Sacar el audio de un vídeo sin una segunda generación de pérdida

«Extraer» es una promesa que el botón no cumple

Detrás de la misma palabra se esconden dos operaciones completamente distintas. Una es una copia de flujo: los bytes de audio se levantan del contenedor de vídeo y se dejan caer en un contenedor de audio sin decodificarse jamás. Nada se examina, nada se juzga, nada se descarta — en línea de comandos se escribe -c:a copy, termina en un segundo incluso con un archivo de dos horas, y el resultado es bit a bit la pista que había en el vídeo. La otra es una recodificación: decodificar la pista a muestras crudas y entregar esas muestras a un codificador para comprimirlas otra vez.

Esta herramienta no ofrece la primera. Lee lo que ejecuta de verdad y hay exactamente tres recetas, todas recodificaciones: el MP3 pasa por libmp3lame en calidad 2 de tasa variable, el AAC pasa por el codificador AAC a 192 kbit/s fijos, el WAV pasa por PCM de 16 bits en orden little-endian. Las tres descartan el flujo de vídeo, y ninguna transmite instrucción alguna sobre frecuencia de muestreo o número de canales, así que la salida hereda lo que tuviera la pista. Conviene saberlo no porque sea un defecto — una copia de flujo tiene sus propias trampas, y solo puede escribir el formato que la pista ya era — sino porque cambia cuál es el botón seguro. Cuando todos los caminos decodifican y recodifican, el camino seguro es aquel cuyo codificador no tiene pérdida.

Generaciones, y por qué la segunda es la cara

Un codificador con pérdida no encoge el sonido encontrando redundancia en él. Decide qué partes de la señal no echará de menos un oyente y las quita, usando un modelo de la audición: un tono flojo junto a uno fuerte a frecuencia parecida es inaudible, así que no hace falta transmitirlo. El resultado suena como el original para una persona, pero no es el original, y el residuo que deja — el ruido de cuantificación que el modelo consideró aceptable — ya forma parte de la señal.

Pasa eso por un segundo codificador y el modelo está mirando lo que no debe. Toma los artefactos del primero por señal y gasta bits protegiéndolos, mientras el contenido genuino que debería proteger ya tiene los márgenes comidos. Por eso una pista que sobrevivió a una pasada a 128 kbit/s suena claramente peor tras una segunda a 190, aunque el segundo archivo sea mayor: pagaste más bits y obtuviste menos música. Aquí no hay aritmética que diga cuánto peor — depende del material y de lo parecidos que sean los dos modelos — pero el sentido nunca estuvo en duda, y nunca se invierte. Nada aguas abajo restaura lo que la primera pasada quitó.

Lo que cuesta cada botón, en bytes que puedes comprobar

El audio sin comprimir tiene un tamaño exacto y sin sorpresas: bytes por segundo = frecuencia de muestreo × profundidad en bits ÷ 8 × canales. Una pista de película estéreo a 48 kHz en 16 bits son 48 000 × 2 × 2 = 192 000 bytes por segundo, o sea 11,52 MB por minuto y 115,2 MB para diez minutos. Si la pista es 5.1 en vez de estéreo, es el triple, porque el número de canales multiplica directamente. Nada en la herramienta te avisa antes de escribir un archivo de 350 MB, así que conviene hacer la multiplicación primero en cuanto pase de unos pocos minutos.

El botón AAC es igual de predecible, porque su tasa está fijada en 192 kbit/s: 24 000 bytes por segundo, 1,44 MB por minuto, 14,4 MB para diez minutos, sea cual sea el material. El botón MP3 es el que no te dirá nada por adelantado. Funciona en la calidad variable 2 de LAME, que gasta bits donde la música los necesita y los ahorra donde no — la propia documentación de LAME sitúa la media en torno a 190 o 200 kbit/s con música corriente, así que diez minutos caen cerca de 14 o 15 MB, pero un pasaje hablado y tranquilo saldrá mucho más pequeño y un tutti orquestal mucho mayor. Si necesitas saberlo, pesa el archivo: tamaño en bytes ÷ duración en segundos × 8 es la tasa que obtuviste.

