Cortar y unir audio sin un clic en la unión

Un clic es un escalón, y un escalón es todas las frecuencias a la vez

Un archivo de audio digital no es una onda. Es una lista de números, cada uno de los cuales describe dónde debe estar el cono del altavoz en un instante. A 44,1 kHz — la frecuencia del CD y de casi todo lo que sale de un teléfono o de una grabadora — hay 44 100 de esos instantes por segundo, así que cada número gobierna 22,68 microsegundos del mundo. Un archivo a 48 kHz, la frecuencia del vídeo y de casi todo el material moderno, da a cada número 20,83 microsegundos.

Cortar es borrar números. Si borras todo lo que hay después de cierto punto, el número que estuviera allí se convierte en la última orden que recibe el altavoz, y acto seguido se le pide que vuelva al reposo. Si ese último número estaba cerca de la cresta de la onda, se le pide al cono que vaya de un extremo al centro en 22,68 microsegundos. Nada en la grabación se movió tan rápido; nada en la naturaleza lo hace. El oído no lo escucha como una nota, porque una nota es periódica y esto es un suceso único. Escucha un chasquido.

La razón por la que un chasquido es de banda ancha y no agudo merece una frase, porque explica por qué ningún filtro lo arregla del todo. Un tono perfectamente liso ocupa una frecuencia. Un escalón las ocupa todas: cuanto más afilada la esquina, más ancha la dispersión. No es una metáfora, se mide. Toma un tono de 440 Hz a 44,1 kHz, córtalo en la cresta de la onda, y la energía por encima de 5 kHz — donde un tono de 440 Hz no tiene esencialmente nada que decir — llega a unos 29 dB por debajo del tono. Corta el mismo tono donde pasa por cero y esa misma banda cae a unos 54 dB por debajo. No cambió nada más. La única diferencia es el tamaño del escalón.

Los dos sitios donde un corte puede ser limpio

El primero es el silencio, y es con diferencia el más útil de los dos. Si la muestra a ambos lados del corte ya está cerca de cero, no hay escalón que crear. Por eso editar habla es fácil y editar música es difícil: el habla es sobre todo huecos. Entre dos palabras suele haber decenas de milisegundos en los que la señal es solo el ruido de la sala, y cualquier muestra de ese tramo servirá. Recortar audio ofrece un simple campo de tiempo en lugar de una forma de onda, así que la técnica práctica es escuchar, anotar el segundo y luego avanzar por centésimas: una centésima de segundo a 44,1 kHz contiene 441 posiciones candidatas, de sobra para encontrar una silenciosa.

El segundo es un paso por cero: el instante en que la forma de onda cruza el centro yendo de positivo a negativo o al revés. Corta ahí y el escalón es cero por definición, y por eso los editores ofrecen un comando de ajuste a paso por cero. La medición de antes dice que eso vale unos 25 dB, un factor de aproximadamente dieciocho en amplitud. Es una mejora grande y no es una cura. Lo que un paso por cero elimina es el salto de posición; lo que deja es el salto de pendiente, porque la onda iba en cierta dirección a cierta velocidad y después del corte no va a ninguna parte. El oído oye ese resto como un golpe sordo en vez de un chasquido seco.

Hay además un límite que nadie menciona hasta que muerde: un archivo estéreo tiene dos formas de onda, y casi nunca pasan por cero en la misma muestra. El propio manual de Audacity lo dice sin rodeos: en las pistas estéreo los puntos de paso por cero pueden darse en lugares distintos en el canal izquierdo y en el derecho, de modo que puede quedar un clic en un canal. Un paso por cero es una propiedad de un canal, no de un instante. El silencio, en cambio, es una propiedad del instante, y esa es la segunda razón para preferirlo.

Lo que esta herramienta hace de verdad en la frontera

Nada. Esa es la respuesta honesta y conviene decirla en voz alta, porque la mayoría del software con el que se compara aplica un fundido corto sin avisar. Recortar audio toma tu tiempo de inicio, lo multiplica por la frecuencia de muestreo y redondea hacia abajo; toma el de fin, lo multiplica y redondea hacia arriba; y copia los números entre esos dos índices directamente a un archivo nuevo. No hay fundido, ni fundido cruzado, ni búsqueda de paso por cero, ni detección de silencio. La frontera que nombras es la que obtienes, muestra a muestra.

Es una decisión de diseño defendible para una herramienta de navegador sin visor de onda: un fundido que no ves es un fundido que no controlas, y una herramienta que suavizara en silencio los cinco primeros milisegundos de cada clip arruinaría justo el uso más frecuente, que es capturar una frase musical en su sitio exacto. Pero significa que la frontera es responsabilidad tuya, y que el motivo por el que tu último clip chasqueó es conocible y no misterioso. Chasqueó porque allí había un número.

