MP3, WAV, FLAC: o que cada conversão destrói realmente

Três formatos, três coisas diferentes guardadas

Um ficheiro WAV é uma lista de números com um cabeçalho curto à frente. Cada número é a posição do cone de um altifalante num instante, medida um número fixo de vezes por segundo; o cabeçalho diz quantas vezes por segundo, quantos bits usa cada número e quantos canais vão entrelaçados. É todo o formato. O cabeçalho que esta ferramenta escreve são os 44 bytes canónicos e declara o identificador de formato 1, o do PCM simples. Nada é modelado, nada é previsto, nada é deitado fora — daí o WAV ser aquilo que todo o editor, todo o gravador e toda a cadeia de processamento quer receber, e também daí ser enorme.

O FLAC guarda os mesmos números, mas procura primeiro estrutura: ajusta um polinómio curto a cada bloco de amostras, guarda os coeficientes e depois guarda apenas a diferença entre a previsão e a verdade, codificada de modo que as diferenças pequenas saiam baratas. Quando nem isso ajudaria — em ruído puro, por exemplo — recorre a um bloco literal e escreve simplesmente as amostras não codificadas, mecanismo que garante que um FLAC nunca é apreciavelmente maior do que a sua entrada. Quanto encolhe não é propriedade do formato, e o projeto recusa-se de propósito a prometer um número: a sua própria FAQ diz que o débito «é aproximadamente proporcional à quantidade de informação do sinal original», indo de cerca de 100 % da entrada em ruído até quase nada em silêncio. Uma gravação acústica leve comprime bem. Uma masterização moderna esmagada contra o teto quase não comprime. As duas descodificam exatamente o que entrou.

O MP3 e o AAC não guardam nem as amostras nem uma transformação reversível delas. Guardam uma descrição do som tal como um modelo da audição o perceciona, e tudo o que esse modelo julga inaudível — um parcial fraco mascarado por outro forte ao lado, detalhe acima da frequência onde o orçamento de bits acabou — simplesmente não é codificado. O descodificador não o recupera: sintetiza algo plausível no seu lugar. Para ouvir é um triunfo, e a 192 kbit/s a maioria das pessoas não o distingue do original num teste honesto. Para qualquer processamento posterior é uma armadilha, porque as ferramentas a jusante tratarão a parte sintetizada como se fosse sinal.

A única fórmula de tamanho que precisa de decorar

Bytes = taxa de amostragem × (profundidade em bits ÷ 8) × canais × segundos, mais 44 para o cabeçalho. Cada termo lê-se no ficheiro, e não há compressão para adivinhar. Uma música de três minutos e meio nas definições do CD são 44 100 × 2 × 2 × 210 = 37 044 000 bytes, ou 37,04 MB. A mesma música em MP3 a 190 kbit/s são 4,99 MB, e a razão entre os dois — 1411,2 a dividir por 190, cerca de 7,4 — é exatamente a compressão que a codificação com perdas compra e a codificação sem perdas não.

Os dois parâmetros dessa fórmula são também os dois que o conversor deixa mudar, e ambos têm um sentido físico que convém conhecer antes de lhes tocar. A taxa de amostragem põe um teto rígido às frequências que o ficheiro consegue representar, exatamente na sua metade: 44,1 kHz alberga tudo até 22 050 Hz, confortavelmente para lá do topo da audição humana, enquanto 22,05 kHz corta aos 11 025 Hz, o que retira pratos e sibilantes mas deixa a fala perfeitamente inteligível. A profundidade em bits fixa a distância entre o mais forte e o mais fraco que o ficheiro pode conter, a cerca de 6 dB por bit: dezasseis bits dão cerca de 98 dB de gama, mais do que a diferença entre um sussurro e um grito em qualquer sala onde já tenha estado.

O sentido é tudo

Entre dois formatos sem perdas, a conversão é gratuita nos dois sentidos e só muda o tamanho. FLAC para WAV não lhe traz nada audível e custa-lhe cerca do dobro do espaço em disco, por isso faça-o só quando um programa à sua frente recusar FLAC — e muitos recusam, sobretudo editores antigos e amostradores de hardware. WAV para FLAC é o mesmo negócio ao contrário e é a forma correta de arquivar seja o que for, porque o ficheiro que sai é idêntico bit a bit ao que entrou e pode verificá-lo com uma soma de verificação.

Passar de um ficheiro com perdas para um sem perdas é a conversão de que mais se espera e de que menos se tira. Descodificar um MP3 a 190 kbit/s produz outra vez um fluxo PCM completo de 1411,2 kbit/s — as amostras voltam à taxa completa, são simplesmente as amostras erradas, as que o descodificador sintetizou. Guarde isso como FLAC e fica com um ficheiro cerca de quatro vezes maior do que o MP3 que soa exatamente como o MP3. Nada foi reparado; apenas impediu que os estragos piorassem, o que por vezes é a decisão certa se o MP3 é a única cópia existente e o vai editar. De resto, é custo puro.

