Alguien me pidió que sacara el sonido de una grabación de conferencia de 40 minutos para que pudiera ir a un teléfono para el viaje. Primero hice lo obvio, que fue convertirlo a mp3, y tomó un par de minutos y produje un archivo un poco más grande que el audio que ya estaba dentro del video. Luego hice lo que debería haber hecho primero y copié la pista en su lugar. Tomó menos de un segundo, el archivo era más pequeño y el audio era un poco idéntico al que capturó la grabadora. El segundo método no es un truco o un atajo. Es para qué se diseñó el formato de archivo, y casi todos los convertidores que responden a esta pregunta lo ignoran.
TL;Dr: Un MP4 o MOV generalmente lleva audio AAC, y un M4A es el mismo AAC en un contenedor de solo audio de la misma familia, por lo que la pista se puede copiar directamente sin decodificación ni pérdida. Medido en un clip de prueba de 60 segundos aquí: la copia terminó en 0,04 segundos y la transmisión de audio extraído tenía el mismo MD5 que la transmisión dentro del video. Codificar el mismo audio a MP3 a 192 kbps tomó 0,36 segundos, produjo un archivo un 48% más grande y pasó por una segunda ronda de compresión con pérdida que no necesitaba. Elija M4A a menos que algo que se rechace, elija WAV cuando un editor o un transcriptor quiera PCM y elija MP3 solo para un dispositivo que no lea nada más. los extractor de audio ¿Los tres en la pestaña del navegador, por lo que una reunión grabada nunca sale de la máquina?
¿Qué hay dentro de una pista de audio de MP4?
Un MP4 es un contenedor, lo que significa que es un sistema de archivo en lugar de un formato. Dentro de él hay flujos separados: uno con imágenes comprimidas, una con sonido comprimido, a veces pistas de subtítulos y marcadores de capítulos junto a ellos. El contenedor describe dónde comienza cada uno, cuánto tiempo funciona y qué códec se usó, y eso es casi todo lo que hace.
La transmisión de sonido en un MP4 es casi siempre AAC. Eso es lo que produce un iPhone, lo que produce una grabación de pantalla de Mac, lo que produce una exportación QuickTime, lo que produce un dron y lo que cada cámara que escribe MP4 o MOV ha producido durante unos quince años. Hay excepciones, en su mayoría archivos más antiguos con audio MP3 dentro de un contenedor MP4 y formatos profesionales que llevan PCM sin comprimir, pero AAC es el abrumador predeterminado.
Esto es verificable en cualquier archivo que tenga. ffprobe Te lo diré en una línea, y también lo hará el inspector de archivos en la mayoría de los reproductores de video. En el clip de prueba que construí para esta guía, la secuencia de audio se informa como aac, 44100 Hz, stereo, 128158 bit/s, que es una grabación ordinaria de grado de cámara.
La consecuencia útil es la de la siguiente sección. Una vez que sabes que la transmisión es AAC, sabes que un M4A puede sostenerlo sin tocarlo.
¿Por qué puede salir el audio sin convertirlo?
Porque M4a es el mismo contenedor con la parte de video omitida.
Tanto MP4 como M4A son perfiles del formato de archivo de medios base ISO, la estructura estandarizada como ISO/IEC 14496-12 y compartida por MP4, M4A, M4V, MOV y un puñado de otros. Creció del formato QuickTime de Apple, cuyo El diseño de la caja todavía está documentado en su totalidad Y lee como una descripción de MP4 porque casi es uno. Las cajas se presentan de la misma manera, las tablas de muestra funcionan de la misma manera, y una pista AAC escrita en un byte para byte la misma pista escrita en la otra. La extensión difiere para que un sistema operativo sepa si abrir una ventana de reproductor, y para eso es la mayor parte de la extensión.
Por lo tanto, extraer audio de un MP4 a un M4A no es una conversión. Es un remux: las muestras de audio se leen de un contenedor y se escriben en otro, y no hay decodificador ni codificador involucrado en ningún momento. Nada se interpreta, por lo que nada puede ser degradado.
Esta es la misma distinción que causa el malentendido más grande en el lado del video, cubierto en La guía de formato de video: Cambiar una envoltura está cerca de ser libre, cambiando la compresión en su interior no lo es. La extracción de audio es el caso en que la opción libre también es la correcta, que es más rara de lo que debería ser.
