Convertire AAC in WAV

La specifica RIFF WAVE risale al 1991 e il suo pregio è la noia. Il primo chunk del file dichiara il tag di formato, il numero di canali, la frequenza di campionamento, il byte rate, l’allineamento del blocco e i bit per campione ; il successivo dichiara quanti byte di audio seguono. Tutto ciò che un lettore serve è lì prima che un singolo campione venga toccato, e non è richiesto alcun decoder — il chunk dati sono i campioni.

Ecco perché la libreria standard di Python distribuisce un modulo `wave` e non distribuisce un modulo AAC, perché `libsndfile` è la dipendenza predefinita in metà dell’audio scientifico, e perché un dispositivo embedded con 64 kilobyte di RAM può riprodurre un WAV da una scheda. La conversione su questa pagina non riguarda davvero la qualità audio. Riguarda il trasformare uno stream in un file che annuncia la propria forma.

AAC standardizzato in ISO/IEC 13818-7 è un codec, e un file `.aac` nudo è normalmente ADTS — una sequenza continua di frame, ciascuno con un’intestazione di sette byte che descrive quel frame e niente oltre. L’obiettivo di design era il broadcast, dove un ricevitore può unirsi a una trasmissione a metà e deve poter cominciare a decodificare da qualunque punto si trovi. Non c’è quindi alcuna intestazione a livello di file, di proposito.

Su un disco diventano tre problemi separati. La durata è sconosciuta, quindi il software la stima dalla dimensione del file e dal bitrate del primo frame e sbaglia ogni volta che l’encoder varia. Non c’è indice, quindi cercare significa cacciare un confine di frame. E non c’è alcuna disposizione di canali dichiarata per il file nel suo insieme, solo per frame. Un WAV sostituisce tutti e tre con campi fissi.

Le telecamere IP e le dashcam scrivono ADTS perché può essere tagliato in qualsiasi punto senza una riscrittura. I DVR e i logger broadcast fanno lo stesso. HLS distribuisce audio come segmenti `.aac`, quindi qualsiasi cosa abbia registrato uno stream ne lascia un mucchio. Le piattaforme di telefonia e IVR lo producono. Così fanno diverse librerie di registrazione Android e pipeline a riga di comando i cui predefiniti nessuno ha rivisitato.

Il filo comune è che una macchina ha fatto il file per un’altra macchina, che è il motivo per cui il lettore finale è di solito uno script piuttosto che un ascoltatore. Ciò significa anche che l’audio spesso non è ciò che un file musicale sarebbe : il mono è normale, 8.000 o 16.000 Hz è normale per i sistemi di parlato, e 32.000 Hz appare nel broadcast. Tutto converte e tutto viene preservato com’era.

L’output è PCM little-endian a 16 bit con segno alla frequenza di campionamento e al conteggio dei canali della sorgente. Sedici bit è la profondità CD ed è ciò che ogni predefinito presume : `wave.open` lo restituisce senza configurazione, `scipy.io.wavfile.read` restituisce un array `int16`, e i DAC hardware sono costruiti attorno ad esso.

Profondità maggiori esistono e sarebbero inutili qui. AAC decodifica a campioni in virgola mobile internamente, ma il contenuto informativo è fissato da ciò che l’encoder ha conservato — scrivere 24 o 32 bit ingrandirebbe il file della metà o del doppio senza aggiungere un singolo bit di segnale reale. Se uno stadio di elaborazione successivo vuole float, convertirà al caricamento, dove non costa nulla su disco.

Stereo a 16 bit a 44.100 Hz sono 10,1 MB al minuto. Il mono lo dimezza ; una frequenza di campionamento inferiore lo scala proporzionalmente, quindi un’ora di parlato mono a 16.000 Hz è circa 115 MB contro 600 MB per la stessa ora a stereo CD. Non c’è impostazione di qualità, perché WAV non comprime.

C’è un limite rigido che vale la pena conoscere prima di pianificare una pipeline attorno a ciò. Le dimensioni dei chunk RIFF sono a 32 bit, il che limita un WAV a 4 GB — circa sei ore e mezza di audio stereo a velocità CD, o circa trentasette ore di mono a 16 kHz. Catture continue lunghe lo superano, e la soluzione è segmentare prima di convertire piuttosto che scoprire il tetto alla fine di un lotto.

Se il file ADTS portava un blocco ID3v2 davanti — alcuni registratori ne aggiungono uno — titolo, artista, album, numero di traccia, genere, data e commento si mappano nel chunk RIFF INFO del WAV. La copertina, l’artista dell’album, il numero del disco, la descrizione e i testi non hanno equivalente in INFO e vengono scartati, e i valori INFO sono limitati a ISO 8859-1, quindi qualsiasi cosa fuori dal Latin-1 viene lasciata fuori piuttosto che corrotta.

Per questo pubblico è quasi sempre irrilevante, e occasionalmente è il punto : una cattura destinata all’analisi sta meglio senza portare alcun metadato descrittivo. Dove la provenienza conta, registrarla accanto al file in qualsiasi cosa la pipeline usi per i manifest piuttosto che fare affidamento su un chunk che metà degli strumenti ignorerà.

I registratori di stream vengono fermati a metà frame, e il file risultante termina nel mezzo di un pacchetto. La conversione legge fino al danno e si ferma lì, il che normalmente dà un WAV utilizzabile di una frazione di secondo più corto della sorgente — un esito migliore del rifiutare il file, e che vale la pena conoscere così che una durata leggermente corta non sembri un bug.

Un guasto diverso è un file che non è affatto ADTS. Qualsiasi cosa si chiami `.aac` che sia in realtà un frammento MP4, o un M4A rinominato a mano, non verrà analizzato come stream di frame, e la conversione segnala che il file non può essere letto piuttosto che indovinare. Se ciò accade, provare come M4A — un demuxer MP4 lo aprirà, e si sarà identificato cosa si aveva in realtà.

AAC consente fino a 48 canali e WAV fino a 18, quindi il materiale surround ordinario passa come un WAV multicanale piuttosto che essere ridotto. Le frequenze di campionamento sono preservate esattamente, comprese quelle insolite — 8.000, 11.025, 16.000, 22.050 e 32.000 sopravvivono tutte, il che conta quando il modello a valle o il DSP è stato addestrato o tarato a una frequenza specifica.

L’eccezione è una disposizione che nessun percorso accetterà, dove la conversione ripiega su due canali a 48.000 Hz piuttosto che fallire. È uno scambio deliberato a favore dell’ottenere un file, e vale la pena controllare l’intestazione del primo output in un nuovo lotto — uno script che presumeva mono a 16.000 Hz e ha ricevuto stereo a 48.000 Hz produrrà risultati che sembrano plausibili e sono sbagliati.

Questa conversione non scarica nulla in più. Il decoder AAC è quello che il dispositivo contiene già, e scrivere un WAV è assemblare un’intestazione e copiare campioni — l’unica destinazione nell’insieme audio che non ha bisogno di alcun encoder, il che è il motivo per cui è la più veloce tra esse.

Significa anche che nulla viene caricato, e per audio generato da macchina è meno astratto di quanto sembri. Le catture da telecamera e telefonia portano le voci di altre persone, registrate in luoghi con regole su dove quelle registrazioni possono essere memorizzate. Un convertitore che mantiene il file dentro la scheda non crea una copia sull’infrastruttura di qualcun altro, e la scheda Rete degli strumenti di sviluppo è il test di accettazione piuttosto che una promessa su una pagina.