As pausas, o silêncio morto, os três segundos antes de você começar a falar. Medimos o quão silencioso é de fato o silêncio da sua gravação antes de decidir o que conta como pausa — porque num microfone real, numa sala real, a resposta de sempre não acha nada.
Arraste e solte áudio ou vídeo, ou clique para escolher
MP3, WAV, FLAC, M4A, OGG, MP4, MOV, MKV, WEBM e tudo mais que o ffmpeg lê — até 500 MB, 2 horas de áudio ou 30 minutos de vídeo
Envie uma gravação e receba de volta sem o silêncio morto — a espera antes de você começar, os intervalos enquanto pensava, a pausa em que outra pessoa falava fora do microfone. O trabalho é feito com ffmpeg no nosso servidor, e não no seu navegador, então o arquivo pode ser tão grande quanto sua conexão aguentar — e um vídeo volta cortado, não apenas mudo.
Toda ferramenta desta categoria precisa responder a uma pergunta: abaixo de que nível um som é silêncio? Quase todas respondem com uma constante, normalmente −50 dB, e algumas ainda pedem que você digite o número. Esse valor só faz sentido em relação ao piso de ruído da gravação em que é aplicado, e nós medimos o que acontece quando não faz. A mesma fala, com as mesmas quatro pausas, em quatro pisos de ruído diferentes:
| Piso de ruído da gravação | Limiar fixo de −50 dB | Limiar medido do arquivo |
|---|---|---|
| Silêncio de estúdio, −90 dBFS | achou todas as pausas | achou todas as pausas |
| Sala silenciosa, −61 dBFS | achou todas as pausas | achou todas as pausas |
| Sala normal, −46 dBFS | não achou nada | achou todas as pausas |
| Café, −34 dBFS | não achou nada | achou todas as pausas |
As duas últimas linhas não são um caso extremo — são um celular sobre a mesa e o microfone de um notebook, que é o que a maioria das gravações é. E com um piso de −34 dBFS o problema não se resolve digitando um número melhor: testamos −50, −40, −35 e −30, e nenhum deles achou uma única pausa, porque a gravação inteira, silêncio incluído, está acima de todos eles. Em vez disso medimos o piso — o décimo percentil das energias de janelas de cinquenta milissegundos, que é onde as partes silenciosas de fato ficam — e colocamos o limiar cinco decibéis acima dele. Nesses mesmos quatro arquivos isso removeu 5,17, 5,29, 5,44 e 5,82 segundos onde 5,00 era a resposta certa conhecida.
A margem acima do piso é o único parâmetro livre que sobra, então recebeu o mesmo tratamento. Em +3 e +4 o detector não achou nada em nenhum arquivo com piso de ruído real — perto demais do piso, e a variação do próprio piso engole a diferença. Em +6 e +8 ele começou a comer fala baixa, removendo 7,31 segundos de um arquivo cuja resposta certa era 5,00. Em +5 ele ficou a menos de 0,15 segundo da verdade em três dos quatro. Há ainda um detalhe por trás disso que custou uma rodada de testes: o silencedetect do próprio ffmpeg não funcionou entre codecs — no mesmo conteúdo achou quatro pausas no WAV e nenhuma no MP3 ou no Opus, porque o silêncio de um codec com perdas é ruído de codificação com quadros mais altos no meio. Em vez dele, aplicamos o limiar à série RMS suavizada, o que dá as mesmas pausas com diferença de 0,05 segundo em WAV, AAC, MP3 e Opus igualmente.
Esse é o medo com um cortador automático de silêncio, e ele é mensurável em vez de ser questão de gosto. Pegamos uma gravação limpa de estúdio, encontramos os pontos de corte usando uma cópia ruidosa dela, aplicamos esses cortes ao original limpo e comparamos a energia total da fala antes e depois: sobreviveram de 100 a 101 por cento, em todos os ajustes de respiro, inclusive sem respiro nenhum. Não são as palavras que o respiro protege. O que ele protege é o ritmo — a pausa curta dentro de uma frase que faz a fala soar como fala. O suave não removeu nenhuma delas nos quatro arquivos de teste, o normal removeu de meio segundo a sete décimos, e o agressivo removeu um segundo e meio. Essa é a diferença real entre os três ajustes, e é por isso que o agressivo soa como edição de podcast e o suave soa como você.
Um removedor de silêncio que só trata áudio resolve metade do problema. Cortar vídeo significa remover os mesmos instantes da imagem e do som, o que descarta copiar as trilhas e obriga a recodificar a imagem. Existe um jeito mais rápido — o demuxer concat do ffmpeg, que corta nas fronteiras dos pacotes — e nós o testamos direito antes de descartar: um clipe que pisca branco e apita exatamente nos mesmos instantes, cortado dos dois jeitos, e depois medido piscada por piscada. O demuxer deixou imagem e som até 983 milissegundos separados e transformou 45 apitos em 90. O grafo de corte e concatenação que de fato usamos manteve a diferença em 17 milissegundos e preservou os 45. É mais lento. É o que funciona.
