WAV ist das schlichte Audioformat: groß, einfach und fast überall akzeptiert.
So funktioniert es
Die Library of Congress beschreibt WAVE als „wrapper file format“ (Übersetzung: „Container-Dateiformat“) auf Basis von RIFF (Resource Interchange File Format), entwickelt von Microsoft und IBM, mit einer gemeinsamen Spezifikation vom August 1991. Eine WAV-Datei enthält eine Formatbeschreibung und die Audiodaten. Die häufigste Codierung ist lineares PCM: rohe Samples ohne Kompression. Standard-WAVE ist auf etwa 4 GB begrenzt; die Erweiterung RF64 gibt es, um darüber hinauszugehen.
Da PCM unkomprimiert ist, ist die Größe einfache Arithmetik:
bytes per second = sample rate × bytes per sample × channels
Für Speech-to-Text-Audio mit 16 kHz, Mono, 16 Bit (2 Bytes):
| Schritt | Wert |
|---|---|
| 16.000 Samples × 2 Bytes × 1 Kanal | 32.000 Bytes pro Sekunde |
| 26.214.400 Bytes ÷ 32.000 | 819,2 Sekunden |
| 819,2 ÷ 60 | etwa 13,65 Minuten (13 min 39 s) |
Eine Stereo-Datei mit 44,1 kHz und gleicher Länge hat 44.100 × 2 × 2 = 176.400 Bytes pro Sekunde, mehr als fünfmal so groß, ohne Gewinn für die Transkription.
Warum es wichtig ist
- Byte-Limits statt Minuten-Limits. Transkriptions-APIs begrenzen oft die Dateigröße. Mit WAV können Sie genau vorhersagen, wie viel Audio hineinpasst.
- Keine Codec-Überraschungen. PCM-WAV wird überall gleich decodiert und ist daher ein sicheres Ziel, wenn Sie aus Ogg Opus, M4A oder Video umwandeln.
- Heruntersampeln. Höhere Abtastraten und Stereo bringen mehr Bytes, aber keine zusätzlichen Wörter.
Bei BroadNet Inference
Der Transkriptions-Endpoint von BroadNet akzeptiert WAV (audio/wav) oder MP3 (audio/mpeg), bis 26.214.400 Bytes pro Datei. Die Dokumentation wandelt andere Formate so um:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Laut ffmpeg-Dokumentation setzt -ar die Abtastfrequenz, -ac die Zahl der Kanäle, und das Ausgabeformat wird aus der Endung .wav abgeleitet. Prüfen Sie das Ergebnis mit ffprobe, wenn Sie 16-Bit-PCM bestätigen müssen. Alles, was mit dieser Einstellung länger als etwa 13 Minuten ist, muss geteilt werden: Das Audio-Splitter-Tool erzeugt die Befehle, und lange Audiodateien transkribieren erklärt das Zusammenfügen des Texts. Abgerechnet wird pro Audiominute ($0.0042 bei BroadNet Transcribe Arabic), das Teilen ändert die Gesamtmenge an Audio also nicht.
Häufige Fehler
- Das ursprüngliche 48-kHz-Stereo beibehalten. Damit ist das Limit in unter drei Minuten erreicht: 48.000 × 2 × 2 = 192.000 Bytes pro Sekunde.
- Annehmen, jede .wav sei PCM. Manche Rekorder schreiben ADPCM oder andere Codecs in einen WAV-Container.