تبدیل MP4 به MP3: بیت‌ریت، برش و همهٔ دستگاه‌ها

فایل MP4 یک کانتینر است که طبق استاندارد MPEG-4 Part 14 (ISO/IEC 14496-14) تعریف شده و جریان‌های جداگانه را در یک بسته کنار هم قرار می‌دهد. ویدیوی معمول گوشی یا دوربین شامل یک جریان ویدیویی فشرده با H.264 یا H.265، یک جریان صوتی فشرده با AAC و کمی فراداده مثل تاریخ ضبط و جهت چرخش است. وقتی کسی می‌گوید می‌خواهد MP4 را به MP3 تبدیل کند، اصلاً تبدیل تصویر را نمی‌خواهد. او جریان صوتی را به‌تنهایی می‌خواهد، در قالبی که هر پخش‌کننده موسیقی، ضبط ماشین و برنامه پادکست بدون مشکل آن را بپذیرد.

نکته اینجاست که صدای داخل MP4 از نوع AAC است، نه MP3، و این دو کدک را نمی‌شود صرفاً با تغییر نام عوض کرد. برای ساخت MP3 واقعی، مبدل باید AAC را به نمونه‌های خام برگرداند و سپس آن‌ها را با رمزگذار MP3 دوباره فشرده کند. هر دو مرحله روتین‌اند، برای یک کلیپ معمولی چند ثانیه طول می‌کشند و هر ابزار آنلاین و دسکتاپی در پشت صحنه همین کار را می‌کند. جریان ویدیویی هرگز رمزگشایی نمی‌شود و به همین دلیل استخراج صدا بسیار سریع‌تر از تبدیل ویدیو به فرمت ویدیویی دیگر با همان مدت است.

چون AAC و MP3 هر دو با اتلاف هستند، این یک دور دوم فشرده‌سازی با اتلاف روی دور اول است. این موضوع نگران‌کننده به نظر می‌رسد، اما در عمل فقط وقتی شنیده می‌شود که رمزگذاری دوم بیت کم داشته باشد. MP3 که رسماً MPEG-1 Audio Layer III نام دارد، در سال 1993 با عنوان ISO/IEC 11172-3 استاندارد شد و از AAC قدیمی‌تر و کمی کم‌بازده‌تر است؛ پس کمی بیش از منبع به آن نرخ بیت بدهید. اگر صدای ویدیو AAC با 128 kbps بوده، MP3 با 160 یا 192 kbps برای تقریباً همه با هدفون معمولی یکسان شنیده می‌شود.

راه دومی هم هست که رمزگذاری مجدد را کاملاً حذف می‌کند. فایل M4A همان کانتینر MPEG-4 در MP4 است، فقط بدون جریان ویدیو؛ پس ابزار می‌تواند ترک AAC را بیت‌به‌بیت کپی کند. چیزی رمزگشایی نمی‌شود، چیزی دوباره فشرده نمی‌شود و نتیجه دقیقاً مثل ویدیو شنیده می‌شود. اگر صدا برای iPhone، مک، Apple Music، GarageBand یا هر گوشی اندرویدی امروزی است، استخراج MP4 به M4A را انجام دهید و هیچ افتی نخواهید داشت. برخی ابزارهای مرورگر و دسکتاپ برای یکدستی خروجی M4A را هم دوباره رمزگذاری می‌کنند، اما هزینه کیفیت با نرخ بیت معقول همان افت ناچیز MP3 است.

MP3 جایگاهش را با سازگاری به دست آورده است. آخرین پتنت‌هایش در سال 2017 منقضی شد، زمانی که Fraunhofer IIS برنامه صدور مجوز را پایان داد، و دهه‌ها سخت‌افزار پیرامون آن ساخته شده است: ضبط‌های قدیمی ماشین که فلش USB می‌خوانند، پخش‌کننده‌های ارزان MP3، برخی نرم‌افزارهای DJ، پورتال‌های صداگذاری و فرم‌های وب فراوانی که فقط .mp3 می‌پذیرند. اگر فایل از دستگاه‌های خودتان بیرون می‌رود یا نمی‌دانید با چه چیزی پخش می‌شود، MP3 فرمتی است که پرسش پشتیبانی به دنبال ندارد. برای گزینه‌های بدون فشرده‌سازی و بدون اتلاف، راهنمای ما درباره MP3، WAV، FLAC و AAC هر چهار را کنار هم مقایسه می‌کند.

