Formatos de áudio, taxas de bits e porque é que uma faixa soa mais alta

Mantenha o master sem perdas, WAV enquanto trabalha e FLAC para arquivar. Entregue em AAC ou Opus quando souber o que vai reproduzir o ficheiro, e em MP3 quando não souber. A fala sai em mono com uma taxa de bits baixa. Defina o nível por LUFS, não por pico, e deixe um decibel de margem abaixo da escala completa.

A decisão é esta. O resto explica porquê.

Para que serve cada formato

Sem perdas significa que as amostras descodificadas são idênticas às que entraram; o FLAC poupa espaço prevendo cada amostra a partir das anteriores e guardando apenas o erro. Os formatos com perdas descartam informação de forma permanente, a partir de um modelo daquilo que o ouvido não vai notar.

uncompressed   44100 x 16 x 2 / 8 = 176400 B/s = 10.6 MB per minute
lossy          192000 / 8 x 60    = 1.44 MB per minute

Frequência de amostragem e profundidade de bits

A frequência de amostragem é a periodicidade com que a forma de onda é medida. O limite de Nyquist diz que um sinal amostrado transporta frequências até metade da frequência de amostragem e nada acima disso, por isso 44,1 kHz cobre tudo o que fica abaixo de 22,05 kHz, e a audição humana termina por volta dos 20 kHz, mais cedo com a idade. Use 48 kHz quando houver vídeo à mistura; frequências mais altas só ajudam durante a produção.

A profundidade de bits define a gama dinâmica, não o detalhe. Cada bit vale cerca de 6 dB, por isso 16 bits colocam o ruído de fundo aproximadamente 96 dB abaixo da escala completa e 24 bits cerca de 144 dB, dos quais os conversores entregam uns 120. Esses bits são margem de gravação: mantenha o nível conservador e suba-o mais tarde sem levantar chiado audível. Ficheiros já terminados e nivelados não precisam deles.

A sobreamostragem não ganha nada: interpolar de 44,1 kHz para 96 kHz duplica o ficheiro sem acrescentar informação, e preencher até 24 bits leva consigo o ruído de fundo original. Cada reamostragem passa por um filtro, por isso uma ida a 48 kHz e volta é uma pequena perda a troco de nada.

Taxa de bits, e onde é que subir deixa de ajudar

Os valores estão em kbps. O MP3 mostra a idade nos dois extremos: abaixo dos 96 kbps borra o som de forma audível e acima dos 192 kbps as melhorias tornam-se muito difíceis de ouvir, pelo que 320 kbps compram certeza e não qualidade. O AAC precisa de cerca de dois terços da taxa de bits para o mesmo resultado. O Opus faz melhor ainda, e a vantagem alarga-se à medida que a taxa de bits desce, porque com pouca largura de banda muda para um modo construído em torno da forma como a fala é produzida, pelo que uma voz que precisa de 64 kbps em MP3 fica bem com metade disso.

Subir a taxa de bits ao converter um ficheiro com perdas noutro não recupera nada. Um MP3 de 128 kbps recodificado a 320 kbps preserva fielmente os artefactos do ficheiro pequeno dentro de um ficheiro grande, e o segundo codificador gasta bits a tratá-los como áudio real. Trabalhe a partir do master sem perdas.

Mono, estéreo e a mistura para mono

O estéreo custa cerca do dobro do mono para a mesma qualidade. Uma pessoa diante de um microfone não produz qualquer informação estéreo, por isso um ficheiro de palavra falada em estéreo são dois canais quase idênticos e o mono corta o tamanho a metade sem perder nada. A música e as gravações de sala mantêm-se em estéreo.

A mistura para mono não sai de graça. Essa mistura faz a média dos canais, por isso tudo o que esteja fora de fase entre a esquerda e a direita se anula: um efeito de alargamento ou um cabo de microfone invertido podem ficar magros ou desaparecer só em mono. Verifique antes de publicar e atenue cerca de 3 dB, já que a soma faz subir o nível.

