Récupérer le son d'une vidéo sans une deuxième génération de perte

« Extraire » est une promesse que le bouton ne tient pas

Deux opérations totalement différentes se cachent derrière le même mot. L'une est une copie de flux : les octets audio sont extraits du conteneur vidéo et déposés dans un conteneur audio sans jamais être décodés. Rien n'est examiné, rien n'est jugé, rien n'est jeté — en ligne de commande cela s'écrit -c:a copy, cela se termine en une seconde même sur un fichier de deux heures, et le résultat est bit pour bit la piste qui était dans la vidéo. L'autre est un ré-encodage : décoder la piste en échantillons bruts, puis confier ces échantillons à un encodeur pour être compressés de nouveau.

Cet outil ne propose pas la première. Lis ce qu'il exécute réellement : exactement trois recettes, toutes des ré-encodages. Le MP3 passe par libmp3lame en qualité 2 à débit variable, l'AAC par l'encodeur AAC à 192 kbit/s fixes, le WAV par du PCM 16 bits petit-boutiste. Les trois suppriment le flux vidéo, et aucune ne transmet d'instruction sur la fréquence d'échantillonnage ou le nombre de canaux : la sortie hérite de ce qu'avait la piste. Cela mérite d'être su non parce que c'est un défaut — une copie de flux a ses propres pièges, et elle ne peut jamais écrire qu'au format qu'avait déjà la piste — mais parce que cela change quel bouton est le bouton sûr. Quand toutes les voies décodent et ré-encodent, la voie sûre est celle dont l'encodeur est sans perte.

Les générations, et pourquoi la deuxième est la coûteuse

Un encodeur avec perte ne réduit pas le son en y trouvant de la redondance. Il décide quelles parties du signal un auditeur ne remarquera pas et les supprime, à l'aide d'un modèle de l'audition : un son faible voisin d'un son fort à fréquence proche est inaudible, donc inutile à transmettre. Le résultat sonne comme l'original pour une personne, mais ce n'est pas l'original, et le résidu laissé — le bruit de quantification que le modèle a jugé acceptable — fait désormais partie du signal.

Repasse cela dans un second encodeur et le modèle regarde désormais la mauvaise chose. Il prend les artefacts du premier encodeur pour du signal et dépense des bits à les protéger, tandis que le contenu véritable qu'il devrait protéger a déjà vu ses marges grignotées. C'est pourquoi une piste ayant survécu à une passe à 128 kbit/s sonne sensiblement moins bien après une seconde passe à 190, alors même que le second fichier est plus gros : tu as payé plus de bits pour moins de musique. Aucune arithmétique ne dit ici de combien c'est pire — cela dépend du matériau et de la proximité des deux modèles — mais le sens n'a jamais fait de doute, et il ne s'inverse jamais. Rien en aval ne restaure ce que la première passe a retiré.

Ce que coûte chaque bouton, en octets vérifiables

L'audio non compressé a une taille exacte et sans surprise : octets par seconde = fréquence d'échantillonnage × profondeur en bits ÷ 8 × canaux. Une piste de film stéréo à 48 kHz en 16 bits fait 48 000 × 2 × 2 = 192 000 octets par seconde, soit 11,52 Mo par minute et 115,2 Mo pour dix minutes. Si la piste est en 5.1 plutôt qu'en stéréo, c'est trois fois plus, le nombre de canaux multipliant directement. Rien dans l'outil ne t'avertit avant d'écrire un fichier de 350 Mo : mieux vaut faire la multiplication d'abord dès que cela dépasse quelques minutes.

Le bouton AAC est tout aussi prévisible, car son débit est fixé à 192 kbit/s : 24 000 octets par seconde, 1,44 Mo par minute, 14,4 Mo pour dix minutes, quel que soit le matériau. Le bouton MP3 est celui qui ne te dira rien à l'avance. Il tourne en qualité variable 2 de LAME, qui dépense des bits là où la musique en a besoin et en économise ailleurs — la documentation de LAME situe la moyenne autour de 190 à 200 kbit/s sur de la musique courante, donc dix minutes tombent vers 14 ou 15 Mo, mais un passage parlé calme sortira bien plus petit et un tutti orchestral bien plus gros. Si tu as besoin de savoir, pèse le fichier : taille en octets ÷ durée en secondes × 8 donne le débit obtenu.

