Cortar e juntar áudio sem um clique na junção

Um clique é um degrau, e um degrau é todas as frequências ao mesmo tempo

Um ficheiro de áudio digital não é uma onda. É uma lista de números, cada um descrevendo onde deve estar o cone da coluna num instante. A 44,1 kHz — a frequência do CD, e da maior parte do que sai de um telemóvel ou de um gravador — há 44 100 desses instantes por segundo, pelo que cada número governa 22,68 microssegundos do mundo. Um ficheiro a 48 kHz, a frequência do vídeo e da maior parte do equipamento moderno, dá a cada número 20,83 microssegundos.

Cortar é apagar números. Se apagar tudo depois de um certo ponto, o número que ali estivesse torna-se a última ordem dada à coluna, e logo a seguir pede-se-lhe que volte ao repouso. Se esse último número estava perto da crista da onda, pede-se ao cone que passe de um extremo ao centro em 22,68 microssegundos. Nada na gravação se moveu assim tão depressa; nada na natureza o faz. O ouvido não ouve uma nota, porque uma nota é periódica e isto é um acontecimento único. Ouve um estalido.

A razão por que um estalido é de banda larga e não agudo merece uma frase, porque explica por que motivo nenhum filtro o resolve como deve ser. Um som perfeitamente liso ocupa uma frequência. Um degrau ocupa-as todas: quanto mais afiado o canto, mais larga a dispersão. Não é uma metáfora, mede-se. Pegue num tom de 440 Hz a 44,1 kHz, corte-o na crista da onda, e a energia acima de 5 kHz — onde um tom de 440 Hz não tem essencialmente nada a dizer — chega a cerca de 29 dB abaixo do tom. Corte o mesmo tom onde ele passa por zero e essa mesma banda cai para cerca de 54 dB abaixo. Nada mais mudou. A única diferença é o tamanho do degrau.

Os dois sítios onde um corte pode ser limpo

O primeiro é o silêncio, e é de longe o mais útil dos dois. Se a amostra de cada lado do corte já está perto de zero, não há degrau para criar. É por isso que editar fala é fácil e editar música é difícil: a fala é sobretudo intervalos. Entre duas palavras há tipicamente dezenas de milissegundos em que o sinal é apenas o ruído da sala, e qualquer amostra desse trecho serve. O Recortar áudio oferece um simples campo de tempo em vez de uma forma de onda, por isso a técnica prática é ouvir, anotar o segundo e depois avançar por centésimas — uma centésima de segundo a 44,1 kHz contém 441 posições candidatas, mais do que suficiente para encontrar uma calma.

O segundo é uma passagem por zero — o instante em que a forma de onda atravessa o meio a caminho do positivo para o negativo ou ao contrário. Corte aí e o degrau é zero por definição, e é por isso que os editores oferecem um comando de ajuste às passagens por zero. A medição acima diz que isso vale cerca de 25 dB, um fator de aproximadamente dezoito em amplitude. É uma melhoria grande e não é uma cura. O que uma passagem por zero elimina é o salto de posição; o que deixa é o salto de declive, porque a onda seguia numa direção a certa velocidade e depois do corte já não segue de todo. O ouvido ouve esse resto como uma pancada surda em vez de um estalido seco.

Há ainda um limite de que ninguém fala até que morda: um ficheiro estéreo tem duas formas de onda, e elas quase nunca passam por zero na mesma amostra. O próprio manual do Audacity di-lo sem rodeios — nas faixas estéreo os pontos de passagem por zero podem ocorrer em sítios diferentes no canal esquerdo e no direito, pelo que pode sobrar um clique num dos canais. Uma passagem por zero é uma propriedade de um canal, não de um instante. O silêncio, esse, é uma propriedade do instante, e é a segunda razão para o preferir.

O que esta ferramenta faz mesmo na fronteira

Nada. É a resposta honesta e vale a pena dizê-la em voz alta, porque a maior parte do software com que se compara aplica um esbatimento curto sem avisar. O Recortar áudio pega no seu tempo de início, multiplica-o pela frequência de amostragem e arredonda para baixo; pega no de fim, multiplica e arredonda para cima; e copia os números entre esses dois índices diretamente para um ficheiro novo. Não há esbatimento, nem esbatimento cruzado, nem busca de passagem por zero, nem deteção de silêncio. A fronteira que indica é a que obtém, à amostra.

É uma decisão de desenho defensável para uma ferramenta de navegador sem visor de onda: um esbatimento que não se vê é um esbatimento que não se controla, e uma ferramenta que suavizasse em silêncio os primeiros cinco milissegundos de cada clipe arruinaria justamente o uso mais frequente, que é apanhar uma frase musical no sítio certo. Mas significa que a fronteira é responsabilidade sua, e que a razão por que o seu último clipe estalou é conhecível e não misteriosa. Estalou porque ali havia um número.