Una consecuencia que conviene saber de antemano: el clip puede no volver a la frecuencia de muestreo que le diste. La decodificación pasa por el motor de Web Audio del navegador, y la especificación dice que el decodificador remuestrea el audio a la frecuencia del contexto de audio si ambas difieren. El contexto toma la frecuencia de tu dispositivo de salida, que en casi todo el material actual es de 48 kHz. Así que un episodio de pódcast a 44,1 kHz recortado en una máquina así sale como WAV a 48 kHz, remuestreado por el navegador. El sonido está intacto; simplemente el número de la cabecera ya no es el de partida.

Unir: dos archivos que nunca debieron encontrarse

Unir plantea un problema que cortar no plantea. Dos grabaciones pueden discrepar en la frecuencia de muestreo y en el número de canales, y ninguna discrepancia puede sobrevivir dentro de un único archivo: una cabecera WAV contiene una sola frecuencia y un solo número de canales para todo. Unir audio lo resuelve tomando la frecuencia más alta entre los archivos y el número de canales más alto, y convirtiendo después todo lo que no coincida ya, mediante un render fuera de línea que es el propio remuestreador y mezclador del navegador. Una nota de voz mono unida a una grabación estéreo se convierte por tanto a dos canales; un clip telefónico a 22,05 kHz unido a una entrevista a 48 kHz se remuestrea hacia arriba.

Remuestrear hacia arriba no inventa detalle — una grabación a 22,05 kHz no contiene nada por encima de 11 kHz y no lo contendrá tras la conversión — pero hace compatibles los archivos, que es de lo que se trata. Convertir mono a estéreo copia el único canal en ambos, así que el resultado tiene forma de estéreo sin sonar a estéreo: la voz queda clavada en el centro mientras que el material a los lados tiene anchura. Ese contraste en la costura se confunde a menudo con un clic, y no lo es. Es un cambio de imagen sonora, y ningún fundido lo va a tapar.

La costura misma es un empalme a tope: la última muestra de un archivo va seguida de inmediato por la primera del siguiente, sin nada insertado ni solapado. Todo lo dicho arriba sobre un corte único se le aplica por partida doble, porque ahora son dos números arbitrarios los que se encuentran. La consecuencia práctica es que el trabajo va aguas arriba. Recorta cada pieza para que ya empiece y termine en silencio, y la unión será silenciosa por construcción. Dale a la unión dos clips cortados en cualquier sitio y oirás el punto donde se juntan.

Los archivos con pérdida se decodifican, se editan y se vuelven a codificar, y eso mueve la costura

Un MP3 no es una lista de muestras. Es una lista de tramas, cada una de las cuales describe un bloque de 1 152 muestras en el dominio de la frecuencia: 26,12 milisegundos a 44,1 kHz, 24,00 a 48 kHz. Nada en el formato permite cortar dentro de una trama, así que cualquier editor que trabaje con muestras tiene que decodificarlo todo primero, y cualquier editor que te devuelva un MP3 tiene que volver a codificarlo. Esa segunda codificación es una segunda generación de pérdida, aplicada a un material que ya pasó por una.

Hay una consecuencia más sutil, y es la razón por la que la reproducción sin huecos tardó una década en funcionar. Los codificadores añaden silencio al principio del flujo porque la transformación que usan necesita carrerilla, y esa cantidad no queda registrada en ningún sitio que la norma defina. La tabla de referencia de Hydrogenaudio sitúa el retardo de LAME en 576 muestras — 13,06 milisegundos a 44,1 kHz — y señala que el MP3 no ofrece ninguna forma normalizada de registrar el retardo o el relleno para retirarlos después. Así que un MP3 que cortas y recodificas no encaja con el original con precisión de fracción de trama: encaja desplazado por un retardo que cada codificador elige a su manera.

Las herramientas de audio de este sitio esquivan toda la cuestión devolviéndote un WAV. No hay recodificación, así que no hay pérdida de generación ni retardo de codificador que considerar: las muestras que salieron del decodificador son las muestras de tu archivo. Cuesta tamaño, y ese compromiso se discute más abajo, pero para editar es el sentido correcto: mantén el intermedio sin comprimir, comprime una sola vez al final, y no comprimas dos veces si puedes evitarlo.

Por qué el clip es un WAV, y lo que eso cuesta

El archivo que recibes es PCM lineal de 16 bits con una cabecera de 44 bytes. A 44,1 kHz en estéreo eso son 176 400 bytes por segundo, o 1 411 kbit/s: un minuto pesa 10,09 MiB y tres minutos 30,3 MiB. Frente a un MP3 de 128 kbit/s el WAV es unas once veces mayor; frente a 320 kbit/s, unas cuatro veces y media. El mono lo divide todo entre dos: 88 200 bytes por segundo, 706 kbit/s, 5,05 MiB por minuto, y por eso una nota de voz recortada aquí es mucho más ligera de lo que sugiere la palabra sin comprimir.

