: 1...8.
741 Vorbis channel order.
742 </t>
743 <t>
744 Each channel is assigned to a speaker location in a conventional surround
745  configuration.
746 Specific locations depend on the number of channels, and are given below
747  in order of the corresponding channel indicies.
748 <list style="symbols">
749   <t>1 channel: monophonic (mono).</t>
750   <t>2 channels: stereo (left, right).</t>
751   <t>3 channels: linear surround (left, center, right)</t>
752   <t>4 channels: quadraphonic (front&nbsp;left, front&nbsp;right, rear&nbsp;left, rear&nbsp;right).</t>
753   <t>5 channels: 5.0 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, rear&nbsp;left, rear&nbsp;right).</t>
754   <t>6 channels: 5.1 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, rear&nbsp;left, rear&nbsp;right, LFE).</t>
755   <t>7 channels: 6.1 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, side&nbsp;left, side&nbsp;right, rear&nbsp;center, LFE).</t>
756   <t>8 channels: 7.1 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, side&nbsp;left, side&nbsp;right, rear&nbsp;left, rear&nbsp;right, LFE)</t>
757 </list>
758 This set of surround configurations and speaker location orderings is the same
759  as the one used by the Vorbis codec. <xref target="vorbis-mapping"/>
760 The ordering is different from the one used by the
761  WAVE <xref target="wave-multichannel"/> and
762  FLAC <xref target="flac"/> formats,
763  although the configurations match, so correct ordering requires permutation
764  of the output channels when encoding from or decoding to those formats.
765 'LFE' here refers to a Low Frequency Effects, often mapped to a subwoofer
766  with no particular spacial position.
767 Implementations SHOULD identify 'side' or 'rear' speaker locations with
768  'surround' and 'back' as appropriate when interfacing with audio formats
769  or systems which prefer that terminology.
770 </t>
771 </section>
772
773 <section anchor="channel_mapping_255"
774  title="Channel Mapping Family 255">
775 <t>
776 Allowed numbers of channels: 1...255.
777 No defined channel meaning.
778 </t>
779 <t>
780 Channels are unidentified.
781 General-purpose players SHOULD NOT attempt to play these streams, and offline
782  decoders MAY deinterleave the output into separate PCM files, one per channel.
783 Decoders SHOULD NOT produce output for channels mapped to stream index 255
784  (pure silence) unless they have no other way to indicate the index of
785  non-silent channels.
786 </t>
787 </section>
788
789 <section anchor="channel_mapping_undefined"
790  title="Undefined Channel Mappings">
791 <t>
792 The remaining channel mapping families (2...254) are reserved.
793 A decoder encountering a reserved channel mapping family value SHOULD act as
794  though the value is 255.
795 </t>
796 </section>
797
798 <section anchor="downmix" title="Downmixing">
799 <t>
800 An Ogg Opus player MUST play any Ogg Opus stream with a channel mapping family
801  of 0 or 1, even if the number of channels does not match the physically
802  connected audio hardware.
803 Players SHOULD perform channel mixing to increase or reduce the number of
804  channels as needed.
805 </t>
806
807 <t>
808 Implementations MAY use the following matricies to implement downmixing from
809  multichannel files using <xref target="channel_mapping_1">Channel Mapping
810  Family 1</xref>, which are known to give acceptable results for stereo.
811 Matricies for 3 and 4 channels are normalized so each coefficent row sums
812  to 1 to avoid clipping.
813 For 5 or more channels they are normalized to 2 as a compromize between
814  clipping and dynamic range reduction.
815 </t>
816 <t>
817 In these matricies the front left and front right channels are generally
818 passed through directly.
819 When a surround channel is split between both the left and right stereo
820  channels, coefficients are chosen so their squares sum to 1, which
821  helps preserve the perceived intensity.
822 Rear channels are mixed more diffusely or attenuated to maintain focus
823  on the front channels.
824 </t>
825
826 <figure anchor="downmix-matrix-3"
827  title="Stereo downmix matrix for the linear surround channel mapping"
828  align="center">
829 <artwork align="center"><![CDATA[
830  Left output = ( 0.585786 * left + 0.414214 * center                    )
831 Right output = (                   0.414214 * center + 0.585786 * right )
832 ]]></artwork>
833 <postamble>
834 Exact coefficient values are 1 and 1/sqrt(2), multiplied by
835  1/(1 + 1/sqrt(2)) for normalization.