E de com perdas para com perdas é o que se deve evitar por completo. Cada passagem codifica os artefactos do codificador anterior como se fossem música, gastando bits a preservar ruído enquanto o conteúdo real perde mais uma camada. É por isso que o hábito profissional se enuncia numa só regra: passe a compressão com perdas uma vez, mesmo no fim, sobre a peça acabada. Cada edição, cada emenda, cada mudança de nível, cada normalização acontece sobre a cópia sem perdas, e o MP3 ou o AAC é produzido por último, a partir do master, numa única passagem — nunca a partir de outro MP3.

O que este conversor é, e o que não é de propósito

É uma porta de sentido único para o WAV. Lê tudo o que o seu navegador souber descodificar — MP3, M4A, AAC, OGG, FLAC e WAV estão todos na lista aceite — e escreve exatamente uma coisa: PCM de 16 bits num contentor WAV, com uma mudança opcional do número de canais e da taxa de amostragem pelo caminho. Não produzirá um MP3, nem produzirá um FLAC. É um limite real e convém dizê-lo com clareza em vez de o descobrir: se o que precisa é de um MP3 a partir de um ficheiro de áudio, nada neste sítio lho vai fabricar. A ferramenta de extrair áudio faz MP3, mas só a partir de um vídeo.

Dos 16 bits saem duas consequências. Se a sua fonte for um FLAC de 24 bits ou uma gravação de 24 bits vinda de uma interface, o WAV que sai tem oito bits a menos de gama dinâmica — 98 dB em vez de cerca de 146 — e a conversão é sem dither, pelo que o erro de truncatura aparece como um piso de ruído muito baixo em vez de ser espalhado. Numa peça misturada e masterizada ninguém o vai ouvir. Numa gravação de campo calma que tenciona subir 30 dB, vai. E se a sua fonte for um ficheiro de 32 bits em vírgula flutuante de um gravador moderno, o corte a mais ou menos um não é uma formalidade: tudo o que passava da escala completa no domínio flutuante — precisamente aquilo que a gravação em 32 bits flutuante existe para permitir — é achatado no teto aqui em vez de ser baixado primeiro.

A frequência que lhe mostra é a das suas colunas, não a do seu ficheiro

Carregue um ficheiro e a ferramenta escreve uma linha do género «Origem: 48000 Hz · Estéreo». É fácil ler isso como um facto sobre o ficheiro. Não é, ou pelo menos não de forma fiável, e a razão está escrita na especificação Web Audio: a descodificação pega no resultado e reamostra-o «para a frequência do BaseAudioContext se for diferente da dos dados de áudio». O contexto é aqui criado sem opções, e um contexto criado assim usa a frequência do dispositivo de saída por omissão. Portanto o número que vê é a frequência a que a saída de áudio da sua máquina calha estar a correr — normalmente 48 000 Hz num portátil, por vezes 44 100, ocasionalmente 96 000 se tiver uma interface profissional configurada assim.

As consequências práticas são pequenas mas concretas. «Manter» mantém a frequência descodificada, não a original do ficheiro, por isso uma faixa de álbum a 44,1 kHz aberta numa máquina a correr a 48 kHz sai como um WAV de 48 kHz, cerca de 8,8 % maior e reamostrado uma vez. Pedir explicitamente 44 100 não desfaz isso — reamostra uma segunda vez, para baixo. Nenhuma das duas passagens é audível no sentido corrente; ambas são interpolação, feita pelo reamostrador do próprio navegador, e o resultado é uma boa aproximação em vez dos números originais. Portanto: se precisa de PCM exato ao bit a partir de uma fonte sem perdas — para uma soma de verificação, uma comparação forense, uma cadeia de masterização — esta não é a ferramenta, e nenhuma ferramenta de navegador construída sobre esta API o pode ser. Se precisa de um WAV que toque bem e soe bem, que é o que quase toda a gente precisa, é exatamente a ferramenta, e a frequência do indicador é bem ignorável.

Escolher mono, e escolher uma frequência, sem se enganar

O mono reduz o ficheiro a metade e é a resposta certa mais vezes do que se espera, porque boa parte do material gravado não tem informação estéreo nenhuma: uma só voz num só microfone, uma nota de voz, uma palestra, uma entrevista. Dobrar isso para mono retira um duplicado, não uma dimensão. É a resposta errada para tudo o que tenha uma imagem estéreo que lhe interesse — música, ambiente, tudo o que seja gravado com dois microfones afastados — e não é reversível: uma vez somados os dois canais, nenhum passo posterior os separa. O hábito seguro é guardar uma cópia estéreo do original e fazer do mono uma exportação.