نرخ بیت تعداد کیلوبیتی است که برای هر ثانیه صدا صرف می‌شود و به‌تنهایی حجم MP3 را تعیین می‌کند. وضوح، نرخ فریم و حجم ویدیوی اصلی اثری ندارند، چون تصویر حذف شده است. برای محاسبه حجم، نرخ بیت را در مدت ضرب و بر 8 تقسیم کنید: یک دقیقه با 128 kbps حدود 0.96 MB، با 192 kbps حدود 1.44 MB و با 320 kbps حدود 2.4 MB است. بنابراین یک سخنرانی یک‌ساعته با 128 kbps نزدیک 58 MB می‌شود، در حالی که آهنگ چهار دقیقه‌ای با 320 kbps زیر 10 MB می‌ماند.

آنچه در هر پله می‌شنوید نسبتاً قابل پیش‌بینی است. در 128 kbps صدای انسان طبیعی است و موسیقی روی بلندگوی گوشی و ایرفون خوب به گوش می‌رسد، اما سنج‌ها، تشویق و ماندگاری پژواک روی هدفون خوب کمی خش‌دار می‌شوند. در 192 kbps بیشتر افراد در مقایسه کور نمی‌توانند MP3 را از صدای خود ویدیو تشخیص دهند؛ به همین دلیل این مقدار پیش‌فرض رایج مبدل MP4 به MP3 و بسیاری از برنامه‌های دسکتاپ است. در 320 kbps، بالاترین نرخ بیت مجاز استاندارد MP3، فایل حدود دو سوم بزرگ‌تر می‌شود، برای تفاوتی که کمتر شنونده‌ای حس می‌کند.

قاعده‌ای که بیشترین ناامیدی را جلوگیری می‌کند این است که نرخ بیت بالاتر نمی‌تواند چیزی را که ویدیو از ابتدا نداشته بازگرداند. ضبط‌های گوشی معمولاً AAC با 96 تا 256 kbps دارند و ضبط صفحه یا ویدیوهای پیام‌رسان‌ها اغلب حتی کمتر. رمزگذاری منبع 96 kbps با 320 kbps فایلی سه برابر بزرگ‌تر می‌دهد که دقیقاً مثل نسخه اصلی 96 kbps، همراه با آرتیفکت‌ها، شنیده می‌شود. اگر مطمئن نیستید، نرخ بیت منبع را در پنل اطلاعات رسانه ببینید و پله بالاتر را انتخاب کنید، نه بالای فهرست را.

بیشتر مردم کل ویدیو را به‌صورت صدا نمی‌خواهند. یک آهنگ از ضبط دو ساعته کنسرت، پاسخ پنج‌دقیقه‌ای از یک وبینار یا یک افکت صوتی از ضبط بازی می‌خواهند. بریدن کلیپ هنگام استخراج سریع‌تر و تمیزتر از استخراج همه چیز و ویرایش بعدی است، چون هرگز با بخش‌های غیرلازم سروکار ندارید. در مبدل ویدیو به صدا، تنظیمات پیشرفته را باز کنید و شروع از و پایان در را با ثانیه مثل 95 یا با دقیقه و ثانیه مثل 1:35 پر کنید. یکی از فیلدها را خالی بگذارید تا ابتدا یا انتها حفظ شود و پیش از آن ویدیو را پخش کنید تا زمان‌های دقیق را یادداشت کنید.

دو عادت باعث می‌شود کلیپ‌ها تمام‌شده به نظر برسند، نه بریده‌بریده. حدود یک ثانیه قبل از اولین کلمه یا نت شروع کنید، چون برش دقیقاً روی صدا معمولاً ابتدای آن را می‌خورد و ناگهانی به گوش می‌رسد. و اگر ضبط کم‌صداست، مثل ویدیوهای گوشی از سخنرانی در ردیف آخر، یکسان‌سازی بلندی صدا را بزنید که بلندی را به −16 LUFS می‌رساند، هدفی رایج برای صدای گفتار، تا کلیپ با سطحی مشابه فایل‌های دیگرتان پخش شود. اگر ویدیو زبان دوم یا گزارش دارد، ترک صوتی مشخص می‌کند کدام یک MP3 شود.

MP3 ساخته‌شده از ویدیو معمولاً فقط با یک نام فایل می‌رسد. پخش‌کننده‌ها عنوان، خواننده، آلبوم و جلد را از تگ‌های ID3 داخل فایل می‌خوانند و ID3v2 می‌تواند تصویر جلد را هم جای دهد. در ویندوز روی MP3 راست‌کلیک کنید، Properties و سپس Details را باز کنید و عنوان، خواننده و آلبوم را بنویسید. در مک آن را به برنامه Music اضافه کنید، Get Info را بزنید و جلد را در تب Artwork بچسبانید. ویرایشگرهای رایگان تگ مثل Mp3tag همین کار را گروهی انجام می‌دهند که وقتی مجموعه‌ای از سخنرانی‌ها یا قسمت‌ها را یکجا استخراج می‌کنید ارزش دارد.

