Pourquoi des blancs et des problèmes de fréquence d'échantillonnage à la fusion audio ?

Quand vous fusionnez deux fichiers audio, vous pouvez entendre au point de jonction soit un bref silence, soit un « clic » désagréable. Ce ne sont pas des défauts aléatoires ; ce sont des conséquences structurelles des formats audio et du traitement numérique du son. Dans cet article, nous expliquons pourquoi ils se produisent et comment les éviter.

Problème 1 : délai d'encodeur et remplissage

Les codecs audio avec perte traitent le son par blocs. En MP3, un bloc fait 1152 échantillons (environ 26 millisecondes à 44,1 kHz) ; en AAC, généralement 1024.

Cette structure en blocs crée deux types de blancs :

Le délai d'encodeur (encoder delay). Du fait du fonctionnement de l'encodeur, un retard de quelques centaines d'échantillons apparaît au début de la sortie. En MP3, c'est typiquement 576 ou 1105 échantillons. Un silence absent de la source est ajouté au début du fichier.

Le remplissage (padding). Si la durée audio n'est pas exactement divisible par la taille de bloc, le dernier bloc reste incomplet et l'encodeur le comble avec du silence. Un enregistrement de 3 minutes 12,3 secondes, par exemple, ne tombe pas sur un nombre entier de blocs et quelques centaines d'échantillons de silence sont ajoutés à la fin.

Résultat : chaque fichier MP3 comporte au début et à la fin de courts silences absents de la source. Sur un seul fichier, vous ne le remarquez pas. Mais en enchaînant dix pistes, ce blanc s'entend à chaque transition.

Comment la lecture sans coupure résout cela

Ce problème étant connu, une solution a été ajoutée aux formats : l'encodeur enregistre dans le fichier la quantité de délai et de remplissage qu'il a ajoutée.

En MP3, cette information est stockée dans la balise LAME (ou l'en-tête Xing/Info). Elle se trouve dans la première trame du fichier et porte des valeurs du type « 576 échantillons de délai au début, 1234 échantillons de remplissage à la fin ».

En AAC/M4A, une information analogue figure dans le champ de métadonnées iTunSMPB.

Les lecteurs capables de la lire sautent ces échantillons à la lecture et assurent une lecture sans coupure (gapless).

Mais il y a là une incohérence : tous les lecteurs ne lisent pas cette information. Un même album peut être lu sans coupure sur un lecteur et avec un blanc entre chaque piste sur un autre. Par ailleurs, certains convertisseurs et éditeurs ne préservent ni ne mettent à jour cette balise.

Ce que cela signifie pour la fusion

Il existe deux approches pour fusionner des fichiers audio, avec des comportements différents vis-à-vis des blancs.

Fusion par copie : les données encodées sont mises bout à bout telles quelles. La qualité est préservée mais les blancs de délai et de remplissage le sont aussi. Un bref silence subsiste à chaque transition.

Fusion par réencodage : tous les fichiers sont décodés en PCM, mis bout à bout, puis encodés en une seule fois. Les blancs intermédiaires disparaissent totalement puisqu'il n'y a qu'un seul encodage — seuls le début et la fin du fichier final comportent délai et remplissage.

Il y a un compromis sur la qualité : le réencodage ajoute une perte supplémentaire sur des sources déjà avec perte.

La méthode la plus propre : préparez les fichiers sources dans un format sans perte (WAV, FLAC), fusionnez-les sans perte (aucun blanc ne se crée car il n'y a pas de structure en blocs en PCM), puis encodez le fichier final une seule fois vers le format cible.

C'est le flux de travail standard employé pour préparer des livres audio et des albums.

Problème 2 : incompatibilité de fréquence d'échantillonnage

La fréquence d'échantillonnage indique combien de mesures sonores sont prises par seconde. Valeurs courantes :

| Fréquence | Usage typique | |---|---| | 44 100 Hz | Standard CD, musique | | 48 000 Hz | Vidéo, audio professionnel | | 32 000 Hz | Certaines applications de diffusion | | 22 050 Hz | Parole de basse qualité | | 96 000 Hz | Audio haute résolution |

Fusionner des fichiers de fréquences différentes sans conversion correcte provoque un problème sérieux : le second fichier est lu à la mauvaise vitesse.

La raison est simple : si le fichier a été enregistré à « 48 000 échantillons par seconde » et que le lecteur le lit à « 44 100 échantillons par seconde », le son ralentit d'environ 9 % et sa hauteur baisse. La voix devient plus grave, la musique sonne faux.

L'inverse est vrai aussi : lire un fichier en 44,1 kHz comme du 48 kHz accélère le son et en élève la hauteur.

Le rééchantillonnage

Les bons outils résolvent ce problème par un rééchantillonnage : la suite d'échantillons du fichier est convertie mathématiquement vers la nouvelle fréquence.

C'est une opération qui nécessite un calcul de valeurs intermédiaires. Pour produire 48 000 échantillons à partir de 44 100, les valeurs intermédiaires sont calculées par interpolation.

Un rééchantillonnage bien fait est quasiment sans perte, mais pas totalement sans perte. Selon la qualité du filtre employé, de légères variations peuvent apparaître dans les très hautes fréquences.

Conseil pratique : préparez si possible les fichiers à fusionner à la même fréquence d'échantillonnage. Si vous pouvez le contrôler à l'enregistrement, vous supprimez le besoin de conversion ultérieure.

