¿Por qué aparecen huecos y problemas de frecuencia de muestreo al unir audio?

Cuando unes dos archivos de audio, en el punto de transición puedes oír un breve silencio o un molesto "clic". No son errores aleatorios; son consecuencias estructurales de los formatos de audio y del procesamiento digital del sonido. En este artículo explicamos por qué se producen y cómo se evitan.

Problema 1: retardo del codificador y relleno

Los códecs de audio con pérdidas procesan el sonido en bloques. En MP3 un bloque son 1152 muestras (unos 26 milisegundos a 44,1 kHz); en AAC suelen ser 1024.

Esa estructura de bloques genera dos tipos de hueco:

Retardo del codificador (encoder delay). Por la forma de trabajar del codificador, al principio de la salida aparece un retardo de unos cientos de muestras. En MP3 suele ser de 576 o 1105 muestras. Se añade al principio del archivo un silencio que no existía en el origen.

Relleno (padding). Si la duración del audio no es divisible exactamente entre el tamaño de bloque, el último bloque queda incompleto y el codificador lo rellena con silencio. Por ejemplo, una grabación de 3 minutos y 12,3 segundos no cuadra con un número entero de bloques y se añaden al final unos cientos de muestras de silencio.

Resultado: al principio y al final de cada archivo MP3 hay silencios breves que no estaban en el origen. Escuchando un solo archivo no lo notas. Pero cuando unes diez pistas seguidas, ese hueco se oye en cada transición.

Cómo lo resuelve la reproducción sin cortes

Como el problema es conocido, se añadió una solución a los formatos: el codificador guarda en el archivo la cantidad de retardo y de relleno que ha añadido.

En MP3, esa información se guarda en la etiqueta LAME (o cabecera Xing/Info). Está en el primer fotograma del archivo y lleva valores del tipo "576 muestras de retardo al principio y 1234 de relleno al final".

En AAC/M4A, la información equivalente está en el campo de metadatos iTunSMPB.

Los reproductores capaces de leerla saltan esas muestras al reproducir y consiguen la reproducción sin cortes (gapless).

Pero aquí hay una inconsistencia: no todos los reproductores leen esa información. El mismo álbum puede sonar sin cortes en un reproductor y con hueco entre cada pista en otro. Además, algunos conversores y editores no conservan ni actualizan esa etiqueta.

Qué significa esto al unir

Al unir archivos de audio hay dos enfoques distintos y su comportamiento con los huecos es diferente.

Unión por copia directa: los datos codificados se añaden uno detrás de otro tal cual. La calidad se conserva pero los huecos de retardo y relleno también se conservan. En cada transición hay un breve silencio.

Unión con recodificación: todos los archivos se decodifican a PCM, se añaden uno detrás de otro y después se codifican de una sola vez. Los huecos intermedios desaparecen por completo porque solo hay una operación de codificación: únicamente queda retardo y relleno al principio y al final del archivo final.

Hay una concesión en cuanto a calidad: la recodificación añade una pérdida adicional cuando las fuentes son con pérdidas.

El método más limpio: prepara los archivos de origen en formato sin pérdidas (WAV, FLAC), únelos sin pérdidas (no se forman huecos porque en PCM no hay estructura de bloques) y después codifica el archivo final una sola vez al formato de destino.

Este es el flujo de trabajo estándar al preparar audiolibros y álbumes.

Problema 2: desajuste de frecuencia de muestreo

La frecuencia de muestreo indica cuántas mediciones de sonido se toman por segundo. Valores habituales:

| Frecuencia | Uso típico | |---|---| | 44.100 Hz | Estándar de CD, música | | 48.000 Hz | Vídeo, audio profesional | | 32.000 Hz | Algunas aplicaciones de radiodifusión | | 22.050 Hz | Voz de baja calidad | | 96.000 Hz | Audio de alta resolución |

Unir archivos con frecuencias distintas sin una conversión correcta provoca un problema serio: el segundo archivo suena a la velocidad equivocada.

La razón es simple: si el archivo se grabó como "48.000 muestras por segundo" y el reproductor lo reproduce como "44.100 muestras por segundo", el sonido se ralentiza alrededor de un 9 % y el tono baja. La voz se vuelve más grave y la música se desafina.

En sentido contrario ocurre lo mismo: reproducir un archivo de 44,1 kHz como si fuera de 48 kHz acelera el sonido y sube el tono.

Remuestreo

Las herramientas correctas resuelven este problema con el remuestreo (resampling): la secuencia de muestras del archivo se convierte matemáticamente a la nueva frecuencia.

Es una operación que requiere calcular valores intermedios. Para producir 48.000 muestras a partir de 44.100 hay que calcular por interpolación los valores intermedios.

Un remuestreo bien hecho es prácticamente sin pérdidas, pero no del todo sin pérdidas. Según la calidad del filtro usado, puede haber pequeños cambios en las frecuencias muy altas.

Consejo práctico: intenta preparar a la misma frecuencia de muestreo los archivos que vas a unir. Si puedes controlarlo en la fase de grabación, eliminas la necesidad de convertir después.