هر پلتفرم راهی برای بیرون کشیدن صدا از ویدیو دارد، هرچند کمتر راهی مستقیم MP3 می‌دهد. در مک، QuickTime Player می‌تواند فقط صدا را با File → Export As → Audio Only ذخیره کند، اما نتیجه M4A است، نه MP3. سپس برنامه Music می‌تواند آن را به MP3 تبدیل کند، به شرط آنکه Settings → Files → Import Settings را روی MP3 Encoder بگذارید و File → Convert → Create MP3 Version را بزنید. در ویندوز خروجی‌گیر داخلی برای این کار نیست و راه رایگان رایج VLC است که پنجره Media → Convert / Save آن پروفایل Audio - MP3 دارد. Audacity هم پس از نصب کتابخانه FFmpeg فایل‌های MP4 را باز می‌کند و از آنجا MP3 خروجی می‌دهد.

گوشی‌ها محدودتر هستند. در iPhone، اکشن Encode Media در برنامه Shortcuts کلیدی به نام Audio Only دارد که از ویدیوی کتابخانه شما M4A ذخیره می‌کند؛ کار می‌کند، اما ساخت میانبر چند دقیقه طول می‌کشد و خروجی هنوز MP3 نیست. اندروید معادل سراسری سیستمی ندارد و بسیاری از برنامه‌های استخراج صدا در Play Store پر از تبلیغ‌اند یا دسترسی گسترده به حافظه می‌خواهند. اگر کلیپ باید به جای صدا به متن تبدیل شود، راهنمای ما درباره تبدیل صدا به متن از جایی ادامه می‌دهد که این مقاله تمام می‌شود.

راه مرورگر روی همه دستگاه‌ها یکسان است: ویدیو را بارگذاری کنید، نرخ بیت را انتخاب کنید، استخراج به MP3 ← را بزنید و فایل را دانلود کنید. UltKit ویدیوهای تا 95 MB را می‌پذیرد، نیازی به برنامه یا حساب ندارد و هم فایل بارگذاری‌شده و هم MP3 را 30 دقیقه پس از پردازش از سرورهایش حذف می‌کند. ضبط‌های طولانی بالای 95 MB را معمولاً می‌توان ابتدا با کاهش وضوح کوچک کرد، چون وقتی فقط صدا می‌خواهید کیفیت تصویر اهمیتی ندارد. مراحل زیر سریع‌ترین مسیر در هر پلتفرم را خلاصه می‌کنند، از برنامه‌های دسکتاپ تا مرورگر گوشی.

بیشتر شکست‌های استخراج صدا از یکی از چهار علت ناشی می‌شود و پیام خطا معمولاً نامی از آن نمی‌برد. رایج‌ترین علت ویدیویی است که اصلاً جریان صوتی ندارد: برخی ضبط‌کننده‌های صفحه فقط تصویر را ضبط می‌کنند، مگر اینکه میکروفون یا صدای سیستم را روشن کنید، و برخی اپلیکیشن‌های اجتماعی از کلیپ‌هایی که بدون صدا ذخیره شده‌اند صدا را حذف می‌کنند. علت دوم حفاظت در برابر کپی است. فیلم‌ها و قسمت‌هایی که از فروشگاه‌هایی مانند iTunes Store خریداری یا اجاره شده‌اند و دانلودهای ذخیره‌شده داخل اپلیکیشن‌های استریم با DRM رمزگذاری شده‌اند و هیچ مبدل معمولی نمی‌تواند صدای داخل آن‌ها را بخواند. فقط ویدیوهایی را تبدیل کنید که خودتان ساخته‌اید یا حق استفاده از آن‌ها را دارید، زیرا حق کپی‌رایت صدا فارغ از فرمت فایل برقرار است.

دو علت دیگر به زمان‌بندی مربوط‌اند، نه دسترسی. ضبط‌های صفحه و برخی ضبط‌های گوشی از نرخ فریم متغیر استفاده می‌کنند و بعضی از آن‌ها در برچسب‌های زمانی خود وقفه یا پرش هم دارند؛ بنابراین صدای استخراج‌شده ممکن است یکی دو ثانیه کوتاه‌تر از ویدیو باشد یا هنگام هماهنگ کردن دوباره در ویرایشگر جابه‌جا شود. ذخیره دوباره ویدیو با نرخ فریم ثابت، با مبدل ویدیو، معمولاً هر دو مشکل را برطرف می‌کند. در نهایت، فایلی که چند صد کیلوبایت است و هنگام پخش ساکت است، اغلب یعنی ترک صوتی اشتباه انتخاب شده است؛ با استخراج ده ثانیه از هر ترک به‌راحتی می‌توانید این را بررسی کنید.