836 </postamble>
837 </figure>
838
839 <figure anchor="downmix-matrix-4"
840  title="Stereo downmix matrix for the quadraphonic channel mapping"
841  align="center">
842 <artwork align="center"><![CDATA[
843 /          \   /                                     \ / FL \
844 | L output |   | 0.422650 0.000000 0.366025 0.211325 | | FR |
845 | R output | = | 0.000000 0.422650 0.211325 0.366025 | | RL |
846 \          /   \                                     / \ RR /
847 ]]></artwork>
848 <postamble>
849 Exact coefficient values are 1, sqrt(3)/2 and 1/2, multiplied by
850  1/(1&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2) for normalization.
851 </postamble>
852 </figure>
853
854 <figure anchor="downmix-matrix-5"
855  title="Stereo downmix matrix for the 5.0 surround mapping"
856  align="center">
857 <artwork align="center"><![CDATA[
858                                                          / FL \
859 /   \   /                                              \ | FC |
860 | L |   | 0.650802 0.460186 0.000000 0.563611 0.325401 | | FR |
861 | R | = | 0.000000 0.460186 0.650802 0.325401 0.563611 | | RL |
862 \   /   \                                              / | RR |
863                                                          \    /
864 ]]></artwork>
865 <postamble>
866 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
867  2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2)
868  for normalization.
869 </postamble>
870 </figure>
871
872 <figure anchor="downmix-matrix-6"
873  title="Stereo downmix matrix for the 5.1 surround mapping"
874  align="center">
875 <artwork align="center"><![CDATA[
876                                                                 /FL \
877 / \   /                                                       \ |FC |
878 |L|   | 0.529067 0.374107 0.000000 0.458186 0.264534 0.374107 | |FR |
879 |R| = | 0.000000 0.374107 0.529067 0.264534 0.458186 0.374107 | |RL |
880 \ /   \                                                       / |RR |
881                                                                 \LFE/
882 ]]></artwork>
883 <postamble>
884 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
885 2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2 + 1/sqrt(2))
886  for normalization.
887 </postamble>
888 </figure>
889
890 <figure anchor="downmix-matrix-7"
891  title="Stereo downmix matrix for the 6.1 surround mapping"
892  align="center">
893 <artwork align="center"><![CDATA[
894  /                                                                \
895  | 0.455310 0.321953 0.000000 0.394310 0.227655 0.278819 0.321953 |
896  | 0.000000 0.321953 0.455310 0.227655 0.394310 0.278819 0.321953 |
897  \                                                                /
898 ]]></artwork>
899 <postamble>
900 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2, 1/2 and
901  sqrt(3)/2/sqrt(2), multiplied by
902  2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2 +
903  sqrt(3)/2/sqrt(2) + 1/sqrt(2)) for normalization.
904 The coeffients are in the same order as in <xref target="channel_mapping_1" />,
905  and the matricies above.
906 </postamble>
907 </figure>
908
909 <figure anchor="downmix-matrix-8"
910  title="Stereo downmix matrix for the 7.1 surround mapping"
911  align="center">
912 <artwork align="center"><![CDATA[
913 /                                                                 \
914 | .388631 .274804 .000000 .336565 .194316 .336565 .194316 .274804 |
915 | .000000 .274804 .388631 .194316 .336565 .194316 .336565 .274804 |
916 \                                                                 /
917 ]]></artwork>
918 <postamble>
919 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
920  2/(2&nbsp;+&nbsp;2/sqrt(2)&nbsp;+&nbsp;sqrt(3)) for normalization.
921 The coeffients are in the same order as in <xref target="channel_mapping_1" />,
922  and the matricies above.
