Couper et assembler de l'audio sans clic à la jointure

Un clic est une marche, et une marche est toutes les fréquences à la fois

Un fichier audio numérique n'est pas une onde. C'est une liste de nombres, chacun décrivant où doit se trouver la membrane du haut-parleur à un instant donné. À 44,1 kHz — la fréquence du CD, et de la plupart de ce qui sort d'un téléphone ou d'un enregistreur — il y a 44 100 de ces instants par seconde, si bien que chaque nombre gouverne 22,68 microsecondes du monde. Un fichier à 48 kHz, la fréquence de la vidéo et de la plupart du matériel moderne, accorde à chaque nombre 20,83 microsecondes.

Couper, c'est supprimer des nombres. Si tu supprimes tout après un certain point, le nombre qui se trouvait là devient la dernière consigne donnée au haut-parleur, puis on lui demande de revenir au repos. Si ce dernier nombre était proche du sommet de l'onde, on demande à la membrane de passer d'un extrême au centre en 22,68 microsecondes. Rien dans l'enregistrement n'a bougé aussi vite ; rien dans la nature ne le fait. L'oreille n'entend pas une note, car une note est périodique et ceci est un événement unique. Elle entend un tic.

La raison pour laquelle un tic est large bande plutôt qu'aigu mérite une phrase, car elle explique pourquoi aucun filtre ne le règle proprement. Un son parfaitement lisse occupe une fréquence. Une marche les occupe toutes : plus l'angle est vif, plus l'étalement est large. Ce n'est pas une métaphore, cela se mesure. Prends un son de 440 Hz à 44,1 kHz, coupe-le à la crête de l'onde, et l'énergie au-dessus de 5 kHz — là où un son de 440 Hz n'a essentiellement rien à dire — arrive à environ 29 dB sous le signal. Coupe le même son à l'endroit où il passe par zéro et cette même bande tombe à environ 54 dB en dessous. Rien d'autre n'a changé. La seule différence est la hauteur de la marche.

Les deux endroits où une coupe peut être propre

Le premier est le silence, et c'est de loin le plus utile des deux. Si l'échantillon de part et d'autre de la coupe est déjà proche de zéro, il n'y a pas de marche à créer. C'est pourquoi les montages sur la parole sont faciles et ceux sur la musique difficiles : la parole est surtout faite de blancs. Entre deux mots il y a typiquement des dizaines de millisecondes où le signal n'est que le bruit de la pièce, et n'importe quel échantillon de cette plage fera l'affaire. Découper un audio propose un simple champ de temps plutôt qu'une forme d'onde : la technique concrète consiste donc à écouter, noter la seconde, puis avancer par centièmes — un centième de seconde à 44,1 kHz contient 441 positions candidates, largement de quoi en trouver une calme.

Le second est un passage par zéro — l'instant où la forme d'onde traverse le milieu en allant du positif au négatif ou l'inverse. Coupe là et la marche est nulle par définition, ce qui explique pourquoi les éditeurs proposent une commande d'aimantation aux passages par zéro. La mesure ci-dessus dit que cela vaut environ 25 dB, un facteur d'à peu près dix-huit en amplitude. C'est une grosse amélioration et ce n'est pas une guérison. Ce qu'un passage par zéro supprime, c'est le saut de position ; ce qu'il laisse, c'est le saut de pente, car l'onde filait dans une direction à une certaine vitesse et après la coupe elle ne file plus du tout. L'oreille entend ce reste comme un bruit sourd plutôt que comme un tic sec.

Il existe aussi une limite dont personne ne parle avant qu'elle ne morde : un fichier stéréo comporte deux formes d'onde, et elles ne passent presque jamais par zéro au même échantillon. Le manuel d'Audacity le dit franchement — dans les pistes stéréo, les points de passage par zéro peuvent se situer à des endroits différents sur le canal gauche et sur le droit, si bien qu'un clic peut subsister sur un canal. Un passage par zéro est une propriété d'un canal, pas d'un instant. Le silence, lui, est une propriété de l'instant, et c'est la seconde raison de le préférer.