Pico, RMS e LUFS

Pico é o valor de amostra mais alto, em dBFS, com 0 como teto digital intransponível. Normalizar pelo pico escala o ficheiro para que a amostra mais alta caia no valor alvo, pelo que uma gravação silenciosa com uma porta a bater lá dentro continua silenciosa: a pancada sobe até ao teto e tudo o resto quase não se mexe. RMS faz a média da energia ao longo de uma janela, mais perto do que se ouve, mas tratando 60 Hz e 3 kHz como equivalentes. LUFS pondera a medição para modelar a audição, exclui as passagens silenciosas e dá um único valor para todo o programa. As plataformas medem em LUFS.

Como as plataformas puxam tudo para um valor alvo, masterizar mais alto já não toca mais alto; a plataforma baixa a faixa e o ouvinte fica com a dinâmica esmagada sem o volume. Foi assim que acabou a guerra do volume, depois de duas décadas de limitação cada vez mais agressiva deixarem os masters quase sem diferença entre o nível de pico e o nível médio, ouvida como um som chato e cansativo.

O clipping é uma amostra que excederia a escala completa a ser truncada no máximo, achatando os topos da forma de onda e gerando distorção harmónica. O true peak vai mais longe: a forma de onda reconstruída entre as amostras pode subir acima da amostra mais alta guardada, pelo que um ficheiro que mede -0,1 dBFS pode atingir +0,5 dBTP e distorcer à saída. Deixe o teto em -1 dBTP, mais baixo se lhe seguir uma codificação com perdas. O Audio Volume pode normalizar para um alvo em vez de deslocar por um número fixo de decibéis.

Estalidos, junções e cortes

Corte uma forma de onda num ponto arbitrário e ela estará quase sempre a meio de um ciclo, num valor diferente de zero, pelo que a saída cai para o silêncio numa única amostra. Esse degrau é um impulso de banda larga, ouvido como um estalido. Cinco a vinte milissegundos de fade em cada ponto de edição eliminam-no e são curtos de mais para se ouvirem; numa junção, um crossfade de dez a cinquenta milissegundos fica ainda mais limpo.

As junções exigem concordância. Os ficheiros têm de partilhar a frequência de amostragem, porque um ficheiro de 48 kHz concatenado num fluxo de 44,1 kHz toca cerca de nove por cento mais lento e mais grave, e têm de partilhar o número de canais, ou uma secção vai parar aos canais errados. Iguale também o volume. Reamostre com o Audio Converter, nivele com o Audio Volume e só depois use o Merge Audio. O Audio Speed trata das alterações de velocidade intencionais: reamostrar move a altura e a velocidade em conjunto, ao passo que manter a altura exige time stretching, que pode borrar os transientes.

Cortar pode dispensar por completo a recodificação, sem custo em qualidade. O WAV é exato ao nível da amostra, já que o corte é uma cópia de bytes; os formatos comprimidos são feitos de frames, e um corte por cópia só pode cair num limite de frame.

MP3 frame = 1152 samples = 26.12 ms at 44.1 kHz
cut asked for at 12.000 s
nearest boundaries: frame 459 = 11.990 s, frame 460 = 12.016 s

O AAC usa frames de 1024 amostras, cerca de 21 ms a 48 kHz, e o Opus usa normalmente pacotes de 20 ms. O MP3 tem ainda um reservatório de bits, que permite a uma frame pedir espaço emprestado às anteriores, pelo que a primeira frame depois de um corte pode ficar sem dados e falhar. Quando o limite tem de ser exato, deixe o Trim Audio recodificar e aceite uma geração de perda.

O que um navegador consegue aguentar

Tudo isto acontece em memória. Os ficheiros são descodificados para amostras em bruto antes de se poder medir, aplicar fades, juntar ou recodificar seja o que for, normalmente como floats de 32 bits: uma hora de estéreo a 44,1 kHz são cerca de 635 MB em PCM de 16 bits e 1,27 GB depois de descodificada. O teto de memória de um separador fica muito abaixo do que uma aplicação de secretária consegue endereçar, por isso o limite é a duração, não o formato. Corte primeiro, ou divida uma gravação longa e junte as partes.