Tirare fuori l'audio da un video senza una seconda generazione di perdita

«Estrai» è una promessa che il pulsante non mantiene

Dietro la stessa parola si nascondono due operazioni completamente diverse. Una è una copia di flusso: i byte audio vengono sollevati dal contenitore video e lasciati cadere in un contenitore audio senza mai essere decodificati. Nulla viene esaminato, nulla giudicato, nulla scartato — a riga di comando si scrive -c:a copy, finisce in un secondo anche su un file di due ore, e il risultato è bit per bit la traccia che stava nel video. L'altra è una ricodifica: decodificare la traccia in campioni grezzi, poi consegnare quei campioni a un codificatore perché li comprima di nuovo.

Questo strumento non offre la prima. Leggi che cosa esegue davvero e ci sono esattamente tre ricette, tutte ricodifiche: l'MP3 passa per libmp3lame in qualità 2 a bitrate variabile, l'AAC passa per il codificatore AAC a 192 kbit/s fissi, il WAV passa per PCM a 16 bit little-endian. Tutte e tre scartano il flusso video, e nessuna passa istruzioni su frequenza di campionamento o numero di canali, quindi l'uscita eredita ciò che aveva la traccia. Vale la pena saperlo non perché sia un difetto — una copia di flusso ha le sue trappole, e può scrivere solo il formato che la traccia già era — ma perché cambia quale sia il pulsante sicuro. Quando ogni via decodifica e ricodifica, la via sicura è quella il cui codificatore è senza perdita.

Le generazioni, e perché la seconda è quella cara

Un codificatore con perdita non rimpicciolisce il suono trovandoci ridondanza. Decide quali parti del segnale chi ascolta non rimpiangerà e le toglie, usando un modello dell'udito: un tono debole accanto a uno forte a frequenza simile è inudibile, quindi non serve trasmetterlo. Il risultato suona come l'originale a una persona, ma non è l'originale, e il residuo che lascia — il rumore di quantizzazione che il modello ha ritenuto accettabile — fa ormai parte del segnale.

Manda tutto in un secondo codificatore e il modello guarda ormai la cosa sbagliata. Scambia gli artefatti del primo per segnale e spende bit a proteggerli, mentre al contenuto genuino che dovrebbe proteggere sono già stati mangiati i margini. Ecco perché una traccia sopravvissuta a un passaggio a 128 kbit/s suona nettamente peggio dopo un secondo a 190, benché il secondo file sia più grande: hai pagato più bit e ottenuto meno musica. Qui non c'è aritmetica che dica quanto peggio — dipende dal materiale e da quanto i due modelli si somigliano — ma la direzione non è mai stata in dubbio, e non si inverte mai. Nulla a valle ripristina ciò che il primo passaggio ha tolto.

Quanto costa ogni pulsante, in byte che puoi verificare

L'audio non compresso ha una dimensione esatta e nessuna sorpresa: byte al secondo = frequenza di campionamento × profondità in bit ÷ 8 × canali. Una traccia da film stereo a 48 kHz a 16 bit fa 48 000 × 2 × 2 = 192 000 byte al secondo, cioè 11,52 MB al minuto e 115,2 MB per dieci minuti. Se la traccia è 5.1 anziché stereo, è il triplo, perché il numero di canali moltiplica direttamente. Nulla nello strumento ti avverte prima di scrivere un file da 350 MB, quindi conviene fare la moltiplicazione prima su qualsiasi cosa più lunga di qualche minuto.

Il pulsante AAC è altrettanto prevedibile, perché il suo bitrate è fisso a 192 kbit/s: 24 000 byte al secondo, 1,44 MB al minuto, 14,4 MB per dieci minuti, qualunque sia il materiale. Il pulsante MP3 è quello che non te lo dirà in anticipo. Gira nella qualità variabile 2 di LAME, che spende bit dove la musica ne ha bisogno e li risparmia dove no — la documentazione di LAME mette la media intorno a 190-200 kbit/s su musica ordinaria, quindi dieci minuti cadono verso i 14 o 15 MB, ma un passaggio parlato e quieto uscirà molto più piccolo e un tutti orchestrale molto più grande. Se hai bisogno di saperlo, pesa il file: dimensione in byte ÷ durata in secondi × 8 è il bitrate che hai ottenuto.

