Copie ou réencodage dans la fusion vidéo : la différence technique

Fusionner deux vidéos paraît simple : ajouter l'une derrière l'autre. En réalité, les configurations de codec, les limites d'images clés et les calculs d'horodatage entrent en jeu en arrière-plan — et ce sont eux qui déterminent si l'opération prendra des secondes ou des minutes, et si la qualité sera préservée.

Deux approches fondamentales

La copie (stream copy / concat demuxer) : les données vidéo et audio sont transférées dans le nouveau fichier sans être décodées. Seul le conteneur est réécrit et les horodatages corrigés.

• Perte de qualité : nulle
• Durée : à la vitesse d'une copie de fichier
• Condition : une stricte compatibilité de paramètres

Le réencodage (transcode / concat filter) : tous les segments sont décodés, convertis vers un format commun et réencodés en un seul flux.

• Perte de qualité : oui
• Durée : des minutes ou des heures
• Condition : aucune, toujours possible

Pourquoi la copie exige des conditions aussi strictes

Avant de commencer à décoder un flux, un décodeur vidéo reçoit une information de configuration. En H.264, on l'appelle SPS (Sequence Parameter Set) et PPS (Picture Parameter Set), et elle contient :

• La résolution (largeur, hauteur)
• Le profil et le niveau (Baseline/Main/High)
• Le format de chrominance (4:2:0, 4:2:2, 4:4:4)
• La profondeur de bits
• L'information de réordonnancement des images

Ces informations sont fournies au début du flux et le décodeur se configure en conséquence — il alloue de la mémoire, fixe la taille des tampons.

Imaginez maintenant que vous fusionniez par copie une vidéo en 1080p et une en 720p. La résolution change au milieu du flux et le décodeur doit être réinitialisé. Certains lecteurs savent le faire, la plupart non — le résultat est une image corrompue, un blocage ou un plantage du lecteur.

D'où la liste de compatibilité requise pour la copie :

| Paramètre | Compatibilité requise | |---|---| | Codec vidéo | Oui, impérativement | | Résolution | Oui, impérativement | | Profil / niveau | Oui | | Format de chrominance | Oui | | Fréquence d'images | Oui (pour la synchronisation) | | Codec audio | Oui | | Fréquence d'échantillonnage audio | Oui | | Nombre de canaux audio | Oui | | Débit | Non (il peut varier) |

La dernière ligne est importante : le débit varie déjà au sein d'un flux, il n'exige donc aucune correspondance.

La souplesse du MKV

Le conteneur MP4 attend une configuration unique au niveau de la piste. Un changement de résolution ou de profil en cours de flux y est non standard.

Le MKV est plus souple : il a une structure capable de transporter dans un même fichier des sections aux paramètres différents, et beaucoup de lecteurs MKV s'adaptent aux changements en cours de flux.

Conséquence pratique : fusionner des sources hétérogènes en MKV est parfois possible sans réencodage, ce qui ne l'est pas en MP4. Mais c'est un comportement qui dépend du lecteur et qui n'est pas garanti. Si vous diffusez le fichier à un large public, la voie fiable est le réencodage.

La réécriture des horodatages

Même lors d'une copie, une chose change impérativement : les horodatages.

Chaque fichier vidéo repart de zéro pour ses horodatages. La première vidéo est horodatée de 0 à 120 secondes, la seconde de 0 à 90 secondes.

Si vous les mettez simplement bout à bout, le lecteur voit les horodatages de la seconde vidéo et croit à un « retour au début ». Résultat : la vidéo s'arrête à la 120e seconde ou le lecteur se perd.

L'outil de fusion ajoute la durée de la première vidéo à tous les horodatages de la seconde :

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

Cela constitue un axe temporel continu et le lecteur voit la vidéo comme un flux unique.

La même opération est effectuée pour la piste audio, et le fait que le son et la vidéo soient décalés de la même quantité est déterminant pour la préservation de la synchronisation.

La limite des images clés

Les codecs vidéo stockent les images sous trois types :

• Image I (image clé) : une image complète en elle-même. Décodable indépendamment.
• Image P : dépendante des images précédentes.
• Image B : dépendante des images précédentes et suivantes.

Elles sont organisées en groupes appelés GOP (Group of Pictures), chaque GOP commençant par une image I.

Effet sur la fusion : lors d'une copie, le point de coupe doit tomber sur une image I. Vous ne pouvez pas commencer sur une image P, car celle-ci a besoin des images qui la précèdent, absentes du nouveau fichier.

Conséquence : si vous coupez et fusionnez en mode copie, l'outil arrondit le point de coupe à l'image clé la plus proche. La coupe peut se produire quelques secondes avant ou après la seconde voulue.

