Retirar o áudio de um vídeo sem uma segunda geração de perda

«Extrair» é uma promessa que o botão não cumpre

Escondem-se duas operações completamente diferentes atrás da mesma palavra. Uma é uma cópia de fluxo: os bytes de áudio são levantados do contentor de vídeo e largados num contentor de áudio sem nunca serem descodificados. Nada é examinado, nada é julgado, nada é deitado fora — em linha de comandos escreve-se -c:a copy, acaba num segundo mesmo num ficheiro de duas horas, e o resultado é bit a bit a faixa que estava no vídeo. A outra é uma recodificação: descodificar a faixa em amostras cruas e entregar essas amostras a um codificador para serem comprimidas de novo.

Esta ferramenta não oferece a primeira. Leia o que ela executa de facto e há exatamente três receitas, todas recodificações: o MP3 passa por libmp3lame em qualidade 2 de débito variável, o AAC passa pelo codificador AAC a 192 kbit/s fixos, o WAV passa por PCM de 16 bits little-endian. As três descartam o fluxo de vídeo, e nenhuma transmite instrução sobre taxa de amostragem ou número de canais, por isso a saída herda o que a faixa tivesse. Vale a pena sabê-lo não por ser um defeito — uma cópia de fluxo tem as suas próprias armadilhas, e só pode escrever o formato que a faixa já era — mas porque muda qual é o botão seguro. Quando todos os caminhos descodificam e recodificam, o caminho seguro é aquele cujo codificador não tem perdas.

Gerações, e porque é que a segunda é a cara

Um codificador com perdas não encolhe o som encontrando redundância nele. Decide que partes do sinal um ouvinte não vai dar por falta e retira-as, usando um modelo da audição: um som fraco ao lado de um forte numa frequência parecida é inaudível, logo não precisa de ser transmitido. O resultado soa como o original a uma pessoa, mas não é o original, e o resíduo que deixa — o ruído de quantificação que o modelo julgou aceitável — passa a fazer parte do sinal.

Passe isso por um segundo codificador e o modelo está agora a olhar para a coisa errada. Toma os artefactos do primeiro por sinal e gasta bits a protegê-los, enquanto o conteúdo genuíno que devia proteger já tem as margens comidas. É por isso que uma faixa que sobreviveu a uma passagem a 128 kbit/s soa nitidamente pior depois de uma segunda a 190, mesmo sendo o segundo ficheiro maior: pagou mais bits e ficou com menos música. Não há aqui aritmética que diga quanto pior — depende do material e de quão próximos são os dois modelos — mas o sentido nunca esteve em dúvida, e nunca se inverte. Nada a jusante restaura o que a primeira passagem tirou.

O que custa cada botão, em bytes que pode verificar

O áudio não comprimido tem um tamanho exato e sem surpresas: bytes por segundo = taxa de amostragem × profundidade em bits ÷ 8 × canais. Uma faixa de filme estéreo a 48 kHz em 16 bits são 48 000 × 2 × 2 = 192 000 bytes por segundo, ou seja 11,52 MB por minuto e 115,2 MB para dez minutos. Se a faixa for 5.1 em vez de estéreo, é o triplo, porque o número de canais multiplica diretamente. Nada na ferramenta o avisa antes de escrever um ficheiro de 350 MB, por isso vale a pena fazer a multiplicação primeiro em tudo o que passe de alguns minutos.

O botão AAC é igualmente previsível, porque o seu débito está fixado em 192 kbit/s: 24 000 bytes por segundo, 1,44 MB por minuto, 14,4 MB para dez minutos, seja qual for o material. O botão MP3 é o que não lhe diz nada de antemão. Corre na qualidade variável 2 do LAME, que gasta bits onde a música precisa deles e poupa onde não — a própria documentação do LAME põe a média à volta de 190 a 200 kbit/s em música vulgar, por isso dez minutos caem perto de 14 ou 15 MB, mas uma passagem falada e calma sairá muito mais pequena e um tutti orquestral muito maior. Se precisa de saber, pese o ficheiro: tamanho em bytes ÷ duração em segundos × 8 é o débito que obteve.

