Convertir OPUS a WAV

Es lo primero que conviene saber. Opus está definido de forma que un descodificador entrega 48.000 muestras por segundo, con independencia de lo que se le diera al codificador, así que la señal que sale de la descodificación llega a esa frecuencia aunque la nota de voz se capturara mucho más estrecha.

Casi todos los modelos de reconocimiento del habla esperan 16.000 Hz. Los buenos remuestrean al cargar; el problema aparece cuando una tubería da por supuesta la frecuencia y no lee la cabecera. El fallo entonces no es ruido, es silencio o un resultado absurdo, porque el audio se interpreta a un tercio o al triple de velocidad. Lee la cabecera del WAV, o remuestrea explícitamente, y el resto del proceso se comporta.

Un WAV se declara a sí mismo. La primera parte del fichero dice el formato, el número de canales, la frecuencia de muestreo, los bytes por segundo y los bits por muestra; la siguiente dice cuántos bytes de audio vienen detrás; y el bloque de datos son las muestras. Leerlo no requiere ningún descodificador, y por eso la biblioteca estándar de Python trae un módulo para WAV y no trae ninguno para Opus.

Admitir Opus significa enlazar una biblioteca de descodificación o llamar a un programa externo, lo cual es una dependencia, un problema de compilación en tres sistemas operativos y una categoría entera de informes de error. Quien escribe herramientas de investigación o de transcripción prefiere no cargar con nada de eso, así que la lista de entrada dice WAV y a veces poco más. Tu fichero no es inadecuado; su lector es estrecho, y esta conversión es la forma de ir a su encuentro.

La expectativa es frecuente y merece una respuesta directa. Opus comprimió el habla y descartó lo que juzgó inaudible; el WAV guarda a plena anchura lo que sobrevivió. La tasa de error de un reconocedor la fijan la sala, el micrófono, el solapamiento entre hablantes y la tasa de bits que eligió la aplicación, y nada de eso cambia porque cambie el envase.

Hay un caso en que convertir sí ayuda, y es el que esta página existe para evitar. Si tu alternativa era recodificar a MP3 para satisfacer el mismo formulario, estarías añadiendo una segunda pasada con pérdida sobre habla ya codificada a muy poca tasa, con un códec bastante menos eficiente a esas tasas. El WAV no añade nada y no destruye nada, que es la propiedad correcta para un fichero intermedio.

Opus es extraordinariamente eficiente con la voz, y esa eficiencia es justo lo que hace dramática la proporción. Una nota de voz es monoaural a una tasa muy baja, así que un mensaje de dos minutos ronda los trescientos kilobytes. Ese mismo par de minutos como PCM de 16 bits monoaural a 48.000 Hz ocupa cerca de 11,5 megabytes: entre treinta y cuarenta veces más, sin un solo dato añadido.

La cuenta es fácil de llevar en la cabeza: dos bytes por muestra y canal, cuarenta y ocho mil muestras por segundo, es decir unos 5,8 megabytes por minuto en mono. Para una grabación da igual. Para cuatrocientas notas de voz sacadas de una copia de seguridad del teléfono es la diferencia entre unos ciento veinte megabytes y varios gigabytes, y decide si el trabajo cabe en el disco que pensabas usar.

Opus es el códec obligatorio de la tecnología que sostiene las llamadas por navegador, y de ahí sale casi todo lo que llega aquí: mensajes de voz de las aplicaciones de mensajería, grabaciones de reuniones hechas desde el navegador, capturas de videollamadas, grabadoras web y herramientas de descarga que se quedan con la mejor pista de audio.

Ese origen marca el material. Son grabaciones cortas, monoaurales, conversacionales y hechas con frecuencia en una sala sin ningún tratamiento acústico. Además suelen llegar en cantidad, con nombres de archivo hechos de fechas y horas y sin metadatos útiles, y por eso aquí importan más la disciplina de nombres y el trabajo por tandas que cualquier ajuste de audio.

La salida es PCM de 16 bits con signo, que es la profundidad que dan por supuesta todas las bibliotecas de lectura sin configuración alguna. Opus descodifica internamente a coma flotante, así que un WAV de 32 bits en coma flotante sería expresable y ocuparía el doble sin aportar nada: la cantidad de información quedó fijada en el momento en que se ejecutó el codificador.

