¿Afecta el MP3 a la transcripción? Medimos WAV frente a MP3

¿Por qué el MP3 cambiaría las notas?

El MP3 y el AAC descartan detalles que el oído difícilmente nota, sobre todo sonidos suaves junto a otros más fuertes y las frecuencias agudas. Modelos como Basic Pitch leen una imagen de tiempo y frecuencia del audio, y nada garantiza que ignoren los mismos detalles que un oyente. Así que una nota cercana al umbral de un modelo puede aparecer o desaparecer cuando el espectro cambia un poco.

Trabajos anteriores apuntan a un efecto pequeño. Urbano y sus colegas encontraron que las características MFCC son estables con la codificación con pérdida desde unos 160 kbit/s, y que las características de croma, que siguen las clases de altura, casi no se ven afectadas por el códec ni por la tasa de bits (ISMIR 2014). Ellos midieron características; nosotros queríamos saber qué pasa con las notas transcritas.

También teníamos una razón práctica. Las copias sin pérdida de las grabaciones y de su reproducción ocupaban el 77 % del almacenamiento de partituras, y solo queríamos copias más pequeñas si no costaban nada de precisión.

Cómo lo probamos

Cada grabación pasó por cada códec con FFmpeg 8.1.1 (LAME a 320 o 192 kbit/s constantes, el codificador AAC propio de FFmpeg a 256 kbit/s) y luego se decodificó con el mismo código que lee un archivo subido. Como control, cambiamos el audio sin pérdida en 0,01 dB, algo que nadie puede oír, para ver cuánto se mueven las medidas sin ningún códec. Los tres motores son deterministas: la misma entrada da las mismas notas.

El F1 de ataque cuenta una nota transcrita como correcta cuando su altura está a 50 cents o menos y su inicio a 50 ms o menos de una nota de referencia. Penaliza por igual las notas que faltan y las que sobran, y 1,0 es perfecto. Nuestro artículo sobre la precisión explica la medida con todo detalle.

¿Qué cambió con un instrumento?

Casi nada. En las 12 grabaciones de guitarra, el F1 de ataque de Basic Pitch se mantuvo entre 0,761 y 0,764 en todos los formatos, mientras que el archivo estéreo se redujo a entre el 14 % y el 23 % del WAV.

La puntuación sin pérdida es 0,763, no el 0,744 de nuestro artículo del 3 de octubre, porque desde el 4 de octubre ScoreStarling escribe un instrumento como una sola línea, lo que cambió cinco de los solos. Las dos pruebas usan Basic Pitch 0.4.0.

¿Y para piano solo?

El modelo de piano oyó las mismas notas en todos los formatos. Su F1 de ataque frente a las notas interpretadas fue 0,9427 sin pérdida, 0,9426 con el control, 0,9428 con MP3 320 y 0,9433 con MP3 192, y encontró cerca del 92,2 % de las notas escritas en todos los formatos.

El paso que lee el pulso y las barras de compás a partir de esas notas fue menos estable, y la causa no fue el códec. Colocó las barras de compás de otra forma en 5 de las 50 interpretaciones después del control inaudible, y en 7 después de MP3 320, cuatro de ellas las mismas que con el control. Ese paso reacciona a cualquier cambio, por pequeño que sea, así que lo contamos como ruido de la medida, no como un coste del MP3. No probamos AAC con piano.

¿Y para una banda completa?

Hicimos una comparación de pago con Mirelo, con la canción de banda de 60 segundos. Tanto el archivo sin pérdida como el MP3 devolvieron 842 notas y golpes de batería, y 829 de ellos (98,5 %) empezaron a 50 ms o menos de los de la pasada sin pérdida.

¿Por qué cambió alguna nota?

Cualquier cambio en la entrada mueve unas pocas notas que están justo en el umbral de un modelo. De unas 2740 notas que encontró Basic Pitch, el control inaudible movió una, el MP3 320 movió 10, el AAC 17 y el MP3 192 14, nunca más de 7 en una misma grabación. El MP3 320 salió una pizca más bajo en tres de las cinco comparaciones (entre 0,0013 y 0,0020), igual en una y una pizca más alto en otra. El AAC y el MP3 192 subieron con la guitarra o la canción de Slakh y bajaron con nuestra pieza de banda sintetizada, hasta 0,008. Un códec que costara precisión real mostraría una caída clara en todas partes, y ninguno la mostró.

Lo que sí cambia un códec es el momento exacto en que empieza y termina el audio. Los codificadores AAC añaden muestras silenciosas de relleno inicial y completan el final hasta una trama entera; Apple documenta un retardo de 2112 muestras. Nuestros archivos AAC se decodificaron entre 16 y 733 muestras más largos. FFmpeg escribe el MP3 con una cabecera Xing/LAME que registra el retardo del codificador, y nuestros archivos MP3 se decodificaron con la duración original exacta. Eso importa cuando una partitura se reproduce sincronizada con su grabación.

¿Qué archivo conviene subir?

• El que ya tienes. Convertir primero un WAV a MP3 no gana nada, y convertir un MP3 de vuelta a WAV no recupera nada.
• Si tienes que comprimir, el MP3 a 320 kbit/s fue el que más se parecía al original en relación señal/ruido y conservó la duración exacta.
• No medimos tasas de bits bajas. Nos detuvimos en 192 kbit/s, así que revisa qué guarda tu app de grabación.
• Cómo grabas importa mucho más que el formato: una sola parte clara, poca reverberación y nada de música de fondo. Nuestra guía de notas de voz explica qué revisar.

ScoreStarling ya funciona así. Desde el 5 de octubre de 2026, un WAV, AIFF o FLAC que subes se guarda como un MP3 de 320 kbit/s y se transcribe a partir de esa copia, con lo que una grabación estéreo ocupa el 23 % de su tamaño en WAV. Los archivos MP3, M4A, Ogg y de video se guardan tal como llegan, así que, para convertir MP3 a partitura, sube el archivo que tengas.

Lo que esta prueba no puede decirte

• Una sola canción de banda para Mirelo, y piano sintetizado en lugar de pianos grabados.
• Sin canto. Nuestras tomas grabadas reales son privadas y ya eran archivos AAC, así que no podían servir como referencia sin pérdida.
• Un codificador por formato y ninguna tasa de bits por debajo de 192 kbit/s.
• El F1 de ataque dice si se oyó una nota, no si la partitura escrita se lee bien.