Tagliare e unire audio senza clic sulla giunzione

Un clic è un gradino, e un gradino è tutte le frequenze insieme

Un file audio digitale non è un'onda. È un elenco di numeri, ciascuno dei quali descrive dove deve trovarsi il cono dell'altoparlante in un istante. A 44,1 kHz — la frequenza del CD, e di quasi tutto ciò che esce da un telefono o da un registratore — ci sono 44 100 di quegli istanti al secondo, quindi ogni numero governa 22,68 microsecondi di mondo. Un file a 48 kHz, la frequenza del video e di quasi tutto l'hardware moderno, dà a ogni numero 20,83 microsecondi.

Tagliare significa cancellare numeri. Se cancelli tutto dopo un certo punto, il numero che si trovava lì diventa l'ultima istruzione data all'altoparlante, e subito dopo gli si chiede di tornare a riposo. Se quell'ultimo numero era vicino alla cresta dell'onda, si chiede al cono di passare da un estremo al centro in 22,68 microsecondi. Niente nella registrazione si è mosso così in fretta; niente in natura lo fa. L'orecchio non lo sente come una nota, perché una nota è periodica e questo è un evento singolo. Sente un tic.

Il motivo per cui un tic è a banda larga e non acuto merita una frase, perché spiega perché nessun filtro lo risolve davvero. Un suono perfettamente liscio occupa una frequenza. Un gradino le occupa tutte: più netto è lo spigolo, più ampia è la dispersione. Non è una metafora, si misura. Prendi un tono di 440 Hz a 44,1 kHz, taglialo sulla cresta dell'onda, e l'energia sopra i 5 kHz — dove un tono di 440 Hz non ha essenzialmente nulla da dire — arriva a circa 29 dB sotto il tono. Taglia lo stesso tono dove attraversa lo zero e quella stessa banda scende a circa 54 dB sotto. Non è cambiato nient'altro. L'unica differenza è l'altezza del gradino.

I due punti in cui un taglio può essere pulito

Il primo è il silenzio, ed è di gran lunga il più utile dei due. Se il campione ai due lati del taglio è già vicino allo zero, non c'è alcun gradino da creare. È per questo che montare il parlato è facile e montare la musica è difficile: il parlato è fatto soprattutto di pause. Fra due parole ci sono tipicamente decine di millisecondi in cui il segnale è solo il rumore della stanza, e qualsiasi campione in quel tratto va bene. Ritaglia audio offre un semplice campo temporale invece di una forma d'onda, quindi la tecnica pratica è ascoltare, annotare il secondo e poi avanzare di centesimi: un centesimo di secondo a 44,1 kHz contiene 441 posizioni candidate, più che sufficienti per trovarne una silenziosa.

Il secondo è un passaggio per lo zero — l'istante in cui la forma d'onda attraversa il centro andando dal positivo al negativo o viceversa. Taglia lì e il gradino è per definizione nullo, ed è per questo che gli editor offrono un comando di aggancio ai passaggi per lo zero. La misura di sopra dice che vale circa 25 dB, un fattore di circa diciotto in ampiezza. È un miglioramento grande e non è una cura. Ciò che un passaggio per lo zero elimina è il salto di posizione; ciò che lascia è il salto di pendenza, perché l'onda viaggiava in una direzione a una certa velocità e dopo il taglio non viaggia più affatto. L'orecchio sente quel residuo come un tonfo sordo invece che come un tic secco.

C'è poi un limite di cui nessuno parla finché non morde: un file stereo ha due forme d'onda, e non attraversano quasi mai lo zero sullo stesso campione. Il manuale di Audacity lo dice senza giri di parole — nelle tracce stereo i punti di passaggio per lo zero possono trovarsi in posizioni diverse nel canale sinistro e in quello destro, quindi può restare un clic su un canale. Un passaggio per lo zero è una proprietà di un canale, non di un istante. Il silenzio, invece, è una proprietà dell'istante, ed è la seconda ragione per preferirlo.