Para uma transcrição, quase tudo o que guarda é deitado fora à mesma

Os sistemas de reconhecimento de fala não ouvem como um ouvido humano. O Whisper, o modelo por trás da maioria dos serviços de transcrição que as pessoas usam, reamostra toda a entrada para 16 000 amostras por segundo em mono antes de olhar para o que quer que seja, e depois transforma janelas de trinta segundos num espectrograma. O seu próprio código-fonte di-lo em duas constantes e duas opções de linha de comandos. Tudo o que está acima de 8 kHz — metade da taxa de amostragem, por Nyquist — desapareceu antes de a primeira camada da rede ver o áudio, e também a imagem estéreo, e também qualquer distinção entre um ficheiro a 320 kbit/s e um a 96 que sobrevivam ambos intactos à reamostragem.

A consequência prática é que deve otimizar um envio para transcrição pelo tamanho e não pela fidelidade — mas evitando ainda assim uma segunda geração com perdas, porque os artefactos de compressão são precisamente o tipo de ruído que empurra um reconhecedor para a palavra errada. A via limpa é WAV a partir desta ferramenta e depois o conversor de áudio para o baixar a mono a 22,05 kHz, que são 44 100 bytes por segundo: 4,35 vezes mais pequeno do que o original estéreo a 48 kHz e ainda muito acima dos 16 kHz que o modelo vai usar. O conversor não oferece 16 kHz por si, por isso 22,05 em mono é o mais perto do formato de trabalho do modelo a que aqui se chega, e é perto o suficiente para o último passo não custar nada que lhe interesse.

O ficheiro AAC que obtém não é um M4A

Carregue em AAC e obtém um ficheiro cujo nome acaba em .aac: um fluxo nu de tramas de áudio codificadas, cada uma com um cabeçalho pequeno, e nada à volta. Um .m4a é o mesmo áudio dentro de um contentor MP4, e o contentor é o que carrega a duração, o índice de busca, o título da faixa, o artista e a capa. Um fluxo cru não tem nada disso. A maioria dos leitores desenrasca-se — lê as primeiras tramas, assume que o débito se mantém e estima a duração — mas a estimativa falha em material variável, a deslocação dentro do ficheiro é aproximada, e onde se esperam etiquetas verá um ficheiro sem nome e sem imagem.

Daqui saem duas regras práticas. Se o destino é um alojamento de podcast, uma biblioteca musical ou qualquer coisa que indexe metadados, não lhe dê o .aac — leve MP3, que carrega as suas etiquetas dentro do próprio fluxo e é entendido em toda a parte, ou leve WAV e deixe o destino codificar. E se a faixa do vídeo for 5.1, espere que o MP3 seja o botão que falha: o MP3 é um formato de dois canais e a ferramenta não passa nenhuma instrução de mistura, por isso nada diz ao codificador o que fazer com seis canais. O AAC e o WAV lidam ambos com isso, e o conversor de áudio dobra depois o resultado para estéreo ou mono se era isso que queria.

Leva a faixa inteira, e corre na sua máquina

Não há aqui controlo de início nem de fim: a ferramenta leva o fluxo de áudio inteiro do ficheiro que lhe der. Se só quer noventa segundos de uma gravação de quarenta minutos, tem duas ordens à escolha e não são equivalentes. Cortar o vídeo primeiro faz com que a extração só veja a parte que lhe interessa, o que é mais rápido e produz um intermédio mais pequeno. Extrair primeiro e cortar o áudio depois faz aterrar um WAV enorme no seu disco antes de o reduzir — mas também lhe permite cortar com precisão de ouvido, sobre a forma de onda, em vez de adivinhar códigos de tempo numa pré-visualização de vídeo.

Qualquer que seja a ordem que escolha, nada disto sai da máquina. A extração executa uma compilação do FFmpeg para WebAssembly dentro da página, e o motor é servido a partir deste sítio e não de uma rede de terceiros, por isso a única coisa que alguma vez viaja é o descarregamento único do motor, cerca de 32 MB na sua primeira conversão da sessão. Isto importa mais aqui do que na maioria das ferramentas: a faixa de áudio de um vídeo é a parte com mais probabilidade de conter uma conversa privada, uma gravação inédita, uma reunião com um cliente ou a voz de outra pessoa, e a diferença entre processar isso localmente e enviá-lo para um servidor não é de grau.