923 </postamble>
924 </figure>
925
926 </section>
927
928 </section> <!-- end channel_mapping_table -->
929
930 </section> <!-- end id_header -->
931
932 <section anchor="comment_header" title="Comment Header">
933
934 <figure anchor="comment_header_packet" title="Comment Header Packet"
935  align="center">
936 <artwork align="center"><![CDATA[
937  0                   1                   2                   3
938  0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
939 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
940 |      'O'      |      'p'      |      'u'      |      's'      |
941 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
942 |      'T'      |      'a'      |      'g'      |      's'      |
943 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
944 |                     Vendor String Length                      |
945 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
946 |                                                               |
947 :                        Vendor String...                       :
948 |                                                               |
949 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
950 |                   User Comment List Length                    |
951 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
952 |                 User Comment #0 String Length                 |
953 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
954 |                                                               |
955 :                   User Comment #0 String...                   :
956 |                                                               |
957 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
958 |                 User Comment #1 String Length                 |
959 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
960 :                                                               :
961 ]]></artwork>
962 </figure>
963
964 <t>
965 The comment header consists of a 64-bit magic signature, followed by data in
966  the same format as the <xref target="vorbis-comment"/> header used in Ogg
967  Vorbis (without the final "framing bit"), Ogg Theora, and Speex.
968 <list style="numbers">
969 <t><spanx style="strong">Magic Signature</spanx>:
970 <vspace blankLines="1"/>
971 This is an 8-octet (64-bit) field that allows codec identification and is
972  human-readable.
973 It contains, in order, the magic numbers:
974 <list style="empty">
975 <t>0x4F 'O'</t>
976 <t>0x70 'p'</t>
977 <t>0x75 'u'</t>
978 <t>0x73 's'</t>
979 <t>0x54 'T'</t>
980 <t>0x61 'a'</t>
981 <t>0x67 'g'</t>
982 <t>0x73 's'</t>
983 </list>
984 Starting with "Op" helps distinguish it from audio data packets, as this is an
985  invalid TOC sequence.
986 <vspace blankLines="1"/>
987 </t>
988 <t><spanx style="strong">Vendor String Length</spanx> (32 bits, unsigned,
989  little endian):
990 <vspace blankLines="1"/>
991 This field gives the length of the following vendor string, in octets.
992 It MUST NOT indicate that the vendor string is longer than the rest of the
993  packet.
994 <vspace blankLines="1"/>
995 </t>
996 <t><spanx style="strong">Vendor String</spanx> (variable length, UTF-8 vector):
997 <vspace blankLines="1"/>
998 This is a simple human-readable tag for vendor information, encoded as a UTF-8
999  string&nbsp;<xref target="RFC3629"/>.
1000 No terminating null octet is required.
1001 <vspace blankLines="1"/>
1002 This tag is intended to identify the codec encoder and encapsulation
1003  implementations, for tracing differences in technical behavior.
1004 User-facing encoding applications can use the 'ENCODER' user comment tag
1005  to identify themselves.
1006 <vspace blankLines="1"/>
1007 </t>
1008 <t><spanx style="strong">User Comment List Length</spanx> (32 bits, unsigned,
1009  little endian):
1010 <vspace blankLines="1"/>
1011 This field indicates the number of user-supplied comments.
1012 It MAY indicate there are zero user-supplied comments, in which case there are
1013  no additional fields in the packet.
1014 It MUST NOT indicate that there are so many comments that the comment string
1015  lengths would require more data than is available in the rest of the packet.
1016 <vspace blankLines="1"/>
1017 </t>
1018 <t><spanx style="strong">User Comment #i String Length</spanx> (32 bits,
1019  unsigned, little endian):
1020 <vspace blankLines="1"/>
1021 This field gives the length of the following user comment string, in octets.
1022 There is one for each user comment indicated by the 'user comment list length'
1023  field.
1024 It MUST NOT indicate that the string is longer than the rest of the packet.
1025 <vspace blankLines="1"/>
1026 </t>
1027 <t><spanx style="strong">User Comment #i String</spanx> (variable length, UTF-8
1028  vector):
1029 <vspace blankLines="1"/>
1030 This field contains a single user comment string.
1031 There is one for each user comment indicated by the 'user comment list length'
1032  field.
1033 </t>
1034 </list>
1035 </t>
1036
1037 <t>
1038 The vendor string length and user comment list length are REQUIRED, and
1039  implementations SHOULD reject comment headers that do not contain enough data
1040  for these fields, or that do not contain enough data for the corresponding
1041  vendor string or user comments they describe.
1042 Making this check before allocating the associated memory to contain the data
1043  may help prevent a possible Denial-of-Service (DoS) attack from small comment
1044  headers that claim to contain strings longer than the entire packet or more
1045  user comments than than could possibly fit in the packet.
1046 </t>
1047
1048 <t>
1049 The user comment strings follow the NAME=value format described by
1050  <xref target="vorbis-comment"/> with the same recommended tag names.
1051 One new comment tag is introduced for Ogg Opus:
1052 <figure align="center">
1053 <artwork align="left"><![CDATA[
1054 R128_TRACK_GAIN=-573
1055 ]]></artwork>
1056 </figure>
1057 representing the volume shift needed to normalize the track's volume.
1058 The gain is a Q7.8 fixed point number in dB, as in the ID header's 'output
1059  gain' field.
1060 This tag is similar to the REPLAYGAIN_TRACK_GAIN tag in
1061  Vorbis&nbsp;<xref target="replay-gain"/>, except that the normal volume
1062  reference is the <xref target="EBU-R128"/> standard.
1063 </t>
1064 <t>
1065 An Ogg Opus file MUST NOT have more than one such tag, and if present its
1066  value MUST be an integer from -32768 to 32767, inclusive, represented in
1067  ASCII with no whitespace.
1068 If present, it MUST correctly represent the R128 normalization gain relative
1069  to the 'output gain' field specified in the ID header.
1070 If a player chooses to make use of the R128_TRACK_GAIN tag, it MUST be
1071  applied <spanx style="emph">in addition</spanx> to the 'output gain' value.
1072 If an encoder wishes to use R128 normalization, and the output gain is not
1073  otherwise constrained or specified, the encoder SHOULD write the R128 gain
1074  into the 'output gain' field and store a tag containing "R128_TRACK_GAIN=0".
1075 That is, it should assume that by default tools will respect the 'output gain'
1076  field, and not the comment tag.
1077 If a tool modifies the ID header's 'output gain' field, it MUST also update or
1078  remove the R128_TRACK_GAIN comment tag.
1079 </t>
1080 <t>
1081 To avoid confusion with multiple normalization schemes, an Opus comment header
1082  SHOULD NOT contain any of the REPLAYGAIN_TRACK_GAIN, REPLAYGAIN_TRACK_PEAK,
1083  REPLAYGAIN_ALBUM_GAIN, or REPLAYGAIN_ALBUM_PEAK tags.
1084 </t>
1085 <t>
1086 There is no Opus comment tag corresponding to REPLAYGAIN_ALBUM_GAIN.
1087 That information should instead be stored in the ID header's 'output gain'
1088  field.
1089 </t>
1090 </section>
1091
1092 </section>
1093
1094 <section anchor="packet_size_limits" title="Packet Size Limits">
1095 <t>
1096 Technically valid Opus packets can be arbitrarily large due to the padding
1097  format, although the amount of non-padding data they can contain is bounded.
1098 These packets might be spread over a similarly enormous number of Ogg pages.
1099 Encoders SHOULD use no more padding than required to make a variable bitrate
1100  (VBR) stream constant bitrate (CBR).
1101 Decoders SHOULD avoid attempting to allocate excessive amounts of memory when
1102  presented with a very large packet.
1103 The presence of an extremely large packet in the stream could indicate a
1104  memory exhaustion attack or stream corruption.
1105 Decoders SHOULD reject a packet that is too large to process, and display a
1106  warning message.
1107 </t>
1108 <t>
1109 In an Ogg Opus stream, the largest possible valid packet that does not use
1110  padding has a size of (61,298*N&nbsp;-&nbsp;2) octets, or about 60&nbsp;kB per
1111  Opus stream.
1112 With 255&nbsp;streams, this is 15,630,988&nbsp;octets (14.9&nbsp;MB) and can
1113  span up to 61,298&nbsp;Ogg pages, all but one of which will have a granule
1114  position of -1.
1115 This is of course a very extreme packet, consisting of 255&nbsp;streams, each
1116  containing 120&nbsp;ms of audio encoded as 2.5&nbsp;ms frames, each frame
1117  using the maximum possible number of octets (1275) and stored in the least
1118  efficient manner allowed (a VBR code&nbsp;3 Opus packet).
1119 Even in such a packet, most of the data will be zeros as 2.5&nbsp;ms frames
1120  cannot actually use all 1275&nbsp;octets.
1121 The largest packet consisting of entirely useful data is
1122  (15,326*N&nbsp;-&nbsp;2) octets, or about 15&nbsp;kB per stream.
1123 This corresponds to 120&nbsp;ms of audio encoded as 10&nbsp;ms frames in either
1124  LP or Hybrid mode, but at a data rate of over 1&nbsp;Mbps, which makes little
1125  sense for the quality achieved.
1126 A more reasonable limit is (7,664*N&nbsp;-&nbsp;2) octets, or about 7.5&nbsp;kB
1127  per stream.
1128 This corresponds to 120&nbsp;ms of audio encoded as 20&nbsp;ms stereo MDCT-mode
1129  frames, with a total bitrate just under 511&nbsp;kbps (not counting the Ogg
1130  encapsulation overhead).
1131 With N=8, the maximum number of channels currently defined by mapping
1132  family&nbsp;1, this gives a maximum packet size of 61,310&nbsp;octets, or just
1133  under 60&nbsp;kB.
1134 This is still quite conservative, as it assumes each output channel is taken
1135  from one decoded channel of a stereo packet.
1136 An implementation could reasonably choose any of these numbers for its internal
1137  limits.
1138 </t>
1139 </section>
1140
1141 <section anchor="encoder" title="Encoder Guidelines">
1142 <t>
1143 When encoding Opus files, Ogg encoders should take into account the
1144  algorithmic delay of the Opus encoder.
1145 In encoders derived from the reference implementation, the number of
1146  samples can be queried with:
1147
1148  opus_encoder_ctl(encoder_state, OPUS_GET_LOOKAHEAD, &amp;samples_delay);
1149
1150 To achieve good quality in the very first samples of a stream, the Ogg encoder
1151  MAY use LPC extrapolation to generate at least 120 extra samples
1152  (extra_samples) at the beginning to avoid the Opus encoder having to encode
1153  a discontinuous signal.
1154 For an input file containing length samples, the Ogg encoder SHOULD set the
1155  preskip header flag to samples_delay+extra_samples, encode at least
1156  length+samples_delay+extra_samples samples, and set the granulepos of the last
1157  page to length+samples_delay+extra_samples.
1158 This ensures that the encoded file has the same duration as the original, with
1159  no time offset. The best way to pad the end of the stream is to also use LPC
1160  extrapolation, but zero-padding is also acceptable.
1161 </t>
1162
1163 <section anchor="lpc" title="LPC Extrapolation">
1164 <t>
1165 The first step in LPC extrapolation is to compute linear prediction
1166  coefficients.
1167 When extending the end of the signal, order-N (typically with N ranging from 8
1168  to 40) LPC analysis is performed on a window near the end of the signal.
1169 The last N samples are used as memory to an infinite impulse response (IIR)
1170  filter.
1171 </t>
1172 <figure align="center">
1173 <preamble>
1174 The filter is then applied on a zero input to extrapolate the end of the signal.
1175 Let a(k) be the kth LPC coefficient and x(n) be the nth sample of the signal,
1176  each new sample past the end of the signal is computed as:
1177 </preamble>
1178 <artwork align="center"><![CDATA[
1179         N
1180        ---
1181 x(n) = \   a(k)*x(n-k)
1182        /
1183        ---
1184        k=1
1185 ]]></artwork>
1186 </figure>
1187 <t>
1188 The process is repeated independently for each channel.
1189 It is possible to extend the beginning of the signal by applying the same
1190  process backward in time.
1191 When extending the beginning of the signal, it is best to apply a "fade in" to
1192  the extrapolated signal, e.g. by multiplying it by a half-Hanning window.
1193 </t>
1194
1195 </section>
1196
1197 <section anchor="continuous_chaining" title="Continuous Chaining">
1198 <t>
1199 In some applications, such as Internet radio, it is desirable to cut a long
1200  streams into smaller chains, e.g. so the comment header can be updated.
1201 This can be done simply by separating the input streams into segments and
1202  encoding each segment independently.
1203 The drawback of this approach is that it creates a small discontinuity
1204  at the boundary due to the lossy nature of Opus.
1205 An encoder MAY avoid this discontinuity by using the following procedure:
1206 <list style="numbers">
1207 <t>Encode the last frame of the first segment as an independent frame by
1208  turning off all forms of inter-frame prediction.
1209 De-emphasis is allowed.</t>
1210 <t>Set the granulepos of the last page to a point near the end of the last
1211  frame.</t>
1212 <t>Begin the second segment with a copy of the last frame of the first
1213  segment.</t>
1214 <t>Set the preskip flag of the second stream in such a way as to properly
1215  join the two streams.</t>
1216 <t>Continue the encoding process normally from there, without any reset to
1217  the encoder.</t>
1218 </list>
1219 </t>
1220 </section>
1221
1222 </section>
1223
1224 <section anchor="implementation" title="Implementation Status">
1225 <t>
1226 A brief summary of major implementations of this draft is available
1227  at <eref target="https://wiki.xiph.org/OggOpusImplementation"/>,
1228   along with their status.
1229 </t>
1230 <t>
1231 [Note to RFC Editor: please remove this entire section before
1232  final publication per <xref target="draft-sheffer-running-code"/>.]
1233 </t>
1234 </section>
1235
1236 <section anchor="security" title="Security Considerations">
1237 <t>
1238 Implementations of the Opus codec need to take appropriate security
1239  considerations into account, as outlined in <xref target="RFC4732"/>.
1240 This is just as much a problem for the container as it is for the codec itself.
1241 It is extremely important for the decoder to be robust against malicious
1242  payloads.
1243 Malicious payloads must not cause the decoder to overrun its allocated memory
1244  or to take an excessive amount of resources to decode.
1245 Although problems in encoders are typically rarer, the same applies to the
1246  encoder.
1247 Malicious audio streams must not cause the encoder to misbehave because this
1248  would allow an attacker to attack transcoding gateways.
1249 </t>
1250
1251 <t>
1252 Like most other container formats, Ogg Opus files should not be used with
1253  insecure ciphers or cipher modes that are vulnerable to known-plaintext
1254  attacks.
1255 Elements such as the Ogg page capture pattern and the magic signatures in the
1256  ID header and the comment header all have easily predictable values, in
1257  addition to various elements of the codec data itself.
1258 </t>
1259 </section>
1260
1261 <section anchor="content_type" title="Content Type">
1262 <t>
1263 An "Ogg Opus file" consists of one or more sequentially multiplexed segments,
1264  each containing exactly one Ogg Opus stream.
1265 The RECOMMENDED mime-type for Ogg Opus files is "audio/ogg".
1266 </t>
1267
1268 <figure>
1269 <preamble>
1270 If more specificity is desired, one MAY indicate the presence of Opus streams
1271  using the codecs parameter defined in <xref target="RFC6381"/>, e.g.,
1272 </preamble>
1273 <artwork align="center"><![CDATA[
1274     audio/ogg; codecs=opus
1275 ]]></artwork>
1276 <postamble>
1277  for an Ogg Opus file.
1278 </postamble>
1279 </figure>
1280
1281 <t>
1282 The RECOMMENDED filename extension for Ogg Opus files is '.opus'.
1283 </t>
1284
1285 <t>
1286 When Opus is concurrently multiplexed with other streams in an Ogg container,
1287  one SHOULD use one of the "audio/ogg", "video/ogg", or "application/ogg"
1288  mime-types, as defined in <xref target="RFC5334"/>.
1289 Such streams are not strictly "Ogg Opus files" as described above,
1290  since they contain more than a single Opus stream per sequentially
1291  multiplexed segment, e.g. video or multiple audio tracks.
1292 In such cases the the '.opus' filename extension is NOT RECOMMENDED.
1293 </t>
1294 </section>
1295
1296 <section title="IANA Considerations">
1297 <t>
1298 This document has no actions for IANA.
1299 </t>
1300 </section>
1301
1302 <section anchor="Acknowledgments" title="Acknowledgments">
1303 <t>
1304 Thanks to Greg Maxwell, Christopher "Monty" Montgomery, and Jean-Marc Valin for
1305  their valuable contributions to this document.
1306 Additional thanks to Andrew D'Addesio, Greg Maxwell, and Vincent Penqeurc'h for
1307  their feedback based on early implementations.
1308 </t>
1309 </section>
1310
1311 <section title="Copying Conditions">
1312 <t>
1313 The authors agree to grant third parties the irrevocable right to copy, use,
1314  and distribute the work, with or without modification, in any medium, without
1315  royalty, provided that, unless separate permission is granted, redistributed
1316  modified works do not contain misleading author, version, name of work, or
1317  endorsement information.
1318 </t>
1319 </section>
1320
1321 </middle>
1322 <back>
1323 <references title="Normative References">
1324  &rfc2119;
1325  &rfc3533;
1326  &rfc3629;
1327  &rfc5334;
1328  &rfc6381;
1329  &rfc6716;
1330
1331 <reference anchor="EBU-R128" target="http://tech.ebu.ch/loudness">
1332 <front>
1333 <title>"Loudness Recommendation EBU R128</title>
1334 <author fullname="EBU Technical Committee"/>
1335 <date month="August" year="2011"/>
1336 </front>
1337 </reference>
1338
1339 <reference anchor="vorbis-comment"
1340  target="http://www.xiph.org/vorbis/doc/v-comment.html">
1341 <front>
1342 <title>Ogg Vorbis I Format Specification: Comment Field and Header
1343  Specification</title>
1344 <author initials="C." surname="Montgomery"
1345  fullname="Christopher &quot;Monty&quot; Montgomery"/>
1346 <date month="July" year="2002"/>
1347 </front>
1348 </reference>
1349
1350 </references>
1351
1352 <references title="Informative References">
1353
1354 <!--?rfc include="http://xml.resource.org/public/rfc/bibxml/reference.RFC.3550.xml"?-->
1355  &rfc4732;
1356
1357 <reference anchor="draft-sheffer-running-code"
1358   target="https://tools.ietf.org/html/draft-sheffer-running-code-05#section-2">
1359  <front>
1360    <title>Improving "Rough Consensus" with Running Code</title>
1361    <author initials="Y." surname="Sheffer" fullname="Yaron Sheffer"/>
1362    <author initials="A." surname="Farrel" fullname="Adrian Farrel"/>
1363    <date month="May" year="2013"/>
1364  </front>
1365 </reference>
1366
1367 <reference anchor="flac"
1368  target="https://xiph.org/flac/format.html">
1369   <front>
1370     <title>FLAC - Free Lossless Audio Codec Format Description</title>
1371     <author initials="J." surname="Coalson" fullname="Josh Coalson"/>
1372     <date month="January" year="2008"/>
1373   </front>
1374 </reference>
1375
1376 <reference anchor="replay-gain"
1377  target="http://wiki.xiph.org/VorbisComment#Replay_Gain">
1378 <front>
1379 <title>VorbisComment: Replay Gain</title>
1380 <author initials="C." surname="Parker" fullname="Conrad Parker"/>
1381 <author initials="M." surname="Leese" fullname="Martin Leese"/>
1382 <date month="June" year="2009"/>
1383 </front>
1384 </reference>
1385
1386 <reference anchor="seeking"
1387  target="http://wiki.xiph.org/Seeking">
1388 <front>
1389 <title>Granulepos Encoding and How Seeking Really Works</title>
1390 <author initials="S." surname="Pfeiffer" fullname="Silvia Pfeiffer"/>
1391 <author initials="C." surname="Parker" fullname="Conrad Parker"/>
1392 <author initials="G." surname="Maxwell" fullname="Greg Maxwell"/>
1393 <date month="May" year="2012"/>
1394 </front>
1395 </reference>
1396
1397 <reference anchor="vorbis-mapping"
1398  target="http://www.xiph.org/vorbis/doc/Vorbis_I_spec.html#x1-800004.3.9">
1399 <front>
1400 <title>The Vorbis I Specification, Section 4.3.9 Output Channel Order</title>
1401 <author initials="C." surname="Montgomery"
1402  fullname="Christopher &quot;Monty&quot; Montgomery"/>
1403 <date month="January" year="2010"/>
1404 </front>
1405 </reference>
1406
1407 <reference anchor="vorbis-trim"
1408  target="http://xiph.org/vorbis/doc/Vorbis_I_spec.html#x1-130000A.2">
1409   <front>
1410     <title>The Vorbis I Specification, Appendix&nbsp;A: Embedding Vorbis
1411       into an Ogg stream</title>
1412     <author initials="C." surname="Montgomery"
1413      fullname="Christopher &quot;Monty&quot; Montgomery"/>
1414     <date month="November" year="2008"/>
1415   </front>
1416 </reference>
1417
1418 <reference anchor="wave-multichannel"
1419  target="http://msdn.microsoft.com/en-us/windows/hardware/gg463006.aspx">
1420   <front>
1421     <title>Multiple Channel Audio Data and WAVE Files</title>
1422     <author fullname="Microsoft Corporation"/>
1423     <date month="March" year="2007"/>
1424   </front>
1425 </reference>
1426
1427 </references>
1428
1429 </back>
1430 </rfc>