MP3 prejudica a transcrição de música? Medimos WAV e MP3

Por que o MP3 mudaria as notas?

O MP3 e o AAC descartam detalhes que o ouvido dificilmente percebe, em geral sons baixos ao lado de sons mais altos e frequências agudas. Modelos como o Basic Pitch leem uma imagem tempo-frequência do áudio, e nada garante que ignorem os mesmos detalhes que um ouvinte ignora. Assim, uma nota perto do limiar de um modelo pode aparecer ou sumir quando o espectro muda um pouco.

Trabalhos anteriores apontam um efeito pequeno. Urbano e colegas constataram que os atributos MFCC são estáveis sob codificação com perdas a partir de cerca de 160 kbit/s e que os atributos de chroma, que acompanham as classes de altura, quase não são afetados pelo codec nem pela taxa de bits (ISMIR 2014). Eles mediram atributos do áudio, e nós queríamos saber das notas transcritas.

Também tínhamos um motivo prático. Cópias sem perdas das gravações e da reprodução delas respondiam por 77% do armazenamento das nossas partituras, e só queríamos cópias menores se não custassem nada em precisão.

Como testamos

Cada gravação passou por cada codec com o FFmpeg 8.1.1 (LAME a 320 ou 192 kbit/s constantes, o codificador AAC do próprio FFmpeg a 256 kbit/s) e depois foi decodificada pelo mesmo código que lê um arquivo enviado. Como controle, alteramos o áudio sem perdas em 0,01 dB, algo que ninguém ouve, para ver quanto as medidas variam sem codec nenhum. Os três mecanismos são determinísticos: a mesma entrada gera as mesmas notas.

O F1 de ataque (onset) conta uma nota transcrita como certa quando a altura dela está a até 50 cents e o início a até 50 ms de uma nota de referência. Ele penaliza do mesmo modo as notas que faltam e as que sobram, e 1,0 é perfeito. Nosso artigo sobre a precisão explica a medida por completo.

O que mudou com um instrumento?

Quase nada. Nas 12 gravações de violão, o F1 de ataque do Basic Pitch ficou entre 0,761 e 0,764 em todos os formatos, enquanto o arquivo estéreo encolheu para entre 14% e 23% do WAV.

A pontuação sem perdas é 0,763, e não os 0,744 do nosso artigo de 3 de outubro, porque desde 4 de outubro o ScoreStarling escreve um instrumento como uma única linha, o que mudou cinco dos solos. As duas rodadas usam o Basic Pitch 0.4.0.

E para piano solo?

O modelo de piano ouviu as mesmas notas em todos os formatos. O F1 de ataque dele em relação às notas tocadas foi 0,9427 sem perdas, 0,9426 no controle, 0,9428 no MP3 320 e 0,9433 no MP3 192, e ele encontrou cerca de 92,2% das notas escritas em todos os formatos.

A etapa que lê a pulsação e as barras de compasso a partir dessas notas foi menos estável, e o codec não era a causa. Ela colocou as barras de compasso de forma diferente em 5 das 50 execuções depois do controle inaudível e em 7 depois do MP3 320, quatro delas as mesmas execuções do controle. Essa etapa reage a qualquer mudança, então a contamos como ruído na medida, e não como custo do MP3. Não rodamos AAC no piano.

E para uma banda completa?

Fizemos uma comparação paga com o Mirelo, na música de banda de 60 segundos. Tanto o arquivo sem perdas quanto o MP3 voltaram com 842 notas e toques de bateria, e 829 delas (98,5%) começaram a até 50 ms das da rodada sem perdas.

Por que algumas notas mudaram?

Qualquer mudança na entrada move algumas notas que estão bem no limiar de um modelo. Das cerca de 2.740 notas que o Basic Pitch encontrou, o controle inaudível mudou uma, o MP3 320 mudou 10, o AAC 17 e o MP3 192 14, nunca mais de 7 em uma mesma gravação. O MP3 320 ficou ligeiramente abaixo em três das cinco comparações (por 0,0013 a 0,0020), igual em uma e ligeiramente acima em outra. O AAC e o MP3 192 subiram no violão ou na música do Slakh e caíram na nossa peça de banda sintetizada, em até 0,008. Um codec que custasse precisão de verdade mostraria uma queda clara em toda parte, e nenhum mostrou.

O que um codec muda, sim, é a temporização nas bordas. Os codificadores AAC acrescentam amostras de silêncio (priming) no começo e completam o fim até um frame inteiro; a Apple documenta um atraso de 2112 amostras. Nossos arquivos AAC foram decodificados com 16 a 733 amostras a mais. O FFmpeg grava o MP3 com um cabeçalho Xing/LAME que registra o atraso do codificador, e nossos arquivos MP3 foram decodificados com a duração original exata. Isso importa quando uma partitura toca em sincronia com a gravação.

Qual arquivo você deve enviar?

• O arquivo que você já tem. Converter um WAV em MP3 antes não traz ganho nenhum, e converter um MP3 de volta em WAV não devolve nada.
• Se precisar comprimir, o MP3 a 320 kbit/s foi o que mais se aproximou do original pela relação sinal-ruído e manteve a duração exata.
• Não medimos taxas de bits baixas. Paramos em 192 kbit/s, então confira o que o seu app de gravação salva.
• A forma como você grava importa muito mais do que o formato: uma única parte bem clara, pouco reverb, nenhuma música de fundo. Nosso guia de gravação de voz mostra o que conferir.

O ScoreStarling agora funciona assim. Desde 5 de outubro de 2026, um arquivo WAV, AIFF ou FLAC enviado é guardado como MP3 de 320 kbit/s e transcrito a partir dessa cópia, o que armazena uma gravação estéreo com 23% do tamanho do WAV. Arquivos MP3, M4A, Ogg e de vídeo são guardados como chegaram; portanto, para converter um MP3 em partitura, envie o arquivo que você tem.

O que este teste não consegue dizer

• Uma música de banda para o Mirelo e piano sintetizado em vez de pianos gravados.
• Nenhum canto. Nossas gravações reais são privadas e já eram arquivos AAC, então não serviam de referência sem perdas.
• Um codificador por formato e nenhuma taxa de bits abaixo de 192 kbit/s.
• O F1 de ataque diz se uma nota foi ouvida, não se a partitura escrita se lê bem.