Esta página, además, no ofrece ningún control. Los ajustes de calidad existen para destinos comprimidos, y el WAV no lo es, de modo que no hay banda que elegir ni número que ajustar: sueltas el fichero y sale el fichero. Los modelos de habla normalizan a coma flotante al cargar, y lo hacen desde la profundidad que se les entregue, así que dieciséis bits no es aquí una concesión sino la respuesta correcta.

Los mensajes de voz y las grabaciones de llamada son de un solo canal y así de simple es el caso habitual. Duplicar un canal en dos doblaría el fichero sin añadir nada, y de todas formas la mayoría de los modelos mezclan a mono al cargar.

El extremo contrario existe y conviene mirarlo, aunque con menos certeza de la que parece a primera vista: si tu material viene de una grabación con varios micrófonos capturada como Opus multicanal, no hay ninguna prueba en este repositorio de cuántos canales sobreviven a la descodificación del navegador ni de si el WAV los conserva todos. No es una limitación conocida del formato WAV en sí, que admite muchos más canales de los que un archivo Opus típico trae. Antes de construir nada encima, comprueba en el fichero resultante cuántos canales han llegado.

Un Opus dentro de Ogg guarda un valor de precarga que indica al descodificador cuántas muestras del principio son cebado del codificador y deben descartarse. Es lo que hace que una llamada empiece limpia y no con un chasquido, y se respeta durante la descodificación.

Lo que un WAV no puede llevar es esa contabilidad: tiene un principio, una longitud y nada más. Para una transcripción es indiferente. Importa si vas a alinear la grabación contra un vídeo, contra un segundo micrófono o contra un código de tiempo: haz la alineación sobre el WAV ya convertido, usando una referencia audible compartida, en lugar de suponer que la muestra cero de los dos ficheros corresponde al mismo instante.

Esto merece decirse directamente y no como una viñeta de características. Lo que llega en .opus son mensajes de voz, llamadas grabadas, entrevistas periodísticas, sesiones clínicas y grabaciones de investigación hechas bajo un consentimiento que nombraba quién iba a escucharlas. Un conversor que pide una subida crea una copia en una infraestructura que nadie ha evaluado y bajo unas condiciones que nadie ha negociado.

Aquí la descodificación usa el descodificador de Opus que tu navegador ya contiene para las llamadas, y el WAV es una cabecera montada alrededor de las muestras, así que no se descarga ningún paquete de codificación y ninguna petición lleva el audio. Es comprobable en lugar de prometido: abre la pestaña de red, convierte un fichero y mira. Verás la página y la publicidad que la financia, y nada más.

Puedes soltar cien grabaciones a la vez y recuperarlas juntas en un ZIP, con un tope de 100 MB por archivo que ninguna nota de voz se acerca a rozar. No hay cupo diario que gastar, porque no se sube nada y no hay nada que contabilizar. Si sueltas más de cien, el excedente se descarta sin decirlo en pantalla, así que divide la carpeta antes.

Vigila el total y no los ficheros individuales, porque el multiplicador es lo que muerde: cuatrocientas notas de dos minutos son unos ciento veinte megabytes en Opus y varios gigabytes en WAV, montados dentro de una pestaña del navegador. Convierte en grupos de cincuenta o cien, alimenta con cada grupo tu proceso y borra los WAV cuando existan las transcripciones. Son ficheros intermedios; los originales que vale la pena conservar son los .opus.

Tres cosas, y las tres están en la cabecera: la frecuencia de muestreo, el número de canales y la profundidad de bits. Cualquier utilidad de línea de órdenes o dos líneas en Python las imprimen, y hacerlo la primera vez ahorra depurar una tubería que dio por supuesto otra cosa.

Merece la pena convertirlo en costumbre justo con este par, porque el origen es voz corta y de mala calidad y un resultado extraño se atribuye por instinto a la grabación. Si la transcripción sale rara, comprueba primero que el proceso ha leído la frecuencia real del fichero y no la que tenía escrita en el código.