¿Cómo funciona la extracción de audio de un vídeo? El camino de MP4 a MP3

¿Qué hay dentro de un archivo de vídeo?

Visto desde fuera, un archivo MP4 parece un único bloque. Visto desde dentro, la situación es distinta: MP4 es un contenedor, es decir, una caja en la que se colocan de forma ordenada distintas piezas.

Dentro de un MP4 típico encontramos esto:

• Pista de vídeo: los datos de imagen en movimiento
• Pista de audio: el sonido en sí
• Metadatos: duración, resolución, velocidad de fotogramas, información de la grabación
• Información de sincronización: qué fragmento de audio se alinea con qué fotograma

El punto más importante aquí es este: el audio y la imagen se guardan por separado. No están mezclados ni entrelazados. Son como dos cintas que corren una junto a la otra; el reproductor lee ambas a la vez y las alinea mirando la información de sincronización.

Por eso, "extraer el audio de un vídeo" no es en realidad un proceso de creación, sino un proceso de separación. El audio ya está ahí; lo que se hace es llevarlo a un archivo propio.

¿Por qué el proceso de separación no termina al instante?

Si el audio ya está dentro del archivo, ¿por qué no se copia sin más?

En algunos casos sí se puede copiar. Si el formato de destino acepta el códec de audio del origen, la pista de audio se puede tomar tal cual y meter en un contenedor nuevo. Ese proceso es rápido y no genera pérdida de calidad.

Pero cuando el destino es MP3 la cosa cambia. Para entender el motivo hay que introducir un segundo concepto: el códec.

El códec determina con qué algoritmo se ha comprimido el audio. En los archivos MP4, el audio suele estar comprimido con AAC. Un archivo .mp3, en cambio, transporta por definición audio comprimido con el códec MP3. Son dos algoritmos distintos; los datos que produce uno no son algo que el otro pueda leer.

Por tanto, el proceso funciona así:

1. La pista de audio se separa del contenedor
2. Los datos AAC se decodifican y se convierten en una onda de audio en bruto
3. Esa onda en bruto se entrega al codificador MP3 y se comprime desde cero
4. El resultado se escribe como archivo .mp3

El tercer paso da lugar a la frase más importante de este artículo.

El punto honesto: aquí hay pérdida de calidad

Tanto AAC como MP3 son formatos con pérdida. La compresión con pérdida funciona así: el algoritmo reduce el archivo descartando de la señal la información que considera que el oído humano percibirá menos. La información descartada se va de forma permanente, no se puede recuperar.

Cuando la pista de audio de tu vídeo se comprimió como AAC, ya se descartó una parte de la información. Ahora, al decodificar ese audio y entregarlo al codificador MP3, un segundo algoritmo hace otro descarte según sus propias reglas.

Cuando dos descartes distintos se superponen, el resultado es algo más degradado que un audio que solo ha pasado por un único descarte. Es un hecho técnico y no debe ocultarse.

Pero ¿cuánto importa? También aquí hay que ser honesto: en la práctica, en la mayoría de los casos, muy poco. A una tasa de bits razonable —como 192 kbps o más para música—, en condiciones de escucha normales es muy difícil distinguir esa diferencia. Y en grabaciones que solo contienen voz, la pérdida casi no se percibe.

Los lugares donde la pérdida se hace patente están claros: los sonidos agudos y complejos. Platillos, silbidos, orquestación densa, transiciones rápidas. Ahí puede aparecer un timbre metálico o una sensación apagada. Si has elegido una tasa de bits baja, esas huellas se vuelven mucho más fáciles de oír.

El papel de la tasa de bits

La tasa de bits determina cuántos kilobits por segundo va a usar el codificador MP3 para representar el audio. Cuanto más generoso seas, menos información se verá obligado a descartar el codificador.