Perguntas frequentes

Porque é que o meu MP3 extraído é maior do que a faixa de áudio que estava no vídeo?

Porque o codificador aponta a um alvo de qualidade, não ao débito da sua fonte, e não faz ideia de que a sua fonte já estava comprimida. A qualidade variável 2 está afinada para ser aproximadamente transparente em música original, o que a coloca perto de 190 kbit/s em material vulgar — confortavelmente acima dos 128 kbit/s que um telemóvel ou um editor escreve habitualmente num MP4. Por isso o ficheiro novo é cerca de uma vez e meia o antigo e soa ligeiramente pior, porque gastou esses bits a mais a reproduzir fielmente os artefactos do primeiro codificador. É a demonstração mais clara de que o débito não é a qualidade: não se podem gastar bits para devolver a um sinal aquilo que já perdeu.

Há alguma forma de tirar a faixa original intacta?

Com esta ferramenta não, e a razão merece ser entendida em vez de contornada. Uma verdadeira cópia de fluxo só pode escrever o formato que a faixa já é — se o vídeo tem AAC, uma cópia dá-lhe AAC e mais nada; não se copia uma faixa AAC «para MP3». Portanto um botão de cópia teria de lhe dizer primeiro o que há dentro do seu ficheiro e depois oferecer exatamente uma saída, e seria inútil para o pedido mais comum, que é um formato que o destino aceite. O compromisso desta ferramenta é recodificar sempre e deixá-lo escolher, e a forma de esse compromisso não custar nada é escolher WAV, que recodifica sem perdas. Se precisa mesmo dos bytes originais, a linha de comandos é a resposta honesta: -c:a copy para um contentor que os aceite.

Falhou e diz-me para verificar se o vídeo tem faixa de áudio. Que mais provoca isso?

Essa mensagem é o saco de gatos único da ferramenta para qualquer recusa do motor, por isso a faixa em falta é apenas o primeiro suspeito. Os outros, mais ou menos por frequência: uma faixa surround enviada ao botão MP3, que não consegue representar mais de dois canais; um contentor cujo descodificador esta compilação não traz, o que acontece sobretudo em formatos antigos ou invulgares e não em MP4, WebM e MOV; uma gravação de ecrã exportada com o som desligado, que de facto não tem faixa; e um ficheiro grande ao ponto de o separador ficar sem memória a meio, o que acontece bem para lá de uma hora de vídeo. Experimente WAV primeiro — é o dos três com menos restrições — e se o mesmo ficheiro passa em WAV mas não em MP3, a resposta era o número de canais.

Para um podcast, devo extrair logo para MP3?

Só se mais nada acontecer ao ficheiro. Um episódio de podcast é quase sempre nivelado, tratado com portão de ruído, aparado à cabeça e à cauda, ligado a um genérico e normalizado a um alvo de sonoridade, e cada uma dessas operações descodifica o áudio, altera-o e volta a escrevê-lo. Faça-as sobre um MP3 e acumula uma geração de cada vez. Leve WAV daqui, faça toda a edição em WAV e codifique uma só vez mesmo no fim — e deixe o alojamento fazer essa codificação se se oferecer, porque a maioria recodifica de qualquer forma o que se lhe envia para atingir o seu próprio débito de entrega. Enviar um MP3 para um alojamento que recodifica é a maneira clássica de gastar três gerações com perdas num só episódio.

O WAV extraído é pesado de mais para enviar por correio. Qual é a opção honesta mais pequena?

Depende de para que serve o ficheiro, e as duas respostas estão muito afastadas. Se vai ser uma pessoa a ouvi-lo, o AAC a 192 kbit/s é oito vezes mais pequeno do que o WAV e, em fala, indistinguível dele — uma geração com perdas a mais numa faixa falada é um custo que quase ninguém ouve. Se vai ser uma máquina a lê-lo, não comprima de todo: passe o WAV pelo conversor de áudio, ponha-o em mono a 22,05 kHz, e fica com um ficheiro 4,35 vezes mais pequeno sem qualquer etapa com perdas na cadeia. E se a gravação é longa mais do que grande — uma hora de entrevista — a resposta certa não é nenhuma das duas: é cortar primeiro a parte de que precisa mesmo, porque metade do que torna estes ficheiros ingeríveis é ninguém os ter cortado.