Si necesitas el clip pequeño, el orden correcto es recortar primero y convertir al final. Convierte el WAV a MP3, M4A u OGG una sola vez, al final, con el Conversor de audio: así la compresión ocurre exactamente una vez, sobre el material que de verdad piensas conservar, y no una vez sobre el origen y otra sobre el montaje. El clip queda además listo para soltarlo en un editor de vídeo o en un sampler sin que ninguno tenga que decodificar nada, y por eso el WAV sobrevive como formato de intercambio pese al tamaño.

Preguntas frecuentes

Corté durante un silencio y aun así oigo un clic. ¿Qué ha fallado?

El silencio no era silencio. Lo que parece nada entre dos palabras suele ser el ruido de la sala — el aire acondicionado, la calle, el siseo del previo — y puede situarse en un pequeño porcentaje de la escala completa, más que suficiente para producir un escalón audible. Peor aún, algunas grabaciones llevan una componente continua: toda la forma de onda está desplazada respecto a cero, de modo que hasta el pasaje más callado tiene un valor constante distinto de cero, y cortar en cualquier punto produce un escalón del tamaño del desplazamiento. Si el clic sobrevive a varios intentos de mover la frontera, sospecha de una componente continua antes que de la mala suerte, y busca un filtro paso alto o una función de eliminar componente continua en el editor que tengas. Conviene descartar otros dos culpables: el clic puede estar ya en el origen, en cuyo caso recortar solo llevó tu atención hasta él, y algunos reproductores insertan su propio hueco entre el final de un archivo y el silencio, lo que suena igual y no tiene nada que ver con tu montaje.

¿Basta con cortar en un paso por cero, o hace falta un fundido?

Un paso por cero vale unos 25 dB y un fundido de cinco milisegundos unos 47 dB, ambos medidos contra el mismo corte seco. Para voz, un paso por cero en un momento tranquilo suele ser inaudible y del todo suficiente. Para una nota sostenida y fuerte, una línea de bajo o cualquier cosa con fuerte componente grave, a menudo no: en graves la forma de onda cruza el cero a gran velocidad aunque esté en cero, y ese salto de pendiente es lo que se sigue oyendo. El fundido gana porque le da igual en qué punto del ciclo estés. También tiene un suelo: más allá de cinco milisegundos se compra muy poco — diez solo aportan 3 dB más — mientras empiezas a perder el ataque de lo que sigue. Cinco milisegundos es el valor por defecto de la mayoría de los editores, justo por eso.

¿Por qué mi clip es un WAV diez veces mayor que el MP3 que le di?

Porque devolverte un MP3 significaría codificarlo por segunda vez. Editar muestras exige decodificar antes, y recodificar el resultado comprime un material ya comprimido: una segunda generación de pérdida encima de la primera, aplicada cada vez que tocas el archivo. Escribir un WAV sin comprimir significa en cambio que las muestras de tu clip son exactamente las que produjo el decodificador, y que nada de lo que hagas después heredará un error cometido aquí. El tamaño es el precio honesto: 1 411 kbit/s para 44,1 kHz estéreo frente a los 128 a 320 de un MP3 corriente. El remedio es comprimir una sola vez, al final del todo, con el Conversor de audio, no comprimir en cada paso.

Mi origen es de 44,1 kHz pero el clip salió a 48 kHz. ¿Se ha roto algo?

No se ha roto nada. La decodificación pasa por el motor de Web Audio del navegador, y la especificación de Web Audio dice que el decodificador remuestrea el audio a la frecuencia del contexto de audio siempre que ambas difieran. El contexto adopta la frecuencia de tu salida de sonido, que en casi todas las máquinas actuales es 48 kHz, así que un origen a 44,1 kHz se convierte a la entrada y el WAV se escribe a la frecuencia resultante. La conversión la hace el remuestreador del propio navegador y es transparente para cualquier escucha normal. Si necesitas conservar 44,1 kHz sin falta — para un máster de CD, o para evitar una conversión más en una cadena que no controlas — haz el recorte en una máquina o un dispositivo de salida a 44,1 kHz, o vuelve a convertir el clip después asumiendo que has remuestreado dos veces.

¿Puedo unir una nota de voz mono a una grabación estéreo?

Sí, y la unión lo resuelve sin preguntar: toma el mayor número de canales entre tus archivos y convierte los demás hacia arriba, de modo que un archivo mono se convierte en dos canales idénticos y la salida es estéreo de principio a fin. El audio no se estropea. Lo que cambia es la imagen estéreo: la sección mono se sitúa justo en el centro sin ninguna anchura, mientras que el material estéreo a su alrededor ocupa todo el campo, y la transición entre ambos se oye como un estrechamiento brusco. Si eso te molesta, el remedio no está en la unión. Convierte todo el montaje a mono para que todo coincida, o vuelve a grabar la sección que falta, o acéptalo, que es lo que sensatamente hace la mayoría en un pódcast o en una serie de notas de voz. Haz la misma comprobación con las frecuencias: unir una grabación telefónica a 22,05 kHz con una entrevista a 48 kHz funciona, pero la parte telefónica seguirá sonando a teléfono, porque sobremuestrear no añade detalle que nunca se capturó.