Quanto à frequência, a posição honesta é que 44,1 kHz e 48 kHz são intermutáveis para ouvir e que a escolha depende inteiramente do que está a jusante: o trabalho de vídeo é convencionalmente a 48 kHz porque é o que os contentores e a cadeia de difusão usam, a distribuição musical é convencionalmente a 44,1 kHz porque era o que o disco compacto usava, e passar de uma para a outra é uma operação de reamostragem e não uma troca de rótulo. Faça-o quando um destino o exigir, não por arrumação. A opção de 22,05 kHz é outra classe de decisão: é um corte de banda deliberado aos 11 025 Hz, torna um ficheiro de fala 4,35 vezes mais pequeno do que um estéreo a 48 kHz quando combinada com mono, e é exatamente o certo para um envio de transcrição e exatamente o errado para o que quer que alguém vá ouvir por prazer.

Perguntas frequentes

Converter a minha coleção de MP3 para FLAC melhora o som?

Não, e a aritmética mostra porquê. Descodificar um MP3 a 190 kbit/s devolve-lhe um fluxo PCM à taxa completa de 1411,2 kbit/s, mas essas amostras são a reconstrução do descodificador, não a gravação original. O FLAC comprime depois essa reconstrução na perfeição — e é esse o problema: preserva com fidelidade total exatamente o sinal danificado que lhe deu. Fica com um ficheiro cerca de quatro vezes maior do que o MP3 e indistinguível do MP3 num teste cego, porque é o MP3, apenas escrito de outra forma. A única coisa que ganha é que nada do que fizer a seguir acrescentará mais uma geração, o que vale a pena se vai editar e não vale nada se vai ouvir.

48 kHz é melhor do que 44,1 kHz?

Em nada que consiga ouvir. Uma taxa de amostragem fixa a frequência mais alta que um ficheiro consegue transportar, exatamente na sua metade, portanto 44,1 kHz chega a 22 050 Hz e 48 kHz chega a 24 000 Hz — ambas confortavelmente acima do topo da audição humana, que na prática fica bastante aquém dos 20 000 Hz e desce com a idade. Os dois números existem por razões históricas e industriais e não acústicas: 44,1 vem do disco compacto, 48 do vídeo profissional e da difusão. Escolha o que o seu destino espera e converta apenas quando algo na cadeia o exigir, porque converter é uma operação de reamostragem com as suas pequenas imperfeições e não uma troca de rótulo gratuita.

A ferramenta diz 48 000 Hz mas sei que é um rip a 44,1 kHz. Qual está certo?

Você tem razão quanto ao ficheiro; a ferramenta tem razão quanto ao que tem em memória. O passo de descodificação do Web Audio reamostra o áudio descodificado para a frequência do contexto de áudio, e o contexto é criado sem frequência especificada, pelo que assume a do seu dispositivo de saída por omissão. Portanto a leitura diz-lhe a que frequência as suas colunas estão a correr, e o áudio descodificado foi mesmo convertido para essa frequência antes de a ferramenta sequer o ver. Se precisa da frequência declarada do ficheiro, leia-a num leitor multimédia ou numa ferramenta de inspeção. Se só precisa de um WAV utilizável, isto não muda nada que vá notar — mas é a razão pela qual um ficheiro pode sair um pouco maior do que a conta feita sobre a sua frequência original previa.

Consigo obter um MP3 desta ferramenta?

Não. Escreve WAV e só WAV, porque assenta na descodificação de áudio do próprio navegador e não num codificador incorporado: o navegador descodifica-lhe um MP3, mas não lhe codifica nenhum. Essa assimetria não é um descuido, é como a plataforma funciona. Se a sua fonte for um vídeo em vez de um ficheiro de áudio, a ferramenta de extrair áudio tem de facto um codificador MP3 — uma compilação do LAME para WebAssembly — e dá-lhe um diretamente. Se a sua fonte já é áudio e precisa de um MP3, vai precisar de algo fora deste sítio para esse último passo. O que, dada a regra de passar a compressão com perdas uma só vez no fim, costuma ser de qualquer modo o passo que deve fazer por último.

O meu FLAC não abre no conversor. Porquê?

Porque a descodificação é do navegador, não da ferramenta, por isso o que abre depende dos codecs que o seu navegador traz. O FLAC é descodificável há anos nos principais navegadores de secretária, mas um ficheiro de alta resolução pode falhar por outra razão: o formato admite frequências até pouco mais de um megahertz e profundidades de 4 a 32 bits, e o descodificador de um navegador não é obrigado a aceitar toda a gama. Se um ficheiro de 192 kHz ou de 24 bits recusar, experimente noutro navegador antes de concluir que o ficheiro está partido, e verifique se toca em qualquer outro lado. O mesmo vale ao contrário para formatos como Opus ou os antigos ficheiros Windows Media: a lista de formatos aceites é um superconjunto do que um navegador concreto consegue mesmo ler.