Pour une transcription, presque tout ce que tu gardes sera jeté de toute façon

Les systèmes de reconnaissance vocale n'écoutent pas comme toi. Whisper, le modèle derrière la plupart des services de transcription utilisés, ré-échantillonne toute entrée à 16 000 échantillons par seconde en mono avant de regarder quoi que ce soit, puis transforme des fenêtres de trente secondes en spectrogramme. Son propre code source le dit dans deux constantes et deux options de ligne de commande. Tout ce qui est au-dessus de 8 kHz — la moitié de la fréquence d'échantillonnage, par Nyquist — a disparu avant que la première couche du réseau ne voie l'audio, de même que l'image stéréo, de même que toute distinction entre un fichier à 320 kbit/s et un à 96 kbit/s qui survivent tous deux intacts au ré-échantillonnage.

La conséquence pratique est qu'il faut optimiser un envoi pour la transcription en taille et non en fidélité — tout en évitant une deuxième génération avec perte, car les artefacts de compression sont précisément le genre de bruit qui pousse un système de reconnaissance vers le mauvais mot. La voie propre est le WAV depuis cet outil, puis le convertisseur audio pour le descendre en mono à 22,05 kHz, soit 44 100 octets par seconde : 4,35 fois plus petit que l'original stéréo à 48 kHz, et toujours bien au-dessus des 16 kHz qu'utilisera le modèle. Le convertisseur ne propose pas 16 kHz lui-même : 22,05 en mono est donc ce que l'on peut approcher de plus près du format de travail du modèle ici, et c'est assez proche pour que la dernière étape ne coûte rien qui t'importe.

Le fichier AAC obtenu n'est pas un M4A

Appuie sur AAC et tu obtiens un fichier dont le nom finit par .aac : un simple flux de trames audio encodées, chacune avec un petit en-tête, et rien autour. Un .m4a, c'est le même audio dans un conteneur MP4, et c'est le conteneur qui porte la durée, l'index de recherche, le titre de la piste, l'artiste et la pochette. Un flux brut n'a rien de tout cela. La plupart des lecteurs s'en sortent — ils lisent les premières trames, supposent que le débit tient et estiment la durée — mais l'estimation est fausse sur du matériau variable, le déplacement dans le fichier est approximatif, et partout où l'on attend des métadonnées tu verras un fichier sans nom et sans image.

Deux règles pratiques en découlent. Si la destination est un hébergeur de podcast, une bibliothèque musicale ou tout ce qui indexe des métadonnées, ne lui donne pas le .aac — prends le MP3, qui porte ses étiquettes dans le flux lui-même et se comprend partout, ou prends le WAV et laisse la destination encoder. Et si la piste de la vidéo est en 5.1, attends-toi à ce que le MP3 soit le bouton qui échoue : le MP3 est un format à deux canaux et l'outil ne transmet aucune instruction de mixage, donc rien ne dit à l'encodeur quoi faire de six canaux. L'AAC et le WAV s'en accommodent tous deux, et le convertisseur audio repliera ensuite le résultat en stéréo ou en mono si c'est ce que tu voulais.

Il prend toute la piste, et il tourne sur ta machine

Il n'y a ici aucun réglage de début ni de fin : l'outil prend l'intégralité du flux audio du fichier que tu lui donnes. Si tu ne veux que quatre-vingt-dix secondes d'un enregistrement de quarante minutes, deux ordres s'offrent à toi et ils ne sont pas équivalents. Découper la vidéo d'abord fait que l'extraction ne voit jamais que la partie qui t'intéresse : c'est plus rapide et l'intermédiaire est plus petit. Extraire d'abord puis découper l'audio fait atterrir un très gros WAV sur ton disque avant de le réduire — mais cela te laisse couper précisément à l'oreille, sur la forme d'onde, plutôt qu'en devinant des repères temporels sur un aperçu vidéo.

Quel que soit l'ordre choisi, rien ne quitte la machine. L'extraction fait tourner une compilation de FFmpeg en WebAssembly dans la page, et le moteur est servi depuis ce site et non depuis un réseau tiers : la seule chose qui voyage jamais est le téléchargement unique du moteur, environ 32 Mo à ta première conversion de la session. Cela compte davantage ici qu'ailleurs : la piste audio d'une vidéo est la partie la plus susceptible de contenir une conversation privée, un enregistrement inédit, une réunion client ou la voix de quelqu'un d'autre, et la différence entre traiter cela localement et l'envoyer sur un serveur n'est pas une question de degré.