Para una transcripción, casi todo lo que conservas se tira igualmente

Los sistemas de reconocimiento de voz no escuchan como tú. Whisper, el modelo detrás de la mayoría de los servicios de transcripción que la gente usa, remuestrea toda entrada a 16 000 muestras por segundo en mono antes de mirar nada, y luego convierte ventanas de treinta segundos en un espectrograma. Su propio código fuente lo dice en dos constantes y dos opciones de línea de comandos. Todo lo que está por encima de 8 kHz — la mitad de la frecuencia de muestreo, por Nyquist — ha desaparecido antes de que la primera capa de la red vea el audio, y también la imagen estéreo, y también cualquier distinción entre un archivo a 320 kbit/s y otro a 96 que sobrevivan ambos intactos al remuestreo.

La consecuencia práctica es que debes optimizar una subida para transcripción por tamaño y no por fidelidad — pero aun así evitando una segunda generación con pérdida, porque los artefactos de compresión son justo el tipo de ruido que empuja a un reconocedor hacia la palabra equivocada. La vía limpia es WAV desde esta herramienta y luego el conversor de audio para bajarlo a mono a 22,05 kHz, que son 44 100 bytes por segundo: 4,35 veces más pequeño que el original estéreo a 48 kHz y todavía muy por encima de los 16 kHz que usará el modelo. El conversor no ofrece 16 kHz por su cuenta, así que 22,05 en mono es lo más cerca del formato de trabajo del modelo que puedes llegar aquí, y está lo bastante cerca como para que el último paso no cueste nada que te importe.

El archivo AAC que obtienes no es un M4A

Pulsa AAC y obtienes un archivo cuyo nombre acaba en .aac: un flujo pelado de tramas de audio codificadas, cada una con una cabecera pequeña, y nada alrededor. Un .m4a es ese mismo audio dentro de un contenedor MP4, y el contenedor es lo que lleva la duración, el índice de búsqueda, el título de la pista, el artista y la carátula. Un flujo crudo no tiene nada de eso. La mayoría de los reproductores se apañan — leen las primeras tramas, suponen que la tasa se mantiene y estiman la duración — pero la estimación falla con material variable, el desplazamiento dentro del archivo es aproximado, y allí donde se esperan etiquetas verás un archivo sin nombre y sin ilustración.

De ahí salen dos reglas prácticas. Si el destino es un alojamiento de pódcast, una biblioteca musical o cualquier cosa que indexe metadatos, no le des el .aac — coge MP3, que lleva sus etiquetas dentro del propio flujo y se entiende en todas partes, o coge WAV y deja que el destino codifique. Y si la pista del vídeo es 5.1, espera que MP3 sea el botón que falle: MP3 es un formato de dos canales y la herramienta no transmite ninguna instrucción de mezcla, así que nada le dice al codificador qué hacer con seis canales. AAC y WAV lo gestionan los dos, y el conversor de audio plegará después el resultado a estéreo o mono si es lo que querías.

Coge la pista entera, y se ejecuta en tu máquina

Aquí no hay control de inicio ni de fin: la herramienta coge el flujo de audio entero del archivo que le des. Si solo quieres noventa segundos de una grabación de cuarenta minutos, tienes dos órdenes posibles y no son equivalentes. Recortar el vídeo primero hace que la extracción solo vea la parte que te importa, lo cual es más rápido y produce un intermedio más pequeño. Extraer primero y recortar el audio después hace que un WAV enorme aterrice en tu disco antes de reducirlo — pero también te deja cortar con precisión de oído, sobre la forma de onda, en vez de adivinar códigos de tiempo contra una vista previa de vídeo.

Elijas el orden que elijas, nada de esto sale de la máquina. La extracción ejecuta una compilación de FFmpeg a WebAssembly dentro de la página, y el motor se sirve desde este sitio y no desde una red ajena, así que lo único que viaja alguna vez es la descarga única del motor, unos 32 MB en tu primera conversión de la sesión. Aquí importa más que en la mayoría de las herramientas: la pista de audio de un vídeo es la parte con más probabilidad de contener una conversación privada, una grabación inédita, una reunión con un cliente o la voz de otra persona, y la diferencia entre procesarlo en local y mandarlo a un servidor no es de grado.

