Convertir AAC en WAV

La spécification RIFF WAVE date de 1991 et sa vertu est l’ennui. Le premier chunk du fichier énonce le tag de format, le nombre de canaux, la fréquence d’échantillonnage, le débit d’octets, l’alignement de bloc et les bits par échantillon ; le suivant énonce combien d’octets audio suivent. Tout ce dont un lecteur a besoin est là avant qu’un seul échantillon soit touché, et aucun décodeur n’est requis — le chunk de données est les échantillons.

C’est pourquoi la bibliothèque standard de Python livre un module `wave` et ne livre pas de module AAC, pourquoi `libsndfile` est la dépendance par défaut dans la moitié de l’audio scientifique, et pourquoi un appareil embarqué avec 64 kilooctets de RAM peut lire un WAV depuis une carte. La conversion sur cette page n’est pas vraiment une affaire de qualité audio. C’est une affaire de transformer un flux en un fichier qui annonce sa propre forme.

AAC tel que standardisé dans ISO/IEC 13818-7 est un codec, et un fichier `.aac` brut est normalement de l’ADTS — une suite continue de trames, chacune avec un en-tête de sept octets décrivant cette trame et rien au-delà. La cible de conception était la diffusion, où un récepteur peut rejoindre une transmission à mi-chemin et doit pouvoir commencer à décoder à partir de l’endroit où il arrive. Il n’y a donc pas d’en-tête au niveau du fichier, à dessein.

Sur un disque, cela devient trois problèmes distincts. La durée est inconnue, donc un logiciel l’estime à partir de la taille du fichier et du débit de la première trame, et a tort dès que l’encodeur a varié. Il n’y a pas d’index, donc chercher veut dire chasser une frontière de trame. Et il n’y a pas de disposition de canaux déclarée pour le fichier dans son ensemble, seulement par trame. Un WAV remplace les trois par des champs fixes.

Les caméras IP et les dashcams écrivent en ADTS parce qu’il peut être coupé à n’importe quel point sans réécriture. Les DVR et les enregistreurs de diffusion font la même chose. HLS diffuse l’audio en segments `.aac`, donc tout ce qui a enregistré un flux en laisse un tas. Les plateformes de téléphonie et d’IVR en produisent. Plusieurs bibliothèques d’enregistrement Android et pipelines en ligne de commande dont personne n’a revu les défauts aussi.

Le fil commun est qu’une machine a fait le fichier pour une autre machine, ce qui explique pourquoi le lecteur final est en général un script plutôt qu’un auditeur. Cela explique aussi pourquoi l’audio n’est souvent pas ce que serait un fichier musical : le mono est normal, 8 000 ou 16 000 Hz est normal pour les systèmes de parole, et 32 000 Hz apparaît en diffusion. Tout cela se convertit et tout cela est préservé tel quel.

La sortie est du PCM 16 bits signé little-endian à la fréquence d’échantillonnage et au nombre de canaux de la source. Seize bits est la profondeur CD et ce que toute valeur par défaut suppose : `wave.open` la renvoie sans configuration, `scipy.io.wavfile.read` renvoie un tableau `int16`, et les DAC matériels sont construits autour.

Des profondeurs plus élevées existent et seraient inutiles ici. AAC décode en échantillons à virgule flottante en interne, mais le contenu informationnel est fixé par ce que l’encodeur a conservé — écrire 24 ou 32 bits agrandirait le fichier de moitié ou le doublerait sans ajouter un seul bit de signal réel. Si une étape de traitement ultérieure veut des flottants, elle convertira au chargement, où cela ne coûte rien sur disque.

Du stéréo 16 bits à 44 100 Hz, c’est 10,1 Mo par minute. Le mono le divise par deux ; une fréquence d’échantillonnage plus basse l’échelle proportionnellement, donc une heure de parole mono à 16 000 Hz est autour de 115 Mo contre 600 Mo pour la même heure en stéréo qualité CD. Il n’y a pas de réglage de qualité, parce que WAV ne compresse pas.

Il y a une limite dure qui vaut la peine d’être connue avant de planifier un pipeline autour de cela. Les tailles de chunk RIFF sont 32 bits, ce qui plafonne un WAV à 4 Go — environ six heures et demie d’audio stéréo qualité CD, ou environ trente-sept heures de mono 16 kHz. Les longues captures continues dépassent cela, et la correction consiste à segmenter avant de convertir plutôt qu’à découvrir le plafond à la fin d’un lot.

Si le fichier ADTS portait un bloc ID3v2 au début — certains enregistreurs en ajoutent un — le titre, l’artiste, l’album, le numéro de piste, le genre, la date et le commentaire s’insèrent dans le chunk RIFF INFO du WAV. La pochette, l’artiste de l’album, le numéro de disque, la description et les paroles n’ont pas d’équivalent INFO et sont écartés, et les valeurs INFO sont limitées à ISO 8859-1, donc tout ce qui est en dehors du Latin-1 est laissé de côté plutôt que corrompu.

Pour ce public, c’est presque toujours sans importance, et c’est parfois le but : une capture destinée à l’analyse est mieux sans métadonnées descriptives du tout. Quand la provenance compte, enregistrez-la à côté du fichier dans ce que votre pipeline utilise pour les manifestes plutôt que de compter sur un chunk que la moitié des outils ignoreront.

Les enregistreurs de flux s’arrêtent au milieu d’une trame, et le fichier résultant se termine au milieu d’un paquet. La conversion lit jusqu’au dégât et s’y arrête, ce qui donne normalement un WAV utilisable d’une fraction de seconde plus court que la source — un meilleur résultat que de refuser le fichier, et qui vaut la peine d’être su pour qu’une durée un peu plus courte ne ressemble pas à un bogue.

Une défaillance différente est un fichier qui n’est pas du tout de l’ADTS. Tout ce qui se nomme `.aac` mais qui est en réalité un fragment MP4, ou un M4A renommé à la main, ne s’analysera pas comme un flux de trames, et la conversion signalera que le fichier n’a pas pu être lu plutôt que de le deviner. Si cela arrive, essayez-le en tant que M4A — un démultiplexeur MP4 l’ouvrira, et vous aurez identifié ce que vous avez réellement.

AAC autorise jusqu’à 48 canaux et WAV jusqu’à 18, donc le matériel surround ordinaire passe en WAV multicanal plutôt que d’être replié. Les fréquences d’échantillonnage sont préservées exactement, y compris les inhabituelles — 8 000, 11 025, 16 000, 22 050 et 32 000 survivent toutes, ce qui compte quand le modèle ou le DSP en aval a été entraîné ou réglé à un taux spécifique.

L’exception est une disposition qu’aucun chemin n’acceptera, où la conversion se replie sur deux canaux à 48 000 Hz plutôt que d’échouer. C’est un compromis délibéré en faveur de l’obtention d’un fichier, et il vaut la peine de vérifier l’en-tête de la première sortie dans un nouveau lot — un script qui supposait du mono 16 000 Hz et qui a reçu du stéréo 48 000 Hz produira des résultats qui semblent plausibles et qui sont faux.

Cette conversion ne télécharge rien de plus. Le décodeur AAC est celui que votre appareil contient déjà, et écrire un WAV consiste à assembler un en-tête et copier des échantillons — la seule cible de l’ensemble audio qui n’a besoin d’aucun encodeur du tout, ce qui en fait la plus rapide d’entre elles.

Cela signifie aussi que rien n’est téléversé, et pour de l’audio généré par machine c’est moins abstrait que cela en a l’air. Les captures de caméra et de téléphonie portent les voix d’autres personnes, enregistrées dans des lieux avec des règles sur l’endroit où ces enregistrements peuvent être stockés. Un convertisseur qui garde le fichier dans l’onglet ne crée pas de copie sur l’infrastructure de quelqu’un d’autre, et l’onglet réseau de vos outils de développement est le test d’acceptation plutôt qu’une promesse sur une page.