Convertir MP4 en WAV

Un MP4 est un conteneur qui tient côte à côte une piste vidéo et une piste audio. Cette opération lit l’audio, le décode et l’écrit en WAV. La vidéo n’est pas convertie, pas réencodée, pas dégradée — elle n’est pas dans la sortie, et le fichier d’origine est intact.

Ce cadrage explique pourquoi c’est rapide même pour un long enregistrement. Il n’y a pas d’encodage vidéo, qui est la partie coûteuse de toute opération sur la vidéo ; décoder une heure d’AAC et écrire les échantillons est un travail comparativement trivial.

La bande-son dans un MP4 est presque toujours en AAC, et l’AAC est avec perte — l’encodeur a jeté des parties du signal au moment où la vidéo a été faite. La décoder en WAV reproduit exactement ce qui a survécu, et rien de plus.

La sortie est donc un gros fichier non compressé contenant un audio qui a déjà été compressé une fois. Ce n’est pas un défaut, et cela mérite d’être dit parce que les gens s’attendent souvent à une amélioration. Ce que le WAV achète, c’est un fichier d’échantillons bruts, ce que les outils de montage veulent ; le son est identique à ce que le MP4 contenait.

Le montage. Chaque coupe, fondu, filtre et changement de niveau dans un WAV part exactement de ce qui était là avant, et enregistrer ne réencode rien. Un fichier avec perte doit être décodé, modifié et réencodé à chaque sauvegarde, et après quelques tours de travail ordinaire le dommage devient audible.

La compatibilité est l’autre moitié. Les éditeurs audio, les outils de transcription, les logiciels d’alignement forcé, les STAN et les systèmes de diffusion acceptent le WAV sans question, et plusieurs n’acceptent que lui. Si l’étape suivante de votre chaîne a nommé le format, c’est pour cela.

Stéréo à 48 kHz et 16 bits fait environ 11 mégaoctets la minute. Un clip de dix minutes pèse 110 Mo ; un entretien d’une heure approche les 650 ; un enregistrement de trois heures frôle les deux gigaoctets.

Deux conséquences à anticiper. Le WAV ne sait pas décrire un fichier de plus de quatre gigaoctets environ, ce qui à ces débits représente six heures — assez pour presque tout, pas pour une journée de conférence. Et ces fichiers se compressent extrêmement bien, donc un ZIP avant envoi divise en général la taille par deux sans coût.

Une vidéo peut porter plusieurs pistes audio : langue originale et doublage, commentaire, piste descriptive pour l’accessibilité, ou prises micro séparées d’un tournage multi-caméras. Cette conversion prend la première.

Pour une vidéo de téléphone, un enregistrement d’écran ou un export normal c’est la seule piste et la question ne se pose pas. Pour un film, un enregistrement de diffusion ou un fichier livré par un professionnel, vérifiez ce qu’il y a dedans avant de supposer que c’est le bon audio qui est sorti — la mauvaise langue se découvre une heure après le début d’un montage, ce qui est long.

Si l’audio va être écouté plutôt que travaillé — un épisode de podcast à publier, un cours à conserver, une bande-son pour un téléphone — le MP3 ou l’AAC est le bon choix. Un dixième de la taille, et à un débit raisonnable la différence est inaudible sur n’importe quel équipement d’écoute ordinaire.

La règle qui en découle est la même que pour l’enregistrement : travailler en non compressé, livrer en compressé. Extrayez le WAV, faites le montage, et exportez le MP3 une fois à la fin depuis le résultat fini plutôt que compresser au début.

Le WAV est écrit à la fréquence d’échantillonnage et à la profondeur de bit de l’audio d’origine, sans conversion vers le haut. Une piste AAC à 44,1 kHz et 16 bits — le réglage le plus courant pour un enregistrement grand public — donne un WAV exactement dans ces valeurs. Une piste à 48 kHz et 24 bits d’un caméscope ou d’un enregistreur audio donne un WAV à 48 kHz et 24 bits.

Cela évite une conversion qui dégraderait le signal. Monter un 16 bits en 24 bits n’invente pas de la précision, et les outils qui veulent du 24 bits acceptent aussi du 16 bits si la conversion s’est faite correctement. Les seules choses qui changent en sortie sont l’absence de compression et le poids en octets.

Les outils de reconnaissance de parole acceptent en général le WAV directement, et plusieurs veulent une fréquence d’échantillonnage précise ou un audio mono. Leur passer des échantillons bruts évite une étape de décodage et écarte le doute sur ce que l’outil a fait d’un fichier compressé qu’il fallait d’abord ouvrir.

Pour un long enregistrement, extraire l’audio rend aussi tout ce qui suit plus rapide : un WAV de 650 mégaoctets traverse une chaîne de transcription bien plus vite qu’une vidéo de plusieurs gigaoctets qu’il faut démultiplexer à chaque étape.

L’extraction tourne dans l’onglet du navigateur sur votre propre processeur. La vidéo n’est jamais téléversée, donc il n’y a pas de copie côté serveur, pas de file derrière d’autres utilisateurs et pas de quota journalier à épuiser — le plafond du niveau gratuit est 100 Mo par fichier, ce qui est la seule chose contre quoi un long enregistrement vient buter.

Cela compte précisément pour le matériel qui passe par cette conversion : entretiens enregistrés, réunions de client, cours, enregistrements médicaux et juridiques. La manière la plus sûre de garder un enregistrement privé, c’est de ne pas l’envoyer.