क्वालिटी गँवाए बिना ऑडियो कैसे काटें

छोटा जवाब

ऑडियो ट्रिमर खोलिए, रिकॉर्डिंग भीतर छोड़ दीजिए, जो-जो हिस्सा चाहिए उस पर I और O से निशान लगाइए — जितने चाहें उतने — और एक्सपोर्ट कर दीजिए। हर कट ठीक उसी सैंपल पर गिरती है जहाँ आपने निशान लगाया, रखे हुए सैंपल जैसे गए थे वैसे ही बाहर आते हैं, और जोड़ों पर पाँच मिलीसेकंड का फ़ेड लग जाता है ताकि वहाँ कुछ खटक ही न सके।

काम इतना ही है। इस पेज का बाकी हिस्सा इस बारे में है कि यह सटीकता कोई विज्ञापन नहीं बल्कि सच क्यों है, और दो टुकड़े जोड़ते समय असल में जो एक चीज़ गड़बड़ होती है वह क्या है।

ऑडियो की कट ठीक क्यों गिर सकती है, वीडियो की क्यों नहीं

वीडियो पूरी-पूरी तस्वीरों की कतार की तरह नहीं रखा जाता — वह बहुत बड़ा हो जाता। ज़्यादातर फ़्रेम इस रूप में रखे जाते हैं कि वे अपने पड़ोसियों से कितने अलग हैं, इसलिए उन्हें अकेले खोला नहीं जा सकता। अकेले सिर्फ़ कीफ़्रेम खड़ा रहता है, और कीफ़्रेम आम तौर पर एक से दस सेकंड की दूरी पर होते हैं। इसलिए जो टूल फ़्रेम नकल करके काटता है वह जहाँ आप चाहें वहाँ से शुरू नहीं कर सकता: उसे किसी कीफ़्रेम से ही शुरू करना पड़ता है, और इसीलिए कटा हुआ वीडियो कभी-कभी आपके निशान से एक-दो सेकंड पहले शुरू हो जाता है। वीडियो वाली गाइड ज़्यादातर उसी की बात है।

आवाज़ में इसके जैसा कुछ है ही नहीं। रिकॉर्डिंग एक बार खुल जाए तो वह संख्याओं की एक कतार है — हर चैनल के लिए एक, हर सेकंड में दसियों हज़ार बार — और उनमें से हर एक पूरी तरह अपने बल पर खड़ी है। सैंपल 1,234,567 को मतलब रखने के लिए 1,234,566 की ज़रूरत नहीं। तो कट किसी भी सैंपल पर लगाई जा सकती है, और “ठीक वहीं जहाँ आपने निशान लगाया” का मतलब अक्षरशः यही है: आपका निशान सेकंडों में, सैंपल दर से गुणा, और नज़दीकी पूरे सैंपल पर गोल। 48 kHz पर यह गोलाई ज़्यादा से ज़्यादा दस माइक्रोसेकंड की है।

प्लेयर के हिसाब से बदलने वाला बर्ताव भी यहाँ नहीं है। कटा हुआ वीडियो एक एडिट-निशान के भरोसे रहता है जिसे ज़्यादातर प्लेयर मानते हैं और कुछ अनदेखा करते हैं; कटा हुआ WAV बस सैंपल हैं, इसलिए किसी प्लेयर के असहमत होने लायक कुछ बचता ही नहीं।

पेच: जोड़ एक टूटन है

ऑडियो काटते समय असल में जो गड़बड़ होती है वह यह है, और अच्छे ट्रिमर में इसके लिए एक सेटिंग होने की वजह भी यही है।

आवाज़ एक तरंग है। जब आप एक शब्द के बीच से काटकर सीधे दूसरे शब्द के बीच पर जा पहुँचते हैं, तो पहले टुकड़े के आखिरी सैंपल और दूसरे के पहले सैंपल के बीच कोई रिश्ता नहीं होता: तरंग एक ही सैंपल में अपने ऊपरी सिरे के पास से निचले सिरे के पास तक कूद सकती है। जिस स्पीकर के शंकु से वह छलाँग माँगी जाए, वह अपनी सबसे तीखी आवाज़ निकालता है, और वही आपको जोड़ पर टक की तरह सुनाई देती है।

