WAV, sesin en sade formatıdır: büyük, basit ve neredeyse her yerde kabul gören.
Nasıl çalışır
Library of Congress, WAVE’i Microsoft ve IBM’in geliştirdiği RIFF (Resource Interchange File Format) üzerine kurulu bir “wrapper file format” (çeviri: sarmalayıcı dosya formatı) olarak tanımlar; ortak spesifikasyon Ağustos 1991 tarihlidir. Bir WAV dosyası bir format tanımı ve ses verisini içerir. En yaygın kodlama doğrusal PCM’dir: sıkıştırmasız, ham örnekler. Standart WAVE yaklaşık 4 GB ile sınırlıdır; bunun ötesine geçmek için RF64 uzantısı vardır.
PCM sıkıştırılmamış olduğu için boyut basit bir aritmetiktir:
bytes per second = sample rate × bytes per sample × channels
16 kHz, mono, 16 bit (2 bayt) konuşmadan metne sesi için:
| Adım | Değer |
|---|---|
| 16.000 örnek × 2 bayt × 1 kanal | saniyede 32.000 bayt |
| 26.214.400 bayt ÷ 32.000 | 819,2 saniye |
| 819,2 ÷ 60 | yaklaşık 13,65 dakika (13 dk 39 sn) |
Aynı uzunluktaki stereo 44,1 kHz bir dosya saniyede 44.100 × 2 × 2 = 176.400 bayttır; beş kattan da büyüktür ve transkripsiyona hiçbir katkısı yoktur.
Neden önemli
- Dakika değil bayt sınırı. Transkripsiyon API’leri çoğu zaman dosya boyutunu sınırlar. WAV ile ne kadar sesin sığacağını tam olarak öngörebilirsiniz.
- Codec sürprizi yok. PCM WAV her yerde aynı biçimde çözülür; bu yüzden Ogg Opus, M4A veya videodan dönüştürürken güvenli bir hedeftir.
- Örnekleme hızını düşürün. Daha yüksek örnekleme hızları ve stereo, kelime değil bayt ekler.
BroadNet Inference’ta
BroadNet’in transkripsiyon uç noktası dosya başına 26.214.400 bayta kadar WAV (audio/wav) veya MP3 (audio/mpeg) kabul eder. Belgeleri diğer formatları şu komutla dönüştürür:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg belgelerine göre -ar örnekleme frekansını, -ac kanal sayısını ayarlar; çıktı formatı da .wav uzantısından tahmin edilir. 16 bit PCM olduğunu doğrulamanız gerekiyorsa sonucu ffprobe ile kontrol edin. Bu ayarda yaklaşık 13 dakikadan uzun her şeyin bölünmesi gerekir: ses bölme aracı komutları oluşturur, uzun ses dosyalarını yazıya dökme yazısı da metni birleştirmeyi anlatır. Faturalandırma ses dakikası başınadır (BroadNet Transcribe Arabic için $0.0042); dolayısıyla bölmek toplam ses süresini değiştirmez.
Sık yapılan hatalar
- Orijinal 48 kHz stereo sesi olduğu gibi bırakmak. Sınırı üç dakikadan kısa sürede doldurur: saniyede 48.000 × 2 × 2 = 192.000 bayt.
- Her .wav dosyasının PCM olduğunu varsaymak. Bazı kaydediciler WAV sarmalayıcısının içine ADPCM veya başka codec’ler yazar.