68bbbdfbee6727af2196c54cd2d742856f85ff78
[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 '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.2119.xml'>
4 <!ENTITY rfc3533 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.3533.xml'>
5 <!ENTITY rfc3629 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.3629.xml'>
6 <!ENTITY rfc4732 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.4732.xml'>
7 <!ENTITY rfc5334 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.5334.xml'>
8 <!ENTITY rfc6381 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.6381.xml'>
9 <!ENTITY rfc6716 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.6716.xml'>
10 <!ENTITY rfc6982 PUBLIC '' 'http://xml.resource.org/public/rfc/bibxml/reference.RFC.6982.xml'>
11 ]>
12 <?rfc toc="yes" symrefs="yes" ?>
13
14 <rfc ipr="trust200902" category="std" docName="draft-ietf-codec-oggopus-05">
15
16 <front>
17 <title abbrev="Ogg Opus">Ogg Encapsulation for the Opus Audio Codec</title>
18 <author initials="T.B." surname="Terriberry" fullname="Timothy B. Terriberry">
19 <organization>Mozilla Corporation</organization>
20 <address>
21 <postal>
22 <street>650 Castro Street</street>
23 <city>Mountain View</city>
24 <region>CA</region>
25 <code>94041</code>
26 <country>USA</country>
27 </postal>
28 <phone>+1 650 903-0800</phone>
29 <email>tterribe@xiph.org</email>
30 </address>
31 </author>
32
33 <author initials="R." surname="Lee" fullname="Ron Lee">
34 <organization>Voicetronix</organization>
35 <address>
36 <postal>
37 <street>246 Pulteney Street, Level 1</street>
38 <city>Adelaide</city>
39 <region>SA</region>
40 <code>5000</code>
41 <country>Australia</country>
42 </postal>
43 <phone>+61 8 8232 9112</phone>
44 <email>ron@debian.org</email>
45 </address>
46 </author>
47
48 <author initials="R." surname="Giles" fullname="Ralph Giles">
49 <organization>Mozilla Corporation</organization>
50 <address>
51 <postal>
52 <street>163 West Hastings Street</street>
53 <city>Vancouver</city>
54 <region>BC</region>
55 <code>V6B 1H5</code>
56 <country>Canada</country>
57 </postal>
58 <phone>+1 778 785 1540</phone>
59 <email>giles@xiph.org</email>
60 </address>
61 </author>
62
63 <date day="15" month="October" year="2014"/>
64 <area>RAI</area>
65 <workgroup>codec</workgroup>
66
67 <abstract>
68 <t>
69 This document defines the Ogg encapsulation for the Opus interactive speech and
70  audio codec.
71 This allows data encoded in the Opus format to be stored in an Ogg logical
72  bitstream.
73 Ogg encapsulation provides Opus with a long-term storage format supporting
74  all of the essential features, including metadata, fast and accurate seeking,
75  corruption detection, recapture after errors, low overhead, and the ability to
76  multiplex Opus with other codecs (including video) with minimal buffering.
77 It also provides a live streamable format, capable of delivery over a reliable
78  stream-oriented transport, without requiring all the data, or even the total
79  length of the data, up-front, in a form that is identical to the on-disk
80  storage format.
81 </t>
82 </abstract>
83 </front>
84
85 <middle>
86 <section anchor="intro" title="Introduction">
87 <t>
88 The IETF Opus codec is a low-latency audio codec optimized for both voice and
89  general-purpose audio.
90 See <xref target="RFC6716"/> for technical details.
91 This document defines the encapsulation of Opus in a continuous, logical Ogg
92  bitstream&nbsp;<xref target="RFC3533"/>.
93 </t>
94 <t>
95 Ogg bitstreams are made up of a series of 'pages', each of which contains data
96  from one or more 'packets'.
97 Pages are the fundamental unit of multiplexing in an Ogg stream.
98 Each page is associated with a particular logical stream and contains a capture
99  pattern and checksum, flags to mark the beginning and end of the logical
100  stream, and a 'granule position' that represents an absolute position in the
101  stream, to aid seeking.
102 A single page can contain up to 65,025 octets of packet data from up to 255
103  different packets.
104 Packets MAY be split arbitrarily across pages, and continued from one page to
105  the next (allowing packets much larger than would fit on a single page).
106 Each page contains 'lacing values' that indicate how the data is partitioned
107  into packets, allowing a demuxer to recover the packet boundaries without
108  examining the encoded data.
109 A packet is said to 'complete' on a page when the page contains the final
110  lacing value corresponding to that packet.
111 </t>
112 <t>
113 This encapsulation defines the contents of the packet data, including
114  the necessary headers, the organization of those packets into a logical
115  stream, and the interpretation of the codec-specific granule position field.
116 It does not attempt to describe or specify the existing Ogg container format.
117 Readers unfamiliar with the basic concepts mentioned above are encouraged to
118  review the details in <xref target="RFC3533"/>.
119 </t>
120
121 </section>
122
123 <section anchor="terminology" title="Terminology">
124 <t>
125 The key words "MUST", "MUST NOT", "REQUIRED", "SHALL", "SHALL NOT", "SHOULD",
126  "SHOULD NOT", "RECOMMENDED", "NOT RECOMMENDED", "MAY", and "OPTIONAL" in this
127  document are to be interpreted as described in <xref target="RFC2119"/>.
128 </t>
129
130 <t>
131 Implementations that fail to satisfy one or more "MUST" requirements are
132  considered non-compliant.
133 Implementations that satisfy all "MUST" requirements, but fail to satisfy one
134  or more "SHOULD" requirements are said to be "conditionally compliant".
135 All other implementations are "unconditionally compliant".
136 </t>
137
138 </section>
139
140 <section anchor="packet_organization" title="Packet Organization">
141 <t>
142 An Ogg Opus stream is organized as follows.
143 </t>
144 <t>
145 There are two mandatory header packets.
146 The granule position of the pages on which these packets complete MUST be zero.
147 </t>
148 <t>
149 The first packet in the logical Ogg bitstream MUST contain the identification
150  (ID) header, which uniquely identifies a stream as Opus audio.
151 The format of this header is defined in <xref target="id_header"/>.
152 It MUST be placed alone (without any other packet data) on the first page of
153  the logical Ogg bitstream, and MUST complete on that page.
154 This page MUST have its 'beginning of stream' flag set.
155 </t>
156 <t>
157 The second packet in the logical Ogg bitstream MUST contain the comment header,
158  which contains user-supplied metadata.
159 The format of this header is defined in <xref target="comment_header"/>.
160 It MAY span one or more pages, beginning on the second page of the logical
161  stream.
162 However many pages it spans, the comment header packet MUST finish the page on
163  which it completes.
164 </t>
165 <t>
166 All subsequent pages are audio data pages, and the Ogg packets they contain are
167  audio data packets.
168 Each audio data packet contains one Opus packet for each of N different
169  streams, where N is typically one for mono or stereo, but MAY be greater than
170  one for multichannel audio.
171 The value N is specified in the ID header (see
172  <xref target="channel_mapping"/>), and is fixed over the entire length of the
173  logical Ogg bitstream.
174 </t>
175 <t>
176 The first N-1 Opus packets, if any, are packed one after another into the Ogg
177  packet, using the self-delimiting framing from Appendix&nbsp;B of
178  <xref target="RFC6716"/>.
179 The remaining Opus packet is packed at the end of the Ogg packet using the
180  regular, undelimited framing from Section&nbsp;3 of <xref target="RFC6716"/>.
181 All of the Opus packets in a single Ogg packet MUST be constrained to have the
182  same duration.
183 A decoder SHOULD treat any Opus packet whose duration is different from that of
184  the first Opus packet in an Ogg packet as if it were an Opus packet with an
185  invalid TOC sequence.
186 </t>
187 <t>
188 The coding mode (SILK, Hybrid, or CELT), audio bandwidth, channel count,
189  duration (frame size), and number of frames per packet, are indicated in the
190  TOC (table of contents) sequence at the beginning of each Opus packet, as
191  described in Section&nbsp;3.1 of&nbsp;<xref target="RFC6716"/>.
192 The combination of mode, audio bandwidth, and frame size is referred to as
193  the configuration of an Opus packet.
194 </t>
195 <t>
196 The first audio data page SHOULD NOT have the 'continued packet' flag set
197  (which would indicate the first audio data packet is continued from a previous
198  page).
199 Packets MUST be placed into Ogg pages in order until the end of stream.
200 Audio packets MAY span page boundaries.
201 A decoder MUST treat a zero-octet audio data packet as if it were a malformed
202  Opus packet as described in Section&nbsp;3.4 of&nbsp;<xref target="RFC6716"/>.
203 </t>
204 <t>
205 The last page SHOULD have the 'end of stream' flag set, but implementations
206  need to be prepared to deal with truncated streams that do not have a page
207  marked 'end of stream'.
208 The final packet on the last page SHOULD NOT be a continued packet, i.e., the
209  final lacing value SHOULD be less than 255.
210 There MUST NOT be any more pages in an Opus logical bitstream after a page
211  marked 'end of stream'.
212 </t>
213 </section>
214
215 <section anchor="granpos" title="Granule Position">
216 <t>
217 The granule position of an audio data page encodes the total number of PCM
218  samples in the stream up to and including the last fully-decodable sample from
219  the last packet completed on that page.
220 A page that is entirely spanned by a single packet (that completes on a
221  subsequent page) has no granule position, and the granule position field MUST
222  be set to the special value '-1' in two's complement.
223 </t>
224
225 <t>
226 The granule position of an audio data page is in units of PCM audio samples at
227  a fixed rate of 48&nbsp;kHz (per channel; a stereo stream's granule position
228  does not increment at twice the speed of a mono stream).
229 It is possible to run an Opus decoder at other sampling rates, but the value
230  in the granule position field always counts samples assuming a 48&nbsp;kHz
231  decoding rate, and the rest of this specification makes the same assumption.
232 </t>
233
234 <t>
235 The duration of an Opus packet can be any multiple of 2.5&nbsp;ms, up to a
236  maximum of 120&nbsp;ms.
237 This duration is encoded in the TOC sequence at the beginning of each packet.
238 The number of samples returned by a decoder corresponds to this duration
239  exactly, even for the first few packets.
240 For example, a 20&nbsp;ms packet fed to a decoder running at 48&nbsp;kHz will
241  always return 960&nbsp;samples.
242 A demuxer can parse the TOC sequence at the beginning of each Ogg packet to
243  work backwards or forwards from a packet with a known granule position (i.e.,
244  the last packet completed on some page) in order to assign granule positions
245  to every packet, or even every individual sample.
246 The one exception is the last page in the stream, as described below.
247 </t>
248
249 <t>
250 All other pages with completed packets after the first MUST have a granule
251  position equal to the number of samples contained in packets that complete on
252  that page plus the granule position of the most recent page with completed
253  packets.
254 This guarantees that a demuxer can assign individual packets the same granule
255  position when working forwards as when working backwards.
256 For this to work, there cannot be any gaps.
257 </t>
258
259 <section anchor="gap-repair" title="Repairing Gaps in Real-time Streams">
260 <t>
261 In order to support capturing a real-time stream that has lost or not
262  transmitted packets, a muxer SHOULD emit packets that explicitly request the
263  use of Packet Loss Concealment (PLC) in place of the missing packets.
264 Only gaps that are a multiple of 2.5&nbsp;ms are repairable, as these are the
265  only durations that can be created by packet loss or discontinuous
266  transmission.
267 Muxers need not handle other gap sizes.
268 Creating the necessary packets involves synthesizing a TOC byte (defined in
269 Section&nbsp;3.1 of&nbsp;<xref target="RFC6716"/>)&mdash;and whatever
270  additional internal framing is needed&mdash;to indicate the packet duration
271  for each stream.
272 The actual length of each missing Opus frame inside the packet is zero bytes,
273  as defined in Section&nbsp;3.2.1 of&nbsp;<xref target="RFC6716"/>.
274 </t>
275
276 <t>
277 Zero-byte frames MAY be packed into packets using any of codes&nbsp;0, 1,
278  2, or&nbsp;3.
279 When successive frames have the same configuration, the higher code packings
280  reduce overhead.
281 Likewise, if the TOC configuration matches, the muxer MAY further combine the
282  empty frames with previous or subsequent non-zero-length frames (using
283  code&nbsp;2 or VBR code&nbsp;3).
284 </t>
285
286 <t>
287 <xref target="RFC6716"/> does not impose any requirements on the PLC, but this
288  section outlines choices that are expected to have a positive influence on
289  most PLC implementations, including the reference implementation.
290 Synthesized TOC sequences SHOULD maintain the same mode, audio bandwidth,
291  channel count, and frame size as the previous packet (if any).
292 This is the simplest and usually the most well-tested case for the PLC to
293  handle and it covers all losses that do not include a configuration switch,
294  as defined in Section&nbsp;4.5 of&nbsp;<xref target="RFC6716"/>.
295 </t>
296
297 <t>
298 When a previous packet is available, keeping the audio bandwidth and channel
299  count the same allows the PLC to provide maximum continuity in the concealment
300  data it generates.
301 However, if the size of the gap is not a multiple of the most recent frame
302  size, then the frame size will have to change for at least some frames.
303 Such changes SHOULD be delayed as long as possible to simplify
304  things for PLC implementations.
305 </t>
306
307 <t>
308 As an example, a 95&nbsp;ms gap could be encoded as nineteen 5&nbsp;ms frames
309  in two bytes with a single CBR code&nbsp;3 packet.
310 If the previous frame size was 20&nbsp;ms, using four 20&nbsp;ms frames
311  followed by three 5&nbsp;ms frames requires 4&nbsp;bytes (plus an extra byte
312  of Ogg lacing overhead), but allows the PLC to use its well-tested steady
313  state behavior for as long as possible.
314 The total bitrate of the latter approach, including Ogg overhead, is about
315  0.4&nbsp;kbps, so the impact on file size is minimal.
316 </t>
317
318 <t>
319 Changing modes is discouraged, since this causes some decoder implementations
320  to reset their PLC state.
321 However, SILK and Hybrid mode frames cannot fill gaps that are not a multiple
322  of 10&nbsp;ms.
323 If switching to CELT mode is needed to match the gap size, a muxer SHOULD do
324  so at the end of the gap to allow the PLC to function for as long as possible.
325 </t>
326
327 <t>
328 In the example above, if the previous frame was a 20&nbsp;ms SILK mode frame,
329  the better solution is to synthesize a packet describing four 20&nbsp;ms SILK
330  frames, followed by a packet with a single 10&nbsp;ms SILK
331  frame, and finally a packet with a 5&nbsp;ms CELT frame, to fill the 95&nbsp;ms
332  gap.
333 This also requires four bytes to describe the synthesized packet data (two
334  bytes for a CBR code 3 and one byte each for two code 0 packets) but three
335  bytes of Ogg lacing overhead are needed to mark the packet boundaries.
336 At 0.6 kbps, this is still a minimal bitrate impact over a naive, low quality
337  solution.
338 </t>
339
340 <t>
341 Since medium-band audio is an option only in the SILK mode, wideband frames
342  SHOULD be generated if switching from that configuration to CELT mode, to
343  ensure that any PLC implementation which does try to migrate state between
344  the modes will be able to preserve all of the available audio bandwidth.
345 </t>
346
347 </section>
348
349 <section anchor="preskip" title="Pre-skip">
350 <t>
351 There is some amount of latency introduced during the decoding process, to
352  allow for overlap in the CELT mode, stereo mixing in the SILK mode, and
353  resampling.
354 The encoder might have introduced additional latency through its own resampling
355  and analysis (though the exact amount is not specified).
356 Therefore, the first few samples produced by the decoder do not correspond to
357  real input audio, but are instead composed of padding inserted by the encoder
358  to compensate for this latency.
359 These samples need to be stored and decoded, as Opus is an asymptotically
360  convergent predictive codec, meaning the decoded contents of each frame depend
361  on the recent history of decoder inputs.
362 However, a decoder will want to skip these samples after decoding them.
363 </t>
364
365 <t>
366 A 'pre-skip' field in the ID header (see <xref target="id_header"/>) signals
367  the number of samples which SHOULD be skipped (decoded but discarded) at the
368  beginning of the stream.
369 This amount need not be a multiple of 2.5&nbsp;ms, MAY be smaller than a single
370  packet, or MAY span the contents of several packets.
371 These samples are not valid audio, and SHOULD NOT be played.
372 </t>
373
374 <t>
375 For example, if the first Opus frame uses the CELT mode, it will always
376  produce 120 samples of windowed overlap-add data.
377 However, the overlap data is initially all zeros (since there is no prior
378  frame), meaning this cannot, in general, accurately represent the original
379  audio.
380 The SILK mode requires additional delay to account for its analysis and
381  resampling latency.
382 The encoder delays the original audio to avoid this problem.
383 </t>
384
385 <t>
386 The pre-skip field MAY also be used to perform sample-accurate cropping of
387  already encoded streams.
388 In this case, a value of at least 3840&nbsp;samples (80&nbsp;ms) provides
389  sufficient history to the decoder that it will have converged
390  before the stream's output begins.
391 </t>
392
393 </section>
394
395 <section anchor="pcm_sample_position" title="PCM Sample Position">
396 <t>
397 <figure align="center">
398 <preamble>
399 The PCM sample position is determined from the granule position using the
400  formula
401 </preamble>
402 <artwork align="center"><![CDATA[
403 'PCM sample position' = 'granule position' - 'pre-skip' .
404 ]]></artwork>
405 </figure>
406 </t>
407
408 <t>
409 For example, if the granule position of the first audio data page is 59,971,
410  and the pre-skip is 11,971, then the PCM sample position of the last decoded
411  sample from that page is 48,000.
412 <figure align="center">
413 <preamble>
414 This can be converted into a playback time using the formula
415 </preamble>
416 <artwork align="center"><![CDATA[
417                   'PCM sample position'
418 'playback time' = --------------------- .
419                          48000.0
420 ]]></artwork>
421 </figure>
422 </t>
423
424 <t>
425 The initial PCM sample position before any samples are played is normally '0'.
426 In this case, the PCM sample position of the first audio sample to be played
427  starts at '1', because it marks the time on the clock
428  <spanx style="emph">after</spanx> that sample has been played, and a stream
429  that is exactly one second long has a final PCM sample position of '48000',
430  as in the example here.
431 </t>
432
433 <t>
434 Vorbis streams use a granule position smaller than the number of audio samples
435  contained in the first audio data page to indicate that some of those samples
436  are trimmed from the output (see <xref target="vorbis-trim"/>).
437 However, to do so, Vorbis requires that the first audio data page contains
438  exactly two packets, in order to allow the decoder to perform PCM position
439  adjustments before needing to return any PCM data.
440 Opus uses the pre-skip mechanism for this purpose instead, since the encoder
441  MAY introduce more than a single packet's worth of latency, and since very
442  large packets in streams with a very large number of channels might not fit
443  on a single page.
444 </t>
445 </section>
446
447 <section anchor="end_trimming" title="End Trimming">
448 <t>
449 The page with the 'end of stream' flag set MAY have a granule position that
450  indicates the page contains less audio data than would normally be returned by
451  decoding up through the final packet.
452 This is used to end the stream somewhere other than an even frame boundary.
453 The granule position of the most recent audio data page with completed packets
454  is used to make this determination, or '0' is used if there were no previous
455  audio data pages with a completed packet.
456 The difference between these granule positions indicates how many samples to
457  keep after decoding the packets that completed on the final page.
458 The remaining samples are discarded.
459 The number of discarded samples SHOULD be no larger than the number decoded
460  from the last packet.
461 </t>
462 </section>
463
464 <section anchor="start_granpos_restrictions"
465  title="Restrictions on the Initial Granule Position">
466 <t>
467 The granule position of the first audio data page with a completed packet MAY
468  be larger than the number of samples contained in packets that complete on
469  that page, however it MUST NOT be smaller, unless that page has the 'end of
470  stream' flag set.
471 Allowing a granule position larger than the number of samples allows the
472  beginning of a stream to be cropped or a live stream to be joined without
473  rewriting the granule position of all the remaining pages.
474 This means that the PCM sample position just before the first sample to be
475  played MAY be larger than '0'.
476 Synchronization when multiplexing with other logical streams still uses the PCM
477  sample position relative to '0' to compute sample times.
478 This does not affect the behavior of pre-skip: exactly 'pre-skip' samples
479  SHOULD be skipped from the beginning of the decoded output, even if the
480  initial PCM sample position is greater than zero.
481 </t>
482
483 <t>
484 On the other hand, a granule position that is smaller than the number of
485  decoded samples prevents a demuxer from working backwards to assign each
486  packet or each individual sample a valid granule position, since granule
487  positions are non-negative.
488 A decoder MUST reject as invalid any stream where the granule position is
489  smaller than the number of samples contained in packets that complete on the
490  first audio data page with a completed packet, unless that page has the 'end
491  of stream' flag set.
492 It MAY defer this action until it decodes the last packet completed on that
493  page.
494 </t>
495
496 <t>
497 If that page has the 'end of stream' flag set, a demuxer MUST reject as invalid
498  any stream where its granule position is smaller than the 'pre-skip' amount.
499 This would indicate that there are more samples to be skipped from the initial
500  decoded output than exist in the stream.
501 If the granule position is smaller than the number of decoded samples produced
502  by the packets that complete on that page, then a demuxer MUST use an initial
503  granule position of '0', and can work forwards from '0' to timestamp
504  individual packets.
505 If the granule position is larger than the number of decoded samples available,
506  then the demuxer MUST still work backwards as described above, even if the
507  'end of stream' flag is set, to determine the initial granule position, and
508  thus the initial PCM sample position.
509 Both of these will be greater than '0' in this case.
510 </t>
511 </section>
512
513 <section anchor="seeking_and_preroll" title="Seeking and Pre-roll">
514 <t>
515 Seeking in Ogg files is best performed using a bisection search for a page
516  whose granule position corresponds to a PCM position at or before the seek
517  target.
518 With appropriately weighted bisection, accurate seeking can be performed with
519  just three or four bisections even in multi-gigabyte files.
520 See <xref target="seeking"/> for general implementation guidance.
521 </t>
522
523 <t>
524 When seeking within an Ogg Opus stream, the decoder SHOULD start decoding (and
525  discarding the output) at least 3840&nbsp;samples (80&nbsp;ms) prior to the
526  seek target in order to ensure that the output audio is correct by the time it
527  reaches the seek target.
528 This 'pre-roll' is separate from, and unrelated to, the 'pre-skip' used at the
529  beginning of the stream.
530 If the point 80&nbsp;ms prior to the seek target comes before the initial PCM
531  sample position, the decoder SHOULD start decoding from the beginning of the
532  stream, applying pre-skip as normal, regardless of whether the pre-skip is
533  larger or smaller than 80&nbsp;ms, and then continue to discard samples
534  to reach the seek target (if any).
535 </t>
536 </section>
537
538 </section>
539
540 <section anchor="headers" title="Header Packets">
541 <t>
542 An Opus stream contains exactly two mandatory header packets:
543  an identification header and a comment header.
544 </t>
545
546 <section anchor="id_header" title="Identification Header">
547
548 <figure anchor="id_header_packet" title="ID Header Packet" align="center">
549 <artwork align="center"><![CDATA[
550  0                   1                   2                   3
551  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
552 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
553 |      'O'      |      'p'      |      'u'      |      's'      |
554 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
555 |      'H'      |      'e'      |      'a'      |      'd'      |
556 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
557 |  Version = 1  | Channel Count |           Pre-skip            |
558 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
559 |                     Input Sample Rate (Hz)                    |
560 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
561 |   Output Gain (Q7.8 in dB)    | Mapping Family|               |
562 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+               :
563 |                                                               |
564 :               Optional Channel Mapping Table...               :
565 |                                                               |
566 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
567 ]]></artwork>
568 </figure>
569
570 <t>
571 The fields in the identification (ID) header have the following meaning:
572 <list style="numbers">
573 <t><spanx style="strong">Magic Signature</spanx>:
574 <vspace blankLines="1"/>
575 This is an 8-octet (64-bit) field that allows codec identification and is
576  human-readable.
577 It contains, in order, the magic numbers:
578 <list style="empty">
579 <t>0x4F 'O'</t>
580 <t>0x70 'p'</t>
581 <t>0x75 'u'</t>
582 <t>0x73 's'</t>
583 <t>0x48 'H'</t>
584 <t>0x65 'e'</t>
585 <t>0x61 'a'</t>
586 <t>0x64 'd'</t>
587 </list>
588 Starting with "Op" helps distinguish it from audio data packets, as this is an
589  invalid TOC sequence.
590 <vspace blankLines="1"/>
591 </t>
592 <t><spanx style="strong">Version</spanx> (8 bits, unsigned):
593 <vspace blankLines="1"/>
594 The version number MUST always be '1' for this version of the encapsulation
595  specification.
596 Implementations SHOULD treat streams where the upper four bits of the version
597  number match that of a recognized specification as backwards-compatible with
598  that specification.
599 That is, the version number can be split into "major" and "minor" version
600  sub-fields, with changes to the "minor" sub-field (in the lower four bits)
601  signaling compatible changes.
602 For example, a decoder implementing this specification SHOULD accept any stream
603  with a version number of '15' or less, and SHOULD assume any stream with a
604  version number '16' or greater is incompatible.
605 The initial version '1' was chosen to keep implementations from relying on this
606  octet as a null terminator for the "OpusHead" string.
607 <vspace blankLines="1"/>
608 </t>
609 <t><spanx style="strong">Output Channel Count</spanx> 'C' (8 bits, unsigned):
610 <vspace blankLines="1"/>
611 This is the number of output channels.
612 This might be different than the number of encoded channels, which can change
613  on a packet-by-packet basis.
614 This value MUST NOT be zero.
615 The maximum allowable value depends on the channel mapping family, and might be
616  as large as 255.
617 See <xref target="channel_mapping"/> for details.
618 <vspace blankLines="1"/>
619 </t>
620 <t><spanx style="strong">Pre-skip</spanx> (16 bits, unsigned, little
621  endian):
622 <vspace blankLines="1"/>
623 This is the number of samples (at 48&nbsp;kHz) to discard from the decoder
624  output when starting playback, and also the number to subtract from a page's
625  granule position to calculate its PCM sample position.
626 When cropping the beginning of existing Ogg Opus streams, a pre-skip of at
627  least 3,840&nbsp;samples (80&nbsp;ms) is RECOMMENDED to ensure complete
628  convergence in the decoder.
629 <vspace blankLines="1"/>
630 </t>
631 <t><spanx style="strong">Input Sample Rate</spanx> (32 bits, unsigned, little
632  endian):
633 <vspace blankLines="1"/>
634 This field is <spanx style="emph">not</spanx> the sample rate to use for
635  playback of the encoded data.
636 <vspace blankLines="1"/>
637 Opus can switch between internal audio bandwidths of 4, 6, 8, 12, and
638  20&nbsp;kHz.
639 Each packet in the stream can have a different audio bandwidth.
640 Regardless of the audio bandwidth, the reference decoder supports decoding any
641  stream at a sample rate of 8, 12, 16, 24, or 48&nbsp;kHz.
642 The original sample rate of the encoder input is not preserved by the lossy
643  compression.
644 <vspace blankLines="1"/>
645 An Ogg Opus player SHOULD select the playback sample rate according to the
646  following procedure:
647 <list style="numbers">
648 <t>If the hardware supports 48&nbsp;kHz playback, decode at 48&nbsp;kHz.</t>
649 <t>Otherwise, if the hardware's highest available sample rate is a supported
650  rate, decode at this sample rate.</t>
651 <t>Otherwise, if the hardware's highest available sample rate is less than
652  48&nbsp;kHz, decode at the next highest supported rate above this and
653  resample.</t>
654 <t>Otherwise, decode at 48&nbsp;kHz and resample.</t>
655 </list>
656 However, the 'Input Sample Rate' field allows the encoder to pass the sample
657  rate of the original input stream as metadata.
658 This is useful when the user requires the output sample rate to match the
659  input sample rate.
660 For example, a non-player decoder writing PCM format samples to disk might
661  choose to resample the output audio back to the original input sample rate to
662  reduce surprise to the user, who might reasonably expect to get back a file
663  with the same sample rate as the one they fed to the encoder.
664 <vspace blankLines="1"/>
665 A value of zero indicates 'unspecified'.
666 Encoders SHOULD write the actual input sample rate or zero, but decoder
667  implementations which do something with this field SHOULD take care to behave
668  sanely if given crazy values (e.g., do not actually upsample the output to
669  10 MHz if requested).
670 <vspace blankLines="1"/>
671 </t>
672 <t><spanx style="strong">Output Gain</spanx> (16 bits, signed, little
673  endian):
674 <vspace blankLines="1"/>
675 This is a gain to be applied by the decoder.
676 It is 20*log10 of the factor to scale the decoder output by to achieve the
677  desired playback volume, stored in a 16-bit, signed, two's complement
678  fixed-point value with 8 fractional bits (i.e., Q7.8).
679 <figure align="center">
680 <preamble>
681 To apply the gain, a decoder could use
682 </preamble>
683 <artwork align="center"><![CDATA[
684 sample *= pow(10, output_gain/(20.0*256)) ,
685 ]]></artwork>
686 <postamble>
687  where output_gain is the raw 16-bit value from the header.
688 </postamble>
689 </figure>
690 <vspace blankLines="1"/>
691 Virtually all players and media frameworks SHOULD apply it by default.
692 If a player chooses to apply any volume adjustment or gain modification, such
693  as the R128_TRACK_GAIN (see <xref target="comment_header"/>), the adjustment
694  MUST be applied in addition to this output gain in order to achieve playback
695  at the normalized volume.
696 <vspace blankLines="1"/>
697 An encoder SHOULD set this field to zero, and instead apply any gain prior to
698  encoding, when this is possible and does not conflict with the user's wishes.
699 A nonzero output gain indicates the gain was adjusted after encoding, or that
700  a user wished to adjust the gain for playback while preserving the ability
701  to recover the original signal amplitude.
702 <vspace blankLines="1"/>
703 Although the output gain has enormous range (+/- 128 dB, enough to amplify
704  inaudible sounds to the threshold of physical pain), most applications can
705  only reasonably use a small portion of this range around zero.
706 The large range serves in part to ensure that gain can always be losslessly
707  transferred between OpusHead and R128 gain tags (see below) without
708  saturating.
709 <vspace blankLines="1"/>
710 </t>
711 <t><spanx style="strong">Channel Mapping Family</spanx> (8 bits,
712  unsigned):
713 <vspace blankLines="1"/>
714 This octet indicates the order and semantic meaning of the output channels.
715 <vspace blankLines="1"/>
716 Each possible value of this octet indicates a mapping family, which defines a
717  set of allowed channel counts, and the ordered set of channel names for each
718  allowed channel count.
719 The details are described in <xref target="channel_mapping"/>.
720 </t>
721 <t><spanx style="strong">Channel Mapping Table</spanx>:
722 This table defines the mapping from encoded streams to output channels.
723 It is omitted when the channel mapping family is 0, but REQUIRED otherwise.
724 Its contents are specified in <xref target="channel_mapping"/>.
725 </t>
726 </list>
727 </t>
728
729 <t>
730 All fields in the ID headers are REQUIRED, except for the channel mapping
731  table, which is omitted when the channel mapping family is 0.
732 Implementations SHOULD reject ID headers which do not contain enough data for
733  these fields, even if they contain a valid Magic Signature.
734 Future versions of this specification, even backwards-compatible versions,
735  might include additional fields in the ID header.
736 If an ID header has a compatible major version, but a larger minor version,
737  an implementation MUST NOT reject it for containing additional data not
738  specified here.
739 However, implementations MAY reject streams in which the ID header does not
740  complete on the first page.
741 </t>
742
743 <section anchor="channel_mapping" title="Channel Mapping">
744 <t>
745 An Ogg Opus stream allows mapping one number of Opus streams (N) to a possibly
746  larger number of decoded channels (M+N) to yet another number of output
747  channels (C), which might be larger or smaller than the number of decoded
748  channels.
749 The order and meaning of these channels are defined by a channel mapping,
750  which consists of the 'channel mapping family' octet and, for channel mapping
751  families other than family&nbsp;0, a channel mapping table, as illustrated in
752  <xref target="channel_mapping_table"/>.
753 </t>
754
755 <figure anchor="channel_mapping_table" title="Channel Mapping Table"
756  align="center">
757 <artwork align="center"><![CDATA[
758  0                   1                   2                   3
759  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
760                                                 +-+-+-+-+-+-+-+-+
761                                                 | Stream Count  |
762 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
763 | Coupled Count |              Channel Mapping...               :
764 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
765 ]]></artwork>
766 </figure>
767
768 <t>
769 The fields in the channel mapping table have the following meaning:
770 <list style="numbers" counter="8">
771 <t><spanx style="strong">Stream Count</spanx> 'N' (8 bits, unsigned):
772 <vspace blankLines="1"/>
773 This is the total number of streams encoded in each Ogg packet.
774 This value is necessary to correctly parse the packed Opus packets inside an
775  Ogg packet, as described in <xref target="packet_organization"/>.
776 This value MUST NOT be zero, as without at least one Opus packet with a valid
777  TOC sequence, a demuxer cannot recover the duration of an Ogg packet.
778 <vspace blankLines="1"/>
779 For channel mapping family&nbsp;0, this value defaults to 1, and is not coded.
780 <vspace blankLines="1"/>
781 </t>
782 <t><spanx style="strong">Coupled Stream Count</spanx> 'M' (8 bits, unsigned):
783 This is the number of streams whose decoders are to be configured to produce
784  two channels.
785 This MUST be no larger than the total number of streams, N.
786 <vspace blankLines="1"/>
787 Each packet in an Opus stream has an internal channel count of 1 or 2, which
788  can change from packet to packet.
789 This is selected by the encoder depending on the bitrate and the audio being
790  encoded.
791 The original channel count of the encoder input is not preserved by the lossy
792  compression.
793 <vspace blankLines="1"/>
794 Regardless of the internal channel count, any Opus stream can be decoded as
795  mono (a single channel) or stereo (two channels) by appropriate initialization
796  of the decoder.
797 The 'coupled stream count' field indicates that the first M Opus decoders are
798  to be initialized for stereo output, and the remaining N-M decoders are to be
799  initialized for mono only.
800 The total number of decoded channels, (M+N), MUST be no larger than 255, as
801  there is no way to index more channels than that in the channel mapping.
802 <vspace blankLines="1"/>
803 For channel mapping family&nbsp;0, this value defaults to C-1 (i.e., 0 for mono
804  and 1 for stereo), and is not coded.
805 <vspace blankLines="1"/>
806 </t>
807 <t><spanx style="strong">Channel Mapping</spanx> (8*C bits):
808 This contains one octet per output channel, indicating which decoded channel
809  is to be used for each one.
810 Let 'index' be the value of this octet for a particular output channel.
811 This value MUST either be smaller than (M+N), or be the special value 255.
812 If 'index' is less than 2*M, the output MUST be taken from decoding stream
813  ('index'/2) as stereo and selecting the left channel if 'index' is even, and
814  the right channel if 'index' is odd.
815 If 'index' is 2*M or larger, but less than 255, the output MUST be taken from
816  decoding stream ('index'-M) as mono.
817 If 'index' is 255, the corresponding output channel MUST contain pure silence.
818 <vspace blankLines="1"/>
819 The number of output channels, C, is not constrained to match the number of
820  decoded channels (M+N).
821 A single index value MAY appear multiple times, i.e., the same decoded channel
822  might be mapped to multiple output channels.
823 Some decoded channels might not be assigned to any output channel, as well.
824 <vspace blankLines="1"/>
825 For channel mapping family&nbsp;0, the first index defaults to 0, and if C==2,
826  the second index defaults to 1.
827 Neither index is coded.
828 </t>
829 </list>
830 </t>
831
832 <t>
833 After producing the output channels, the channel mapping family determines the
834  semantic meaning of each one.
835 There are three defined mapping families in this specification.
836 </t>
837
838 <section anchor="channel_mapping_0" title="Channel Mapping Family 0">
839 <t>
840 Allowed numbers of channels: 1 or 2.
841 RTP mapping.
842 </t>
843 <t>
844 <list style="symbols">
845 <t>1 channel: monophonic (mono).</t>
846 <t>2 channels: stereo (left, right).</t>
847 </list>
848 <spanx style="strong">Special mapping</spanx>: This channel mapping value also
849  indicates that the contents consists of a single Opus stream that is stereo if
850  and only if C==2, with stream index 0 mapped to output channel 0 (mono, or
851  left channel) and stream index 1 mapped to output channel 1 (right channel)
852  if stereo.
853 When the 'channel mapping family' octet has this value, the channel mapping
854  table MUST be omitted from the ID header packet.
855 </t>
856 </section>
857
858 <section anchor="channel_mapping_1" title="Channel Mapping Family 1">
859 <t>
860 Allowed numbers of channels: 1...8.
861 Vorbis channel order.
862 </t>
863 <t>
864 Each channel is assigned to a speaker location in a conventional surround
865  arrangement.
866 Specific locations depend on the number of channels, and are given below
867  in order of the corresponding channel indicies.
868 <list style="symbols">
869   <t>1 channel: monophonic (mono).</t>
870   <t>2 channels: stereo (left, right).</t>
871   <t>3 channels: linear surround (left, center, right)</t>
872   <t>4 channels: quadraphonic (front&nbsp;left, front&nbsp;right, rear&nbsp;left, rear&nbsp;right).</t>
873   <t>5 channels: 5.0 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, rear&nbsp;left, rear&nbsp;right).</t>
874   <t>6 channels: 5.1 surround (front&nbsp;left, front&nbsp;center, front&nbsp;right, rear&nbsp;left, rear&nbsp;right, LFE).</t>
875   <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>
876   <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>
877 </list>
878 </t>
879 <t>
880 This set of surround options and speaker location orderings is the same
881  as those used by the Vorbis codec <xref target="vorbis-mapping"/>.
882 The ordering is different from the one used by the
883  WAVE <xref target="wave-multichannel"/> and
884  FLAC <xref target="flac"/> formats,
885  so correct ordering requires permutation of the output channels when decoding
886  to or encoding from those formats.
887 'LFE' here refers to a Low Frequency Effects, often mapped to a subwoofer
888  with no particular spatial position.
889 Implementations SHOULD identify 'side' or 'rear' speaker locations with
890  'surround' and 'back' as appropriate when interfacing with audio formats
891  or systems which prefer that terminology.
892 </t>
893 </section>
894
895 <section anchor="channel_mapping_255"
896  title="Channel Mapping Family 255">
897 <t>
898 Allowed numbers of channels: 1...255.
899 No defined channel meaning.
900 </t>
901 <t>
902 Channels are unidentified.
903 General-purpose players SHOULD NOT attempt to play these streams, and offline
904  decoders MAY deinterleave the output into separate PCM files, one per channel.
905 Decoders SHOULD NOT produce output for channels mapped to stream index 255
906  (pure silence) unless they have no other way to indicate the index of
907  non-silent channels.
908 </t>
909 </section>
910
911 <section anchor="channel_mapping_undefined"
912  title="Undefined Channel Mappings">
913 <t>
914 The remaining channel mapping families (2...254) are reserved.
915 A decoder encountering a reserved channel mapping family value SHOULD act as
916  though the value is 255.
917 </t>
918 </section>
919
920 <section anchor="downmix" title="Downmixing">
921 <t>
922 An Ogg Opus player MUST play any Ogg Opus stream with a channel mapping family
923  of 0 or 1, even if the number of channels does not match the physically
924  connected audio hardware.
925 Players SHOULD perform channel mixing to increase or reduce the number of
926  channels as needed.
927 </t>
928
929 <t>
930 Implementations MAY use the following matricies to implement downmixing from
931  multichannel files using <xref target="channel_mapping_1">Channel Mapping
932  Family 1</xref>, which are known to give acceptable results for stereo.
933 Matricies for 3 and 4 channels are normalized so each coefficent row sums
934  to 1 to avoid clipping.
935 For 5 or more channels they are normalized to 2 as a compromise between
936  clipping and dynamic range reduction.
937 </t>
938 <t>
939 In these matricies the front left and front right channels are generally
940 passed through directly.
941 When a surround channel is split between both the left and right stereo
942  channels, coefficients are chosen so their squares sum to 1, which
943  helps preserve the perceived intensity.
944 Rear channels are mixed more diffusely or attenuated to maintain focus
945  on the front channels.
946 </t>
947
948 <figure anchor="downmix-matrix-3"
949  title="Stereo downmix matrix for the linear surround channel mapping"
950  align="center">
951 <artwork align="center"><![CDATA[
952 L output = ( 0.585786 * left + 0.414214 * center                    )
953 R output = (                   0.414214 * center + 0.585786 * right )
954 ]]></artwork>
955 <postamble>
956 Exact coefficient values are 1 and 1/sqrt(2), multiplied by
957  1/(1 + 1/sqrt(2)) for normalization.
958 </postamble>
959 </figure>
960
961 <figure anchor="downmix-matrix-4"
962  title="Stereo downmix matrix for the quadraphonic channel mapping"
963  align="center">
964 <artwork align="center"><![CDATA[
965 /          \   /                                     \ / FL \
966 | L output |   | 0.422650 0.000000 0.366025 0.211325 | | FR |
967 | R output | = | 0.000000 0.422650 0.211325 0.366025 | | RL |
968 \          /   \                                     / \ RR /
969 ]]></artwork>
970 <postamble>
971 Exact coefficient values are 1, sqrt(3)/2 and 1/2, multiplied by
972  1/(1&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2) for normalization.
973 </postamble>
974 </figure>
975
976 <figure anchor="downmix-matrix-5"
977  title="Stereo downmix matrix for the 5.0 surround mapping"
978  align="center">
979 <artwork align="center"><![CDATA[
980                                                          / FL \
981 /   \   /                                              \ | FC |
982 | L |   | 0.650802 0.460186 0.000000 0.563611 0.325401 | | FR |
983 | R | = | 0.000000 0.460186 0.650802 0.325401 0.563611 | | RL |
984 \   /   \                                              / | RR |
985                                                          \    /
986 ]]></artwork>
987 <postamble>
988 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
989  2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2)
990  for normalization.
991 </postamble>
992 </figure>
993
994 <figure anchor="downmix-matrix-6"
995  title="Stereo downmix matrix for the 5.1 surround mapping"
996  align="center">
997 <artwork align="center"><![CDATA[
998                                                                 /FL \
999 / \   /                                                       \ |FC |
1000 |L|   | 0.529067 0.374107 0.000000 0.458186 0.264534 0.374107 | |FR |
1001 |R| = | 0.000000 0.374107 0.529067 0.264534 0.458186 0.374107 | |RL |
1002 \ /   \                                                       / |RR |
1003                                                                 \LFE/
1004 ]]></artwork>
1005 <postamble>
1006 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
1007 2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2 + 1/sqrt(2))
1008  for normalization.
1009 </postamble>
1010 </figure>
1011
1012 <figure anchor="downmix-matrix-7"
1013  title="Stereo downmix matrix for the 6.1 surround mapping"
1014  align="center">
1015 <artwork align="center"><![CDATA[
1016  /                                                                \
1017  | 0.455310 0.321953 0.000000 0.394310 0.227655 0.278819 0.321953 |
1018  | 0.000000 0.321953 0.455310 0.227655 0.394310 0.278819 0.321953 |
1019  \                                                                /
1020 ]]></artwork>
1021 <postamble>
1022 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2, 1/2 and
1023  sqrt(3)/2/sqrt(2), multiplied by
1024  2/(1&nbsp;+&nbsp;1/sqrt(2)&nbsp;+&nbsp;sqrt(3)/2&nbsp;+&nbsp;1/2 +
1025  sqrt(3)/2/sqrt(2) + 1/sqrt(2)) for normalization.
1026 The coeffients are in the same order as in <xref target="channel_mapping_1" />,
1027  and the matricies above.
1028 </postamble>
1029 </figure>
1030
1031 <figure anchor="downmix-matrix-8"
1032  title="Stereo downmix matrix for the 7.1 surround mapping"
1033  align="center">
1034 <artwork align="center"><![CDATA[
1035 /                                                                 \
1036 | .388631 .274804 .000000 .336565 .194316 .336565 .194316 .274804 |
1037 | .000000 .274804 .388631 .194316 .336565 .194316 .336565 .274804 |
1038 \                                                                 /
1039 ]]></artwork>
1040 <postamble>
1041 Exact coefficient values are 1, 1/sqrt(2), sqrt(3)/2 and 1/2, multiplied by
1042  2/(2&nbsp;+&nbsp;2/sqrt(2)&nbsp;+&nbsp;sqrt(3)) for normalization.
1043 The coeffients are in the same order as in <xref target="channel_mapping_1" />,
1044  and the matricies above.
1045 </postamble>
1046 </figure>
1047
1048 </section>
1049
1050 </section> <!-- end channel_mapping_table -->
1051
1052 </section> <!-- end id_header -->
1053
1054 <section anchor="comment_header" title="Comment Header">
1055
1056 <figure anchor="comment_header_packet" title="Comment Header Packet"
1057  align="center">
1058 <artwork align="center"><![CDATA[
1059  0                   1                   2                   3
1060  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
1061 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1062 |      'O'      |      'p'      |      'u'      |      's'      |
1063 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1064 |      'T'      |      'a'      |      'g'      |      's'      |
1065 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1066 |                     Vendor String Length                      |
1067 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1068 |                                                               |
1069 :                        Vendor String...                       :
1070 |                                                               |
1071 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1072 |                   User Comment List Length                    |
1073 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1074 |                 User Comment #0 String Length                 |
1075 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1076 |                                                               |
1077 :                   User Comment #0 String...                   :
1078 |                                                               |
1079 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1080 |                 User Comment #1 String Length                 |
1081 +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
1082 :                                                               :
1083 ]]></artwork>
1084 </figure>
1085
1086 <t>
1087 The comment header consists of a 64-bit magic signature, followed by data in
1088  the same format as the <xref target="vorbis-comment"/> header used in Ogg
1089  Vorbis, except (like Ogg Theora and Speex) the final "framing bit" specified
1090  in the Vorbis spec is not present.
1091 <list style="numbers">
1092 <t><spanx style="strong">Magic Signature</spanx>:
1093 <vspace blankLines="1"/>
1094 This is an 8-octet (64-bit) field that allows codec identification and is
1095  human-readable.
1096 It contains, in order, the magic numbers:
1097 <list style="empty">
1098 <t>0x4F 'O'</t>
1099 <t>0x70 'p'</t>
1100 <t>0x75 'u'</t>
1101 <t>0x73 's'</t>
1102 <t>0x54 'T'</t>
1103 <t>0x61 'a'</t>
1104 <t>0x67 'g'</t>
1105 <t>0x73 's'</t>
1106 </list>
1107 Starting with "Op" helps distinguish it from audio data packets, as this is an
1108  invalid TOC sequence.
1109 <vspace blankLines="1"/>
1110 </t>
1111 <t><spanx style="strong">Vendor String Length</spanx> (32 bits, unsigned,
1112  little endian):
1113 <vspace blankLines="1"/>
1114 This field gives the length of the following vendor string, in octets.
1115 It MUST NOT indicate that the vendor string is longer than the rest of the
1116  packet.
1117 <vspace blankLines="1"/>
1118 </t>
1119 <t><spanx style="strong">Vendor String</spanx> (variable length, UTF-8 vector):
1120 <vspace blankLines="1"/>
1121 This is a simple human-readable tag for vendor information, encoded as a UTF-8
1122  string&nbsp;<xref target="RFC3629"/>.
1123 No terminating null octet is necessary.
1124 <vspace blankLines="1"/>
1125 This tag is intended to identify the codec encoder and encapsulation
1126  implementations, for tracing differences in technical behavior.
1127 User-facing encoding applications can use the 'ENCODER' user comment tag
1128  to identify themselves.
1129 <vspace blankLines="1"/>
1130 </t>
1131 <t><spanx style="strong">User Comment List Length</spanx> (32 bits, unsigned,
1132  little endian):
1133 <vspace blankLines="1"/>
1134 This field indicates the number of user-supplied comments.
1135 It MAY indicate there are zero user-supplied comments, in which case there are
1136  no additional fields in the packet.
1137 It MUST NOT indicate that there are so many comments that the comment string
1138  lengths would require more data than is available in the rest of the packet.
1139 <vspace blankLines="1"/>
1140 </t>
1141 <t><spanx style="strong">User Comment #i String Length</spanx> (32 bits,
1142  unsigned, little endian):
1143 <vspace blankLines="1"/>
1144 This field gives the length of the following user comment string, in octets.
1145 There is one for each user comment indicated by the 'user comment list length'
1146  field.
1147 It MUST NOT indicate that the string is longer than the rest of the packet.
1148 <vspace blankLines="1"/>
1149 </t>
1150 <t><spanx style="strong">User Comment #i String</spanx> (variable length, UTF-8
1151  vector):
1152 <vspace blankLines="1"/>
1153 This field contains a single user comment string.
1154 There is one for each user comment indicated by the 'user comment list length'
1155  field.
1156 </t>
1157 </list>
1158 </t>
1159
1160 <t>
1161 The vendor string length and user comment list length are REQUIRED, and
1162  implementations SHOULD reject comment headers that do not contain enough data
1163  for these fields, or that do not contain enough data for the corresponding
1164  vendor string or user comments they describe.
1165 Making this check before allocating the associated memory to contain the data
1166  helps prevent a possible Denial-of-Service (DoS) attack from small comment
1167  headers that claim to contain strings longer than the entire packet or more
1168  user comments than than could possibly fit in the packet.
1169 </t>
1170
1171 <t>
1172 Immediately following the user comment list, the comment header MAY
1173  contain zero-padding or other binary data which is not specified here.
1174 If the least-significant bit of the first byte of this data is 1, then editors
1175  SHOULD preserve the contents of this data when updating the tags, but if this
1176  bit is 0, all such data MAY be treated as padding, and truncated or discarded
1177  as desired.
1178 </t>
1179
1180 <section anchor="comment_format" title="Tag Definitions">
1181 <t>
1182 The user comment strings follow the NAME=value format described by
1183  <xref target="vorbis-comment"/> with the same recommended tag names:
1184  ARTIST, TITLE, DATE, ALBUM, and so on.
1185 </t>
1186 <t>
1187 Two new comment tags are introduced here:
1188 </t>
1189
1190 <figure align="center">
1191   <preamble>An optional gain for track nomalization</preamble>
1192 <artwork align="left"><![CDATA[
1193 R128_TRACK_GAIN=-573
1194 ]]></artwork>
1195 <postamble>
1196 representing the volume shift needed to normalize the track's volume
1197  during isolated playback, in random shuffle, and so on.
1198 The gain is a Q7.8 fixed point number in dB, as in the ID header's 'output
1199  gain' field.
1200 </postamble>
1201 </figure>
1202 <t>
1203 This tag is similar to the REPLAYGAIN_TRACK_GAIN tag in
1204  Vorbis&nbsp;<xref target="replay-gain"/>, except that the normal volume
1205  reference is the <xref target="EBU-R128"/> standard.
1206 </t>
1207 <figure align="center">
1208   <preamble>An optional gain for album nomalization</preamble>
1209 <artwork align="left"><![CDATA[
1210 R128_ALBUM_GAIN=111
1211 ]]></artwork>
1212 <postamble>
1213 representing the volume shift needed to normalize the overall volume when
1214  played as part of a particular collection of tracks.
1215 The gain is also a Q7.8 fixed point number in dB, as in the ID header's
1216  'output gain' field.
1217 </postamble>
1218 </figure>
1219 <t>
1220 An Ogg Opus stream MUST NOT have more than one of each tag, and if present
1221  their values MUST be an integer from -32768 to 32767, inclusive,
1222  represented in ASCII as a base 10 number with no whitespace.
1223 A leading '+' or '-' character is valid.
1224 Leading zeros are also permitted, but the value MUST be represented by
1225  no more than 6 characters.
1226 Other non-digit characters MUST NOT be present.
1227 </t>
1228 <t>
1229 If present, R128_TRACK_GAIN and R128_ALBUM_GAIN MUST correctly represent
1230  the R128 normalization gain relative to the 'output gain' field specified
1231  in the ID header.
1232 If a player chooses to make use of the R128_TRACK_GAIN tag or the
1233  R128_ALBUM_GAIN tag, it MUST apply those gains
1234  <spanx style="emph">in addition</spanx> to the 'output gain' value.
1235 If a tool modifies the ID header's 'output gain' field, it MUST also update or
1236  remove the R128_TRACK_GAIN and R128_ALBUM_GAIN comment tags if present.
1237 An encoder SHOULD assume that by default tools will respect the 'output gain'
1238  field, and not the comment tag.
1239 </t>
1240 <t>
1241 To avoid confusion with multiple normalization schemes, an Opus comment header
1242  SHOULD NOT contain any of the REPLAYGAIN_TRACK_GAIN, REPLAYGAIN_TRACK_PEAK,
1243  REPLAYGAIN_ALBUM_GAIN, or REPLAYGAIN_ALBUM_PEAK tags.
1244 <xref target="EBU-R128"/> normalization is preferred to the earlier
1245  REPLAYGAIN schemes because of its clear definition and adoption by industry.
1246 Peak normalizations are difficult to calculate reliably for lossy codecs
1247  because of variation in excursion heights due to decoder differences.
1248 In the authors' investigations they were not applied consistently or broadly
1249  enough to merit inclusion here.
1250 </t>
1251 </section> <!-- end comment_format -->
1252 </section> <!-- end comment_header -->
1253
1254 </section> <!-- end headers -->
1255
1256 <section anchor="packet_size_limits" title="Packet Size Limits">
1257 <t>
1258 Technically, valid Opus packets can be arbitrarily large due to the padding
1259  format, although the amount of non-padding data they can contain is bounded.
1260 These packets might be spread over a similarly enormous number of Ogg pages.
1261 Encoders SHOULD use no more padding than is necessary to make a variable
1262  bitrate (VBR) stream constant bitrate (CBR).
1263 Decoders SHOULD avoid attempting to allocate excessive amounts of memory when
1264  presented with a very large packet.
1265 The presence of an extremely large packet in the stream could indicate a
1266  memory exhaustion attack or stream corruption.
1267 Decoders SHOULD reject a packet that is too large to process, and display a
1268  warning message.
1269 </t>
1270 <t>
1271 In an Ogg Opus stream, the largest possible valid packet that does not use
1272  padding has a size of (61,298*N&nbsp;-&nbsp;2) octets, or about 60&nbsp;kB per
1273  Opus stream.
1274 With 255&nbsp;streams, this is 15,630,988&nbsp;octets (14.9&nbsp;MB) and can
1275  span up to 61,298&nbsp;Ogg pages, all but one of which will have a granule
1276  position of -1.
1277 This is of course a very extreme packet, consisting of 255&nbsp;streams, each
1278  containing 120&nbsp;ms of audio encoded as 2.5&nbsp;ms frames, each frame
1279  using the maximum possible number of octets (1275) and stored in the least
1280  efficient manner allowed (a VBR code&nbsp;3 Opus packet).
1281 Even in such a packet, most of the data will be zeros as 2.5&nbsp;ms frames
1282  cannot actually use all 1275&nbsp;octets.
1283 The largest packet consisting of entirely useful data is
1284  (15,326*N&nbsp;-&nbsp;2) octets, or about 15&nbsp;kB per stream.
1285 This corresponds to 120&nbsp;ms of audio encoded as 10&nbsp;ms frames in either
1286  SILK or Hybrid mode, but at a data rate of over 1&nbsp;Mbps, which makes little
1287  sense for the quality achieved.
1288 A more reasonable limit is (7,664*N&nbsp;-&nbsp;2) octets, or about 7.5&nbsp;kB
1289  per stream.
1290 This corresponds to 120&nbsp;ms of audio encoded as 20&nbsp;ms stereo CELT mode
1291  frames, with a total bitrate just under 511&nbsp;kbps (not counting the Ogg
1292  encapsulation overhead).
1293 With N=8, the maximum number of channels currently defined by mapping
1294  family&nbsp;1, this gives a maximum packet size of 61,310&nbsp;octets, or just
1295  under 60&nbsp;kB.
1296 This is still quite conservative, as it assumes each output channel is taken
1297  from one decoded channel of a stereo packet.
1298 An implementation could reasonably choose any of these numbers for its internal
1299  limits.
1300 </t>
1301 </section>
1302
1303 <section anchor="encoder" title="Encoder Guidelines">
1304 <t>
1305 When encoding Opus streams, Ogg muxers SHOULD take into account the
1306  algorithmic delay of the Opus encoder.
1307 </t>
1308 <figure align="center">
1309 <preamble>
1310 In encoders derived from the reference implementation, the number of
1311  samples can be queried with:
1312 </preamble>
1313 <artwork align="center"><![CDATA[
1314  opus_encoder_ctl(encoder_state, OPUS_GET_LOOKAHEAD(&delay_samples));
1315 ]]></artwork>
1316 </figure>
1317 <t>
1318 To achieve good quality in the very first samples of a stream, the Ogg encoder
1319  MAY use linear predictive coding (LPC) extrapolation
1320  <xref target="linear-prediction"/> to generate at least 120 extra samples at
1321  the beginning to avoid the Opus encoder having to encode a discontinuous
1322  signal.
1323 For an input file containing 'length' samples, the Ogg encoder SHOULD set the
1324  pre-skip header value to delay_samples+extra_samples, encode at least
1325  length+delay_samples+extra_samples samples, and set the granulepos of the last
1326  page to length+delay_samples+extra_samples.
1327 This ensures that the encoded file has the same duration as the original, with
1328  no time offset. The best way to pad the end of the stream is to also use LPC
1329  extrapolation, but zero-padding is also acceptable.
1330 </t>
1331
1332 <section anchor="lpc" title="LPC Extrapolation">
1333 <t>
1334 The first step in LPC extrapolation is to compute linear prediction
1335  coefficients. <xref target="lpc-sample"/>
1336 When extending the end of the signal, order-N (typically with N ranging from 8
1337  to 40) LPC analysis is performed on a window near the end of the signal.
1338 The last N samples are used as memory to an infinite impulse response (IIR)
1339  filter.
1340 </t>
1341 <figure align="center">
1342 <preamble>
1343 The filter is then applied on a zero input to extrapolate the end of the signal.
1344 Let a(k) be the kth LPC coefficient and x(n) be the nth sample of the signal,
1345  each new sample past the end of the signal is computed as:
1346 </preamble>
1347 <artwork align="center"><![CDATA[
1348         N
1349        ---
1350 x(n) = \   a(k)*x(n-k)
1351        /
1352        ---
1353        k=1
1354 ]]></artwork>
1355 </figure>
1356 <t>
1357 The process is repeated independently for each channel.
1358 It is possible to extend the beginning of the signal by applying the same
1359  process backward in time.
1360 When extending the beginning of the signal, it is best to apply a "fade in" to
1361  the extrapolated signal, e.g. by multiplying it by a half-Hanning window
1362  <xref target="hanning"/>.
1363 </t>
1364
1365 </section>
1366
1367 <section anchor="continuous_chaining" title="Continuous Chaining">
1368 <t>
1369 In some applications, such as Internet radio, it is desirable to cut a long
1370  stream into smaller chains, e.g. so the comment header can be updated.
1371 This can be done simply by separating the input streams into segments and
1372  encoding each segment independently.
1373 The drawback of this approach is that it creates a small discontinuity
1374  at the boundary due to the lossy nature of Opus.
1375 An encoder MAY avoid this discontinuity by using the following procedure:
1376 <list style="numbers">
1377 <t>Encode the last frame of the first segment as an independent frame by
1378  turning off all forms of inter-frame prediction.
1379 De-emphasis is allowed.</t>
1380 <t>Set the granulepos of the last page to a point near the end of the last
1381  frame.</t>
1382 <t>Begin the second segment with a copy of the last frame of the first
1383  segment.</t>
1384 <t>Set the pre-skip value of the second stream in such a way as to properly
1385  join the two streams.</t>
1386 <t>Continue the encoding process normally from there, without any reset to
1387  the encoder.</t>
1388 </list>
1389 </t>
1390 <figure align="center">
1391 <preamble>
1392 In encoders derived from the reference implementation, inter-frame prediction
1393  can be turned off by calling:
1394 </preamble>
1395 <artwork align="center"><![CDATA[
1396  opus_encoder_ctl(encoder_state, OPUS_SET_PREDICTION_DISABLED(1));
1397 ]]></artwork>
1398 <postamble>
1399 For best results, this implementation requires that prediction be explicitly
1400  enabled again before resuming normal encoding, even after a reset.
1401 </postamble>
1402 </figure>
1403
1404 </section>
1405
1406 </section>
1407
1408 <section anchor="implementation" title="Implementation Status">
1409 <t>
1410 A brief summary of major implementations of this draft is available
1411  at <eref target="https://wiki.xiph.org/OggOpusImplementation"/>,
1412   along with their status.
1413 </t>
1414 <t>
1415 [Note to RFC Editor: please remove this entire section before
1416  final publication per <xref target="RFC6982"/>.]
1417 </t>
1418 </section>
1419
1420 <section anchor="security" title="Security Considerations">
1421 <t>
1422 Implementations of the Opus codec need to take appropriate security
1423  considerations into account, as outlined in <xref target="RFC4732"/>.
1424 This is just as much a problem for the container as it is for the codec itself.
1425 It is extremely important for the decoder to be robust against malicious
1426  payloads.
1427 Malicious payloads MUST NOT cause the decoder to overrun its allocated memory
1428  or to take an excessive amount of resources to decode.
1429 Although problems in encoders are typically rarer, the same applies to the
1430  encoder.
1431 Malicious audio streams MUST NOT cause the encoder to misbehave because this
1432  would allow an attacker to attack transcoding gateways.
1433 </t>
1434
1435 <t>
1436 Like most other container formats, Ogg Opus streams SHOULD NOT be used with
1437  insecure ciphers or cipher modes that are vulnerable to known-plaintext
1438  attacks.
1439 Elements such as the Ogg page capture pattern and the magic signatures in the
1440  ID header and the comment header all have easily predictable values, in
1441  addition to various elements of the codec data itself.
1442 </t>
1443 </section>
1444
1445 <section anchor="content_type" title="Content Type">
1446 <t>
1447 An "Ogg Opus file" consists of one or more sequentially multiplexed segments,
1448  each containing exactly one Ogg Opus stream.
1449 The RECOMMENDED mime-type for Ogg Opus files is "audio/ogg".
1450 </t>
1451
1452 <figure>
1453 <preamble>
1454 If more specificity is desired, one MAY indicate the presence of Opus streams
1455  using the codecs parameter defined in <xref target="RFC6381"/>, e.g.,
1456 </preamble>
1457 <artwork align="center"><![CDATA[
1458     audio/ogg; codecs=opus
1459 ]]></artwork>
1460 <postamble>
1461  for an Ogg Opus file.
1462 </postamble>
1463 </figure>
1464
1465 <t>
1466 The RECOMMENDED filename extension for Ogg Opus files is '.opus'.
1467 </t>
1468
1469 <t>
1470 When Opus is concurrently multiplexed with other streams in an Ogg container,
1471  one SHOULD use one of the "audio/ogg", "video/ogg", or "application/ogg"
1472  mime-types, as defined in <xref target="RFC5334"/>.
1473 Such streams are not strictly "Ogg Opus files" as described above,
1474  since they contain more than a single Opus stream per sequentially
1475  multiplexed segment, e.g. video or multiple audio tracks.
1476 In such cases the the '.opus' filename extension is NOT RECOMMENDED.
1477 </t>
1478 </section>
1479
1480 <section title="IANA Considerations">
1481 <t>
1482 This document has no actions for IANA.
1483 </t>
1484 </section>
1485
1486 <section anchor="Acknowledgments" title="Acknowledgments">
1487 <t>
1488 Thanks to Greg Maxwell, Christopher "Monty" Montgomery, and Jean-Marc Valin for
1489  their valuable contributions to this document.
1490 Additional thanks to Andrew D'Addesio, Greg Maxwell, and Vincent Penqeurc'h for
1491  their feedback based on early implementations.
1492 </t>
1493 </section>
1494
1495 <section title="Copying Conditions">
1496 <t>
1497 The authors agree to grant third parties the irrevocable right to copy, use,
1498  and distribute the work, with or without modification, in any medium, without
1499  royalty, provided that, unless separate permission is granted, redistributed
1500  modified works do not contain misleading author, version, name of work, or
1501  endorsement information.
1502 </t>
1503 </section>
1504
1505 </middle>
1506 <back>
1507 <references title="Normative References">
1508  &rfc2119;
1509  &rfc3533;
1510  &rfc3629;
1511  &rfc5334;
1512  &rfc6381;
1513  &rfc6716;
1514
1515 <reference anchor="EBU-R128" target="https://tech.ebu.ch/loudness">
1516 <front>
1517   <title>Loudness Recommendation EBU R128</title>
1518   <author>
1519     <organization>EBU Technical Committee</organization>
1520   </author>
1521   <date month="August" year="2011"/>
1522 </front>
1523 </reference>
1524
1525 <reference anchor="vorbis-comment"
1526  target="https://www.xiph.org/vorbis/doc/v-comment.html">
1527 <front>
1528 <title>Ogg Vorbis I Format Specification: Comment Field and Header
1529  Specification</title>
1530 <author initials="C." surname="Montgomery"
1531  fullname="Christopher &quot;Monty&quot; Montgomery"/>
1532 <date month="July" year="2002"/>
1533 </front>
1534 </reference>
1535
1536 </references>
1537
1538 <references title="Informative References">
1539
1540 <!--?rfc include="http://xml.resource.org/public/rfc/bibxml/reference.RFC.3550.xml"?-->
1541  &rfc4732;
1542  &rfc6982;
1543
1544 <reference anchor="flac"
1545  target="https://xiph.org/flac/format.html">
1546   <front>
1547     <title>FLAC - Free Lossless Audio Codec Format Description</title>
1548     <author initials="J." surname="Coalson" fullname="Josh Coalson"/>
1549     <date month="January" year="2008"/>
1550   </front>
1551 </reference>
1552
1553 <reference anchor="hanning"
1554  target="https://en.wikipedia.org/wiki/Hamming_function#Hann_.28Hanning.29_window">
1555   <front>
1556     <title>Hann window</title>
1557     <author>
1558       <organization>Wikipedia</organization>
1559     </author>
1560     <date month="May" year="2013"/>
1561   </front>
1562 </reference>
1563
1564 <reference anchor="linear-prediction"
1565  target="https://en.wikipedia.org/wiki/Linear_predictive_coding">
1566   <front>
1567     <title>Linear Predictive Coding</title>
1568     <author>
1569       <organization>Wikipedia</organization>
1570     </author>
1571     <date month="January" year="2014"/>
1572   </front>
1573 </reference>
1574
1575 <reference anchor="lpc-sample"
1576   target="https://svn.xiph.org/trunk/vorbis/lib/lpc.c">
1577 <front>
1578   <title>Autocorrelation LPC coeff generation algorithm
1579     (Vorbis source code)</title>
1580 <author initials="J." surname="Degener" fullname="Jutta Degener"/>
1581 <author initials="C." surname="Bormann" fullname="Carsten Bormann"/>
1582 <date month="November" year="1994"/>
1583 </front>
1584 </reference>
1585
1586
1587 <reference anchor="replay-gain"
1588  target="https://wiki.xiph.org/VorbisComment#Replay_Gain">
1589 <front>
1590 <title>VorbisComment: Replay Gain</title>
1591 <author initials="C." surname="Parker" fullname="Conrad Parker"/>
1592 <author initials="M." surname="Leese" fullname="Martin Leese"/>
1593 <date month="June" year="2009"/>
1594 </front>
1595 </reference>
1596
1597 <reference anchor="seeking"
1598  target="https://wiki.xiph.org/Seeking">
1599 <front>
1600 <title>Granulepos Encoding and How Seeking Really Works</title>
1601 <author initials="S." surname="Pfeiffer" fullname="Silvia Pfeiffer"/>
1602 <author initials="C." surname="Parker" fullname="Conrad Parker"/>
1603 <author initials="G." surname="Maxwell" fullname="Greg Maxwell"/>
1604 <date month="May" year="2012"/>
1605 </front>
1606 </reference>
1607
1608 <reference anchor="vorbis-mapping"
1609  target="https://www.xiph.org/vorbis/doc/Vorbis_I_spec.html#x1-800004.3.9">
1610 <front>
1611 <title>The Vorbis I Specification, Section 4.3.9 Output Channel Order</title>
1612 <author initials="C." surname="Montgomery"
1613  fullname="Christopher &quot;Monty&quot; Montgomery"/>
1614 <date month="January" year="2010"/>
1615 </front>
1616 </reference>
1617
1618 <reference anchor="vorbis-trim"
1619  target="https://xiph.org/vorbis/doc/Vorbis_I_spec.html#x1-130000A.2">
1620   <front>
1621     <title>The Vorbis I Specification, Appendix&nbsp;A: Embedding Vorbis
1622       into an Ogg stream</title>
1623     <author initials="C." surname="Montgomery"
1624      fullname="Christopher &quot;Monty&quot; Montgomery"/>
1625     <date month="November" year="2008"/>
1626   </front>
1627 </reference>
1628
1629 <reference anchor="wave-multichannel"
1630  target="http://msdn.microsoft.com/en-us/windows/hardware/gg463006.aspx">
1631   <front>
1632     <title>Multiple Channel Audio Data and WAVE Files</title>
1633     <author>
1634       <organization>Microsoft Corporation</organization>
1635     </author>
1636     <date month="March" year="2007"/>
1637   </front>
1638 </reference>
1639
1640 </references>
1641
1642 </back>
1643 </rfc>