WAV ialah format audio yang paling asas: besar, ringkas, dan diterima hampir di mana-mana.
Cara ia berfungsi
Library of Congress menerangkan WAVE sebagai “wrapper file format” (format fail pembalut) yang dibina di atas RIFF (Resource Interchange File Format), dibangunkan oleh Microsoft dan IBM, dengan spesifikasi bersama bertarikh Ogos 1991. Fail WAV memuatkan perihalan format dan data audio. Pengekodan paling biasa ialah PCM linear: sampel mentah, tanpa mampatan. WAVE standard terhad kepada kira-kira 4 GB; sambungan RF64 wujud untuk melepasi had itu.
Oleh sebab PCM tidak dimampatkan, saiznya hanya aritmetik mudah:
bytes per second = sample rate × bytes per sample × channels
Untuk audio speech-to-text pada 16 kHz, mono, 16-bit (2 bait):
| Langkah | Nilai |
|---|---|
| 16,000 sampel × 2 bait × 1 saluran | 32,000 bait sesaat |
| 26,214,400 bait ÷ 32,000 | 819.2 saat |
| 819.2 ÷ 60 | kira-kira 13.65 minit (13 min 39 s) |
Fail stereo 44.1 kHz dengan panjang yang sama ialah 44,100 × 2 × 2 = 176,400 bait sesaat, lebih lima kali ganda lebih besar, tanpa sebarang manfaat untuk transkripsi.
Mengapa ia penting
- Had bait, bukan had minit. API transkripsi kerap mengehadkan saiz fail. Dengan WAV anda boleh meramal dengan tepat berapa banyak audio yang muat.
- Tiada kejutan codec. PCM WAV dinyahkod dengan cara yang sama di mana-mana, jadi ia sasaran yang selamat apabila anda menukar daripada Ogg Opus, M4A atau video.
- Turunkan kadar sampel. Kadar sampel yang lebih tinggi dan stereo menambah bait, bukan perkataan.
Di BroadNet Inference
Endpoint transkripsi BroadNet menerima WAV (audio/wav) atau MP3 (audio/mpeg), sehingga 26,214,400 bait setiap fail. Dokumentasinya menukar format lain dengan:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Dokumentasi ffmpeg menyatakan -ar menetapkan frekuensi pensampelan, -ac bilangan saluran, dan format output diteka daripada sambungan .wav. Semak hasilnya dengan ffprobe jika anda perlu mengesahkan PCM 16-bit. Apa-apa yang lebih panjang daripada kira-kira 13 minit pada tetapan itu perlu dipecahkan: alat pemecah audio menjana arahannya, dan mentranskripsi fail audio panjang menerangkan cara mencantum teks. Pengebilan adalah setiap minit audio ($0.0042 pada BroadNet Transcribe Arabic), jadi memecahkan fail tidak mengubah jumlah audio.
Kesilapan biasa
- Membiarkan 48 kHz stereo asal. Ia memenuhi had dalam masa kurang tiga minit: 48,000 × 2 × 2 = 192,000 bait sesaat.
- Menganggap setiap .wav ialah PCM. Sesetengah perakam menulis ADPCM atau codec lain dalam pembalut WAV.