Copia directa o recodificación al unir vídeo: la diferencia técnica

Unir dos vídeos suena simple: pon uno detrás del otro. En realidad, por detrás entran en juego las configuraciones del códec, los límites de fotograma clave y los cálculos de marcas de tiempo, y eso determina si la operación llevará segundos o minutos y si la calidad se conservará o no.

Dos enfoques básicos

Copia directa (stream copy / demuxer concat): los datos de vídeo y audio se trasladan al archivo nuevo sin decodificarlos. Solo se reescribe el contenedor y se corrigen las marcas de tiempo.

• Pérdida de calidad: cero
• Tiempo: a la velocidad de copiar un archivo
• Condición: compatibilidad estricta de parámetros

Recodificación (transcodificación / filtro concat): todas las piezas se decodifican, se convierten a un formato común y se vuelven a codificar como un único flujo.

• Pérdida de calidad: sí
• Tiempo: minutos u horas
• Condición: ninguna, siempre es posible

Por qué la copia directa exige condiciones tan estrictas

Un decodificador de vídeo recibe una información de configuración antes de empezar a decodificar el flujo. En H.264 se llaman SPS (Sequence Parameter Set) y PPS (Picture Parameter Set) e incluyen:

• Resolución (ancho, alto)
• Perfil y nivel (Baseline/Main/High)
• Formato de croma (4:2:0, 4:2:2, 4:4:4)
• Profundidad de bits
• Información de reordenación de fotogramas

Esos datos se entregan al principio del flujo y el decodificador se configura en consecuencia: reserva memoria y fija los tamaños de búfer.

Imagina ahora que unes por copia directa un vídeo 1080p con uno 720p. En mitad del flujo cambia la resolución y hay que reiniciar el decodificador. Algunos reproductores pueden hacerlo, la mayoría no: el resultado es imagen corrupta, congelación o el cierre del reproductor.

Por eso, la lista de compatibilidad necesaria para la copia directa es esta:

| Parámetro | ¿Debe coincidir? | |---|---| | Códec de vídeo | Sí, obligatorio | | Resolución | Sí, obligatorio | | Perfil / nivel | Sí | | Formato de croma | Sí | | Velocidad de fotogramas | Sí (por la temporización) | | Códec de audio | Sí | | Frecuencia de muestreo del audio | Sí | | Número de canales de audio | Sí | | Bitrate | No (puede variar) |

La última fila es importante: el bitrate ya es variable dentro del flujo, así que no exige coincidencia.

La flexibilidad del MKV

El contenedor MP4 espera una única configuración por pista. Un cambio de resolución o de perfil en mitad del flujo es no estándar.

El MKV es más flexible: tiene una estructura capaz de transportar en el mismo archivo secciones con parámetros distintos, y muchos reproductores de MKV se adaptan a los cambios en mitad del flujo.

Consecuencia práctica: unir fuentes mezcladas en MKV a veces es posible sin recodificar, y en MP4 no. Pero es un comportamiento que depende del reproductor y no está garantizado. Si vas a distribuir el archivo a un público amplio, la vía fiable es recodificar.

La reescritura de las marcas de tiempo

Incluso cuando se hace copia directa hay algo que cambia siempre: las marcas de tiempo.

Cada archivo de vídeo empieza sus marcas de tiempo desde cero. El primer vídeo está marcado de 0 a 120 segundos y el segundo, otra vez de 0 a 90.

Si simplemente los pones uno detrás de otro, el reproductor ve las marcas del segundo y cree que se ha vuelto al principio. Resultado: el vídeo termina en el segundo 120 o el reproductor se hace un lío.

La herramienta de unión suma la duración del primer vídeo a todas las marcas de tiempo del segundo:

Vídeo 1: PTS 0, 40, 80, ... 119960 (ms)
Vídeo 2 (original): PTS 0, 40, 80, ... 89960
Vídeo 2 (desplazado): PTS 120000, 120040, ... 209960

Eso crea un eje temporal continuo y el reproductor ve el vídeo como un único flujo.

La misma operación se hace con la pista de audio, y que el audio y el vídeo se desplacen exactamente lo mismo es crítico para conservar la sincronía.

El límite del fotograma clave

Los códecs de vídeo guardan los fotogramas en tres tipos:

• Fotograma I (fotograma clave): una imagen completa por sí misma. Se puede decodificar de forma independiente.
• Fotograma P: depende de los fotogramas anteriores.
• Fotograma B: depende tanto de los anteriores como de los posteriores.

Se organizan en grupos llamados GOP (Group of Pictures) y cada GOP empieza con un fotograma I.