O áudio passa por um filtro em fluxo, então é linear e rápido: cinco minutos levam cerca de 5,8 segundos, dez minutos 11,8, vinte minutos 21,6. Vídeo é recodificação completa, então depende da imagem — cerca de dez vezes mais rápido que o tempo real em 360p, três vezes em 720p e mais ou menos tempo real em 1080p. É também por isso que o limite de duração para vídeo é menor que para áudio: trinta minutos de 1080p já são meia hora de trabalho do servidor, e duas horas de áudio são quatro minutos.
O uso gratuito é de cinco minutos por dia, com arquivos de até 100 MB. Um pacote de créditos eleva isso para 500 MB por arquivo e duas horas de áudio ou trinta minutos de vídeo — e os créditos são cobrados pela duração do arquivo que volta, não do que entrou, porque cobrar pelo silêncio que apagamos seria cobrar pela nossa própria saída. Você recebe de volta o formato que enviou sempre que der, numa qualidade em que o codificador não é o que se ouve. Os envios são apagados assim que o trabalho termina, e o resultado seis horas depois.
Qualquer coisa mais baixa que o piso de ruído da sua própria gravação mais cinco decibéis, por pelo menos o tempo do ajuste que você escolheu — um segundo no suave, meio segundo no normal, um terço de segundo no agressivo. Ou seja, silêncio genuíno no contexto: o chiado da sua sala ainda conta como silêncio se não houver nada por cima, enquanto um sussurro não conta. O que ele não faz é remover um som por ser desinteressante. Um trecho longo de conversa ao fundo, um cachorro, trânsito pela janela — isso está acima do piso, então fica.
Porque é a pergunta errada a fazer a você, e o número que você digitaria é impossível de saber sem medir o arquivo antes. Testamos isso diretamente: numa gravação cujas partes silenciosas ficam em −34 dBFS, que é uma gravação comum de celular, nenhum entre −50, −40, −35 e −30 dB achou uma única pausa. A gravação inteira, silêncio incluído, está acima de todos eles. Medir o piso do seu arquivo e trabalhar a partir dele achou todas as pausas em todos os arquivos de teste, inclusive os de silêncio de estúdio em que um número fixo por acaso funciona. Os três ajustes existem para a decisão que é genuinamente sua — o quão agressiva você quer a edição — e o valor em decibéis não é essa decisão.
Não, e nós medimos em vez de afirmar. Tirar os pontos de corte de uma cópia ruidosa de uma gravação, aplicá-los ao original limpo e comparar a energia total da fala antes e depois deu de 100 a 101 por cento sobrevivendo — em todos os ajustes de respiro, inclusive com o respiro totalmente desligado. O respiro não está ali para salvar suas consoantes. Está ali para a gravação não soar metralhada: ele deixa um pouco de cada pausa para trás, para a fala continuar respirando.
Normal para quase tudo: tira pausas de meio segundo para cima e deixa 0,15 s de cada uma. O suave só mexe em pausas de um segundo inteiro ou mais e deixa um quarto de segundo — nos nossos arquivos de teste ele não removeu nenhuma das pausas curtas dentro das frases, então é o ajuste que não consegue mudar como você soa. O agressivo começa em um terço de segundo e deixa 0,08 s, o que nos mesmos arquivos removeu cerca de um segundo e meio de pausa interna à frase; ele deixa a gravação nitidamente mais rápida e nitidamente mais editada, o que às vezes é exatamente o que você quer e às vezes não.
Pode, e a imagem é cortada junto com o som, não apenas silenciada. Isso exige recodificar o vídeo, porque não dá para remover um instante de uma trilha copiando-a, então vídeo demora mais que áudio — cerca de um terço da duração em 720p e mais ou menos a duração inteira em 1080p. Em troca, os dois ficam sincronizados: num clipe de teste que pisca e apita no mesmo compasso, imagem e som saíram com 17 milissegundos de diferença no último dos 45 cortes. O método mais rápido que testamos no lugar deste derivou quase um segundo, e é por isso que não o usamos.
Áudio: MP3, WAV, FLAC, M4A, AAC, OGG, Opus, WMA e tudo mais que o ffmpeg lê. Vídeo: MP4, MOV, MKV, WEBM, AVI e os demais. Você recebe de volta o mesmo formato quando dá — um MP3 volta MP3 a 320 kbps, um WAV volta WAV, um FLAC volta FLAC — e MP3 ou MKV para os formatos estranhos que nada mais trata bem. O corte reescreve o arquivo de qualquer jeito, então aqui não existe caminho sem perdas como existe no nosso cortador.
Para áudio, segundos: dez minutos levam cerca de doze, e vinte minutos cerca de vinte e dois, porque o caminho do áudio é um filtro em fluxo e escala linearmente. Para vídeo depende da imagem — cerca de dez vezes mais rápido que o tempo real em 360p, três vezes em 720p e mais ou menos tempo real em 1080p — porque cada quadro que sobrevive ao corte precisa ser codificado de novo. Enviar um vídeo grande costuma ser a metade mais lenta.
Seu envio é apagado assim que o trabalho termina, e o arquivo encurtado seis horas depois. Essa janela existe só para o link de download ainda funcionar se você fechar a aba e voltar. Nada é guardado depois disso, nada é ouvido e nada é repassado a ninguém — o que vale dizer com todas as letras para uma ferramenta em que as pessoas colocam entrevistas, aulas e gravações inéditas.