Uma consequência que convém saber de antemão: o clipe pode não voltar à frequência de amostragem que lhe deu. A descodificação passa pelo motor Web Audio do navegador, e a especificação diz que o descodificador reamostra o áudio para a frequência do contexto de áudio se as duas diferirem. O contexto toma a frequência do seu dispositivo de saída, que na maior parte do equipamento atual é 48 kHz. Assim, um episódio de podcast a 44,1 kHz recortado numa máquina dessas sai como WAV a 48 kHz, reamostrado pelo navegador. O som está intacto; é apenas o número no cabeçalho que já não é o de partida.

Juntar: dois ficheiros que nunca foram feitos para se encontrar

Juntar levanta um problema que cortar não levanta. Duas gravações podem divergir na frequência de amostragem e no número de canais, e nenhuma divergência pode sobreviver dentro de um único ficheiro — um cabeçalho WAV contém uma só frequência e um só número de canais para tudo. O Unir áudio resolve-o tomando a frequência mais alta entre os ficheiros e o número de canais mais alto, e convertendo depois tudo o que ainda não corresponda, através de uma renderização offline que é o próprio reamostrador e misturador do navegador. Um memorando de voz mono junto a uma gravação estéreo é assim convertido para dois canais; um clipe de telefone a 22,05 kHz junto a uma entrevista a 48 kHz é reamostrado para cima.

Reamostrar para cima não inventa detalhe — uma gravação a 22,05 kHz não contém nada acima de 11 kHz e não passará a conter depois da conversão — mas torna os ficheiros compatíveis, que é o que interessa. Converter mono em estéreo copia o único canal para ambos, pelo que o resultado tem forma de estéreo sem ter som de estéreo: a voz fica cravada ao centro enquanto o material de cada lado tem largura. Esse contraste na costura é muitas vezes tomado por um clique, e não é. É uma mudança de imagem sonora, e nenhum esbatimento a vai esconder.

A costura em si é uma junção topo a topo: a última amostra de um ficheiro é seguida de imediato pela primeira do seguinte, sem nada inserido nem sobreposto. Tudo o que foi dito acima sobre um corte único aplica-se-lhe a dobrar, porque agora são dois números arbitrários que se encontram. A consequência prática é que o trabalho é a montante. Recorte cada peça para que já comece e acabe em silêncio, e a junção será silenciosa por construção. Dê à união dois clipes cortados em qualquer sítio e vai ouvir o ponto onde se encontram.

Os ficheiros com perdas são descodificados, editados e recodificados — e isso desloca a costura

Um MP3 não é uma lista de amostras. É uma lista de tramas, cada uma descrevendo um bloco de 1 152 amostras no domínio da frequência — 26,12 milissegundos a 44,1 kHz, 24,00 a 48 kHz. Nada no formato permite cortar dentro de uma trama, por isso qualquer editor que trabalhe sobre amostras tem de descodificar tudo primeiro, e qualquer editor que lhe devolva um MP3 tem de o codificar outra vez. Essa segunda codificação é uma segunda geração de perda, aplicada a material que já passou por uma.

Há uma consequência mais subtil, e é a razão por que a reprodução sem intervalos levou uma década a funcionar. Os codificadores acrescentam silêncio no início do fluxo porque a transformação que usam precisa de balanço, e essa quantidade não fica registada em lado nenhum que a norma defina. A tabela de referência do Hydrogenaudio situa o atraso do LAME em 576 amostras — 13,06 milissegundos a 44,1 kHz — e nota que o MP3 não oferece forma normalizada de registar o atraso ou o enchimento para remoção posterior. Um MP3 que corte e recodifique não encaixa portanto no original ao nível da fração de trama: encaixa desviado por um atraso que cada codificador escolhe à sua maneira.

As ferramentas de áudio deste site contornam toda a questão devolvendo-lhe um WAV. Não há recodificação, logo não há perda de geração nem atraso de codificador a ponderar: as amostras que saíram do descodificador são as amostras do seu ficheiro. Custa tamanho, e esse compromisso discute-se mais abaixo, mas para edição é o sentido certo: mantenha o intermédio sem compressão, comprima uma só vez no fim, e nunca comprima duas vezes se o puder evitar.

Porque é que o clipe é um WAV, e o que isso custa

O ficheiro que recebe é PCM linear de 16 bits com um cabeçalho de 44 bytes. A 44,1 kHz em estéreo isso são 176 400 bytes por segundo, ou 1 411 kbit/s — um minuto pesa 10,09 MiB e três minutos 30,3 MiB. Contra um MP3 a 128 kbit/s o WAV é cerca de onze vezes maior; contra 320 kbit/s, cerca de quatro vezes e meia. O mono divide tudo por dois: 88 200 bytes por segundo, 706 kbit/s, 5,05 MiB por minuto, e é por isso que um memorando de voz recortado aqui é muito mais leve do que a palavra descomprimido faz recear.