इसका क्वालिटी के नुकसान से या फ़ॉर्मैट से कोई लेना-देना नहीं। यह बिलकुल बेदाग रिकॉर्डिंग की बिलकुल बिना नुकसान वाली कट पर भी होता है। टूटन की आवाज़ बस ऐसी ही होती है। जो ट्रिमर ठीक सैंपल पर काटता है और उसके आगे कुछ नहीं करता, वह कुछ जोड़ों पर खटकेगा और कुछ पर नहीं — सिर्फ़ इस बात पर कि दोनों सिरे तरंग में कहाँ जा गिरे।

पाँच मिलीसेकंड का फ़ेड दरअसल कर क्या रहा है

इलाज यह है कि कट से ठीक पहले आवाज़ को खामोशी तक ले आया जाए और ठीक बाद में वापस उठा लिया जाए, ताकि कोई छलाँग बचे ही नहीं। यहाँ “फ़ेड” का मतलब बस इतना है: हर किनारे के कुछ सौ सैंपलों पर लगी एक ढलान।

दिलचस्प हिस्सा उसकी लंबाई है। पाँच मिलीसेकंड 48 kHz पर लगभग दो सौ चालीस सैंपल होते हैं। यह शंकु के सफ़र के लिए काफ़ी लंबा है — टक की आवाज़ पूरी तरह चली जाती है — और फ़ेड की तरह सुनाई देने के लिए कहीं ज़्यादा छोटा: पाँच मिलीसेकंड एक अकेला व्यंजन बोलने में लगने वाले समय का लगभग पाँचवाँ हिस्सा है। आपको आवाज़ का घटना-बढ़ना महसूस नहीं होगा। सिर्फ़ यह महसूस होगा कि जोड़ साफ़ है।

लंबे फ़ेड इसलिए दिए गए हैं कि कुछ सामग्री उन्हें माँगती है। संगीत जोड़ते समय बीस या पचास मिलीसेकंड तक जाना ठीक रहता है, क्योंकि वहाँ जो टूट रहा है वह कोई अक्षर नहीं बल्कि खिंचा हुआ स्वर है, और सबसे छोटी ढलान पर भी सुनाई देने लायक एक ‘पॉप’ बच सकता है। बोली को पाँच से ज़्यादा की ज़रूरत लगभग कभी नहीं पड़ती।

फ़ेड सिर्फ़ उसी किनारे पर बनता है जो सचमुच कट हो। अगर कोई हिस्सा रिकॉर्डिंग के बिलकुल शुरू से शुरू होता है, तो उसके आगे से कुछ हटाया ही नहीं गया — कुछ भी काटे जाने से पहले फ़ाइल वहीं से शुरू होती थी — इसलिए उसे धीरे-धीरे उभारना ऐसा बदलाव होगा जो किसी ने माँगा नहीं। यहाँ का टूल फ़ेड सिर्फ़ वहीं रखता है जहाँ जोड़ है, और इसीलिए कुछ भी न काटने पर हर सैंपल अछूता रह जाता है।

MP3 काटना, और बाहर WAV क्यों आता है

आप MP3, M4A, Ogg या Opus फ़ाइल खोलकर काट सकते हैं। जो लौटता है वह WAV है, और इसे कोई खूबी बताने के बजाय यह साफ़ कह देना बेहतर है कि यह एक सौदा है।

