BroadRouter
Начать

WAV

Обновлено

WAV (Waveform Audio File Format, или WAVE) — это аудиоконтейнер на основе формата RIFF от Microsoft и IBM. Обычно он содержит несжатые отсчёты линейного PCM, поэтому его размер предсказуем: частота дискретизации × байт на отсчёт × число каналов за каждую секунду.

Также называют: WAV, файл WAV, формат WAV, WAVE, PCM WAV, WAV file

WAV — самый простой формат аудио: большой, незамысловатый и принимаемый почти везде.

Как это работает

Библиотека Конгресса описывает WAVE как “wrapper file format” (перевод: «формат файла-обёртки») на основе RIFF (Resource Interchange File Format), разработанного Microsoft и IBM, с совместной спецификацией от августа 1991 года. Файл WAV содержит описание формата и аудиоданные. Самая распространённая кодировка — линейный PCM: сырые отсчёты без сжатия. Стандартный WAVE ограничен примерно 4 ГБ; чтобы выйти за этот предел, существует расширение RF64.

Поскольку PCM не сжат, размер считается простой арифметикой (байт в секунду = частота дискретизации × байт на отсчёт × число каналов):

bytes per second = sample rate × bytes per sample × channels

Для аудио под распознавание речи с частотой 16 кГц, моно, 16 бит (2 байта):

Шаг Значение
16 000 отсчётов × 2 байта × 1 канал 32 000 байт в секунду
26 214 400 байт ÷ 32 000 819,2 секунды
819,2 ÷ 60 около 13,65 минуты (13 мин 39 с)

Стерео-файл 44,1 кГц той же длительности весит 44 100 × 2 × 2 = 176 400 байт в секунду — более чем в пять раз больше, без всякой пользы для транскрибации.

Почему это важно

  • Лимиты в байтах, а не в минутах. API транскрибации часто ограничивают размер файла. С WAV можно точно предсказать, сколько аудио поместится.
  • Никаких сюрпризов с кодеками. PCM WAV декодируется одинаково везде, поэтому это надёжный целевой формат при конвертации из Ogg Opus, M4A или видео.
  • Понижайте частоту. Более высокая частота дискретизации и стерео добавляют байты, а не слова.

В BroadNet Inference

Эндпоинт транскрибации BroadNet принимает WAV (audio/wav) или MP3 (audio/mpeg) размером до 26 214 400 байт на файл. Другие форматы в её документации конвертируют так:

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

Документация ffmpeg поясняет: -ar задаёт частоту дискретизации, -ac — число каналов, а формат вывода определяется по расширению .wav. Если нужно убедиться, что получился 16-битный PCM, проверьте результат через ffprobe. Всё, что длиннее примерно 13 минут при этих настройках, придётся делить: инструмент для нарезки аудио соберёт команды, а статья о транскрибации длинных аудиофайлов расскажет, как склеить текст. Оплата идёт за минуту аудио ($0.0042 у BroadNet Transcribe Arabic), поэтому деление на части не меняет общий объём аудио.

Частые ошибки

  • Оставить исходные 48 кГц стерео. Такой файл заполнит лимит меньше чем за три минуты: 48 000 × 2 × 2 = 192 000 байт в секунду.
  • Считать, что любой .wav — это PCM. Некоторые диктофоны пишут ADPCM или другие кодеки в обёртке WAV.

Вопросы и ответы

Сколько минут WAV помещается в 25 МиБ?

При 16 кГц, моно, 16-битном PCM файл растёт на 32 000 байт в секунду. 26 214 400 делим на 32 000 — получается 819,2 секунды, около 13 минут 39 секунд, и чуть меньше с учётом заголовка.

WAV всегда без сжатия?

Нет. Библиотека Конгресса называет линейный PCM распространённой кодировкой, но перечисляет также mu-law, A-law и ADPCM. Для распознавания речи надёжный выбор — обычный 16-битный PCM.

WAV или MP3 для транскрибации?

WAV обходится без сжатия с потерями, но в MP3 под тот же лимит в байтах помещается гораздо больше аудио. Для длинных записей либо делите WAV на части, либо проверьте MP3 на своём аудио.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity