WAV es el formato llano del audio: grande, simple y aceptado casi en todas partes.
Cómo funciona
La Biblioteca del Congreso describe WAVE como un “wrapper file format” (traducción: formato de archivo contenedor) basado en RIFF (Resource Interchange File Format), desarrollado por Microsoft e IBM, con una especificación conjunta de agosto de 1991. Un archivo WAV contiene una descripción del formato y los datos de audio. La codificación más común es PCM lineal: muestras en bruto, sin compresión. El WAVE estándar está limitado a unos 4 GB; la extensión RF64 existe para superar ese límite.
Como el PCM no está comprimido, el tamaño es aritmética simple:
bytes per second = sample rate × bytes per sample × channels
Para audio de voz a texto a 16 kHz, mono, 16 bits (2 bytes):
| Paso | Valor |
|---|---|
| 16,000 muestras × 2 bytes × 1 canal | 32,000 bytes por segundo |
| 26,214,400 bytes ÷ 32,000 | 819.2 segundos |
| 819.2 ÷ 60 | unos 13.65 minutos (13 min 39 s) |
Un archivo estéreo a 44.1 kHz de la misma duración ocupa 44,100 × 2 × 2 = 176,400 bytes por segundo, más de cinco veces más, sin ninguna ganancia para la transcripción.
Por qué importa
- Límites en bytes, no en minutos. Las API de transcripción suelen limitar el tamaño del archivo. Con WAV puede predecir exactamente cuánto audio cabe.
- Sin sorpresas de códec. El WAV PCM se decodifica igual en todas partes, así que es un destino seguro al convertir desde Ogg Opus, M4A o video.
- Remuestree hacia abajo. Las frecuencias de muestreo más altas y el estéreo añaden bytes, no palabras.
En BroadNet Inference
El endpoint de transcripción de BroadNet acepta WAV (audio/wav) o MP3 (audio/mpeg), hasta 26,214,400 bytes por archivo. Su documentación convierte otros formatos con:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
La documentación de ffmpeg indica que -ar fija la frecuencia de muestreo, -ac el número de canales, y que el formato de salida se deduce de la extensión .wav. Revise el resultado con ffprobe si necesita confirmar PCM de 16 bits. Todo lo que dure más de unos 13 minutos con esa configuración debe dividirse: la herramienta para dividir audio genera los comandos, y transcribir archivos de audio largos explica cómo unir el texto. La facturación es por minuto de audio ($0.0042 en BroadNet Transcribe Arabic), así que dividir no cambia el total de audio.
Errores comunes
- Dejar el original a 48 kHz estéreo. Llena el límite en menos de tres minutos: 48,000 × 2 × 2 = 192,000 bytes por segundo.
- Suponer que todo .wav es PCM. Algunas grabadoras escriben ADPCM u otros códecs dentro de un contenedor WAV.