Ce que cet outil fait réellement à la frontière

Rien. C'est la réponse honnête et il vaut la peine de l'expliciter, car la plupart des logiciels auxquels on compare celui-ci appliquent un court fondu sans le dire. Découper un audio prend ton temps de début, le multiplie par la fréquence d'échantillonnage et arrondit vers le bas ; prend ton temps de fin, multiplie et arrondit vers le haut ; puis recopie les nombres compris entre ces deux indices dans un nouveau fichier. Il n'y a ni fondu, ni fondu enchaîné, ni recherche de passage par zéro, ni détection de silence. La frontière que tu nommes est celle que tu obtiens, à l'échantillon près.

C'est un choix de conception défendable pour un outil de navigateur sans affichage de forme d'onde : un fondu qu'on ne voit pas est un fondu qu'on ne contrôle pas, et un outil qui adoucirait discrètement les cinq premières millisecondes de chaque extrait ruinerait précisément l'usage le plus fréquent, qui est de capturer une phrase musicale au bon endroit. Mais cela signifie que la frontière est ta responsabilité, et que la raison pour laquelle ton dernier extrait a claqué est connaissable plutôt que mystérieuse. Il a claqué parce qu'il y avait un nombre à cet endroit.

Une conséquence à connaître d'avance : l'extrait peut ne pas revenir à la fréquence d'échantillonnage que tu as fournie. Le décodage passe par le moteur Web Audio du navigateur, et la spécification indique que le décodeur rééchantillonne l'audio à la fréquence du contexte audio si les deux diffèrent. Le contexte prend la fréquence de ton périphérique de sortie, soit 48 kHz sur la plupart du matériel actuel. Un épisode de podcast à 44,1 kHz découpé sur une telle machine ressort donc en WAV à 48 kHz, rééchantillonné par le navigateur. Le son est intact ; c'est simplement le nombre inscrit dans l'en-tête qui n'est plus celui de départ.

L'assemblage : deux fichiers qui n'étaient pas faits pour se rencontrer

L'assemblage pose un problème que la coupe ne pose pas. Deux enregistrements peuvent diverger sur la fréquence d'échantillonnage et sur le nombre de canaux, et aucune de ces divergences ne peut survivre dans un fichier unique — un en-tête WAV ne contient qu'une fréquence et qu'un nombre de canaux pour l'ensemble. Fusionner des audios tranche en retenant la fréquence la plus élevée parmi les fichiers et le nombre de canaux le plus élevé, puis en convertissant tout ce qui ne correspond pas déjà, via un rendu hors ligne qui est le rééchantillonneur et le mixeur du navigateur lui-même. Un mémo vocal mono assemblé à un enregistrement stéréo est donc converti en deux canaux ; un extrait téléphonique à 22,05 kHz assemblé à une interview à 48 kHz est rééchantillonné vers le haut.

Rééchantillonner vers le haut n'invente aucun détail — un enregistrement à 22,05 kHz ne contient rien au-dessus de 11 kHz et n'en contiendra pas davantage après conversion — mais cela rend les fichiers compatibles, et c'est tout l'objet. Convertir du mono en stéréo recopie l'unique canal dans les deux, si bien que le résultat a la forme d'une stéréo sans en avoir le son : la voix reste plein centre alors que le matériel de part et d'autre a de la largeur. Ce contraste à la jointure est souvent pris pour un clic, et ce n'en est pas un. C'est un changement d'image sonore, et aucun fondu ne le masquera.

La jointure elle-même est un raccord bout à bout : le dernier échantillon d'un fichier est immédiatement suivi du premier du suivant, sans rien d'inséré ni de superposé. Tout ce qui vient d'être dit d'une coupe unique s'y applique deux fois, puisque deux nombres arbitraires se rencontrent désormais. Conséquence pratique : le travail se fait en amont. Découpe chaque morceau pour qu'il commence et finisse déjà dans le silence, et la jointure sera silencieuse par construction. Donne à la fusion deux extraits coupés n'importe où, et tu entendras l'endroit où ils se rejoignent.

