O WAV é o formato básico de áudio: grande, simples e aceito em quase todo lugar.
Como funciona
A Library of Congress descreve o WAVE como um “wrapper file format” (tradução: formato de arquivo contêiner) baseado no RIFF (Resource Interchange File Format), desenvolvido pela Microsoft e pela IBM, com uma especificação conjunta de agosto de 1991. Um arquivo WAV guarda uma descrição do formato e os dados de áudio. A codificação mais comum é o PCM linear: amostras brutas, sem compressão. O WAVE padrão é limitado a cerca de 4 GB; a extensão RF64 existe para passar disso.
Como o PCM não tem compressão, o tamanho é uma conta simples:
bytes per second = sample rate × bytes per sample × channels
Para áudio de speech-to-text em 16 kHz, mono, 16 bits (2 bytes):
| Etapa | Valor |
|---|---|
| 16.000 amostras × 2 bytes × 1 canal | 32.000 bytes por segundo |
| 26.214.400 bytes ÷ 32.000 | 819,2 segundos |
| 819,2 ÷ 60 | cerca de 13,65 minutos (13 min 39 s) |
Um arquivo estéreo de 44,1 kHz com a mesma duração tem 44.100 × 2 × 2 = 176.400 bytes por segundo, mais de cinco vezes maior, sem ganho nenhum para a transcrição.
Por que isso importa
- Limites em bytes, não em minutos. APIs de transcrição costumam limitar o tamanho do arquivo. Com WAV você consegue prever exatamente quanto áudio cabe.
- Sem surpresas de codec. O WAV PCM é decodificado do mesmo jeito em qualquer lugar, então é um destino seguro quando você converte de Ogg Opus, M4A ou vídeo.
- Reamostre para baixo. Taxas de amostragem mais altas e estéreo adicionam bytes, não palavras.
Na BroadNet Inference
O endpoint de transcrição da BroadNet aceita WAV (audio/wav) ou MP3 (audio/mpeg), com até 26.214.400 bytes por arquivo. A documentação dela converte outros formatos com:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
A documentação do ffmpeg diz que -ar define a frequência de amostragem, -ac o número de canais, e que o formato de saída é deduzido pela extensão .wav. Confira o resultado com ffprobe se precisar confirmar que é PCM de 16 bits. Qualquer coisa com mais de cerca de 13 minutos nessa configuração precisa ser dividida: a ferramenta de divisão de áudio monta os comandos, e transcrever arquivos de áudio longos explica como juntar o texto. A cobrança é por minuto de áudio ($0.0042 no BroadNet Transcribe Arabic), então dividir não muda o total de áudio.
Erros comuns
- Deixar o original em 48 kHz estéreo. Ele enche o limite em menos de três minutos: 48.000 × 2 × 2 = 192.000 bytes por segundo.
- Supor que todo .wav é PCM. Alguns gravadores escrevem ADPCM ou outros codecs dentro de um contêiner WAV.