कंप्रेस किए ऑडियो को काटने के दो रास्ते हैं। एक यह कि कंप्रेस किए डेटा को सीधे काटा जाए, यानी पूरे-पूरे एनकोडेड फ़्रेम बिना खोले नई फ़ाइल में सरका दिए जाएँ। इससे फ़ाइल छोटी रहती है और क्वालिटी भी नहीं जाती — पर MP3 का एक फ़्रेम करीब छब्बीस मिलीसेकंड लंबा होता है, इसलिए हर कट नज़दीकी फ़्रेम सीमा पर गोल हो जाती है, जो कीफ़्रेम वाली समस्या का ऑडियो संस्करण है। और यह काम फ़ॉर्मैट से बँधा हुआ भी है: MP3 पढ़ने वाला कोड कोई Opus फ़ाइल नहीं काटता।

दूसरा रास्ता है खोलना, ठीक सैंपल पर काटना, और सैंपल लिख देना। कुछ भी गोल नहीं होता, ब्राउज़र जो भी फ़ॉर्मैट चला सकता है वह सब एक ही तरह काम करते हैं, और फ़ेड मुमकिन ही तभी होते हैं — जिस स्तर को आपने खोला ही नहीं उस पर ढलान नहीं लगाई जा सकती। कीमत यह है कि सैंपलों को किसी फ़ॉर्मैट में वापस लिखना पड़ता है, और कोई ब्राउज़र ऐसा MP3 या AAC एनकोडर लेकर नहीं आता जो यहाँ काम आ सके। WAV को एनकोडर चाहिए ही नहीं: वह सैंपल ही हैं, आगे एक छोटा हेडर लगा हुआ, इसलिए उस कदम में कुछ खो ही नहीं सकता।

व्यावहारिक नतीजे: जो बाहर आता है वह भीतर गए से कहीं बड़ा होता है — स्टीरियो में मोटे तौर पर दस मेगाबाइट प्रति मिनट — और वह उस MP3 से बेहतर नहीं है जिससे वह आया, क्योंकि जो कंप्रेशन हो चुका है वह पलटा नहीं जा सकता। WAV हर चीज़ खोल लेती है, और जिसे MP3 चाहिए वह एक ही कदम में उसी से बना सकता है।

एक साथ कई हिस्सों पर निशान

ज़्यादातर ऑनलाइन ट्रिमर आपको हैंडल की एक जोड़ी देते हैं और पूछते हैं कि कौन-सा एक टुकड़ा रखना है। असली रिकॉर्डिंग के लिए यह गलत सवाल है। एक घंटे के इंटरव्यू में एक अच्छा हिस्सा नहीं होता; छह होते हैं, बिखरे हुए, और वे एक बार पूरा सुनकर ही मिलते हैं।

तो सुनते-सुनते निशान लगाइए: जहाँ हिस्सा शुरू हो वहाँ I, जहाँ खत्म हो वहाँ O, जितनी बार चाहें। हर जोड़ी एक पंक्ति बन जाती है जिसका समय आप बदल सकते हैं या जिसे आगे-पीछे कर सकते हैं, और तरंग पर एक पट्टी खिंच जाती है। तैयार फ़ाइल वही पंक्तियाँ हैं, क्रम से जुड़ी हुई।

यही निशानों की सूची उल्टे सवाल का जवाब भी देती है। अगर हटाना “अं”, बजता हुआ फ़ोन और अधूरी शुरुआतें हैं, तो उन पर निशान लगाइए और “इन्हें निकाल दीजिए” पर चले जाइए — तब वह सब जुड़ जाएगा जिस पर आपने निशान नहीं लगाया। दोनों तरफ़ निशान वही हैं, इसलिए आप दोनों के बीच आते-जाते तैयार लंबाई बदलती देख सकते हैं, और कहीं दो बार निशान लगाने की ज़रूरत नहीं।

निशान लगाना सधा हुआ काम है, और एक बंद हुए टैब से वह नहीं जाना चाहिए, इसलिए निशान एक सादी टेक्स्ट फ़ाइल में सहेजे जाते हैं और वापस पढ़ लिए जाते हैं। ढाँचा वही है जो वीडियो कटर लिखता है, यानी किसी वीडियो पर लगाए निशान उसी से निकाले गए ऑडियो पर छोड़े जा सकते हैं, और उल्टा भी।

