Converter OPUS para WAV

Esse é o fato mais importante de saber antes de qualquer coisa. O Opus roda num relógio fixo de 48.000 Hz — um decodificador reporta 48 kHz independentemente do que foi entregue ao codificador — então o WAV que sai desta conversão é um arquivo de 48 kHz, mesmo quando a nota de voz original foi capturada numa faixa bem mais estreita que isso.

Quase todo modelo de fala espera 16.000 Hz. O Whisper reamostra internamente, torchaudio e librosa reamostram ao carregar, e uma ferramenta de alinhamento forçado geralmente também faz isso. O modo de falha não é ruído, é silêncio: um pipeline que presume 16 kHz e lê um arquivo de 48 kHz sem checar o cabeçalho produz uma saída que parece plausível e está errada por um fator de três.

Um WAV se declara. O primeiro bloco informa o tipo de formato, o número de canais, a taxa de amostragem, a taxa de bytes e os bits por amostra; o próximo informa quantos bytes de áudio seguem; e o bloco de dados são as próprias amostras. Ler isso não precisa de decodificador nenhum, e é por isso que a biblioteca padrão do Python traz um módulo wave e não traz um de Opus.

Suportar Opus significa vincular libopus ou chamar o FFmpeg, o que é uma dependência, um problema de compilação em três plataformas e uma classe de relatos de bug. Código de pesquisa e transcrição é escrito por gente que prefere não carregar nada disso, então a lista de aceitos diz WAV e às vezes MP3 e FLAC.

Vale dizer isso claramente, porque a expectativa é comum. O Opus comprimiu a fala e descartou o que julgou inaudível; o WAV guarda os sobreviventes em largura total. A taxa de erro de palavras é definida pela gravação — a sala, o microfone, a sobreposição entre falantes, a taxa de bits que o app escolheu — e nada disso muda quando o contêiner muda.

Há um caso em que converter genuinamente ajuda, e é o caso que esta página existe para evitar. Se sua alternativa era recodificar para MP3 para satisfazer o mesmo formulário de envio, você estaria adicionando uma segunda rodada de compressão com perda em cima de fala que já foi codificada a 16 ou 32 kbps.

O Opus é extraordinariamente eficiente com fala, e é exatamente essa eficiência que torna a proporção dramática. Uma nota de voz é mono entre 16 e 32 kbps, então uma mensagem de dois minutos fica perto de 300 kilobytes. Como PCM mono de 16 bits a 48.000 Hz, os mesmos dois minutos ficam perto de 11,5 megabytes — trinta a quarenta vezes maior, sem um detalhe a mais.

Para uma gravação isso é irrelevante. Para um conjunto de quatrocentas notas de voz de um backup de celular é a diferença entre 120 megabytes e quatro gigabytes e meio, e vai decidir se o trabalho cabe no disco que você tinha planejado usar. Converta em lotes do tamanho que seu pipeline consome, não a coleção inteira de uma vez.

O Opus é o codec obrigatório do WebRTC, e é por isso que todo navegador o traz e todo app construído sobre tecnologia de navegador o usa. Mensagens de voz do WhatsApp e Telegram, Signal, gravações do Discord, capturas do Google Meet, gravadores no navegador e o yt-dlp pegando a melhor faixa de áudio produzem esse formato.

Essa origem molda o material. As gravações são curtas, mono, conversacionais e frequentemente feitas num celular numa sala sem tratamento acústico. Também tendem a chegar em quantidade, nomeadas com carimbo de tempo e sem metadados.

A saída é PCM assinado de 16 bits little-endian — a profundidade que todo padrão presume, a que wave.open devolve sem configuração nenhuma e a que scipy.io.wavfile.read entrega como array int16.

O Opus decodifica para amostras de ponto flutuante internamente, então um WAV de 32 bits em float seria tecnicamente possível e teria o dobro do tamanho sem ganho nenhum: o conteúdo de informação já foi fixado no momento em que o codificador rodou. Modelos de fala normalizam para float ao carregar de qualquer forma. Dezesseis bits não é uma concessão aqui, é a resposta certa.

Ogg Opus carrega um valor de pré-corte que informa a um decodificador quantas amostras no início do fluxo são priming do codificador e devem ser descartadas. É assim que uma chamada pode começar limpa em vez de com um clique, e isso é respeitado durante a decodificação.

O que um WAV não carrega é nada dessa contabilidade — ele tem um início e uma duração e nada mais. Para uma transcrição isso é irrelevante. Importa se você está alinhando uma gravação convertida contra vídeo ou contra um segundo microfone: faça o alinhamento no WAV, depois da conversão, usando uma referência compartilhada no áudio.

Isso vale dizer diretamente. Os arquivos que chegam como .opus são mensagens de voz, chamadas gravadas, entrevistas, notas clínicas, sessões de pesquisa gravadas sob um termo de consentimento que nomeou quem ouviria. Um site de conversão que aceita upload cria uma cópia numa infraestrutura que você não avaliou.

Aqui a decodificação usa o decodificador de Opus que seu navegador já tem para chamadas, e o WAV é um cabeçalho RIFF montado ao redor das amostras, então nenhum pacote de codificador é buscado e nenhuma requisição carrega o áudio. Isso é verificável, não apenas prometido: abra o painel de rede e confira.

Solte cem gravações de uma vez. Cada uma converte independentemente e voltam num ZIP só, com teto de 100 MB por arquivo — bem acima de qualquer nota de voz — e sem limite diário, porque nada está sendo enviado e não há o que contar.

Observe o total, não os arquivos individuais, já que o múltiplo é o que morde: quatrocentas notas de dois minutos são cerca de 120 MB como Opus e cerca de quatro gigabytes e meio como WAV. Converta em grupos de cinquenta ou cem, alimente cada grupo ao pipeline e apague os WAVs depois que as transcrições existirem.