Preguntas frecuentes

¿Por qué mi MP3 extraído es mayor que la pista de audio que había en el vídeo?

Porque el codificador apunta a un objetivo de calidad, no a la tasa de bits de tu fuente, y no tiene ni idea de que tu fuente ya estaba comprimida. La calidad variable 2 está ajustada para ser aproximadamente transparente con música original, lo que la sitúa cerca de 190 kbit/s en material corriente — cómodamente por encima de los 128 kbit/s que un teléfono o un editor escribe habitualmente en un MP4. Así que el archivo nuevo es alrededor de vez y media el anterior y suena algo peor, porque gastó esos bits de más reproduciendo fielmente los artefactos del primer codificador. Es la demostración más clara de que la tasa de bits no es la calidad: no puedes gastar bits para devolver a una señal lo que ya perdió.

¿Hay alguna forma de sacar la pista original intacta?

Con esta herramienta no, y la razón merece entenderse en lugar de sortearse. Una copia de flujo de verdad solo puede escribir el formato que la pista ya es: si el vídeo lleva AAC, una copia te da AAC y nada más; no se puede copiar una pista AAC «a MP3». Así que un botón de copia tendría que decirte primero qué hay dentro de tu archivo y luego ofrecer exactamente una salida, y sería inútil para la petición más común, que es un formato que el destino acepte. El compromiso de esta herramienta es recodificar siempre y dejarte elegir, y la manera de que ese compromiso no cueste nada es elegir WAV, que recodifica sin pérdida. Si de verdad necesitas los bytes originales, la línea de comandos es la respuesta honesta: -c:a copy hacia un contenedor que los acepte.

Ha fallado y me dice que compruebe si el vídeo tiene pista de audio. ¿Qué más lo provoca?

Ese mensaje es el cajón de sastre único de la herramienta para cualquier rechazo del motor, así que la pista ausente es solo el primer sospechoso. Los demás, más o menos por frecuencia: una pista envolvente enviada al botón MP3, que no puede representar más de dos canales; un contenedor cuyo decodificador esta compilación no lleva, lo cual pasa sobre todo con formatos viejos o inusuales y no con MP4, WebM y MOV; una grabación de pantalla exportada con el sonido apagado, que de verdad no tiene pista; y un archivo lo bastante grande como para que la pestaña se quede sin memoria a medio camino, algo que ocurre bastante más allá de una hora de vídeo. Prueba primero WAV — es el de los tres con menos restricciones — y si el mismo archivo funciona como WAV pero no como MP3, la respuesta era el número de canales.

Para un pódcast, ¿debo extraer directamente a MP3?

Solo si al archivo no le va a pasar nada más. Un episodio de pódcast casi siempre se nivela, se le aplica puerta de ruido, se le recortan cabeza y cola, se une a una sintonía y se normaliza a un objetivo de sonoridad, y cada una de esas operaciones decodifica el audio, lo cambia y lo vuelve a escribir. Hazlas sobre un MP3 y acumulas una generación cada vez. Coge WAV aquí, haz toda la edición en WAV y codifica una sola vez al final del todo — y deja que lo haga el alojamiento si se ofrece, porque la mayoría recodifica igualmente lo que subes para alcanzar su propia tasa de entrega. Subir un MP3 a un alojamiento que recodifica es la manera clásica de gastar tres generaciones con pérdida en un solo episodio.

El WAV extraído pesa demasiado para enviarlo por correo. ¿Cuál es la opción honesta más pequeña?

Depende de para qué sea el archivo, y las dos respuestas están muy lejos una de otra. Si lo va a escuchar una persona, el AAC a 192 kbit/s es ocho veces más pequeño que el WAV y, en voz hablada, indistinguible de él: una generación con pérdida extra sobre una pista hablada es un coste que casi nadie oye. Si lo va a leer una máquina, no comprimas nada: pasa el WAV por el conversor de audio, ponlo en mono a 22,05 kHz y obtienes un archivo 4,35 veces menor sin ninguna etapa con pérdida en toda la cadena. Y si la grabación es larga más que grande — una hora de entrevista — la respuesta correcta no es ninguna de las dos: es recortar antes la parte que de verdad necesitas, porque la mitad de lo que vuelve inmanejables estos archivos es que nadie los cortó.