Les fichiers compressés sont décodés, montés, puis réencodés — et cela déplace la jointure

Un MP3 n'est pas une liste d'échantillons. C'est une liste de trames, chacune décrivant un bloc de 1 152 échantillons dans le domaine fréquentiel — 26,12 millisecondes à 44,1 kHz, 24,00 à 48 kHz. Rien dans le format ne permet de couper à l'intérieur d'une trame : tout éditeur qui travaille sur des échantillons doit donc d'abord tout décoder, et tout éditeur qui te rend un MP3 doit le réencoder. Ce second encodage est une seconde génération de perte, appliquée à une matière qui en a déjà subi une.

Il existe une conséquence plus subtile, et c'est la raison pour laquelle la lecture sans blanc a mis une décennie à fonctionner. Les encodeurs ajoutent du silence en tête de flux parce que la transformation qu'ils emploient exige un élan, et cette quantité n'est enregistrée nulle part dans le format normalisé. La table de référence d'Hydrogenaudio situe le délai de LAME à 576 échantillons — 13,06 millisecondes à 44,1 kHz — et signale que le MP3 n'offre aucun moyen normalisé de consigner le délai ou le remplissage en vue de les retirer plus tard. Un MP3 que tu coupes et réencodes ne se cale donc pas sur l'original à une fraction de trame près : il se cale décalé d'un délai que chaque encodeur choisit à sa façon.

Les outils audio de ce site contournent toute la question en te rendant un WAV. Il n'y a pas de réencodage, donc pas de perte de génération ni de délai d'encodeur à prendre en compte : les échantillons sortis du décodeur sont ceux de ton fichier. Cela coûte en taille, et ce compromis est discuté plus bas, mais pour le montage c'est le bon sens de marche : garde l'intermédiaire non compressé, compresse une seule fois à la fin, et ne compresse jamais deux fois si tu peux l'éviter.

Pourquoi l'extrait est un WAV, et ce que cela coûte

Le fichier rendu est du PCM linéaire 16 bits avec un en-tête de 44 octets. À 44,1 kHz en stéréo, cela fait 176 400 octets par seconde, soit 1 411 kbit/s — une minute pèse 10,09 Mio et trois minutes 30,3 Mio. Face à un MP3 à 128 kbit/s, le WAV est environ onze fois plus gros ; face à du 320 kbit/s, environ quatre fois et demie. Le mono divise tout par deux : 88 200 octets par seconde, 706 kbit/s, 5,05 Mio la minute, ce qui explique qu'un mémo vocal découpé ici soit bien plus léger que ne le laisse craindre le mot non compressé.

Si l'extrait doit être léger, le bon ordre est : découper d'abord, convertir en dernier. Convertis le WAV en MP3, M4A ou OGG une seule fois, à la fin, avec le Convertisseur audio — ainsi la compression n'intervient qu'une fois, sur la matière que tu comptes réellement garder, et non une fois sur la source puis une fois sur le montage. L'extrait est par ailleurs prêt à être déposé dans un montage vidéo ou un échantillonneur sans que l'un ou l'autre ait à décoder quoi que ce soit, ce qui explique la survie du WAV comme format d'échange malgré son poids.

Questions fréquentes

J'ai coupé pendant un silence et j'entends quand même un clic. Qu'est-ce qui cloche ?

Le silence n'en était pas un. Ce qui ressemble à rien entre deux mots est presque toujours le bruit de la pièce — la ventilation, la rue, le souffle du préampli — et il peut atteindre quelques pour cent de la pleine échelle, largement de quoi produire une marche audible. Pire, certains enregistrements portent une composante continue : toute la forme d'onde est décalée par rapport à zéro, si bien que même le passage le plus calme a une valeur constante non nulle, et couper où que ce soit produit une marche de la taille du décalage. Si le clic survit à plusieurs déplacements de la frontière, soupçonne un décalage plutôt que la malchance, et cherche un filtre passe-haut ou une fonction de suppression de composante continue dans l'éditeur dont tu disposes. Deux autres coupables méritent d'être écartés : le clic peut déjà être dans la source, auquel cas le découpage n'a fait qu'attirer ton attention dessus, et certains lecteurs insèrent leur propre blanc entre la fin d'un fichier et le silence, ce qui sonne pareil et n'a rien à voir avec ton montage.