Che cosa fa davvero questo strumento al confine

Niente. È la risposta onesta e vale la pena dirla apertamente, perché la maggior parte del software con cui lo si confronta applica una breve dissolvenza senza dirlo. Ritaglia audio prende il tuo tempo di inizio, lo moltiplica per la frequenza di campionamento e arrotonda per difetto; prende quello di fine, moltiplica e arrotonda per eccesso; e copia i numeri fra quei due indici direttamente in un nuovo file. Non c'è dissolvenza, né dissolvenza incrociata, né ricerca del passaggio per lo zero, né rilevamento del silenzio. Il confine che indichi è quello che ottieni, al campione.

È una scelta di progetto difendibile per uno strumento da browser senza visualizzazione della forma d'onda: una dissolvenza che non vedi è una dissolvenza che non controlli, e uno strumento che ammorbidisse di nascosto i primi cinque millisecondi di ogni clip rovinerebbe proprio l'uso più frequente, cioè prendere una frase musicale al punto giusto. Ma significa che il confine è responsabilità tua, e che il motivo per cui la tua ultima clip ha fatto clic è conoscibile e non misterioso. Ha fatto clic perché lì c'era un numero.

Una conseguenza da conoscere in anticipo: la clip può non tornare alla frequenza di campionamento che le hai dato. La decodifica passa dal motore Web Audio del browser, e la specifica dice che il decodificatore ricampiona l'audio alla frequenza del contesto audio se le due differiscono. Il contesto prende la frequenza del tuo dispositivo di uscita, che sulla maggior parte dell'hardware attuale è 48 kHz. Quindi un episodio di podcast a 44,1 kHz ritagliato su una macchina simile esce come WAV a 48 kHz, ricampionato dal browser. Il suono è intatto; è solo il numero nell'intestazione che non è più quello di partenza.

Unire: due file che non erano fatti per incontrarsi

Unire pone un problema che tagliare non pone. Due registrazioni possono divergere sulla frequenza di campionamento e sul numero di canali, e nessuna delle due divergenze può sopravvivere dentro un unico file: un'intestazione WAV contiene una sola frequenza e un solo numero di canali per tutto. Unisci audio lo risolve prendendo la frequenza più alta fra i file e il numero di canali più alto, e convertendo poi tutto ciò che non corrisponde già, tramite un rendering offline che è il ricampionatore e il mixer del browser stesso. Un memo vocale mono unito a una registrazione stereo viene quindi portato a due canali; una clip telefonica a 22,05 kHz unita a un'intervista a 48 kHz viene ricampionata verso l'alto.

Ricampionare verso l'alto non inventa dettaglio — una registrazione a 22,05 kHz non contiene nulla sopra gli 11 kHz e non lo conterrà dopo la conversione — ma rende compatibili i file, che è il punto. Portare il mono a stereo copia l'unico canale in entrambi, quindi il risultato ha la forma di uno stereo senza averne il suono: la voce sta piantata al centro mentre il materiale ai due lati ha larghezza. Quel contrasto sulla giunzione viene spesso scambiato per un clic, e non lo è. È un cambio di immagine sonora, e nessuna dissolvenza lo nasconderà.

La giunzione stessa è un accostamento di testa: l'ultimo campione di un file è seguito immediatamente dal primo del successivo, senza nulla inserito né sovrapposto. Tutto quanto detto sopra su un singolo taglio le si applica due volte, perché ora sono due numeri arbitrari a incontrarsi. La conseguenza pratica è che il lavoro sta a monte. Ritaglia ogni pezzo in modo che inizi e finisca già nel silenzio, e la giunzione sarà silenziosa per costruzione. Dai all'unione due clip tagliate a caso e sentirai il punto in cui si incontrano.

