Convertir OPUS en WAV

C’est le fait à connaître avant tout le reste. Opus tourne sur une horloge fixe à 48 000 Hz : un décodeur annonce 48 kHz indépendamment de ce qui a été fourni à l’encodeur. Le WAV qui sort de cette conversion est donc un fichier à 48 kHz, même lorsque la voix a été captée bien plus étroitement.

Quasiment tous les modèles de parole attendent 16 000 Hz. Whisper ré-échantillonne en interne, torchaudio et librosa ré-échantillonnent au chargement, un outil d’alignement forcé le fait aussi. Le mode d’échec n’est pas le bruit, c’est le silence : un pipeline qui suppose 16 kHz et lit un fichier à 48 kHz sans regarder l’en-tête produit un résultat plausible et faux d’un facteur trois. Lisez l’en-tête, ou ré-échantillonnez explicitement, et la suite du pipeline se comporte.

Un WAV se déclare lui-même. Le premier bloc indique le format, le nombre de canaux, la fréquence d’échantillonnage, le débit binaire et la profondeur ; le bloc suivant donne la taille en octets ; le bloc de données contient les échantillons. Le lire n’exige aucun décodeur, ce qui explique que la bibliothèque standard de Python livre un module wave et pas de module Opus.

Supporter Opus veut dire embarquer libopus ou appeler FFmpeg, ce qui est une dépendance, un problème de compilation sur trois plateformes et une catégorie de bogues. Le code de recherche et de transcription est écrit par des gens qui préféreraient ne rien en savoir, et la liste d’ingestion dit WAV, parfois MP3 et FLAC. Votre fichier n’est pas inadapté ; leur chargeur est étroit, et cette conversion est la manière de le satisfaire.

Cela mérite d’être dit clairement, parce que l’attente est fréquente. Opus a compressé la parole et jeté ce qu’il jugeait inaudible ; le WAV contient les survivants en pleine largeur. Le taux d’erreur mot est fixé par l’enregistrement — la pièce, le micro, le chevauchement des locuteurs, le débit choisi par l’application — et rien de tout cela ne change quand le conteneur change.

Il y a un cas où la conversion aide réellement, et c’est celui que cette page existe pour éviter. Si votre alternative était de ré-encoder en MP3 pour satisfaire le même formulaire d’upload, vous auriez ajouté une seconde passe de compression avec perte par-dessus une parole déjà encodée entre 16 et 32 kbps, avec un codec nettement moins efficace qu’Opus à ces débits. WAV n’ajoute rien et ne détruit rien, ce qui est la bonne propriété pour un intermédiaire.

Opus est extraordinairement efficace sur la parole, et cette efficacité est précisément ce qui rend le rapport spectaculaire. Une note vocale est mono entre 16 et 32 kbps, donc un message de deux minutes fait environ 300 ko. En PCM 16 bits mono à 48 000 Hz, ces deux mêmes minutes font environ 11,5 Mo, trente à quarante fois plus, sans un seul détail de plus.

Pour un enregistrement, c’est anecdotique. Pour un lot de quatre cents notes vocales extraites d’une sauvegarde de téléphone, c’est la différence entre 120 Mo et quatre gigaoctets et demi, et cela décide si la tâche tient sur le disque que vous aviez prévu. Convertissez par lots de la taille que votre pipeline consomme, plutôt que de convertir l’archive d’un coup.

Opus est le codec obligatoire de WebRTC, ce qui explique que chaque navigateur l’embarque et que chaque application bâtie sur une technologie de navigateur s’en sert. Messages vocaux WhatsApp et Telegram, Signal, enregistrements Discord, captures Google Meet, enregistreurs dans le navigateur et yt-dlp prenant le meilleur flux audio produisent tous de l’Opus.

Cette origine conditionne le contenu. Les enregistrements sont courts, mono, conversationnels et souvent faits au téléphone dans une pièce sans traitement acoustique. Ils arrivent aussi en quantité, nommés par horodatage et sans métadonnées, ce qui rend le chemin par lot et la discipline de nommage plus importants que les réglages audio eux-mêmes.

La sortie est du PCM 16 bits signé little-endian — la profondeur que toute valeur par défaut suppose, celle que wave.open renvoie sans configuration et que scipy.io.wavfile.read rend comme un tableau int16.

Opus décode en interne vers des flottants, donc un WAV 32 bits flottants est techniquement exprimable et ferait deux fois la taille pour rien : le contenu informationnel a été fixé à l’instant où l’encodeur a tourné. Les modèles de parole normalisent en flottant au chargement, et le font depuis la profondeur qu’on leur donne. Seize bits n’est pas un compromis ici, c’est la bonne réponse.

Ogg Opus porte une valeur de pré-saut qui indique au décodeur combien d’échantillons en tête de flux correspondent à l’amorçage de l’encodeur et doivent être jetés. C’est ainsi qu’un appel peut démarrer proprement plutôt qu’avec un clic, et c’est honoré pendant le décodage.

Ce qu’un WAV ne peut pas porter, c’est cette comptabilité — il a un début et une longueur, c’est tout. Pour une transcription, c’est sans importance. Cela compte si vous alignez un enregistrement converti sur une vidéo, un second micro ou un timecode : faites l’alignement sur le WAV, après conversion, à partir d’une référence partagée dans l’audio, plutôt que de supposer que l’échantillon zéro des deux fichiers désigne le même instant.

Cela mérite d’être dit directement plutôt qu’en puce marketing. Les fichiers qui arrivent en .opus sont des messages vocaux, des appels enregistrés, des entretiens, des notes cliniques, des sessions de recherche captées sous un formulaire de consentement qui nommait qui les entendrait. Un site de conversion qui prend un upload en crée une copie sur une infrastructure que vous n’avez pas évaluée, régie par des conditions que vous n’avez pas négociées.

Ici, le décodage utilise le décodeur Opus que votre navigateur contient déjà et le WAV est un en-tête RIFF assemblé autour des échantillons, donc aucun paquet d’encodeur n’est téléchargé et aucune requête ne transporte l’audio. C’est vérifiable plutôt que promis : ouvrez l’onglet réseau des outils de développement, convertissez un fichier, et regardez. Vous verrez la page et la publicité qui finance le service, et rien d’autre.

Déposez cent enregistrements à la fois. Chacun est converti indépendamment et le tout revient dans un seul ZIP, avec un plafond de 100 Mo par fichier — bien au-dessus de toute note vocale — et sans quota journalier à dépenser, parce que rien n’est téléversé et qu’il n’y a rien à mesurer.

Surveillez le total plutôt que les fichiers individuels, puisque c’est le multiple qui mord : quatre cents notes de deux minutes font environ 120 Mo en Opus et près de quatre gigaoctets et demi en WAV, assemblés dans un onglet de navigateur. Convertissez par groupes de cinquante ou cent, envoyez chaque groupe au pipeline, et supprimez les WAV une fois les transcriptions obtenues — ce sont des intermédiaires, et les Opus sont les originaux qui valent la peine d’être gardés.