Las pausas, el aire muerto, los tres segundos antes de que empezaras a hablar. Medimos cuán silencioso es realmente el silencio de tu grabación antes de decidir qué cuenta como pausa — porque en un micrófono real, en una sala real, la respuesta de siempre no encuentra nada.
Arrastra y suelta audio o vídeo, o haz clic para elegir
MP3, WAV, FLAC, M4A, OGG, MP4, MOV, MKV, WEBM y todo lo demás que lea ffmpeg — hasta 500 MB, 2 horas de audio o 30 minutos de vídeo
Sube una grabación y recupérala sin el aire muerto — la espera antes de empezar, los huecos mientras pensabas, la pausa en la que hablaba otra persona fuera del micrófono. El trabajo lo hace ffmpeg en nuestro servidor, no tu navegador, así que el archivo puede ser tan grande como aguante tu conexión, y un vídeo vuelve cortado, no solo silenciado.
Toda herramienta de esta categoría tiene que responder a una pregunta: ¿por debajo de qué nivel un sonido es silencio? Casi todas responden con una constante, normalmente −50 dB, y algunas te hacen escribirla a ti. Ese número solo tiene sentido en relación con el suelo de ruido de la grabación a la que se aplica, y medimos qué ocurre cuando no lo tiene. La misma voz, con las mismas cuatro pausas, en cuatro suelos de ruido distintos:
| Suelo de ruido de la grabación | Umbral fijo de −50 dB | Umbral medido del archivo |
|---|---|---|
| Silencio de estudio, −90 dBFS | encontró todas las pausas | encontró todas las pausas |
| Sala silenciosa, −61 dBFS | encontró todas las pausas | encontró todas las pausas |
| Sala normal, −46 dBFS | no encontró nada | encontró todas las pausas |
| Cafetería, −34 dBFS | no encontró nada | encontró todas las pausas |
Las dos últimas filas no son un caso extremo — son un móvil sobre la mesa y el micrófono de un portátil, que es lo que son la mayoría de las grabaciones. Y con un suelo de −34 dBFS el problema no se arregla escribiendo un número mejor: probamos −50, −40, −35 y −30, y ninguno encontró una sola pausa, porque la grabación entera, silencio incluido, está por encima de todos ellos. En su lugar medimos el suelo — el percentil diez de las energías de ventanas de cincuenta milisegundos, que es donde están de verdad las partes silenciosas — y ponemos el umbral cinco decibelios por encima. En esos mismos cuatro archivos eso quitó 5,17, 5,29, 5,44 y 5,82 segundos donde 5,00 era la respuesta correcta conocida.
El margen sobre el suelo es el único parámetro libre que queda, así que recibió el mismo trato. Con +3 y +4 el detector no encontró nada en ningún archivo con un suelo de ruido real — demasiado cerca del suelo, y la propia variación del suelo se lo come. Con +6 y +8 empezó a comerse voz baja, quitando 7,31 segundos de un archivo cuya respuesta correcta era 5,00. Con +5 se quedó a menos de 0,15 segundos de la verdad en tres de los cuatro. Detrás de eso hay además un detalle que costó una ronda de pruebas: el propio silencedetect de ffmpeg no hubo manera de que funcionara entre códecs — con el mismo contenido encontró cuatro pausas en el WAV y ninguna en el MP3 ni en el Opus, porque el silencio de un códec con pérdida es ruido de codificación con tramas más altas dentro. En su lugar aplicamos el umbral a la serie RMS suavizada, que da las mismas pausas con una diferencia de 0,05 segundos en WAV, AAC, MP3 y Opus por igual.
Ese es el miedo con un cortador automático de silencios, y es medible en vez de una cuestión de gusto. Cogimos una grabación limpia de estudio, buscamos los puntos de corte con una copia ruidosa de ella, aplicamos esos cortes al original limpio y comparamos la energía total de la voz antes y después: sobrevivió entre el 100 y el 101 por ciento, con todos los ajustes de respiro, incluso sin respiro alguno. No son las palabras lo que protege el respiro. Lo que protege es el ritmo — la pausa corta dentro de una frase que hace que el habla suene a habla. El suave no quitó ninguna de ellas en los cuatro archivos de prueba, el normal quitó de medio segundo a siete décimas, y el agresivo quitó segundo y medio. Esa es la diferencia real entre los tres ajustes, y por eso el agresivo suena a edición de pódcast y el suave suena a ti.
Un eliminador de silencios que solo trata audio resuelve la mitad del problema. Cortar un vídeo significa quitar los mismos instantes de la imagen y del sonido, lo que descarta copiar las pistas y obliga a recodificar la imagen. Hay una forma más rápida — el demuxer concat de ffmpeg, que corta en las fronteras de los paquetes — y la probamos en serio antes de descartarla: un clip que destella en blanco y pita exactamente en los mismos instantes, cortado de las dos maneras, y medido destello a destello. El demuxer dejó imagen y sonido hasta 983 milisegundos separados y convirtió 45 pitidos en 90. El grafo de corte y concatenación que sí usamos los mantuvo en 17 milisegundos y conservó los 45. Es más lento. Es el que funciona.