Si vous voulez une coupe à l'image près, cette portion doit être réencodée. Certains outils emploient une approche intelligente : ils ne réencodent que les GOP situés aux points de coupe et copient le reste. C'est ce qu'on appelle le « smart rendering », qui offre à la fois vitesse et précision.

Si vous fusionnez des fichiers entiers (sans coupe), ce problème ne se pose pas — chaque fichier commence déjà par une image I.

Le problème de la fréquence d'images variable

Fréquence constante (CFR) : les images arrivent à intervalles réguliers. Les horodatages forment une suite arithmétique régulière.

Fréquence variable (VFR) : les images n'arrivent pas à intervalles réguliers. Les caméras de téléphone sautent des images selon la lumière, les logiciels de capture d'écran selon l'absence de mouvement.

La VFR crée deux problèmes lors de la fusion :

1. Le calcul de durée est faux. Si l'outil suppose une fréquence moyenne et calcule la durée comme nombre d'images / ips, il trouve une valeur différente de la durée réelle. Le décalage à appliquer à la seconde vidéo est mal calculé.

2. Le décalage s'accumule. S'il y a une petite erreur sur chaque segment, elles s'additionnent. En fusionnant cinq segments, un problème de synchronisation labiale perceptible apparaît vers la fin.

Le symptôme est caractéristique : la synchronisation est bonne au début de la vidéo et se dégrade vers la fin.

Solution : convertir les segments en fréquence d'images constante avant de les fusionner. C'est une étape de réencodage supplémentaire, mais elle règle le problème à la racine.

Si vous travaillez régulièrement avec des vidéos filmées au téléphone, intégrer cette étape à votre flux de travail est une bonne habitude.

La compatibilité côté audio

Des conditions analogues s'appliquent au son :

Compatibilité de codec : si l'un est en AAC et l'autre en MP3, la copie est impossible.

Fréquence d'échantillonnage : un mélange de 44,1 kHz et de 48 kHz, sans conversion correcte, fait jouer un segment à la mauvaise vitesse.

Nombre de canaux : un mélange de mono et de stéréo impose une conversion.

Par ailleurs, comme les codecs audio avec perte fonctionnent par blocs, chaque fichier comporte au début et à la fin un délai d'encodeur et des échantillons de remplissage. Si vous fusionnez par copie, ces blancs sont conservés et un bref silence apparaît à chaque transition.

Ce problème n'existe pas côté vidéo (les images vidéo n'exigent pas de remplissage de bloc), un léger écart de synchronisation peut donc apparaître entre le son et l'image. Sur de longues fusions, il peut s'accumuler.

Si vous voulez un son sans coupure, le son doit être réencodé.

Le choix des cibles en cas de réencodage

Si le réencodage est inévitable, vous devez choisir les paramètres cibles :

La résolution. Visez la valeur la plus fréquemment utilisée. Si le mélange comporte quatre vidéos en 1080p et une en 720p, choisissez le 1080p — un seul segment sera agrandi.

La fréquence d'images. Choisir la plus élevée donne un résultat plus fluide. Passer une vidéo de 30 ips à 60 ips répète des images (cela n'ajoute pas d'information) mais les segments en 60 ips conservent leur fluidité.

Le rapport d'aspect. En cas de rapports différents, ajouter des bandes noires (letterbox/pillarbox) préserve le contenu ; rogner remplit l'écran mais fait perdre du contenu.

Le débit / la qualité. Utiliser une cible de qualité fondée sur le CRF donne généralement un meilleur résultat qu'un débit constant, car chaque scène reçoit les données dont elle a besoin.

Le codec. Le H.264 est le choix le plus sûr ; il fonctionne partout.

En résumé

Dans la fusion vidéo, la copie est la voie idéale — aucune perte de qualité et une opération terminée en quelques secondes — mais elle impose des conditions strictes : codec, résolution, profil, format de chrominance, fréquence d'images et tous les paramètres audio doivent correspondre. Même lorsque cette condition est remplie, les horodatages doivent être réécrits ; le fait que le son et la vidéo soient décalés de la même quantité détermine la synchronisation. Si vous effectuez une coupe, la copie se heurte aux limites d'images clés et le point de coupe est arrondi. Les sources à fréquence d'images variable sont la cause la plus fréquente d'un décalage de synchronisation cumulatif et doivent être converties au préalable en fréquence constante. Si la compatibilité ne peut être assurée, un réencodage s'impose et il faut décider en connaissance de cause de la résolution, de la fréquence d'images et du rapport d'aspect cibles.