Convertir OPUS a AAC

El que escribe esta página es tramado ADTS: tramas AAC seguidas, cada una con una cabecera breve que repite la frecuencia de muestreo, la configuración de canales y el perfil, y nada envolviéndolas. Sin índice, sin campo de duración, sin zona de metadatos. El otro archivo al que la gente llama AAC es un M4A: el mismo audio codificado dentro de un contenedor MP4 que sí lleva las tres cosas.

Cuál necesitas no es cuestión de gusto y no se deduce de la palabra. Una documentación que nombra ADTS, un flujo elemental o la extensión `.aac` se refiere a esta página. Una que dice «audio AAC» y espera una duración, un título o una barra de avance se refiere al M4A. Mandar el equivocado es el fallo más habitual de esta conversión, y suele manifestarse como un reproductor que informa mal de la duración antes que como un rechazo limpio.

En España y en toda Hispanoamérica la respuesta es casi siempre la misma. Los mensajes de voz de WhatsApp se graban en Opus, y una exportación de conversación deja una carpeta llena de archivos con ese formato: la nota que mandó un cliente describiendo una avería, la confirmación verbal de un pedido, el parte que dictó alguien desde una obra.

Ese origen explica el resto de la situación. Nadie eligió Opus: lo eligió una aplicación por su comportamiento en llamadas con poca red. Y explica también por qué el otro extremo pide AAC: la centralita, el gestor de expedientes, el sistema de grabación o la plataforma a la que hay que aportar el audio se escribieron pensando en formatos que ya existían cuando Opus todavía no.

ADTS existe para que un flujo pueda empezar en cualquier trama. Esa propiedad es la que sostiene a los segmentadores, la automatización de continuidad, los reproductores de locuciones y de mensajes de espera y los analizadores empotrados: cortan el audio en trozos, empiezan a reproducir por la mitad y entregan fragmentos a un descodificador que no tiene ningún contenedor que consultar. Una cabecera por trama es lo que hace eso seguro.

El mismo diseño permite unir. Dos archivos ADTS cuya frecuencia de muestreo y número de canales coincidan pueden concatenarse byte a byte y el resultado suena como un archivo continuo, sin recodificar y por tanto sin pérdida añadida. Los sistemas de locuciones montan frases con fragmentos exactamente así. Es el mejor argumento a favor del flujo desnudo cuando puedes elegir, y conviene comprobar que los fragmentos comparten parámetros antes de confiarse.

Opus ya descartó detalle y AAC descarta más, con reglas distintas, gastando además parte de su presupuesto en representar los artefactos que dejó el primer codificador. No hay copia directa de tramas: al destino comprimido se le entrega una banda de calidad, y eso obliga a descodificar y volver a codificar.

Cuánto se nota lo decide el origen, no el ajuste. Una locución sintetizada o una grabación hecha con holgura cruza sin que ningún oyente lo objete. Una nota de voz capturada para una llamada, con la tasa más baja que Opus maneja, ya está en el suelo de su propio códec, y ninguna banda de esta página la mejora: la más alta sólo evita que el segundo codificador añada daño propio.

El control ofrece tres bandas con nombre y no una casilla numérica, y la razón no es simplificar. La banda se resuelve dentro del codificador y de forma distinta para cada códec, de modo que ninguna cifra escrita en esta página sería un valor que nuestro código fije.

Si tu requisito nombra una tasa, el procedimiento es convertir, abrir el resultado con MediaInfo o con la información de códec de VLC y leer la cifra real antes de entregarlo. Si el requisito pide algo por encima de lo que se obtiene con la banda más alta, este camino no lo cumple y es mejor saberlo antes de generar doscientos archivos. Comprobar el primero cuesta un minuto.

Muchas plataformas de telefonía, centralitas y sistemas de aviso especifican una frecuencia concreta —8.000 o 16.000 Hz es lo habitual— porque es lo que transporta la línea, y rechazan o remuestrean cualquier otra cosa en el momento de la ingesta.

Esta página no ofrece ningún control de remuestreo, así que la frecuencia del resultado no es algo que puedas fijar aquí. Convierte un archivo, míralo con una herramienta que informe de la cabecera ADTS y compáralo con el requisito. Si no coincide, el remuestreo pertenece a un editor o a una herramienta por lotes donde se pueda escuchar el resultado, que es una decisión con consecuencias audibles y no un paso administrativo.

La voz grabada para un sistema es normalmente mono en origen y así debería quedarse: dos canales idénticos transmiten la misma información gastando el doble, y un reproductor de locuciones que espera mono puede rechazar o plegar un archivo estéreo de manera impredecible. Aquí nada asciende un mono a estéreo.

La cabecera ADTS registra la configuración de canales en cada trama, que es justo lo que hace segura la unión descrita más arriba: un fragmento mono no puede pegarse por descuido a uno estéreo sin que el desajuste se vea. Si un lote mezcla los dos, esa inconsistencia se resuelve mucho mejor mirando el directorio de origen que buscándola después dentro de un flujo de tramas.

No hay ningún campo de duración en un archivo ADTS. El software que necesita uno lo estima, recorriendo todas las tramas o dividiendo el tamaño del archivo entre una tasa supuesta, y el material de tasa variable desbarata esa aritmética. De ahí que a veces un `.aac` muestre una duración equivocada o no deje desplazarse por él.

Para un sistema de locuciones eso es irrelevante, porque la plataforma mide el audio al ingerirlo y guarda la cifra en su propia base. Para cualquier cosa donde una persona ve una barra de progreso es un defecto visible, y es la señal práctica más clara de que el flujo desnudo era el entregable equivocado. El M4A lleva la duración en la cabecera y no arrastra este problema.

Opus viaja en un contenedor Ogg que admite comentarios con nombre, y una nota exportada o una locución generada puede llevar ahí una descripción útil. ADTS no tiene zona de metadatos, así que el resultado contiene sonido y nada más.

En este contexto suele estar bien: las locuciones se identifican por su ruta y por el registro de la plataforma. Donde la descripción importa —una licencia, una atribución, la versión de un juego de mensajes, la fecha y el remitente de una nota de voz— cópiala al nombre del archivo o a un listado aparte antes de convertir, o usa el destino M4A, que tiene sitio para todo eso y guarda exactamente el mismo audio.

La codificación intenta primero usar el codificador AAC del propio sistema operativo, que muchos navegadores exponen. Cuando no lo hay, se carga una versión compilada en WebAssembly la primera vez y se reutiliza durante el resto de la sesión: por eso la primera conversión puede tardar un momento más en arrancar que las siguientes.

Ese paquete es lo único que cruza la red. El audio no: se descodifica y se codifica dentro de la pestaña, y ninguna petición lo lleva. Si un navegador no puede hacer el trabajo, lo dice con una frase que nombra los que sí, en vez de mandar el archivo a un servidor por su cuenta, porque para audio y vídeo no existe aquí ningún respaldo en servidor.

El tope es de 100 MB por archivo —para Opus, horas de habla— y cien archivos por tanda, que vuelven en un único ZIP. Encaja con la forma en que llega este material: nadie tiene una nota de voz, tiene ciento cuarenta.

Y ahí la parte de que no se suba nada deja de ser un argumento comercial. Un mensaje de voz es la voz de una persona identificable hablando de un asunto suyo, y tratarlo implica reglas sobre dónde puede almacenarse y quién puede acceder. Convertirlo en tu propio equipo evita esa conversación entera, y el panel de red de las herramientas de desarrollo te lo demuestra mientras corre el lote.