Questions fréquentes

Pourquoi mon MP3 extrait est-il plus gros que la piste audio qui était dans la vidéo ?

Parce que l'encodeur vise une cible de qualité, pas le débit de ta source, et qu'il ignore que ta source était déjà compressée. La qualité variable 2 est réglée pour être à peu près transparente sur de la musique originale, ce qui la place vers 190 kbit/s sur du matériau courant — confortablement au-dessus des 128 kbit/s qu'un téléphone ou un logiciel de montage écrit couramment dans un MP4. Le nouveau fichier est donc environ une fois et demie l'ancien et sonne légèrement moins bien, parce qu'il a dépensé ces bits supplémentaires à reproduire fidèlement les artefacts du premier encodeur. C'est la démonstration la plus nette que le débit n'est pas la qualité : on ne peut pas dépenser des bits pour remettre dans un signal ce qu'il a déjà perdu.

Y a-t-il un moyen de sortir la piste d'origine intacte ?

Pas avec cet outil, et la raison mérite d'être comprise plutôt que contournée. Une vraie copie de flux ne peut jamais écrire que le format qu'a déjà la piste — si la vidéo contient de l'AAC, une copie donne de l'AAC et rien d'autre ; on ne copie pas une piste AAC « en MP3 ». Un bouton copie devrait donc d'abord te dire ce qu'il y a dans ton fichier, puis n'offrir qu'une seule sortie, et il serait inutile pour la demande la plus fréquente, qui est un format accepté par la destination. Le compromis de cet outil est de toujours ré-encoder et de te laisser choisir, et la façon de rendre ce compromis gratuit est de choisir le WAV, qui ré-encode sans perte. Si tu as vraiment besoin des octets d'origine, la ligne de commande est la réponse honnête : -c:a copy vers un conteneur qui les accepte.

L'opération a échoué en me demandant si la vidéo a une piste audio. Qu'est-ce qui provoque cela d'autre ?

Ce message est le fourre-tout unique de l'outil pour tout refus du moteur : la piste manquante n'est donc que le premier suspect. Les autres, à peu près par fréquence : une piste surround envoyée au bouton MP3, qui ne sait pas représenter plus de deux canaux ; un conteneur dont cette compilation n'embarque pas le décodeur, ce qui arrive surtout sur des formats anciens ou inhabituels plutôt que sur MP4, WebM et MOV ; une capture d'écran exportée avec le son coupé, qui n'a réellement pas de piste ; et un fichier assez gros pour que l'onglet manque de mémoire en cours de route, ce qui survient bien au-delà d'une heure de vidéo. Essaie d'abord le WAV — c'est celui des trois qui a le moins de contraintes — et si le même fichier passe en WAV mais pas en MP3, la réponse était le nombre de canaux.

Pour un podcast, faut-il extraire directement en MP3 ?

Seulement si rien d'autre n'arrive au fichier. Un épisode de podcast est presque toujours nivelé, dégrippé, ébarbé, raccordé à un générique et normalisé à une cible de sonie, et chacune de ces opérations décode l'audio, le modifie et le réécrit. Fais-les sur un MP3 et tu accumules une génération à chaque fois. Prends le WAV ici, fais tout le montage en WAV, et n'encode qu'à la toute fin — et laisse l'hébergeur faire cet encodage s'il le propose, car la plupart ré-encodent de toute façon ce qu'on leur envoie pour atteindre leur propre débit de diffusion. Envoyer un MP3 à un hébergeur qui ré-encode est la façon classique de dépenser trois générations avec perte sur un seul épisode.

Le WAV extrait est bien trop lourd à envoyer par courriel. Quelle est la plus petite option honnête ?

Cela dépend de l'usage, et les deux réponses sont très éloignées. Si une personne doit l'écouter, l'AAC à 192 kbit/s est huit fois plus petit que le WAV et, sur de la parole, indiscernable de lui — une génération avec perte de plus sur une piste parlée est un coût que presque personne n'entend. Si c'est une machine qui doit le lire, ne compresse pas du tout : passe le WAV dans le convertisseur audio, règle-le en mono à 22,05 kHz, et tu obtiens un fichier 4,35 fois plus petit sans aucune étape avec perte dans la chaîne. Et si l'enregistrement est long plutôt que gros — une heure d'entretien — la bonne réponse n'est ni l'une ni l'autre : c'est de découper d'abord la partie dont tu as besoin, car la moitié de ce qui rend ces fichiers ingérables tient à ce que personne ne les a coupés.