En términos de FFmpeg, toda la operación es de cuatro argumentos:
ffmpeg -i recording.mp4 -vn -acodec copy recording.m4a
-vn Deja la transmisión de video. Déjalo fuera y FFmpeg intenta llevar la imagen a un contenedor que no tiene dónde ponerlo, lo que produce un M4A que tu reproductor de música se niega a abrir. -acodec copy es la parte que lo hace sin pérdida: le dice a FFmpeg que pase las muestras en lugar de entregarlas a un codificador.
¿Cómo sabes que la copia realmente no perdió nada?
Porque puedes hash la transmisión antes y después, y los dos hashes coinciden.
Construí un archivo de prueba de 60 segundos, video de 1280x720 H.264 con una pista AAC estéreo de 128 kbps, 19 MB en total. Luego he hecho el streaming de audio dentro del video, copié la salida de audio y lo volví a hacer:
$ ffmpeg -i src.mp4 -vn -c:a copy -f md5 -
MD5=650032f86f01780991c64c30bd02f71b
$ ffmpeg -i src.mp4 -vn -acodec copy out.m4a
real 0.04
$ ffmpeg -i out.m4a -c:a copy -f md5 -
MD5=650032f86f01780991c64c30bd02f71b
Mismo resumen, por lo que los datos de audio comprimidos en el M4a son los datos de audio comprimidos del video, sin alterar ni un bit. El archivo extraído fue de 950 KB y toda la operación tomó 0,04 segundos, que es aproximadamente el tiempo que lleva leer 19 MB de un SSD.
Vale la pena ejecutar esa prueba en su propio archivo en lugar de tomar confianza, porque es la única forma de distinguir una copia real de una conversión que dice ser una. Si los dos hashes difieren, algo volvió a codificar su audio y le dijo que no.
¿Cuánto te cuesta elegir MP3 en su lugar?
Una segunda generación de compresión con pérdida, más un archivo más grande.
AAC y MP3 funcionan descartando lo que predice un modelo psicoacústico que no se puede oír, y no están de acuerdo sobre qué es eso. Dividen la señal en diferentes números de bandas, modelan el enmascaramiento de manera diferente y manejan transitorios repentinos de manera diferente. Entonces, cuando se entrega a un codificador MP3 la salida decodificada de un archivo AAC, no puede saber qué partes provienen del micrófono y cuáles dejó el primer codificador. Gasta pedazos preservando ambos y tira algo de lo que sobrevivió al primer pase.
Aquí está el mismo clip de 60 segundos a través de cada ruta:
| rendimiento | como se hizo | Tamaño | rato | más pérdida |
|---|---|---|---|---|
| m4a | Corriente AAC copiada | 972,706 bytes | 0.04 s | Ninguno, hash-idéntico |
| mp3 192 kbps | Decodificado, re-codificado con cojo | 1.441.479 bytes | 0,36 s | Sí, segunda generación |
| ola | Decodificado a PCM de 16 bits | 10.584.142 bytes | 0.05 s | Ninguno agregado, ninguno deshecho |
El MP3 es un 48% más grande que el M4A mientras mantiene el audio que ha pasado por un codificador con pérdida más. No hay ninguna configuración que evite esto, porque la pérdida está en la decodificación y la re-codificación en sí misma en lugar de en la tasa de bits.
Nada de los cuales hace que MP3 sea malo. Un estéreo de automóvil de 2009, una grabadora de voz barata, una cinta de correr de gimnasio con un puerto USB y una sorprendente cantidad de software de transmisión leerán MP3 y nada más. Cuando ese es el destino, la pérdida de generación es el precio del archivo que se reproduce, y es un pequeño precio en el habla. El punto es pagarlo a sabiendas en lugar de porque una herramienta eligió mp3 para ti.
¿Una tasa de bits MP3 más alta mejora la extracción?
Hace que el MP3 sea una copia más fiel del audio dañado, que no es lo mismo que mejor.
Probé esto con una fuente de banda ancha, porque los tonos puros son fáciles para un códec y no te dicen nada. El clip de prueba fue de 30 segundos de ruido rosa mezclado con un seno bajo, codificado a 128 kbps AAC, que es aproximadamente lo difícil que es la música real en un codificador. Luego decoddé ese AAC a PCM para usar como referencia, lo codificó a MP3 en dos tasas de bits y medí la relación señal a distorsión de cada uno contra la referencia:
| MP3 Bitrate | Tamaño para 30 s | SDR contra la fuente AAC |
|---|---|---|
| 192 kbps | 705 KB | 26.7 dB |
| 320 kbps | 1.1 Mb | 42.3 dB |
El archivo de 320 kbps es una reproducción mucho más cercana del audio AAC, por unos 15 dB. Lo que no es una reproducción más cercana de la grabación original, porque la AAC ya lo descartó y ningún codificador puede devolverlo. Los 400 KB adicionales compraron una copia más fiel de la producción del primer codificador, incluidos los artefactos.
