Les blancs, les temps morts, les trois secondes avant que vous ne commenciez à parler. Nous mesurons à quel point le silence de votre enregistrement est réellement silencieux avant de décider ce qui compte comme un blanc — parce que sur un vrai micro, dans une vraie pièce, la réponse habituelle ne trouve rien.
Glissez-déposez un audio ou une vidéo, ou cliquez pour parcourir
MP3, WAV, FLAC, M4A, OGG, MP4, MOV, MKV, WEBM et tout ce que ffmpeg sait lire — jusqu'à 500 Mo, 2 heures d'audio ou 30 minutes de vidéo
Envoyez un enregistrement et récupérez-le sans les temps morts — l'attente avant que vous ne commenciez, les trous pendant que vous réfléchissiez, le blanc où quelqu'un parlait hors micro. Le travail est fait avec ffmpeg sur notre serveur et non dans votre navigateur : le fichier peut donc être aussi gros que votre connexion le permet, et une vidéo revient coupée, pas seulement rendue muette.
Tout outil de cette catégorie doit répondre à une question : en dessous de quel niveau un son est-il un silence ? Presque tous y répondent par une constante, en général −50 dB, et certains vous demandent de la saisir vous-même. Ce nombre n'a de sens que par rapport au plancher de bruit de l'enregistrement auquel on l'applique, et nous avons mesuré ce qui se passe quand ce n'est pas le cas. La même parole, avec les mêmes quatre blancs, à quatre planchers de bruit différents :
| Plancher de bruit de l'enregistrement | Seuil fixe de −50 dB | Seuil mesuré sur le fichier |
|---|---|---|
| Silence de studio, −90 dBFS | a trouvé tous les blancs | a trouvé tous les blancs |
| Pièce silencieuse, −61 dBFS | a trouvé tous les blancs | a trouvé tous les blancs |
| Pièce normale, −46 dBFS | n'a rien trouvé | a trouvé tous les blancs |
| Café, −34 dBFS | n'a rien trouvé | a trouvé tous les blancs |
Les deux dernières lignes ne sont pas un cas limite — ce sont un téléphone posé sur une table et le micro d'un ordinateur portable, c'est-à-dire la plupart des enregistrements. Et avec un plancher à −34 dBFS, le problème ne se règle pas en saisissant un meilleur nombre : nous avons essayé −50, −40, −35 et −30, et aucun n'a trouvé le moindre blanc, parce que l'enregistrement entier, silence compris, est au-dessus de tous. Nous mesurons plutôt le plancher — le dixième centile des énergies de fenêtres de cinquante millisecondes, là où se situent réellement les parties calmes — et nous plaçons le seuil cinq décibels au-dessus. Sur ces mêmes quatre fichiers, cela a enlevé 5,17, 5,29, 5,44 et 5,82 secondes là où 5,00 était la bonne réponse connue.
La marge au-dessus du plancher est le seul paramètre libre qui reste, elle a donc eu le même traitement. À +3 et +4, le détecteur n'a rien trouvé sur aucun fichier ayant un vrai plancher de bruit — trop près du plancher, dont la propre variation noie l'écart. À +6 et +8, il a commencé à manger de la parole faible, enlevant 7,31 secondes d'un fichier dont la bonne réponse était 5,00. À +5, il est tombé à moins de 0,15 seconde de la vérité sur trois fichiers sur quatre. Il y a par ailleurs un détail derrière tout cela qui a coûté une série de tests : le silencedetect de ffmpeg n'a jamais pu fonctionner d'un codec à l'autre — sur un contenu identique, il a trouvé quatre blancs dans le WAV et aucun dans le MP3 ni dans l'Opus, parce que le silence d'un codec avec perte est du bruit de codage parsemé de trames plus fortes. Nous appliquons donc le seuil à la série RMS lissée, ce qui donne les mêmes blancs à 0,05 seconde près en WAV, AAC, MP3 et Opus.
C'est la crainte avec un coupeur automatique de silences, et elle se mesure au lieu de relever du goût. Nous avons pris un enregistrement propre de studio, trouvé les points de coupe sur une copie bruitée de celui-ci, appliqué ces coupes à l'original propre, puis comparé l'énergie totale de la parole avant et après : 100 à 101 pour cent ont survécu, à tous les réglages de respiration, y compris sans aucune respiration. Ce ne sont pas les mots que la respiration protège. Ce qu'elle protège, c'est le rythme — la courte pause à l'intérieur d'une phrase qui fait que la parole sonne comme de la parole. Doux n'en a supprimé aucune sur les quatre fichiers de test, normal en a supprimé une demi-seconde à sept dixièmes, et serré une seconde et demie. C'est la vraie différence entre les trois réglages, et c'est pourquoi serré sonne comme un montage de podcast et doux sonne comme vous.
Un outil de suppression des silences qui ne traite que l'audio ne résout que la moitié du problème. Couper une vidéo, c'est retirer les mêmes instants à l'image et au son, ce qui interdit de copier les pistes et oblige à réencoder l'image. Il existe une méthode plus rapide — le démultiplexeur concat de ffmpeg, qui coupe aux frontières des paquets — et nous l'avons testée sérieusement avant de l'écarter : un clip qui clignote en blanc et bipe exactement aux mêmes instants, coupé des deux façons, puis mesuré éclair par éclair. Le démultiplexeur a écarté l'image et le son jusqu'à 983 millisecondes et transformé 45 bips en 90. Le graphe de découpe et de concaténation que nous utilisons réellement les a maintenus à 17 millisecondes et a conservé les 45. Il est plus lent. C'est celui qui marche.