I file con perdita vengono decodificati, montati e ricodificati — e questo sposta la giunzione

Un MP3 non è un elenco di campioni. È un elenco di frame, ciascuno dei quali descrive un blocco di 1 152 campioni nel dominio della frequenza: 26,12 millisecondi a 44,1 kHz, 24,00 a 48 kHz. Nulla nel formato consente di tagliare dentro un frame, quindi qualsiasi editor che lavori sui campioni deve prima decodificare tutto, e qualsiasi editor che ti restituisca un MP3 deve ricodificarlo. Quella seconda codifica è una seconda generazione di perdita, applicata a materiale che ne ha già subita una.

C'è una conseguenza più sottile, ed è il motivo per cui la riproduzione senza pause ha impiegato un decennio a funzionare. I codificatori aggiungono silenzio all'inizio del flusso perché la trasformazione che usano ha bisogno di rincorsa, e quella quantità non è registrata in nessun punto previsto dallo standard. La tabella di riferimento di Hydrogenaudio colloca il ritardo di LAME a 576 campioni — 13,06 millisecondi a 44,1 kHz — e nota che l'MP3 non offre alcun modo normalizzato di registrare ritardo o riempimento per rimuoverli in seguito. Un MP3 che tagli e ricodifichi non si allinea quindi all'originale alla frazione di frame: si allinea sfalsato di un ritardo che ogni codificatore sceglie a modo suo.

Gli strumenti audio di questo sito aggirano l'intera questione restituendoti un WAV. Non c'è ricodifica, quindi non c'è perdita di generazione né ritardo di codificatore da considerare: i campioni usciti dal decodificatore sono i campioni del tuo file. Costa in dimensione, e quel compromesso si discute più sotto, ma per il montaggio è il verso giusto: tieni l'intermedio non compresso, comprimi una sola volta alla fine, e non comprimere mai due volte se puoi evitarlo.

Perché la clip è un WAV, e quanto costa

Il file che ricevi è PCM lineare a 16 bit con un'intestazione di 44 byte. A 44,1 kHz in stereo sono 176 400 byte al secondo, cioè 1 411 kbit/s: un minuto pesa 10,09 MiB e tre minuti 30,3 MiB. Rispetto a un MP3 a 128 kbit/s il WAV è circa undici volte più grande; rispetto a 320 kbit/s, circa quattro volte e mezza. Il mono dimezza tutto: 88 200 byte al secondo, 706 kbit/s, 5,05 MiB al minuto, ed è per questo che un memo vocale ritagliato qui è molto più leggero di quanto la parola non compresso lasci temere.

Se ti serve la clip leggera, l'ordine giusto è: prima ritagliare, convertire per ultimo. Converti il WAV in MP3, M4A o OGG una sola volta, alla fine, con il Convertitore audio: così la compressione avviene esattamente una volta, sul materiale che intendi davvero tenere, e non una volta sulla sorgente e un'altra sul montaggio. La clip è inoltre pronta da trascinare in un montaggio video o in un campionatore senza che nessuno dei due debba decodificare alcunché, ed è per questo che il WAV sopravvive come formato di scambio nonostante il peso.

Domande frequenti

Ho tagliato durante un silenzio e sento comunque un clic. Che cosa è andato storto?

Il silenzio non era silenzio. Ciò che fra due parole sembra niente è quasi sempre il rumore della stanza — il condizionatore, la strada, il soffio del preamplificatore — e può stare a qualche punto percentuale del fondo scala, molto più del necessario per produrre un gradino udibile. Peggio, alcune registrazioni portano una componente continua: l'intera forma d'onda è spostata rispetto allo zero, così anche il passaggio più quieto ha un valore costante diverso da zero, e tagliare ovunque produce un gradino grande quanto lo scostamento. Se il clic sopravvive a più tentativi di spostare il confine, sospetta la componente continua e non la sfortuna, e cerca un filtro passa-alto o una funzione di rimozione della componente continua nell'editor che hai. Vale la pena escludere altri due colpevoli: il clic può essere già nella sorgente, e allora il ritaglio ha solo attirato la tua attenzione, e alcuni riproduttori inseriscono una pausa propria fra la fine di un file e il silenzio, che suona identica e non ha nulla a che vedere con il tuo montaggio.

