WAV آڈیو کا سادہ فارمیٹ ہے: بڑا، آسان، اور تقریباً ہر جگہ قابلِ قبول۔
یہ کیسے کام کرتی ہے
Library of Congress، WAVE کو RIFF (Resource Interchange File Format) پر بنا “wrapper file format” (ترجمہ: ریپر فائل فارمیٹ) بتاتی ہے، جسے مائیکروسافٹ اور IBM نے تیار کیا اور جس کی مشترکہ تفصیل اگست 1991 کی ہے۔ WAV فائل میں فارمیٹ کی تفصیل اور آڈیو ڈیٹا ہوتا ہے۔ سب سے عام انکوڈنگ linear PCM ہے: خام سیمپلز، کوئی کمپریشن نہیں۔ اسٹینڈرڈ WAVE تقریباً 4 GB تک محدود ہے؛ اس سے آگے جانے کے لیے RF64 ایکسٹینشن موجود ہے۔
چونکہ PCM غیر کمپریسڈ ہے، سائز سیدھا حساب ہے:
bytes per second = sample rate × bytes per sample × channels
16 kHz، مونو، 16-bit (2 بائٹ) والے اسپیچ ٹو ٹیکسٹ آڈیو کے لیے:
| مرحلہ | ویلیو |
|---|---|
| 16,000 سیمپلز × 2 بائٹ × 1 چینل | فی سیکنڈ 32,000 بائٹ |
| 26,214,400 بائٹ ÷ 32,000 | 819.2 سیکنڈ |
| 819.2 ÷ 60 | تقریباً 13.65 منٹ (13 منٹ 39 سیکنڈ) |
اتنی ہی لمبائی کی اسٹیریو 44.1 kHz فائل فی سیکنڈ 44,100 × 2 × 2 = 176,400 بائٹ ہوتی ہے، پانچ گنا سے زیادہ بڑی، اور ٹرانسکرپشن میں کوئی فائدہ نہیں۔
یہ کیوں اہم ہے
- منٹ نہیں، بائٹ کی حد۔ ٹرانسکرپشن API اکثر فائل سائز محدود کرتے ہیں۔ WAV کے ساتھ آپ ٹھیک ٹھیک اندازہ لگا سکتے ہیں کہ کتنا آڈیو سمائے گا۔
- کوڈیک کا کوئی سرپرائز نہیں۔ PCM WAV ہر جگہ ایک جیسی ڈی کوڈ ہوتی ہے، اس لیے Ogg Opus، M4A یا ویڈیو سے کنورٹ کرتے وقت یہ محفوظ ہدف ہے۔
- ری سیمپل کر کے کم کریں۔ زیادہ سیمپل ریٹ اور اسٹیریو بائٹس بڑھاتے ہیں، الفاظ نہیں۔
BroadNet Inference پر
BroadNet کا ٹرانسکرپشن اینڈپوائنٹ WAV (audio/wav) یا MP3 (audio/mpeg) لیتا ہے، فی فائل 26,214,400 بائٹ تک۔ اس کی دستاویزات دوسرے فارمیٹس کو اس سے کنورٹ کرتی ہیں:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg کی دستاویزات کہتی ہیں کہ -ar سیمپلنگ فریکوئنسی سیٹ کرتا ہے، -ac چینلز کی تعداد، اور آؤٹ پٹ فارمیٹ .wav ایکسٹینشن سے طے ہوتا ہے۔ 16-bit PCM کی تصدیق کرنی ہو تو نتیجہ ffprobe سے جانچیں۔ اس سیٹنگ پر تقریباً 13 منٹ سے لمبی کوئی بھی فائل تقسیم کرنی ہوگی: آڈیو اسپلٹر ٹول کمانڈز بناتا ہے، اور لمبی آڈیو فائلیں ٹرانسکرائب کرنا متن جوڑنا بتاتا ہے۔ بلنگ فی آڈیو منٹ ہے (BroadNet Transcribe Arabic پر $0.0042)، اس لیے تقسیم کرنے سے کل آڈیو نہیں بدلتا۔
عام غلطیاں
- اصل 48 kHz اسٹیریو ویسے ہی چھوڑ دینا۔ یہ تین منٹ سے کم میں حد بھر دیتی ہے: فی سیکنڈ 48,000 × 2 × 2 = 192,000 بائٹ۔
- ہر .wav کو PCM سمجھ لینا۔ کچھ ریکارڈرز WAV ریپر میں ADPCM یا دوسرے کوڈیکس لکھتے ہیں۔