L'audio passe par un filtre en flux : c'est donc linéaire et rapide — cinq minutes prennent environ 5,8 secondes, dix minutes 11,8, vingt minutes 21,6. La vidéo est un réencodage complet, donc cela dépend de l'image : environ dix fois plus vite que le temps réel en 360p, trois fois en 720p et à peu près le temps réel en 1080p. C'est aussi pourquoi la limite de durée est plus basse pour la vidéo que pour l'audio : trente minutes de 1080p représentent déjà une demi-heure de travail pour le serveur, alors que deux heures d'audio en représentent quatre minutes.
L'usage gratuit est de cinq minutes par jour, sur des fichiers jusqu'à 100 Mo. Un pack de crédits porte cela à 500 Mo par fichier et deux heures d'audio ou trente minutes de vidéo — et les crédits sont facturés sur la durée du fichier qui revient, pas de celui qui est parti, car vous facturer le silence que nous avons supprimé reviendrait à vous facturer notre propre production. Vous récupérez le format envoyé quand c'est possible, à une qualité où l'encodeur n'est pas ce que l'on entend. Les envois sont supprimés dès la fin du travail, et le résultat six heures plus tard.
Tout ce qui est plus faible que le plancher de bruit de votre propre enregistrement plus cinq décibels, pendant au moins la durée du réglage choisi — une seconde en doux, une demi-seconde en normal, un tiers de seconde en serré. Autrement dit, un silence réel dans son contexte : le souffle de votre pièce compte encore comme un silence s'il n'y a rien par-dessus, alors qu'un chuchotement ne compte pas. Ce qu'il ne fait pas, c'est supprimer un son parce qu'il est sans intérêt. Un long passage de conversation en arrière-plan, un chien, la circulation par la fenêtre — tout cela est au-dessus du plancher, donc cela reste.
Parce que c'est la mauvaise question à vous poser, et que le nombre que vous saisiriez est impossible à connaître sans mesurer le fichier d'abord. Nous l'avons testé directement : sur un enregistrement dont les parties calmes sont à −34 dBFS, ce qui est un enregistrement de téléphone ordinaire, aucun de −50, −40, −35 ou −30 dB n'a trouvé le moindre blanc. L'enregistrement entier, silence compris, est au-dessus de tous. Mesurer le plancher de votre fichier et partir de là a trouvé tous les blancs sur tous les fichiers de test, y compris ceux en silence de studio où un nombre figé fonctionne par hasard. Les trois réglages existent pour la décision qui vous appartient vraiment — l'agressivité du montage — et la valeur en décibels n'est pas cette décision.
Non, et nous l'avons mesuré plutôt que affirmé. Prendre les points de coupe sur une copie bruitée d'un enregistrement, les appliquer à l'original propre et comparer l'énergie totale de la parole avant et après a donné 100 à 101 pour cent de survie — à tous les réglages de respiration, y compris avec la respiration entièrement désactivée. La respiration n'est pas là pour sauver vos consonnes. Elle est là pour que l'enregistrement ne sonne pas mitraillé : elle laisse un peu de chaque blanc, pour que la parole continue de respirer.
Normal pour presque tout : il enlève les blancs à partir d'une demi-seconde et en laisse 0,15 s à chaque fois. Doux ne touche qu'aux blancs d'une seconde entière ou plus et en laisse un quart de seconde — sur nos fichiers de test, il n'a supprimé aucune des courtes pauses à l'intérieur des phrases, c'est donc le réglage qui ne peut pas changer votre façon de parler. Serré commence à un tiers de seconde et laisse 0,08 s, ce qui, sur les mêmes fichiers, a retiré environ une seconde et demie de pause intra-phrase ; il rend l'enregistrement nettement plus rapide et nettement plus monté, ce qui est parfois exactement ce que vous voulez et parfois non.
Oui, et l'image est coupée en même temps que le son, pas seulement rendue muette. Cela impose de réencoder la vidéo, car on ne peut pas retirer un instant d'une piste en la copiant : une vidéo prend donc plus de temps qu'un audio — environ un tiers de sa durée en 720p et à peu près sa propre durée en 1080p. En échange, les deux restent synchrones : sur un clip de test qui clignote et bipe au même rythme, l'image et le son sont sortis à 17 millisecondes l'un de l'autre à la dernière des 45 coupes. La méthode plus rapide que nous avons testée à la place dérivait de près d'une seconde, et c'est pourquoi nous ne l'employons pas.
Audio : MP3, WAV, FLAC, M4A, AAC, OGG, Opus, WMA et tout ce que ffmpeg sait lire. Vidéo : MP4, MOV, MKV, WEBM, AVI et les autres. Vous récupérez le même format quand nous le pouvons — un MP3 revient en MP3 à 320 kbit/s, un WAV en WAV, un FLAC en FLAC — et MP3 ou MKV pour les formats exotiques que rien ne gère proprement. La découpe réécrit le fichier de toute façon : il n'y a donc pas ici de voie sans perte comme dans notre outil de découpe.
Pour l'audio, quelques secondes : dix minutes prennent environ douze secondes, et vingt minutes environ vingt-deux, parce que la voie audio est un filtre en flux qui monte linéairement. Pour la vidéo, cela dépend de l'image — environ dix fois plus vite que le temps réel en 360p, trois fois en 720p et à peu près le temps réel en 1080p — car chaque image qui survit à la coupe doit être réencodée. Envoyer une grosse vidéo est souvent la moitié la plus lente.
Votre envoi est supprimé dès la fin du travail, et le fichier raccourci six heures plus tard. Cette fenêtre n'existe que pour que le lien de téléchargement fonctionne encore si vous fermez l'onglet et revenez. Rien n'est conservé ensuite, rien n'est écouté et rien n'est transmis à qui que ce soit — cela mérite d'être dit clairement pour un outil auquel on confie des entretiens, des cours et des enregistrements inédits.