Así que la regla de La guía del convertidor de audio sostiene, con una razón más aguda detrás de él. La coincidencia o una ligera reducción de la tasa de bits de la fuente es el rango sensible. Ir muy por encima es gastar almacenamiento para preservar detalles que no están en la grabación, y va muy por debajo de lo que se deshace de lo que es.
Si lo que te importa es la fidelidad al original, la respuesta no es una tasa de bits. Es la copia M4A, que no tiene que tomar una decisión de tasa de bits.
¿Cuándo es WAV la respuesta correcta?
Cuando algo aguas abajo quiere PCM, que es más a menudo de lo que la gente espera.
Los editores de audio lo prefieren porque no necesita decodificación y se puede editar muestra por muestra. Los servicios de transcripción y los modelos de voz lo exigen con frecuencia, y los que aceptan audio comprimido generalmente lo decodifican a PCM internamente de todos modos. Las herramientas de alineación forzada, el software de análisis acústico y cualquier cosa que haga el procesamiento de señales, comienzan desde PCM.
WAV no agrega más pérdidas, aunque no puede deshacer lo que la fuente ya descartó. Un WAV hecho a partir de una pista AAC de 128 kbps todavía tiene todos los detalles que faltan en la AAC. Es un contenedor fiel para el audio dañado, que es exactamente lo que quieres cuando el siguiente paso es el análisis en lugar de escuchar.
El resultado medido es tranquilizador en este punto. El WAV que extraí fue un poco idéntico a un decodificador directo del audio de origen, el mismo MD5, por lo que la extracción no agregó nada propio. El costo es el tamaño, que cubre la siguiente sección.
El estéreo de 16 bits de 44,1 kHz es el valor predeterminado sensato y lo que escribe el extractor. Es la especificación de CD, es universalmente legible y no se gana nada escribiendo PCM de 24 bits desde una fuente que se ha perdido.
¿Qué tan grande será el archivo?
De manera previsible, que es la parte útil.
El tamaño del audio es la duración de los tiempos de bitrate, sin dependencia del contenido, por lo que, a diferencia del video, se puede informarle antes de que comience el trabajo en lugar de adivinarlo después.
| formato | por minuto, estéreo | una hora |
|---|---|---|
| M4A copiado de una fuente de 128 kbps | 0,95 MB | 57 Mb |
| mp3 192 kbps | 1.4 Mb | 84 Mb |
| mp3 128 kbps | 0,96 MB | 58 Mb |
| WAV 16 bits 44.1 kHz | 10.1 MB | 606 MB |
La fila WAV es la que sorprende a la gente. 10.1 MB por minuto es una figura medida de la prueba anterior, y se sigue directamente de la aritmética: 44.100 muestras por segundo, dos bytes por muestra, dos canales. Una hora de audio de conferencia en WAV es un archivo de 600 MB, que es más grande que muchos de los videos de los que salió y más grande de lo que algunos servicios aceptarán como carga.
Por eso también el extractor muestra una estimación antes de que se ejecute. Una grabación de una hora extraída a WAV es algo razonable que desear y algo irrazonable por el que sorprenderse.
¿Por qué un WebM se niega a copiar su audio en un M4A?
Debido a que el códec dentro de él es uno que el contenedor MPEG-4 no llevará, y la herramienta es honesta al respecto en lugar de volver a codificar en silencio.
Un WebM contiene audio OPUS o Vorbis, no AAC. Ninguno pertenece a un M4A en lo que respecta a los muxers estándar, por lo que la ruta de copia no está disponible. FFmpeg dice así claramente:
[ipod @ 0x75bd019180] Could not find tag for codec opus in stream #0,
codec not currently supported in container
[out#0/ipod] Could not write header (incorrect codec parameters ?)
Hay una especificación publicada para OPUS encapsulado en un contenedor de soporte ISO Base, por lo que esta es una realidad de herramientas y reproducción en lugar de una imposibilidad teórica. En la práctica nada, entregaría el archivo a un M4A lleno de opus, por lo que la respuesta útil es volver a codificar. En el mismo contenido de prueba que tomó 0,32 segundos durante 20 segundos de audio y produjo un archivo de 473 KB, que es una generación de pérdida y la única opción disponible.
