Converter OPUS para AAC

O arquivo que esta página escreve é um fluxo de transporte de dados de áudio: quadros AAC um atrás do outro, cada um carregando um cabeçalho curto que repete a taxa de amostragem, a configuração de canal e o perfil, sem nada envolvendo eles. Sem índice, sem campo de duração, sem área de metadado. O outro arquivo chamado AAC é um M4A — o mesmo áudio codificado dentro de um contêiner MP4 que carrega os três.

Qual dos dois você precisa não é questão de gosto e não dá para inferir pela palavra. Documentação que nomeia ADTS ou um fluxo elementar significa esta página. Documentação que só diz "áudio AAC" e espera uma duração ou uma barra de progresso significa o M4A. Enviar o errado é a falha mais comum nesta conversão, e geralmente aparece como um player reportando a duração errada em vez de uma recusa direta.

O ADTS existe para que um fluxo possa começar em qualquer quadro. Essa propriedade é o que sistemas de locução, automação de veiculação e reprodutores de URA são construídos em torno: eles cortam áudio em pedaços, começam a tocar no meio, e entregam fragmentos a um decodificador sem contêiner para consultar. Um cabeçalho em cada quadro é o que torna isso seguro.

O mesmo desenho suporta concatenação. Dois arquivos ADTS cuja taxa de amostragem e contagem de canal batem podem ser unidos byte a byte e o resultado toca como um arquivo contínuo, sem recodificação e portanto sem perda adicional. Sistemas de locução montam frases dessa forma exatamente. É o motivo mais forte para preferir um fluxo cru quando você tem a escolha, e vale conferir que seus fragmentos realmente compartilham parâmetros antes de contar com isso.

O Opus roda num relógio fixo de 48.000 Hz. Um decodificador reporta essa taxa seja qual for a fonte, então o AAC produzido aqui fica em 48 kHz mesmo quando a origem era uma gravação de voz a 16 kHz. Nada nesta página reamostra, e isso é deliberado — reamostrar é uma decisão com consequência audível e pertence a uma ferramenta onde pode ser ouvida.

Isso importa mais na direção em que este par costuma ser usado. Sistemas de telefonia e URA frequentemente especificam 8.000 ou 16.000 Hz, porque é isso que o transporte carrega, e um arquivo a 48 kHz vai ser recusado ou reamostrado na ingestão. Faça isso você mesmo num editor depois de converter, para o resultado ser conferido em vez de descoberto quando uma locução soar errada numa linha ao vivo.

O Opus aparece nesta posição por três motivos. Plataformas de mensagem e bots de voz gravam nele, porque foi desenhado para fala em tempo real e é o que o WebRTC exige. Ferramentas de download produzem ele, porque é o melhor fluxo disponível sem recodificar. E serviços de síntese de voz cada vez mais emitem nele, pelos mesmos motivos de banda.

A taxa de bits da fonte define o teto de tudo abaixo dela. Uma locução sintetizada numa taxa de bits razoável converte para um AAC na faixa alta qualidade que nenhum ouvinte vai criticar. Uma nota de voz capturada numa taxa bem baixa para uma ligação já está no fundo da faixa do codec, e nenhuma faixa desta página melhora isso.

O controle de qualidade resolve para uma taxa de bits real dentro do codificador, e o AAC recebe um conjunto fixo de três faixas: arquivo pequeno, equilibrado, alta qualidade. O número exato que cada uma escreve pertence à biblioteca que codifica, não a esta página; o que se pode dizer é que nada acima da faixa mais alta está disponível neste caminho, uma limitação do codificador, não do codec, e vale saber isso se uma especificação nomeia uma taxa bem mais alta.

Exigências escritas para AAC geralmente são tetos impostos por um transporte, não alvos de qualidade — um canal estreito, um orçamento definido anos atrás. Escolha a faixa que parece corresponder ao número nomeado e confira o tamanho do resultado. Onde nada é especificado, alta qualidade é o padrão certo para uma segunda geração de codificação.

Fala gravada para um sistema normalmente é mono na origem, e deveria continuar assim: dois canais idênticos carregam a mesma informação pelo dobro da taxa de bits, e um reprodutor de locução que espera mono pode recusar ou dobrar um arquivo estéreo de forma imprevisível. Nada aqui promove um arquivo mono para estéreo, então um Opus mono produz um AAC mono.

O cabeçalho ADTS registra a configuração de canal em todo quadro, o que é o que torna segura a manobra de concatenação acima — um fragmento mono não pode acidentalmente ser unido a um estéreo sem o descompasso aparecer. Se um lote contém os dois, vale resolver isso antes de converter.

Não existe duração em lugar nenhum de um arquivo ADTS. Software que precisa de uma estima, seja varrendo todo quadro ou dividindo o tamanho do arquivo por uma taxa de bits assumida, e material de taxa variável quebra essa aritmética. É por isso que players às vezes reportam a duração errada de um arquivo `.aac` ou recusam deixar você buscar dentro dele.

Para um sistema de locução isso é irrelevante, porque a plataforma mede o áudio ao ingerir e guarda o número no próprio banco. Para qualquer coisa onde uma pessoa vê uma barra de progresso é um defeito visível, e é o sinal prático mais claro de que um fluxo cru era a entrega errada. O M4A carrega a duração no cabeçalho e não tem esse problema.

O Opus é carregado num contêiner Ogg com comentários no formato Vorbis — uma lista aberta de chaves com valores de texto —, e uma locução sintetizada ou uma gravação exportada muitas vezes tem uma descrição útil ali. O ADTS não tem área de metadado nenhuma, então todo campo é descartado e o resultado carrega só som.

Neste contexto isso geralmente está correto: locuções são identificadas por caminho e pelo registro da própria plataforma, não por tag embutida. Onde a descrição importa — uma licença, uma atribuição, um número de versão de um conjunto de locuções —, copie isso para o nome do arquivo ou um manifesto antes de converter, ou use o destino M4A, que tem espaço para tudo isso e carrega o mesmo áudio.

Arquivos são limitados a 100 MB cada — para Opus isso são horas de fala — e cem podem ser soltos de uma vez e devolvidos como ZIP, o que se encaixa em como conjuntos de locução e gravações de bot realmente chegam. O trabalho é tempo de processador na sua própria máquina em vez de banda, então um lote grande vale iniciar e deixar rodando.

O Opus decodifica nativamente em todo navegador porque o WebRTC tornou isso obrigatório. Chrome, Edge e Safari também codificam AAC nativamente; o Firefox não, então um codificador WebAssembly é baixado uma vez ali. Esse pacote é a única coisa que atravessa a rede — chamadas gravadas, locuções de cliente e qualquer outra coisa no lote ficam na máquina.