Problema 3: desajuste de canales

Si un archivo es mono y otro estéreo, hace falta una estructura común para unirlos.

Convertir mono a estéreo: la misma señal se copia a los dos canales. No hay pérdida, pero el tamaño del archivo se duplica y no se crea una imagen estéreo real.

Convertir estéreo a mono: los dos canales se suman y se dividen entre dos. La información estéreo se pierde de forma permanente. Además, en grabaciones con problemas de fase (si un canal es el inverso del otro), el sonido puede debilitarse o desaparecer.

En contenido hablado, unir en mono suele tener sentido: el archivo se reduce a la mitad y la pérdida es prácticamente nula. En música, el estéreo debe conservarse.

Problema 4: cruce por cero y chasquidos

La onda de sonido oscila con el tiempo por encima y por debajo de la línea de cero. El cruce por cero es el instante en que la onda está exactamente en cero.

Cuando se unen dos fragmentos de audio:

• Si los dos están en un cruce por cero: la unión es suave.
• Si uno se ha cortado en la cresta de la onda: en el punto de unión se produce un salto brusco de valor.

Un salto brusco contiene, matemáticamente, componentes de frecuencia muy alta y el oído lo percibe como un "clic" seco.

Es un problema frecuente al cortar y unir grabaciones a mano. En las grabaciones el silencio absoluto es raro; incluso el ruido de fondo es una forma de onda y se corta en un punto cualquiera.

Solución: fundido cruzado

El fundido cruzado (crossfade) baja brevemente el final de la primera pieza mientras sube brevemente el principio de la segunda. Así, en lugar de un salto brusco hay un relevo suave.

La elección de la duración importa:

| Duración | Efecto | |---|---| | 5-20 ms | Evita el chasquido, el oído no lo percibe | | 50-200 ms | Transición suave, ligeramente perceptible | | 1-3 segundos | Transición musical, un efecto deliberado |

Si solo quieres evitar el chasquido, bastan 10-20 milisegundos y esa duración no la percibe el oído humano. No pierdes nada del contenido.

Si estás preparando una mixtape, unas transiciones de 2 a 5 segundos dan un resultado profesional, pero eso ya no es una corrección técnica sino una decisión artística.

Problema 5: diferencias de nivel

La unión no toca el nivel de sonido. Si las grabaciones vienen de fuentes distintas y están a niveles distintos, el oyente tendrá que ajustar el volumen en cada transición.

Para medir el nivel hay dos enfoques distintos:

Nivel de pico (peak): el valor más alto que alcanza la forma de onda. Es una medida simple pero no refleja la sonoridad percibida. Una grabación silenciosa que contenga un breve estallido de ruido puede tener un pico alto y aun así sonar baja.

LUFS (Loudness Units Full Scale): una medida que tiene en cuenta la sensibilidad en frecuencia del oído humano y el promedio temporal. Es el método que se usa en los estándares de radiodifusión y pódcast.

Objetivos habituales:

| Medio | Objetivo | |---|---| | Pódcast | -16 LUFS (estéreo), -19 LUFS (mono) | | Servicios de streaming de música | -14 LUFS | | Emisión de televisión | -23 LUFS |

Normalizar al mismo objetivo LUFS las piezas que vas a unir evita los saltos de nivel en las transiciones.

El flujo de trabajo correcto

Un orden que previene todos los problemas anteriores:

1. Pasa todas las fuentes a un formato sin pérdidas (WAV o FLAC). En fuentes con pérdidas esto no añade ninguna pérdida; solo prepara el espacio de trabajo.

2. Iguala la frecuencia de muestreo y el número de canales. Que todos sean 44,1 kHz estéreo o todos 48 kHz mono.

3. Normaliza los niveles. Fija un objetivo LUFS común.

4. Une. Como en formato sin pérdidas no hay estructura de bloques, no se forman huecos.

5. Aplica fundidos cruzados breves si hace falta. De 10 a 20 ms evitan el chasquido.

6. Codifica el archivo final una sola vez al formato de destino. Una codificación, una pérdida.

7. Añade las etiquetas y, si las hay, las marcas de capítulo.

Este flujo parece laborioso, pero marca la diferencia en trabajos donde quieres un resultado de calidad, como un audiolibro, un álbum o un pódcast largo.

En resumen

Los problemas de huecos y chasquidos al unir vienen de la estructura de los formatos. Como los códecs con pérdidas trabajan por bloques, al principio y al final de cada archivo hay muestras de retardo y relleno; los reproductores pueden saltárselas gracias a una etiqueta informativa, pero no todos lo hacen. El desajuste de frecuencia de muestreo, si no se corrige, provoca que el audio suene a la velocidad equivocada. Las piezas que no se han cortado en un cruce por cero generan un salto brusco en el punto de unión que se oye como un "clic", y un fundido cruzado de 10-20 milisegundos lo resuelve por completo. El enfoque más limpio es unir en formato sin pérdidas y codificar el archivo final de una sola vez.