La misma lógica decide cualquier otra fuente. MP4, MOV, M4V y M4A pueden copiar su AAC. WebM, MKV con Opus o Vorbis, y cualquier cosa que lleve un códec de fuera de la familia MPEG-4 no puede, y el extractor dice en qué caso se encuentra antes de que comience en lugar de después.
¿Por qué las duraciones no coinciden exactamente?
Porque AAC y MP3 redondean su salida, y los dos contenedores manejan ese relleno de manera diferente. Es el detalle que rompe la reproducción sin espacios y aparece claramente en los números de prueba.
El audio de origen fue exactamente de 60 segundos, 2.646.000 muestras a 44,1 kHz. El M4A extraído informa una duración de exactamente 60.000000 segundos. El WAV extraído y el MP3 reportan 60.000363 segundos, que es 16 muestras más largas.
Esas 16 muestras son retardo del codificador. AAC funciona en 1024 cuadros de muestra, por lo que una grabación de 60 segundos no se divide uniformemente y el codificador almohadilla el extremo. El M4A oculta esto usando una lista de edición, una pequeña tabla en el contenedor que dice qué parte de la salida decodificada es la grabación real. Decodifique el M4A y obtendrá las 2.646.016 muestras acolchadas, que es de donde provienen los 0,36 milisegundos adicionales de WAV.
MP3 no tiene una lista de edición, porque el formato es anterior a la idea. En cambio, lo que tiene es la etiqueta de información coja, un bloque de proveedor en el primer cuadro que registra cuántas muestras se descartan en cada extremo. los El diseño del campo está documentado por byte por byte, y el retardo del codificador y el rellenado final comparten bytes 0xb1 a 0xb3 como dos valores de 12 bits. Decodificado, el MP3 volvió con 2.646.016 muestras, coincidiendo exactamente con WAV, por lo que la etiqueta hizo su trabajo aquí. Un jugador que lo ignora, o un codificador que no lo escribe, es de donde proviene el clic audible entre pistas de un álbum continuo.
Nada de esto importa para una conferencia o un podcast. Importa mucho para un álbum en vivo o una mezcla de DJ, y es la razón por la que vale la pena preferir la ruta de copia cuando está disponible: no hay un codificador involucrado, por lo que no hay un nuevo relleno para tener en cuenta.
¿M4a reproduce en todas partes mp3 reproduce?
Cerca de él, con una breve lista de excepciones que vale la pena conocer antes de comprometerse.
Todo lo que se hace esta década reproduce M4A. iOS y Android lo hacen de forma nativa, cada sistema operativo de escritorio lo hace, cada navegador lo hace, Spotify y VLC y Plex y la aplicación de música de stock en cualquier teléfono que tengas. El formato tiene veinte años y ha sido la salida predeterminada del teléfono más popular del mundo para la mayoría de ellos.
Las excepciones se agrupan en dos lugares. El primero son los estéreos de automóviles más antiguos y el hardware independiente, particularmente las unidades principales de antes de 2012, donde una memoria USB llena de archivos M4A se lee como vacía. El segundo es un software que acepta cargas de audio y valida por extensión en lugar de contenido, que rechaza un M4A en una lista escrita hace años y nunca se revisita. Los servicios de transcripción fueron aquí un delincuente común, que es como el periodista La guía del convertidor de audio Terminó con cuatro horas de archivos que su servicio no tomaría.
Un enfoque razonable: extraer primero a M4A, porque es instantáneo y sin pérdidas, y guárdelo como el maestro. Si el destino lo rechaza, convierta ese M4A a MP3 una vez. Luego ha pagado por una generación de pérdida en lugar de hacer que la copia con pérdida sea su única copia.
¿Cuánto tiempo toma una extracción y qué decide eso?
Leer el archivo, en su mayoría, y luego si está involucrado un codificador.
La ruta de copia está limitada por la velocidad del disco y la memoria en lugar de por el procesamiento. 0.04 segundos para un archivo de 19 MB no es el audio en el que se está trabajando, es el archivo que se está leyendo y se está escribiendo un nuevo contenedor. Ampliando eso, una grabación de conferencia de 40 minutos de un par de cientos de megabytes sale en uno o dos segundos, y casi todo eso es el navegador que lee el archivo en la pestaña.
Las rutas de codificación están limitadas por el codificador. Lame tomó 0,36 segundos durante 60 segundos de audio estéreo en esta máquina, que es aproximadamente 165 veces más rápido que en tiempo real, por lo que una hora de audio es de alrededor de 20 segundos de trabajo. Codificación AAC de una webM medida similar. Estos son lo suficientemente rápidos como para que la barra de progreso esté allí principalmente por honestidad en lugar de necesidad.
