¿Cómo se separa la pista de audio de un MOV? La lógica de contenedor, pista y códec

¿Qué hay dentro de un archivo de vídeo?

La expresión "extraer el audio de un archivo MOV" puede sonar, la primera vez que se oye, como si ocurriera algo mágico, como si la herramienta escuchara el vídeo y reprodujera el sonido. La realidad es mucho más sencilla y, una vez que la entiendes, toda la lógica de la conversión encaja.

Un archivo MOV es un contenedor. Un contenedor es la estructura que mantiene juntos en un solo archivo distintos tipos de flujos de datos y registra dónde empieza y termina cada uno. Dentro se encuentra típicamente lo siguiente:

• Una pista de vídeo: los datos de imagen en movimiento
• Una o varias pistas de audio
• Si las hay, pistas de subtítulos o de código de tiempo
• Metadatos: duración, resolución, velocidad de fotogramas, fecha de grabación
• Información de sincronía: qué fotograma de audio corresponde a qué fotograma de imagen

El punto clave es este: el audio ya está ahí. Dentro del archivo de vídeo, como un flujo independiente, guardado aparte de la imagen. Por tanto, lo que llamamos "extraer el audio" es en realidad una operación de separación: coger uno de los dos objetos que hay en la caja y dejar el otro.

¿En qué formato está el audio dentro de un MOV?

Aquí hay una situación propia de MOV. MOV es el contenedor QuickTime de Apple y, como se usa tanto en el mundo de consumo como en el profesional, el formato del audio interno varía notablemente según la fuente.

AAC es el más habitual. Los vídeos de iPhone y iPad, las grabaciones de pantalla de macOS y la mayoría de cámaras de consumo escriben el audio como AAC. AAC es un formato con pérdidas: al grabar, reduce el archivo descartando la información que le resulta difícil de percibir al oído humano.

PCM es el segundo formato que más se encuentra. Las cámaras profesionales, los grabadores de audio externos y algunos programas de grabación de pantalla escriben el audio sin comprimir en absoluto, en su forma bruta. Las pistas PCM ocupan mucho espacio pero no se ha descartado ninguna información.

Más raramente puede haber dentro de un MOV formatos comprimidos sin pérdidas, como ALAC, u otros formatos especiales, pero las dos posibilidades principales con las que te encontrarás en la práctica son AAC y PCM.

La diferencia entre separar y recodificar

Aquí está el corazón del asunto, y entender esta distinción explica por qué el resultado sale de una manera u otra.

Separación pura (copia): si el formato de destino que quieres es el mismo que el de la pista de audio dentro del contenedor, lo único que hay que hacer es sacar los datos del contenedor y escribirlos en un archivo nuevo. Los datos de audio se mantienen bit a bit idénticos. No hay ninguna pérdida de calidad y la operación es muy rápida.

Recodificación: si el formato de destino es distinto, la pista de audio tiene que descomprimirse primero (volver a una forma de onda digital) y comprimirse después desde cero con el nuevo algoritmo. Eso supone una carga de trabajo real y, si codificas hacia un destino con pérdidas, se descarta inevitablemente algo de información.

En el escenario MOV a MP3, ¿en cuál de los dos casos estamos? Casi siempre en el segundo. Si el audio dentro del MOV es AAC, no hay forma de escribir los datos AAC tal cual en un archivo MP3, porque un archivo .mp3 transporta por definición únicamente datos comprimidos con el códec MP3. Y si es PCM, como el PCM ya está sin comprimir, tener MP3 como destino significa automáticamente una compresión.

Es decir, la respuesta honesta es esta: extraer un MP3 de un MOV es, en la práctica, siempre una recodificación e incluye cierta pérdida de calidad.

¿Por qué el paso de AAC a MP3 requiere especial atención?

La situación que se produce al convertir entre dos formatos con pérdidas se llama técnicamente codificación doble, y su lógica es la siguiente.

AAC, al comprimir el audio, descarta determinada información y decide qué descartar según su propio modelo psicoacústico. El modelo de MP3 es distinto y descarta cosas diferentes. Cuando conviertes una pista AAC a MP3, el codificador de MP3 recibe un audio ya recortado y le aplica encima su propio recorte. Las dos pérdidas no se anulan entre sí: se superponen.

Eso no significa que el resultado vaya a ser inutilizable. Al contrario: hecho con una tasa de bits razonable, la mayoría de la gente no oye la diferencia. Pero hay que saber dos cosas:

1. La conversión nunca puede mejorar el audio. Si la pista AAC de origen es floja, convertirla en un MP3 de 320 kbps no la arregla; solo guarda un audio flojo en un archivo grande.
2. Las conversiones repetidas se acumulan. Convertir el mismo audio de MP3 a AAC y de ahí otra vez a MP3 lo desgasta un poco más cada vez. Siempre que sea posible, convierte desde la fuente original.

¿Por qué se habla tanto de la elección de la tasa de bits?

La tasa de bits le indica al codificador de MP3 cuántos bits por segundo puede gastar. Cuanto más amplio sea el presupuesto, menos información se verá obligado a descartar el codificador.

El enfoque práctico puede resumirse así: las grabaciones con predominio de voz —entrevistas, clases, pódcast— se mantienen claras incluso con tasas de bits bajas, porque la voz humana se concentra en un rango de frecuencias estrecho. La música, las actuaciones en directo o el sonido ambiente rico, en cambio, usan un espectro más amplio, y a tasas de bits bajas lo primero que se degrada suele ser el detalle en las frecuencias altas y la naturalidad de los instrumentos agudos.

Si la fuente es PCM, conviene ser generoso, porque tienes una fuente limpia y la estás comprimiendo por primera vez. Si la fuente ya es un AAC de tasa de bits baja, elegir una tasa de bits MP3 muy alta no aporta ninguna ganancia; no puedes superar el límite de la fuente.

No tienes por qué hacer esa detección a mano: nuestra herramienta para extraer audio en MP3 de MOV lee por sí misma la pista de audio dentro del contenedor y hace la conversión en consecuencia; lo único que tienes que hacer tú es elegir una tasa de bits de destino razonable.

La cuestión de la duración y el tamaño del archivo

Un último punto práctico: la duración de la operación de extracción de audio tiene más que ver con el tamaño total del archivo que con la duración de la pista de audio. Para llegar a la pista de audio, la herramienta tiene que leer el archivo, y un MOV profesional puede ocupar varios gigabytes. En un archivo así, la fase de subida y procesamiento puede durar varios minutos; no es un error, es la consecuencia natural del tamaño del archivo.

En cambio, el MP3 resultante suele ocupar un pequeño porcentaje del original. Que la versión MOV de un vídeo de entrevista llene el disco mientras su versión MP3 cabe en el móvil se debe exactamente a esto: se han quitado los datos de imagen y solo queda el audio comprimido.

En resumen

MOV es un contenedor, el audio ya está dentro de él como una pista aparte y "extraer el audio" es la operación de separar esa pista. El audio dentro de un MOV suele ser AAC y a veces PCM; ninguno de los dos es MP3. Por eso la conversión de MOV a MP3 no es una copia, sino una recodificación real, y contiene una pequeña pérdida de calidad. No puedes eliminar esa pérdida, pero sí mantenerla a un nivel inaudible eligiendo una tasa de bits adecuada a la fuente y evitando conversiones intermedias innecesarias. Y la regla que vale en todos los casos es esta: la conversión nunca puede dejar el audio mejor de lo que era en su fuente.