Su efecto sobre la unión: al hacer copia directa, el punto de corte tiene que caer en un fotograma I. No puedes empezar en un fotograma P, porque ese fotograma necesita los que van antes y esos no están en el archivo nuevo.

Consecuencia: si estás cortando y uniendo vídeo con copia directa, la herramienta redondea el punto de corte al fotograma clave más cercano. El corte puede quedar unos segundos antes o después del que querías.

Si quieres un corte con precisión de fotograma, hay que recodificar esa parte. Algunas herramientas usan un enfoque inteligente: recodifican solo los GOP de los puntos de corte y copian el resto. Se conoce como "smart rendering" y aporta rapidez y precisión a la vez.

Si estás uniendo archivos completos (sin cortes), este problema no aparece: cada archivo ya empieza con un fotograma I.

El problema de la velocidad de fotogramas variable

Velocidad de fotogramas constante (CFR): los fotogramas llegan a intervalos iguales. Las marcas de tiempo son una progresión aritmética regular.

Velocidad de fotogramas variable (VFR): los fotogramas no llegan a intervalos iguales. Las cámaras de móvil saltan fotogramas según la luz y los programas de grabación de pantalla según la ausencia de movimiento.

La VFR crea dos problemas al unir:

1. El cálculo de duración sale mal. Si la herramienta supone una velocidad media y calcula la duración como número de fotogramas / fps, obtiene un valor distinto de la duración real. La cantidad de desplazamiento del segundo vídeo se calcula mal.

2. El desfase se acumula. Si en cada pieza hay un pequeño error, se van sumando. Al unir cinco piezas aparece hacia el final un problema perceptible de sincronía labial.

El síntoma es característico: al principio del vídeo la sincronía es buena y hacia el final se estropea.

Solución: convertir las piezas a velocidad de fotogramas constante antes de unirlas. Es un paso adicional de recodificación, pero resuelve el problema de raíz.

Si trabajas con regularidad con vídeos grabados con el móvil, incorporar ese paso a tu flujo de trabajo es una buena costumbre.

La compatibilidad en el lado del audio

Para el audio valen condiciones parecidas:

Compatibilidad de códec: si uno es AAC y otro MP3, la copia directa no es posible.

Frecuencia de muestreo: mezclar 44,1 kHz con 48 kHz, si no se convierte bien, hace que una pieza suene a la velocidad equivocada.

Número de canales: mezclar mono y estéreo exige conversión.

Además, como los códecs de audio con pérdidas trabajan por bloques, al principio y al final de cada archivo hay retardo del codificador y muestras de relleno. Al unir por copia directa, esos huecos se conservan y en cada transición aparece un breve silencio.

En el lado del vídeo ese problema no existe (los fotogramas de vídeo no necesitan relleno de bloque), así que puede aparecer una pequeña diferencia de temporización entre audio y vídeo. En uniones largas eso puede acumularse.

Si quieres audio sin cortes, hay que recodificar el sonido.

Elección de destino al recodificar

Si la recodificación es inevitable, tendrás que elegir los parámetros de destino:

Resolución. Apunta al valor más usado. Si en la mezcla hay cuatro piezas 1080p y una 720p, elige 1080p: solo se ampliará una.

Velocidad de fotogramas. Elegir la más alta da un resultado más fluido. Subir un vídeo de 30 fps a 60 fps repite fotogramas (no añade información nueva), pero las piezas de 60 fps conservan su fluidez.

Relación de aspecto. Si hay proporciones distintas, añadir bandas negras (letterbox/pillarbox) conserva el contenido; recortar llena la pantalla pero hace perder contenido.

Bitrate / calidad. Usar un objetivo de calidad basado en CRF suele dar mejor resultado que un bitrate constante, porque cada escena recibe los datos que necesita.

Códec. H.264 es la elección más segura; funciona en todas partes.

En resumen

Al unir vídeo, la copia directa es la vía ideal, sin ninguna pérdida de calidad y en cuestión de segundos, pero tiene condiciones estrictas: deben coincidir el códec, la resolución, el perfil, el formato de croma, la velocidad de fotogramas y todos los parámetros de audio. Aunque se cumpla esa condición, hay que reescribir las marcas de tiempo, y que el audio y el vídeo se desplacen exactamente lo mismo determina la sincronía. Si haces cortes, la copia directa choca con los límites de fotograma clave y el punto de corte se redondea. Las fuentes con velocidad de fotogramas variable son la causa más frecuente del desfase acumulativo de sincronía y hay que convertirlas antes a velocidad constante. Si no se puede lograr la compatibilidad, hace falta recodificar y conviene tomar de forma consciente las decisiones de resolución, velocidad de fotogramas y relación de aspecto de destino.