Per una trascrizione, quasi tutto ciò che conservi viene comunque buttato

I sistemi di riconoscimento vocale non ascoltano come te. Whisper, il modello dietro la maggior parte dei servizi di trascrizione che la gente usa, ricampiona ogni ingresso a 16 000 campioni al secondo in mono prima di guardare qualsiasi cosa, poi trasforma finestre di trenta secondi in uno spettrogramma. Il suo stesso codice sorgente lo dice in due costanti e due opzioni da riga di comando. Tutto ciò che sta sopra gli 8 kHz — metà della frequenza di campionamento, per Nyquist — è sparito prima che il primo strato della rete veda l'audio, e così l'immagine stereo, e così ogni distinzione fra un file a 320 kbit/s e uno a 96 che sopravvivano entrambi intatti al ricampionamento.

La conseguenza pratica è che devi ottimizzare un caricamento per la trascrizione sulla dimensione, non sulla fedeltà — evitando però ugualmente una seconda generazione con perdita, perché gli artefatti di compressione sono proprio il tipo di rumore che spinge un riconoscitore verso la parola sbagliata. La via pulita è WAV da questo strumento, poi il convertitore audio per portarlo a mono a 22,05 kHz, cioè 44 100 byte al secondo: 4,35 volte più piccolo dell'originale stereo a 48 kHz e ancora ben sopra i 16 kHz che il modello userà. Il convertitore non offre 16 kHz per conto suo, quindi 22,05 in mono è quanto di più vicino al formato di lavoro del modello si possa ottenere qui, ed è abbastanza vicino perché l'ultimo passo non costi nulla che ti interessi.

Il file AAC che ottieni non è un M4A

Premi AAC e ottieni un file il cui nome finisce in .aac: un flusso nudo di trame audio codificate, ciascuna con una piccola intestazione, e nulla attorno. Un .m4a è lo stesso audio dentro un contenitore MP4, e il contenitore è ciò che porta la durata, l'indice di ricerca, il titolo del brano, l'artista e la copertina. Un flusso grezzo non ha niente di tutto ciò. La maggior parte dei lettori se la cava — legge le prime trame, assume che il bitrate tenga e stima la lunghezza — ma la stima sbaglia su materiale variabile, lo spostamento nel file è approssimato, e ovunque ci si aspettino etichette vedrai un file senza nome e senza immagine.

Ne seguono due regole pratiche. Se la destinazione è un host per podcast, una libreria musicale o qualsiasi cosa che indicizzi metadati, non darle il .aac — prendi MP3, che porta le sue etichette dentro il flusso stesso ed è capito ovunque, oppure prendi WAV e lascia che sia la destinazione a codificare. E se la traccia del video è 5.1, aspettati che MP3 sia il pulsante che fallisce: l'MP3 è un formato a due canali e lo strumento non passa alcuna istruzione di missaggio, quindi nulla dice al codificatore cosa fare con sei canali. AAC e WAV lo gestiscono entrambi, e il convertitore audio ripiegherà poi il risultato in stereo o mono se era quello che volevi.

Prende tutta la traccia, e gira sulla tua macchina

Qui non c'è alcun controllo di inizio o fine: lo strumento prende l'intero flusso audio del file che gli dai. Se vuoi solo novanta secondi da una registrazione di quaranta minuti, hai due ordini fra cui scegliere e non sono equivalenti. Tagliare prima il video fa sì che l'estrazione veda solo la parte che ti interessa: è più rapido e produce un intermedio più piccolo. Estrarre prima e tagliare l'audio dopo fa atterrare un WAV enorme sul tuo disco prima di ridurlo — ma ti lascia anche tagliare con precisione a orecchio, sulla forma d'onda, invece di indovinare marcatori temporali su un'anteprima video.

Qualunque ordine scegli, niente di tutto ciò lascia la macchina. L'estrazione esegue una compilazione di FFmpeg in WebAssembly dentro la pagina, e il motore è servito da questo sito e non da una rete di terzi, quindi l'unica cosa che viaggia mai è il download una tantum del motore, circa 32 MB alla tua prima conversione della sessione. Qui conta più che nella maggior parte degli strumenti: la traccia audio di un video è la parte con più probabilità di contenere una conversazione privata, una registrazione inedita, una riunione con un cliente o la voce di qualcun altro, e la differenza fra elaborarla in locale e mandarla a un server non è una questione di grado.

Domande frequenti

Perché il mio MP3 estratto è più grande della traccia audio che era nel video?

Perché il codificatore punta a un obiettivo di qualità, non al bitrate della tua sorgente, e non ha idea che la tua sorgente fosse già compressa. La qualità variabile 2 è tarata per essere all'incirca trasparente su musica originale, il che la porta vicino ai 190 kbit/s su materiale ordinario — comodamente sopra i 128 kbit/s che un telefono o un programma di montaggio scrive di solito dentro un MP4. Quindi il file nuovo è circa una volta e mezzo il vecchio e suona un po' peggio, perché ha speso quei bit in più a riprodurre fedelmente gli artefatti del primo codificatore. È la dimostrazione più netta che il bitrate non è la qualità: non puoi spendere bit per rimettere in un segnale ciò che ha già perso.

C'è un modo di tirare fuori la traccia originale intatta?

Con questo strumento no, e la ragione merita di essere capita più che aggirata. Una vera copia di flusso può scrivere solo il formato che la traccia già è — se il video contiene AAC, una copia ti dà AAC e nient'altro; non si copia una traccia AAC «in MP3». Quindi un pulsante di copia dovrebbe prima dirti cosa c'è dentro il tuo file e poi offrire esattamente un'uscita, e sarebbe inutile per la richiesta più comune, cioè un formato che la destinazione accetti. Il compromesso di questo strumento è ricodificare sempre e lasciarti scegliere, e il modo di rendere quel compromesso gratuito è scegliere WAV, che ricodifica senza perdita. Se ti servono davvero i byte originali, la riga di comando è la risposta onesta: -c:a copy dentro un contenitore che li accetti.

È fallito e mi dice di controllare se il video ha una traccia audio. Cos'altro lo provoca?

Quel messaggio è l'unico contenitore generico dello strumento per qualsiasi rifiuto del motore, quindi la traccia mancante è solo il primo sospetto. Gli altri, all'incirca per frequenza: una traccia surround mandata al pulsante MP3, che non può rappresentare più di due canali; un contenitore per cui questa compilazione non porta un decodificatore, cosa che capita soprattutto su formati vecchi o insoliti e non su MP4, WebM e MOV; una registrazione dello schermo esportata con l'audio spento, che davvero non ha traccia; e un file grande abbastanza da far esaurire la memoria alla scheda a metà strada, cosa che accade ben oltre l'ora di video. Prova prima WAV — è quello dei tre con meno vincoli — e se lo stesso file passa in WAV ma non in MP3, la risposta era il numero di canali.

Per un podcast, devo estrarre subito in MP3?

Solo se al file non succederà nient'altro. Una puntata di podcast viene quasi sempre livellata, trattata col gate, sfrondata in testa e in coda, unita a una sigla e normalizzata a un obiettivo di loudness, e ognuna di queste operazioni decodifica l'audio, lo cambia e lo riscrive. Falle su un MP3 e accumuli una generazione ogni volta. Prendi WAV qui, fai tutto il montaggio in WAV e codifica una volta sola proprio alla fine — e lascia che sia l'host a fare quella codifica se si offre, perché la maggior parte ricodifica comunque ciò che carichi per centrare il proprio bitrate di distribuzione. Caricare un MP3 su un host che ricodifica è il modo classico di spendere tre generazioni con perdita in una sola puntata.

Il WAV estratto è troppo grande per l'email. Qual è l'opzione onesta più piccola?

Dipende da cosa serve il file, e le due risposte sono lontanissime. Se lo ascolterà una persona, l'AAC a 192 kbit/s è otto volte più piccolo del WAV e, sul parlato, indistinguibile da esso — una generazione con perdita in più su una traccia parlata è un costo che quasi nessuno sente. Se lo leggerà una macchina, non comprimere affatto: passa il WAV nel convertitore audio, mettilo in mono a 22,05 kHz, e ottieni un file 4,35 volte più piccolo senza alcuno stadio con perdita in tutta la catena. E se la registrazione è lunga più che grande — un'ora di intervista — la risposta giusta non è nessuna delle due: è tagliare prima la parte che ti serve davvero, perché metà di ciò che rende ingestibili questi file è che nessuno li ha tagliati.