¿Cómo funcionan los códecs de audio? Modelo psicoacústico y lógica del bitrate

Un archivo WAV ocupa unos 10 MB por minuto; ese mismo sonido en MP3 baja a 1 MB. Los datos se reducen a la décima parte pero la mayoría de la gente no nota la diferencia. ¿Cómo es posible? La respuesta está menos en las matemáticas de la compresión que en cómo funciona el oído humano. En este artículo explicamos la lógica de los códecs de audio con pérdidas y qué debería determinar tus decisiones de conversión.

Qué son los datos de audio en bruto

Un micrófono convierte la variación de presión del aire en una señal eléctrica. Al digitalizar esa señal se fijan dos parámetros:

Frecuencia de muestreo (sample rate): cuántas mediciones se toman por segundo. El estándar de CD son 44.100 Hz. Esa cifra no es arbitraria: según el teorema de Nyquist, para capturar correctamente una señal hay que muestrear al doble de su frecuencia más alta. Como el oído humano oye hasta unos 20.000 Hz, 44.100 proporciona un límite superior suficiente.

Profundidad de bits (bit depth): con cuántos bits se expresa cada medición. En el CD se usan 16 bits, lo que da 65.536 niveles de amplitud distintos. En las grabaciones de estudio son habituales 24 bits.

La cuenta es simple: 44.100 muestras × 16 bits × 2 canales = 1.411.200 bits por segundo, es decir, unos 1.411 kbps. Un minuto de audio estéreo sin comprimir ocupa unos 10 MB.

El formato WAV guarda exactamente esos datos en bruto. FLAC, en cambio, guarda los mismos datos con compresión sin pérdidas en aproximadamente la mitad de tamaño; al descomprimirlo salen exactamente las mismas muestras.

La idea básica de la codificación con pérdidas

Los codificadores con pérdidas como MP3 se hacen otra pregunta: ¿cuánto de estos datos oímos realmente?

La respuesta: mucho menos de lo que se cree. El sistema auditivo humano no es una grabadora perfecta; en determinadas condiciones no percibe determinados sonidos. El codificador encuentra esos huecos y descarta esa información.

Eso se hace con un cálculo llamado modelo psicoacústico.

Enmascaramiento: los sonidos que no oímos

La base del modelo psicoacústico es el fenómeno del enmascaramiento, y hay dos tipos.

Enmascaramiento en frecuencia (enmascaramiento simultáneo). Un componente de sonido fuerte vuelve imperceptibles los componentes más suaves de las frecuencias cercanas. Es como no poder oír un susurro en un entorno ruidoso, pero ocurre a una escala mucho más fina en el eje de frecuencias.

Ejemplo concreto: si hay un tono potente a 1000 Hz, un tono a 1100 Hz por debajo de cierto umbral no se oye. El codificador puede descartar ese componente o codificarlo de forma muy tosca; el oído no percibe la diferencia.

Enmascaramiento temporal. Los sonidos débiles que llegan justo antes (unos 20 ms) y justo después (unos 100-200 ms) de un instante ruidoso no se perciben. El oído queda brevemente "sordo" tras un estímulo potente.

El codificador combina ambos fenómenos para calcular en cada instante un umbral de enmascaramiento: en qué frecuencia y por debajo de qué nivel se puede descartar la información.

El proceso de codificación paso a paso

Lo que hace un codificador MP3, a grandes rasgos:

1. Divide el sonido en bloques. Normalmente ventanas de entre unos cientos y mil muestras. El tamaño de bloque importa: los bloques largos dan resolución en frecuencia y los cortos, resolución temporal. El codificador pasa a bloques cortos en las transiciones bruscas (como un golpe de batería).

2. Transforma al dominio de la frecuencia. Los datos en el eje del tiempo se descomponen en componentes de frecuencia (en MP3, filtrado por subbandas + MDCT; en AAC, MDCT directamente).

3. Ejecuta el modelo psicoacústico. Se calcula el umbral de enmascaramiento para cada banda de frecuencia.

4. Reparte el presupuesto de bits. El presupuesto de bitrate disponible se reparte decidiendo con cuántos bits se codifica cada banda. A las bandas enmascaradas se les dan pocos bits o ninguno.

5. Cuantización. Cada componente se redondea según el número de bits que le corresponde. Aquí es donde se produce la pérdida: en lugar del valor exacto original se guarda un valor aproximado.

6. Codificación entrópica. A los datos restantes se les aplica una compresión sin pérdidas (como Huffman).

Al decodificar, estos pasos se ejecutan a la inversa, pero la información descartada en el paso 5 no vuelve. La cuantización es irreversible.

Bitrate: cuánto se aprieta el presupuesto

El bitrate es el presupuesto que le das al codificador. Con un bitrate bajo, el codificador se ve obligado a descartar más información y la pérdida empieza a hacerse audible.