Como estás comprimiendo por segunda vez, aquí ser tacaño sale demasiado caro. Si estuvieras produciendo un MP3 a partir de una grabación desde cero, una tasa de bits baja sería más perdonable; pero al volver a filtrar una señal que ya ha sido filtrada una vez, hay que dejarle al codificador espacio para respirar.

Una hoja de ruta aproximada: para voz sola bastan 128 kbps; para música y contenido mixto, 192 kbps es un límite inferior razonable; y para música que vas a escuchar con atención, 256 kbps es una elección holgada.

Esto también tiene un techo: no puedes superar la calidad de la fuente. Si el audio AAC del vídeo ya está a una tasa de bits baja, subir mucho la del MP3 no devuelve el detalle perdido, solo agranda el archivo.

Consecuencias prácticas

Cuando entiendes este mecanismo, tres comportamientos se vuelven correctos por sí solos.

Mantén la cadena corta. Cada conversión con pérdida añade una pérdida nueva y esas pérdidas se acumulan. Ve en un solo paso desde la fuente más original que tengas hasta el destino. Al hacer la extracción de MP3 a partir de MP4, que tu fuente sea el vídeo original, no un archivo intermedio ya convertido antes.

Conserva el original. La salida MP3 es una versión que ha perdido información respecto a la fuente. Si más adelante necesitas otro formato, parte del vídeo original, no del MP3.

Elige el destino según tu propósito. ¿Estás extrayendo este audio para escucharlo o para trabajar sobre él? Para escucharlo, MP3 es la elección correcta: pequeño, portátil, funciona en todas partes. Pero si vas a editar el audio, cortarlo, aplicarle efectos o llevarlo a un programa de montaje, WAV es un destino más adecuado, porque al no estar comprimido no añade una pérdida nueva mientras trabajas sobre él.

Casos en los que no se puede extraer el audio

Conocer este mecanismo también te permite entender el porqué cuando el proceso no da el resultado que esperabas. Hay varios escenarios con los que puedes encontrarte.

Puede que el vídeo no tenga ninguna pista de audio. Algunas grabaciones de pantalla se hacen con el sonido del sistema desactivado, algunas cámaras graban en silencio y a algunos vídeos editados se les ha quitado la pista de audio por completo. En ese caso no hay nada que extraer: el conversor no puede producir una pista que no existe. Cuando tengas dudas, abre el MP4 en un reproductor y comprueba que realmente hay sonido.

La pista de audio puede estar dañada. En un archivo descargado a medias o cortado durante la grabación, la pista de audio puede estar incompleta o defectuosa. En esos casos, el final de la salida queda incompleto. Reproducir la fuente hasta el final para comprobarlo permite detectar este problema por anticipado.

El sonido puede estar muy bajo. Si el propio nivel de grabación de la fuente es bajo, la salida también sonará baja. Aquí hay una distinción importante: la conversión no sube el nivel de sonido, porque su tarea es transportar la señal, no modificarla. Si quieres corregir el nivel, eso es un trabajo de edición de audio y para ese trabajo es más correcto partir de una fuente sin comprimir, es decir, de un WAV.

El punto en común es este: la conversión no produce lo que no está en la fuente. Ni devuelve el detalle perdido, ni repara un audio dañado, ni sube una grabación baja. Lo único que hace es llevar la pista de audio existente al formato que quieres.

En resumen

Extraer el audio de un vídeo no es producir algo que no existe, sino separar la pista de audio que ya está dentro del contenedor. Ese es el motivo de que el proceso sea ligero: la imagen no se toca en ningún momento. Sin embargo, como el audio dentro de un MP4 suele ser AAC y MP3 es un códec distinto, esa separación incluye también una recodificación. Ese paso entre dos formatos con pérdida genera una pérdida de calidad pequeña pero real. Eligiendo una tasa de bits razonable puedes hacer que esa pérdida sea inaudible en la práctica; lo que no hay que hacer es pasear el mismo audio una y otra vez entre distintos formatos con pérdida.