Problème 3 : incompatibilité de canaux

Si un fichier est en mono et l'autre en stéréo, une structure commune est nécessaire pour la fusion.

Convertir le mono en stéréo : le même signal est copié sur les deux canaux. Il n'y a pas de perte, mais la taille du fichier double et aucune véritable image stéréo n'apparaît.

Convertir le stéréo en mono : les deux canaux sont additionnés et divisés par deux. L'information stéréo est définitivement perdue. Par ailleurs, sur des enregistrements présentant un problème de phase (si les deux canaux sont en opposition), le son peut s'affaiblir voire disparaître.

Pour du contenu parlé, fusionner en mono est généralement judicieux — le fichier est divisé par deux et la perte est quasi nulle. En musique, la stéréo doit être préservée.

Problème 4 : passage par zéro et craquements

Une onde sonore oscille au fil du temps au-dessus et au-dessous de la ligne zéro. Le passage par zéro est l'instant où l'onde vaut exactement zéro.

Quand deux segments audio se rejoignent :

• Si les deux sont à un passage par zéro : la jonction est parfaitement lisse.
• Si l'un a été coupé au sommet d'une onde : un saut brusque de valeur se produit au point de jonction.

Un saut brusque contient mathématiquement des composantes de très haute fréquence, perçues à l'oreille comme un « clic » sec.

C'est un problème fréquent quand on coupe et raboute un enregistrement à la main. Le silence absolu est rare dans un enregistrement ; même le bruit de fond est une forme d'onde, coupée en un point quelconque.

La solution : le fondu enchaîné

Le fondu enchaîné (crossfade) baisse brièvement la fin du premier segment tout en montant brièvement le début du second. Au lieu d'un saut brusque, on obtient une passation en douceur.

Le choix de la durée est important :

| Durée | Effet | |---|---| | 5 à 20 ms | Évite le craquement, imperceptible à l'oreille | | 50 à 200 ms | Transition douce, légèrement perceptible | | 1 à 3 secondes | Transition musicale, effet volontaire |

Si vous voulez seulement éviter le craquement, 10 à 20 millisecondes suffisent et cette durée est imperceptible pour l'oreille humaine. Vous ne perdez rien du contenu.

Si vous préparez une mixtape, des transitions de 2 à 5 secondes donnent un résultat professionnel — mais ce n'est plus une correction technique, c'est un choix artistique.

Problème 5 : écarts de niveau

La fusion ne touche pas au niveau sonore. Si des enregistrements de sources différentes ont des niveaux différents, l'auditeur devra régler le volume à chaque transition.

Il existe deux approches pour mesurer le niveau :

Le niveau crête (peak) : la valeur maximale atteinte par la forme d'onde. C'est une mesure simple mais qui ne reflète pas le volume perçu. Un enregistrement calme comportant une brève salve de bruit peut avoir un niveau crête élevé tout en paraissant faible à l'oreille.

Le LUFS (Loudness Units Full Scale) : une mesure qui tient compte de la sensibilité fréquentielle de l'audition humaine et d'une moyenne temporelle. C'est la méthode employée dans les normes de diffusion et de podcast.

Cibles courantes :

| Support | Cible | |---|---| | Podcast | -16 LUFS (stéréo), -19 LUFS (mono) | | Services de streaming musical | -14 LUFS | | Diffusion télévisée | -23 LUFS |

Normaliser les segments à fusionner vers une même cible LUFS évite les sauts de niveau aux transitions.

Le bon flux de travail

Un enchaînement qui prévient tous les problèmes ci-dessus :

1. Convertissez toutes les sources en format sans perte (WAV ou FLAC). Sur des sources avec perte, cela n'ajoute pas de dégradation ; cela prépare simplement l'espace de travail.

2. Uniformisez la fréquence d'échantillonnage et le nombre de canaux. Tout en 44,1 kHz stéréo, ou tout en 48 kHz mono.

3. Normalisez les niveaux. Fixez une cible LUFS commune.

4. Fusionnez. Le format sans perte n'ayant pas de structure en blocs, aucun blanc ne se crée.

5. Appliquez de courts fondus enchaînés si nécessaire. 10 à 20 ms évitent les craquements.

6. Encodez le fichier final une seule fois vers le format cible. Un seul encodage, une seule perte.

7. Ajoutez les métadonnées et, le cas échéant, les marqueurs de chapitres.

Ce flux paraît laborieux, mais il fait la différence sur les travaux où vous visez un résultat de qualité, comme un livre audio, un album ou un long podcast.

En résumé

Les blancs et les craquements rencontrés lors d'une fusion proviennent de la structure des formats. Les codecs avec perte fonctionnant par blocs, chaque fichier comporte au début et à la fin des échantillons de délai et de remplissage ; les lecteurs peuvent les sauter grâce à une information de balise, mais tous ne le font pas. Une incompatibilité de fréquence d'échantillonnage, si elle n'est pas corrigée, provoque une lecture à la mauvaise vitesse. Des segments non coupés à un passage par zéro créent un saut brusque au point de jonction, perçu comme un « clic » — un fondu enchaîné de 10 à 20 millisecondes le résout complètement. L'approche la plus propre consiste à fusionner dans un format sans perte et à encoder le fichier final en une seule fois.