El audio pasa por un filtro en flujo, así que es lineal y rápido: cinco minutos tardan unos 5,8 segundos, diez minutos 11,8, veinte minutos 21,6. El vídeo es una recodificación completa, así que depende de la imagen — unas diez veces más rápido que el tiempo real en 360p, tres veces en 720p y más o menos tiempo real en 1080p. Por eso también el límite de duración del vídeo es menor que el del audio: treinta minutos de 1080p ya son media hora de trabajo del servidor, y dos horas de audio son cuatro minutos.
El uso gratuito es de cinco minutos al día, con archivos de hasta 100 MB. Un paquete de créditos lo sube a 500 MB por archivo y dos horas de audio o treinta minutos de vídeo — y los créditos se cobran por la duración del archivo que vuelve, no del que entró, porque cobrarte el silencio que borramos sería cobrarte nuestra propia salida. Recuperas el formato que enviaste siempre que podamos, con una calidad en la que el codificador no es lo que se oye. Las subidas se borran en cuanto termina el trabajo, y el resultado seis horas después.
Cualquier cosa más baja que el suelo de ruido de tu propia grabación más cinco decibelios, durante al menos el tiempo del ajuste que elijas — un segundo en suave, medio segundo en normal, un tercio de segundo en agresivo. Es decir, silencio genuino en su contexto: el siseo de tu sala sigue contando como silencio si no hay nada encima, mientras que un susurro no. Lo que no hace es quitar un sonido por ser poco interesante. Un trozo largo de conversación de fondo, un perro, el tráfico por la ventana — eso está por encima del suelo, así que se queda.
Porque es la pregunta equivocada, y el número que escribirías es imposible de saber sin medir antes el archivo. Lo probamos directamente: en una grabación cuyas partes silenciosas están a −34 dBFS, que es una grabación normal de móvil, ninguno de −50, −40, −35 o −30 dB encontró una sola pausa. La grabación entera, silencio incluido, está por encima de todos ellos. Medir el suelo de tu archivo y trabajar desde ahí encontró todas las pausas en todos los archivos de prueba, incluidos los de silencio de estudio en los que un número fijo funciona por casualidad. Los tres ajustes existen para la decisión que sí es tuya — cuán agresiva quieres la edición — y el valor en decibelios no es esa decisión.
No, y lo medimos en vez de afirmarlo. Sacar los puntos de corte de una copia ruidosa de una grabación, aplicarlos al original limpio y comparar la energía total de la voz antes y después dio entre el 100 y el 101 por ciento sobreviviendo — con todos los ajustes de respiro, incluso con el respiro apagado del todo. El respiro no está para salvar tus consonantes. Está para que la grabación no suene ametrallada: deja algo de cada pausa para que el habla siga respirando.
Normal para casi todo: quita pausas de medio segundo en adelante y deja 0,15 s de cada una. El suave solo toca pausas de un segundo entero o más y deja un cuarto de segundo — en nuestros archivos de prueba no quitó ninguna de las pausas cortas dentro de las frases, así que es el ajuste que no puede cambiar cómo suenas. El agresivo empieza en un tercio de segundo y deja 0,08 s, lo que en los mismos archivos quitó alrededor de segundo y medio de pausa dentro de frase; deja la grabación claramente más rápida y claramente más editada, lo que a veces es justo lo que quieres y a veces no.
Sí, y la imagen se corta junto con el sonido en lugar de solo silenciarse. Eso obliga a recodificar el vídeo, porque no se puede quitar un instante de una pista copiándola, así que un vídeo tarda más que un audio — alrededor de un tercio de su duración en 720p y más o menos su propia duración en 1080p. A cambio, los dos siguen sincronizados: en un clip de prueba que destella y pita al mismo compás, imagen y sonido salieron con 17 milisegundos de diferencia en el último de 45 cortes. El método más rápido que probamos en su lugar se desvió casi un segundo, y por eso no lo usamos.
Audio: MP3, WAV, FLAC, M4A, AAC, OGG, Opus, WMA y todo lo demás que lea ffmpeg. Vídeo: MP4, MOV, MKV, WEBM, AVI y los demás. Recuperas el mismo formato cuando podemos — un MP3 vuelve como MP3 a 320 kbps, un WAV como WAV, un FLAC como FLAC — y MP3 o MKV para los formatos raros que nada maneja bien. El corte reescribe el archivo de todas formas, así que aquí no hay camino sin pérdida como sí lo hay en nuestro recortador.
Para audio, segundos: diez minutos tardan unos doce, y veinte minutos unos veintidós, porque la ruta de audio es un filtro en flujo y escala linealmente. Para vídeo depende de la imagen — unas diez veces más rápido que el tiempo real en 360p, tres veces en 720p y más o menos tiempo real en 1080p — porque cada fotograma que sobrevive al corte hay que codificarlo otra vez. Subir un vídeo grande suele ser la mitad más lenta.
Tu subida se borra en cuanto termina el trabajo, y el archivo acortado seis horas después. Esa ventana existe solo para que el enlace de descarga siga funcionando si cierras la pestaña y vuelves. Después de eso no se guarda nada, nadie escucha nada y nada se pasa a nadie — algo que conviene decir con claridad en una herramienta a la que la gente trae entrevistas, clases y grabaciones inéditas.