Lo que más se degrada con un bitrate bajo:

| Problema | Dónde se oye | |---|---| | Corte de frecuencias altas | Los platillos, los instrumentos agudos y los sonidos de "s" se apagan | | Preeco (pre-echo) | Un leve "siseo" justo antes de un golpe de batería | | Deterioro del estéreo | La imagen estéreo amplia se estrecha | | Timbre metálico | Los aplausos y las voces de multitud suenan "acuosos" | | Ruido de cuantización | Siseo de fondo en los pasajes silenciosos |

Una referencia aproximada (para MP3, con un buen codificador):

| Bitrate | Calidad percibida | |---|---| | 64 kbps | Aceptable para voz, deterioro evidente en música | | 96 kbps | Suficiente para pódcast y audiolibros | | 128 kbps | Escucha general, perceptible para un oído atento | | 192 kbps | Bueno para la mayoría de usos | | 256 kbps | Casi transparente para la mayoría de oyentes | | 320 kbps | Límite práctico, transparente para la mayoría de oídos |

El término "transparencia" significa que el audio codificado no se distingue del original en una prueba de escucha a ciegas. Varía de una persona a otra, de un contenido a otro y de un equipo a otro.

Bitrate constante y variable

CBR (bitrate constante): se usa la misma cantidad de datos cada segundo. Es simple y predecible; resulta ventajoso para el streaming.

VBR (bitrate variable): el codificador asigna a cada momento los bits que necesita. Ahorra en un pasaje suave de piano y gasta en una sección orquestal densa.

El VBR suele ser mejor porque la complejidad de la música no es constante. Al mismo bitrate medio, el VBR da mejor calidad percibida que el CBR. Su única desventaja es que el tamaño del archivo no se puede estimar de antemano y que algunos reproductores antiguos tienen problemas con la duración y el avance rápido.

ABR (bitrate medio) es un compromiso entre ambos.

Por qué los códecs tienen eficiencias distintas

A igual bitrate, AAC suena mejor que MP3. Los motivos:

• Tamaños de bloque más flexibles. Maneja mejor las transiciones bruscas y reduce el preeco.
• Mejor codificación estéreo. Aprovecha con más eficiencia la similitud entre canales.
• Codificación entrópica más eficiente.
• Modelo psicoacústico más avanzado.
• Libertad de diseño. El MP3 se diseñó con restricciones de compatibilidad hacia atrás; el AAC partió de cero.

Opus va todavía más allá y es claramente mejor sobre todo a bitrates bajos (32-64 kbps); lleva componentes diseñados para llamadas de voz y pódcast.

Equivalencia práctica: un AAC a 128 kbps se percibe aproximadamente como un MP3 de 160-192 kbps. Eso explica por qué la elección del bitrate de destino en una conversión depende del formato de origen.

Por qué se acumula la pérdida por transcodificación

Cuando conviertes un archivo con pérdidas a otro formato con pérdidas ocurre esto:

1. El archivo de origen se decodifica. El sonido obtenido es ya una aproximación con pérdidas del original.
2. El nuevo codificador aplica a ese sonido su propio modelo psicoacústico y vuelve a descartar información.

El problema es que el segundo codificador no sabe qué descartó el primero. Decide según su propio modelo y esas decisiones no coinciden con las del primero. El resultado es que dos "descartes" distintos se superponen.

Además, el ruido de cuantización que dejó la primera codificación le parece "sonido real" al segundo codificador, que gasta presupuesto intentando conservarlo.

Por eso las conversiones encadenadas se degradan rápido. En un recorrido como MP3 → AAC → MP3 → OGG, en cada paso las frecuencias altas se apagan un poco más y las transiciones se emborronan un poco más.

La regla: ve siempre en un solo paso desde la mejor fuente que tengas hasta el destino.

Volver a los formatos sin pérdidas

Convertir un MP3 a FLAC es un malentendido frecuente. FLAC es sin pérdidas, pero eso significa "guarda sin estropear lo que le entregas", no "recupera lo que se perdió".

Los componentes de frecuencia descartados al codificar el MP3 han desaparecido de forma permanente. Al convertirlo a FLAC, guardas ese sonido incompleto sin pérdidas. Resultado: un archivo con calidad de MP3 y cinco veces más grande.

La única excepción legítima: si vas a editar un archivo. Durante operaciones como cortar, unir o aplicar efectos, pasarlo temporalmente a WAV tiene sentido para que no haya recodificación en cada guardado. Al terminar, codificas una sola vez al formato de destino.

En resumen

Los códecs de audio con pérdidas aprovechan las propiedades de enmascaramiento del oído humano para descartar la información que no se oye; la pérdida se produce en el paso de cuantización y es irreversible. El bitrate es el presupuesto de esa operación: con poco presupuesto, lo primero que se sacrifica son las frecuencias altas, la amplitud estéreo y la nitidez de las transiciones. Los distintos códecs tienen eficiencias distintas; AAC y Opus dan mejor resultado que MP3 al mismo bitrate, y por eso en una conversión hay que dejar el bitrate de destino un escalón por encima del de la fuente. Y la consecuencia práctica más importante: las conversiones con pérdidas son acumulativas y volver a un formato sin pérdidas no gana calidad; ve siempre en un solo paso desde la mejor fuente hasta el destino.