तरंग को देखिए

आगे-पीछे खींचकर आवाज़ पर निशान लगाना अंदाज़ा है; आँख से लगाना नहीं। खामोशी खामोशी जैसी दिखती है, खाँसी खाँसी जैसी, और किसी के बोलना शुरू करने से पहले कमरे की जो चार सेकंड की आवाज़ है वह ढूँढ़नी नहीं पड़ती, तुरंत दिख जाती है।

यह उन निशानों पर सबसे ज़्यादा मायने रखता है जिन्हें लोग थोड़ा-सा चूक जाते हैं: वाक्य की शुरुआत आम तौर पर साँस लेने से पहले वाली चुप्पी में बैठनी चाहिए, बाद में नहीं, और अंत आम तौर पर आखिरी व्यंजन पर कटने के बजाय कमरे की आवाज़ की एक धड़कन चाहता है। दोनों तस्वीर में साफ़ दिखते हैं और सिर्फ़ कान से लगभग नहीं पकड़े जा सकते। निशान लगे हिस्से के सिरों को तरंग के साथ खींचकर उन्हें थोड़ा-थोड़ा सरका लीजिए।

काटना फ़ेड नहीं है, और एडिट भी नहीं

तीन शब्द जो एक-दूसरे के लिए इस्तेमाल हो जाते हैं। काटना बदलता है कि रिकॉर्डिंग के कौन-से हिस्से बचेंगे। फ़ेड — संगीत वाला, कई सेकंड लंबा — आवाज़ के स्तर पर जानबूझकर किया गया असर है, और ऊपर बताए कुछ मिलीसेकंड वह नहीं हैं; वे खटके को हटाना हैं, जो संयोग से वही गणित इस्तेमाल करते हैं।

अगर आपको रिकॉर्डिंग उल्टी चाहिए, तेज़ चाहिए, सुर बदले बिना धीमी चाहिए, या इसलिए ऊँची चाहिए कि वह बहुत धीमी रिकॉर्ड हुई थी, तो वह ऑडियो एडिटर है। डिकोडर वही है और WAV लिखने वाला हिस्सा भी वही; बीच का गणित भर अलग है।

इसमें अपलोड की ज़रूरत क्यों नहीं

काटना एक सूची पर किया गया गणित है। डिकोडर ब्राउज़र के पास पहले से है — वही जो <audio> एलिमेंट में यह फ़ाइल बजाता है — और सैंपल एक बार खुल जाएँ तो कुछ रखना और बाकी छोड़ देना बस एक नकल है। इस पूरे ब्योरे में एक भी कदम ऐसा नहीं जिसे कोई सर्वर बेहतर कर सके, और वहाँ तक जाकर लौटना पूरे काम का सबसे धीमा हिस्सा होता।

और यह ऐसी फ़ाइलों में से है जहाँ अपलोड की कीमत लोगों के अंदाज़े से ज़्यादा है। रिकॉर्डिंग यानी आवाज़ें: इंटरव्यू, लेक्चर, कॉल, वॉइस नोट, थेरेपी के सत्र, किसी बच्चे की कही हुई वह बात जिसे आप सँभालकर रखना चाहते हैं। यहाँ के टूल में किसी भी तरह की कोई नेटवर्क सुविधा नहीं है, और पेज की Content-Security-Policy में हर वह पता लिखा है जिससे वह बात कर सकता है, और उनमें से एक भी इस साइट का नहीं है।

अगर सुनने से देख लेना बेहतर लगता हो, तो इंटरनेट काट दीजिए और फिर भी एक रिकॉर्डिंग काट लीजिए। क्या ऑनलाइन कन्वर्टर पर फ़ाइल अपलोड करना सुरक्षित है? में ऐसी ही तीन और जाँचें दी हैं।