Convertire OPUS in WAV

È il fatto da sapere prima di ogni altra cosa. Opus gira su un clock fisso a 48.000 Hz — un decodificatore riporta 48 kHz a prescindere da cosa sia stato dato al codificatore — quindi il WAV che esce da questa conversione è un file a 48 kHz, anche quando il memo vocale sottostante è stato catturato molto più stretto di così.

Quasi ogni modello vocale si aspetta 16.000 Hz. Whisper ricampiona internamente, `torchaudio` e `librosa` ricampionano al caricamento, e uno strumento di allineamento forzato di solito lo fa anche. La modalità di fallimento non è rumore, è silenzio: una pipeline che presume 16 kHz e legge un file a 48 kHz senza controllare l'intestazione produce un output che sembra plausibile ed è sbagliato di un fattore tre. Si legge l'intestazione, o si ricampiona esplicitamente, e il resto della pipeline si comporta bene.

Un WAV si dichiara da solo. Il primo chunk dichiara l'etichetta del formato, il numero di canali, la frequenza di campionamento, la velocità in byte e i bit per campione; il successivo dichiara quanti byte di audio seguono; e il chunk dati sono i campioni stessi. Leggerlo non richiede alcun decodificatore, motivo per cui la libreria standard Python include un modulo `wave` e non ne include uno per Opus.

Supportare Opus significa collegare libopus o chiamare FFmpeg, una dipendenza, un problema di build su tre piattaforme e una classe di bug report. Il codice di ricerca e trascrizione è scritto da persone che preferiscono non possedere nulla di tutto ciò, quindi l'elenco di ingestione dice WAV e occasionalmente MP3 e FLAC. Il proprio file non è inadatto; il loro caricatore è ristretto, e questa conversione è il modo per incontrarlo.

Vale la pena dirlo chiaramente, perché l'aspettativa è comune. Opus ha compresso il parlato e scartato ciò che ha giudicato inudibile; il WAV contiene i sopravvissuti a piena larghezza. Il tasso di errore sulle parole è determinato dalla registrazione — la stanza, il microfono, la sovrapposizione tra parlanti, il bitrate scelto dall'app — e nulla di ciò cambia quando cambia il contenitore.

C'è un caso in cui convertire aiuta davvero, ed è il caso per cui questa pagina esiste per prevenirlo. Se l'alternativa fosse ricodificare in MP3 per soddisfare lo stesso modulo di caricamento, si aggiungerebbe un secondo giro di compressione con perdita sopra un parlato già codificato a 16-32 kbps, con un codec nettamente meno efficiente di Opus a quelle velocità. Il WAV non aggiunge nulla e non distrugge nulla, la proprietà giusta per un intermedio.

Opus è straordinariamente efficiente sul parlato, e quella efficienza è esattamente ciò che rende il rapporto drammatico. Un messaggio vocale è mono tra 16 e 32 kbps, quindi un messaggio di due minuti è circa 300 kilobyte. Come PCM mono a 16 bit a 48.000 Hz gli stessi due minuti sono circa 11,5 megabyte — trenta-quaranta volte più grande, senza un dettaglio aggiuntivo.

Per una registrazione è irrilevante. Per un insieme di quattrocento messaggi vocali da un backup telefonico è la differenza tra 120 megabyte e quattro gigabyte e mezzo, e deciderà se il lavoro sta sul disco che si intendeva usare. Si converte nei lotti che la pipeline consuma invece di convertire tutto l'archivio in anticipo.

Opus è il codec obbligatorio per WebRTC, motivo per cui ogni browser lo include e ogni app costruita su tecnologia browser lo usa. I messaggi vocali WhatsApp e Telegram, Signal, le registrazioni Discord, le catture Google Meet, i registratori nel browser e `yt-dlp` che prende il miglior flusso audio lo producono tutti.

Quell'origine plasma il materiale. Le registrazioni sono brevi, mono, conversazionali e spesso fatte su un telefono in una stanza senza trattamento acustico. Tendono anche ad arrivare in quantità, nominate con timestamp e senza metadati, ecco perché il percorso batch e la disciplina di denominazione contano qui più delle impostazioni audio.

L'output è PCM con segno a 16 bit little-endian — la profondità che ogni default presume, quella che `wave.open` restituisce senza configurazione e quella che `scipy.io.wavfile.read` restituisce come array `int16`.

Opus decodifica internamente a campioni in virgola mobile, quindi un WAV a float32 sarebbe tecnicamente esprimibile e sarebbe il doppio della dimensione senza guadagno: il contenuto informativo è stato fissato nel momento in cui il codificatore ha girato. I modelli vocali normalizzano a float al caricamento comunque, e lo fanno da qualunque profondità ricevano. Sedici bit qui non è un compromesso, è la risposta giusta.

Ogg Opus porta un valore di pre-skip che dice a un decodificatore quanti campioni all'inizio del flusso sono priming del codificatore e vanno scartati. È così che una chiamata può iniziare in modo pulito invece che con un clic, e viene rispettato durante la decodifica.

Ciò che un WAV non può portare è nulla di quella contabilità — ha un inizio e una lunghezza e nient'altro. Per una trascrizione è irrilevante. Conta se si allinea una registrazione convertita contro un video, contro un secondo microfono o contro un timecode: si fa l'allineamento sul WAV, dopo la conversione, usando un riferimento condiviso nell'audio, invece di presumere che il campione zero nei due file si riferisca allo stesso istante.

Vale la pena dirlo direttamente invece che come punto elenco di funzioni. I file che arrivano come `.opus` sono messaggi vocali, chiamate registrate, interviste, note cliniche, sessioni di ricerca catturate sotto un modulo di consenso che nominava chi le avrebbe ascoltate. Un sito di conversione che accetta un caricamento crea una copia su un'infrastruttura non valutata, governata da termini non negoziati.

Qui la decodifica usa il decodificatore Opus che il browser già contiene e il WAV è un'intestazione RIFF assemblata attorno ai campioni, quindi nessun pacchetto codificatore viene scaricato e nessuna richiesta porta l'audio. È verificabile invece che promesso: si apre la scheda Rete degli strumenti sviluppatore, si converte un file, e si guarda. Si vedrà la pagina e la pubblicità che la finanzia e nient'altro.

Si trascinano cento registrazioni alla volta. Ognuna converte per conto proprio e tornano come un unico ZIP, con un tetto di 100 MB per file — ben oltre qualsiasi messaggio vocale — e nessun limite giornaliero da spendere, perché nulla viene caricato e non c'è nulla da misurare.

Si osserva il totale piuttosto che i singoli file, dato che è il moltiplicatore a mordere: quattrocento messaggi da due minuti sono circa 120 MB come Opus e circa quattro gigabyte e mezzo come WAV, assemblati dentro una scheda del browser. Si converte in gruppi di cinquanta o cento, si alimenta ogni gruppo alla pipeline, e si cancellano i WAV una volta che le trascrizioni esistono — sono intermedi, e i file Opus sono gli originali da conservare.