Converter AAC para WAV

A especificação RIFF WAVE é de 1991 e sua qualidade é ser previsível: os primeiros bytes do arquivo declaram a taxa de amostragem, o número de canais, a profundidade de bits e quantos bytes de áudio vêm a seguir. Um programa lê isso e já sabe o tamanho do buffer que precisa, sem decodificador nenhum.

É por isso que o módulo `wave` do Python existe e um módulo AAC nativo não, e por que um dispositivo embarcado com pouca memória consegue tocar um WAV direto do cartão. Esta conversão não é sobre melhorar o som — é sobre transformar um fluxo em um arquivo que anuncia o próprio formato.

Um `.aac` isolado normalmente é ADTS: uma sequência contínua de quadros, cada um com um cabeçalho de sete bytes descrevendo só aquele quadro. O formato foi pensado para transmissão, em que um receptor pode entrar no meio e precisa decodificar a partir de onde estiver — por isso não existe cabeçalho de arquivo.

Em disco isso vira três problemas: a duração é estimada pelo tamanho do arquivo e pela taxa do primeiro quadro, e erra sempre que o bitrate varia; não existe índice, então buscar um trecho significa procurar a borda de um quadro; e não há um layout de canais declarado para o arquivo inteiro, só por quadro. O WAV resolve os três com campos fixos.

Câmera IP, DVR e sistema de telefonia gravam em ADTS porque dá para cortar o fluxo em qualquer ponto sem reescrever nada. Transmissão via HLS entrega o áudio em segmentos `.aac`, então quem grava um streaming acaba com uma pilha deles. Bibliotecas de gravação do Android também usam esse formato por padrão.

O ponto em comum é que uma máquina gerou o arquivo para outra máquina ler, não uma pessoa para ouvir. Por isso o áudio costuma ser mono, com taxa de 8.000 ou 16.000 Hz típica de sistemas de voz — tudo isso é preservado exatamente como está.

A saída é PCM de 16 bits com sinal, little-endian, na mesma taxa e no mesmo número de canais do original. Dezesseis bits é a profundidade de CD, e é o que praticamente toda ferramenta assume sem configuração — `wave.open` retorna isso direto, um DAC de hardware é construído em torno disso.

Uma profundidade maior não ajudaria em nada aqui: o AAC decodifica internamente em ponto flutuante, mas o conteúdo de informação já está limitado ao que o codificador guardou. Escrever 24 ou 32 bits só aumentaria o arquivo pela metade ou pelo dobro, sem acrescentar um único bit de sinal real.

Estéreo de 16 bits a 44.100 Hz fica em torno de 10 MB por minuto. Mono corta pela metade, e uma taxa de amostragem menor reduz proporcionalmente — uma hora de voz mono a 16.000 Hz fica perto de 115 MB, contra 600 MB da mesma hora em estéreo de qualidade de CD. Não há controle de qualidade, porque WAV não comprime nada.

Existe um limite estrutural que vale conhecer antes de montar um pipeline: o tamanho de cada bloco RIFF é de 32 bits, o que trava o WAV em 4 GB — cerca de seis horas e meia de áudio estéreo em qualidade de CD. Uma gravação longa e contínua estoura isso, e o jeito certo é dividir o arquivo antes de converter.

Se o arquivo ADTS carregava um bloco ID3v2 no início — alguns gravadores acrescentam —, título, artista, álbum e data migram para o bloco RIFF INFO do WAV. Capa de álbum e outros campos sem equivalente em INFO são descartados, e valores fora do padrão Latin-1 ficam de fora em vez de virar caractere corrompido.

Para quem está processando uma captura em pipeline isso quase sempre é irrelevante, e às vezes é exatamente o desejado: um arquivo destinado a análise não precisa carregar metadado nenhum. Onde a origem importa, registre isso separadamente em vez de confiar num campo que boa parte das ferramentas ignora.

Um gravador de streaming interrompido no meio de um quadro produz um arquivo que termina no meio de um pacote. A conversão lê até onde o dano começa e para ali, entregando um WAV usável, apenas uma fração de segundo mais curto — melhor do que recusar o arquivo inteiro.

Um arquivo chamado `.aac` que na verdade é um fragmento MP4, ou um M4A renomado à mão, não vai passar como fluxo de quadros, e a conversão avisa que não conseguiu ler em vez de tentar adivinhar. Nesse caso, vale tentar de novo tratando o arquivo como M4A.

O AAC permite até 48 canais e o WAV até 18, então um material surround comum atravessa como WAV multicanal em vez de ser reduzido. Taxas incomuns como 8.000, 11.025, 16.000, 22.050 e 32.000 Hz sobrevivem exatamente, o que importa quando um modelo ou processamento posterior foi ajustado para uma taxa específica.

A exceção é um layout que nenhum caminho de decodificação aceite, quando a conversão recua para dois canais a 48.000 Hz em vez de simplesmente falhar. É uma escolha deliberada em favor de entregar algum arquivo, e vale conferir o cabeçalho do primeiro resultado de um lote novo antes de assumir que a taxa bateu.

Esta conversão não baixa nada extra: o decodificador AAC é o que o seu próprio aparelho já traz, e escrever um WAV é só montar um cabeçalho e copiar amostras — o único destino de áudio deste site que dispensa codificador, e por isso o mais rápido de todos.

Isso também significa que nada é enviado a servidor nenhum. Gravação de câmera e ligação carregam a voz de outras pessoas, e manter o arquivo dentro do navegador evita criar uma cópia em infraestrutura de terceiros. A guia de rede do seu navegador é o teste, não uma promessa nesta página.