Basta tagliare su un passaggio per lo zero, o serve una dissolvenza?

Un passaggio per lo zero vale circa 25 dB e una dissolvenza di cinque millisecondi circa 47 dB, entrambi misurati contro lo stesso taglio netto. Per il parlato, un passaggio per lo zero in un momento tranquillo è di solito inudibile e del tutto sufficiente. Per una nota tenuta e forte, una linea di basso o qualsiasi cosa con forte componente grave, spesso no: sui bassi la forma d'onda attraversa lo zero a grande velocità pur trovandosi a zero, e quel salto di pendenza è ciò che si continua a sentire. La dissolvenza vince perché non le importa in che punto del ciclo ti trovi. Ha anche un pavimento: oltre i cinque millisecondi si compra pochissimo — dieci rendono solo 3 dB in più — mentre inizi a perdere l'attacco di ciò che segue. Cinque millisecondi è il valore predefinito della maggior parte degli editor, esattamente per questo.

Perché la mia clip è un WAV dieci volte più grande dell'MP3 che ho fornito?

Perché restituirti un MP3 significherebbe codificarlo una seconda volta. Montare campioni richiede prima di decodificare, e ricodificare il risultato comprime materiale già compresso: una seconda generazione di perdita sopra la prima, applicata ogni volta che tocchi il file. Scrivere un WAV non compresso significa invece che i campioni della tua clip sono esattamente quelli prodotti dal decodificatore, e che nulla di ciò che farai dopo erediterà un errore commesso qui. La dimensione è il prezzo onesto: 1 411 kbit/s per 44,1 kHz stereo contro i 128–320 di un MP3 corrente. Il rimedio è comprimere una sola volta, proprio alla fine, con il Convertitore audio — non a ogni passaggio.

La mia sorgente è a 44,1 kHz ma la clip è uscita a 48 kHz. C'è qualcosa che non va?

Non è rotto niente. La decodifica passa dal motore Web Audio del browser, e la specifica Web Audio dice che il decodificatore ricampiona l'audio alla frequenza del contesto audio ogni volta che le due differiscono. Il contesto adotta la frequenza della tua uscita audio, che sulla maggior parte delle macchine attuali è 48 kHz, quindi una sorgente a 44,1 kHz viene convertita in ingresso e il WAV è scritto alla frequenza risultante. La conversione la fa il ricampionatore del browser stesso ed è trasparente per qualsiasi ascolto normale. Se devi assolutamente conservare i 44,1 kHz — per un master da CD, o per evitare una conversione in più in una catena che non controlli — fai il ritaglio su una macchina o un dispositivo di uscita a 44,1 kHz, oppure riconverti la clip dopo, accettando di aver ricampionato due volte.

Posso unire un memo vocale mono a una registrazione stereo?

Sì, e l'unione se ne occupa senza chiedere: prende il numero di canali più alto fra i tuoi file e converte gli altri verso l'alto, così un file mono diventa due canali identici e l'uscita è stereo da cima a fondo. L'audio non viene danneggiato. Ciò che cambia è l'immagine stereo — la sezione mono si piazza esattamente al centro senza alcuna larghezza, mentre il materiale stereo attorno occupa tutto il campo, e il passaggio fra i due si sente come un restringimento improvviso. Se questo ti dà fastidio, il rimedio non sta nell'unione. Converti tutto il montaggio in mono così che tutto corrisponda, o rifai la registrazione della sezione mancante, o accettalo — cosa che per un podcast o una serie di note vocali la maggior parte fa sensatamente. Fai la stessa verifica sulle frequenze: unire una registrazione telefonica a 22,05 kHz a un'intervista a 48 kHz funziona, ma la parte telefonica continuerà a suonare come un telefono, perché sovracampionare non aggiunge dettaglio mai catturato.