Una cosa domina todo lo demás, y no es el audio. Cargar el video de origen en la página es el paso lento para un archivo grande, porque todo el archivo entra en la memoria de pestañas. Esa es la razón del límite de 500 MB: más allá de eso, una pestaña comienza a fallar de manera que es más difícil de explicar que un límite establecido. Si está trabajando con un archivo más grande que eso, recortarlo primero con el recortadora de video suele ser más rápido que combatir el límite, y La guía de recorte Cubre por qué ese corte también es casi gratis.
¿Qué sucede cuando un video tiene más de una pista de audio?
Salió una pista, elegida para ti, y las otras se dejan caer sin comentarios. Vale la pena saberlo porque es un fracaso silencioso en lugar de uno fuerte.
Lo probé con un archivo que llevaba dos transmisiones de audio, una pista estéreo de 128 kbps y una mono uno de 64 kbps, que tiene aproximadamente la forma de una grabación con un micrófono de cámara y un micrófono de solapa separado. La extracción produjo una sola corriente, el estéreo de 128 kbps, de 950 kb, sin mencionar en ninguna parte que existiera una segunda pista.
La selección no es aleatoria. Reglas de selección de flujos documentadas Elija la transmisión que mejor juzgue, lo que para el audio significa el mayor número de canales, por lo que generalmente obtiene el que desea. Pero si la tranquila pista mono fue el audio de la entrevista y el estéreo fue el ruido de la cámara, te equivocas y nada te dice.
Los archivos multipista son poco comunes de flujos de trabajo profesionales, y casi nada de un teléfono o de un grabador de pantalla tiene más de una secuencia de audio. Si está trabajando con imágenes de una sesión real, consulte la lista de transmisión antes de extraerlo y espere usar ffmpeg directamente con un explícito -map 0:a:1 Cuando necesites la segunda pista.
¿Deberías extraer el audio o convertir todo el video?
Extraer, si lo que quieres es el sonido. Las dos operaciones no son alternativas y la gente busca regularmente la equivocada.
Convertir un video a MP3 es una frase que aparece en millones de búsquedas al mes y describe una operación que nadie quiere. Implica decodificar y descartar la imagen, decodificar el audio y volver a codificarla, lo cual es un gran trabajo para llegar a una versión peor de algo que ya estaba allí. los convertidor de video Existe para el caso en el que quieras un video al final, en un formato que se reproducirá algo. Cuando desea audio, la extracción es la operación, y la ruta de copia significa que también es la barata.
La tabla de decisiones es corta:
| Lo que quieres | aprovechamiento | precio |
|---|---|---|
| La banda sonora como archivo | Extraer a M4A | Nada, copia de corriente |
| La banda sonora de un editor o transcriptor | Extraer a WAV | Solo tamaño |
| La banda sonora en hardware antiguo | Extraer a MP3 | una generación |
| Un video más pequeño, imagen incluida | compresor de video | Depende de CRF, mira La guía de compresión |
| el mismo video en un formato que se reproduce | convertidor de video | A menudo un remux, así que nada |
El patrón en las cinco filas es el que vale la pena quitar: pregunte si la operación requiere una nueva codificación y prefiera la que no.
¿Qué cambia la ejecución de esto en el navegador?
A dónde va la grabación, que para el audio suele ser la pregunta completa.
El extractor ejecuta ffmpeg compilado a WebAssembly dentro de la página. El video se lee desde su disco a la memoria de pestañas, la transmisión de audio se extrae y el resultado se devuelve como descarga. Ninguna solicitud lleva el archivo, no se pone nada en cola en un servidor, y no existe ninguna copia en ninguna parte para que nadie olvide eliminar.
El extracto de audio que la gente es en su mayoría del tipo que hace que esto importe. Reuniones grabadas, conferencias, entrevistas, consultas, llamadas con un abogado o médico, vocales con cosas que no publicarías. La alternativa convencional es subir la grabación a un sitio del que no sepa nada, a cambio de una operación que en la ruta de copia se encuentra un contenedor reescribir su propia máquina en menos de un segundo.
La operación es el límite de 500 MB y el flujo de trabajo de un solo archivo a la vez, porque una pestaña del navegador tiene menos memoria que un servidor y no hay cola. Para una sola grabación, que es para lo que casi siempre es esto, es un límite que no alcanzarás y una garantía de privacidad que no puedes obtener de otra manera.