Se precisa do clipe pequeno, a ordem certa é recortar primeiro e converter por último. Converta o WAV em MP3, M4A ou OGG uma só vez, no fim, com o Conversor de áudio — assim a compressão acontece exatamente uma vez, sobre o material que tenciona mesmo guardar, e não uma vez sobre a origem e outra sobre a edição. O clipe fica ainda pronto a largar num editor de vídeo ou num sampler sem que nenhum deles tenha de descodificar seja o que for, e é por isso que o WAV sobrevive como formato de troca apesar do tamanho.

Perguntas frequentes

Cortei durante um silêncio e mesmo assim ouço um clique. O que correu mal?

O silêncio não era silêncio. O que parece nada entre duas palavras é quase sempre o ruído da sala — o ar condicionado, a rua, o sopro do pré-amplificador — e pode situar-se numa pequena percentagem da escala completa, mais do que suficiente para produzir um degrau audível. Pior, algumas gravações trazem uma componente contínua: toda a forma de onda está deslocada em relação a zero, pelo que até a passagem mais calma tem um valor constante diferente de zero, e cortar em qualquer ponto produz um degrau do tamanho do desvio. Se o clique sobreviver a várias tentativas de mover a fronteira, suspeite de uma componente contínua e não de azar, e procure um filtro passa-alto ou uma função de remover componente contínua no editor que tiver. Convém afastar outros dois culpados: o clique pode já estar na origem, caso em que o recorte apenas lhe chamou a atenção, e alguns leitores inserem o seu próprio intervalo entre o fim de um ficheiro e o silêncio, o que soa igual e nada tem a ver com a sua edição.

Cortar numa passagem por zero chega, ou é preciso um esbatimento?

Uma passagem por zero vale cerca de 25 dB e um esbatimento de cinco milissegundos cerca de 47 dB, ambos medidos contra o mesmo corte seco. Para fala, uma passagem por zero num momento calmo é geralmente inaudível e perfeitamente suficiente. Para uma nota sustentada e forte, uma linha de baixo ou qualquer coisa com forte componente grave, muitas vezes não: nos graves a forma de onda atravessa o zero a grande velocidade mesmo estando a zero, e é esse salto de declive que se continua a ouvir. O esbatimento ganha porque não lhe interessa em que ponto do ciclo está. Tem também um piso: para lá dos cinco milissegundos compra-se muito pouco — dez rendem apenas mais 3 dB — enquanto começa a perder o ataque do que se segue. Cinco milissegundos é o valor por omissão da maioria dos editores, precisamente por isso.

Porque é que o meu clipe é um WAV dez vezes maior do que o MP3 que dei?

Porque devolver-lhe um MP3 significaria codificá-lo uma segunda vez. Editar amostras exige descodificar primeiro, e recodificar o resultado comprime material já comprimido — uma segunda geração de perda por cima da primeira, aplicada de cada vez que mexe no ficheiro. Escrever um WAV sem compressão significa, pelo contrário, que as amostras do seu clipe são exatamente as que o descodificador produziu, e que nada do que fizer a seguir herdará um erro cometido aqui. O tamanho é o preço honesto: 1 411 kbit/s para 44,1 kHz estéreo contra os 128 a 320 de um MP3 corrente. O remédio é comprimir uma só vez, mesmo no fim, com o Conversor de áudio — não comprimir a cada passo.

A minha origem é de 44,1 kHz mas o clipe saiu a 48 kHz. Está alguma coisa mal?

Não está nada mal. A descodificação passa pelo motor Web Audio do navegador, e a especificação Web Audio diz que o descodificador reamostra o áudio para a frequência do contexto de áudio sempre que as duas diferem. O contexto adota a frequência da sua saída de som, que na maioria das máquinas atuais é 48 kHz, por isso uma origem a 44,1 kHz é convertida à entrada e o WAV é escrito à frequência obtida. A conversão é feita pelo reamostrador do próprio navegador e é transparente para qualquer escuta normal. Se precisar mesmo de conservar 44,1 kHz — para um master de CD, ou para evitar mais uma conversão numa cadeia que não controla — faça o recorte numa máquina ou dispositivo de saída a 44,1 kHz, ou reconverta o clipe depois, aceitando ter reamostrado duas vezes.

Posso juntar um memorando de voz mono a uma gravação estéreo?

Sim, e a união trata disso sem perguntar: toma o maior número de canais entre os seus ficheiros e converte os restantes para cima, pelo que um ficheiro mono passa a dois canais idênticos e a saída é estéreo de ponta a ponta. O áudio não é danificado. O que muda é a imagem estéreo — a secção mono fica exatamente ao centro sem largura nenhuma, enquanto o material estéreo à volta ocupa todo o campo, e a transição entre os dois ouve-se como um estreitamento súbito. Se isso o incomoda, o remédio não está na união. Converta toda a montagem para mono para que tudo condiga, ou volte a gravar a secção em falta, ou aceite-o — o que a maioria sensatamente faz num podcast ou numa série de notas de voz. Faça a mesma verificação nas frequências: juntar uma gravação de telefone a 22,05 kHz a uma entrevista a 48 kHz funciona, mas a parte do telefone continuará a soar a telefone, porque sobreamostrar não acrescenta detalhe que nunca foi captado.