Couper sur un passage par zéro suffit-il, ou faut-il un fondu ?

Un passage par zéro vaut environ 25 dB et un fondu de cinq millisecondes environ 47 dB, mesurés tous deux contre la même coupe franche. Pour de la parole, un passage par zéro dans un moment calme est généralement inaudible et parfaitement suffisant. Pour une note tenue et forte, une ligne de basse ou tout ce qui a une forte composante grave, souvent non : dans le grave, la forme d'onde traverse zéro à grande vitesse même si elle est à zéro, et c'est ce saut de pente que l'on continue d'entendre. Le fondu l'emporte parce qu'il se moque de l'endroit du cycle où tu te trouves. Il a aussi un plancher : au-delà de cinq millisecondes tu n'achètes presque rien — dix n'apportent que 3 dB de plus — tandis que tu commences à perdre l'attaque de ce qui suit. Cinq millisecondes est la valeur par défaut de la plupart des éditeurs, exactement pour cette raison.

Pourquoi mon extrait est-il un WAV dix fois plus gros que le MP3 fourni ?

Parce que te rendre un MP3 impliquerait de l'encoder une seconde fois. Monter des échantillons exige de décoder d'abord, et réencoder le résultat compresse une matière déjà compressée — une seconde génération de perte par-dessus la première, appliquée à chaque manipulation du fichier. Écrire un WAV non compressé signifie au contraire que les échantillons de ton extrait sont exactement ceux produits par le décodeur, et que rien de ce que tu feras ensuite n'héritera d'une erreur commise ici. La taille est le prix honnête : 1 411 kbit/s pour du 44,1 kHz stéréo contre 128 à 320 pour un MP3 courant. Le remède est de compresser une seule fois, tout à la fin, avec le Convertisseur audio — pas à chaque étape.

Ma source est à 44,1 kHz mais l'extrait est sorti à 48 kHz. Y a-t-il un problème ?

Rien n'est cassé. Le décodage passe par le moteur Web Audio du navigateur, et la spécification Web Audio indique que le décodeur rééchantillonne l'audio à la fréquence du contexte audio dès que les deux diffèrent. Le contexte adopte la fréquence de ta sortie son, soit 48 kHz sur la plupart des machines actuelles : une source à 44,1 kHz est donc convertie à l'entrée et le WAV est écrit à la fréquence obtenue. La conversion est effectuée par le rééchantillonneur du navigateur et reste transparente pour tout usage d'écoute normal. Si tu dois impérativement conserver 44,1 kHz — pour un master CD, ou pour éviter une conversion supplémentaire dans une chaîne que tu ne maîtrises pas — fais le découpage sur une machine ou un périphérique de sortie réglé à 44,1 kHz, ou reconvertis ensuite en acceptant d'avoir rééchantillonné deux fois.

Puis-je assembler un mémo vocal mono à un enregistrement stéréo ?

Oui, et la fusion s'en charge sans rien demander : elle retient le nombre de canaux le plus élevé parmi tes fichiers et convertit les autres vers le haut, si bien qu'un fichier mono devient deux canaux identiques et que la sortie est stéréo de bout en bout. L'audio n'est pas abîmé. Ce qui change, c'est l'image stéréo — la section mono se place pile au centre sans aucune largeur, tandis que la matière stéréo autour occupe tout le champ, et la transition entre les deux s'entend comme un rétrécissement brusque. Si cela te gêne, le remède n'est pas dans la fusion. Convertis tout l'assemblage en mono pour que tout se ressemble, ou réenregistre la section manquante, ou accepte-le — ce que la plupart des gens font raisonnablement pour un podcast ou une série de notes vocales. Fais la même vérification sur les fréquences : assembler un enregistrement téléphonique à 22,05 kHz à une interview à 48 kHz fonctionne, mais la partie téléphonique sonnera toujours comme un téléphone, car le suréchantillonnage n'ajoute aucun détail qui n'a jamais été capté.