Mag-download ng WhatsApp voice note at maliit na .ogg file ang makukuha mo. Nasa loob nito ang Opus audio, isang codec na dinisenyo para sa voice call.
Paano ito gumagana
Dalawang layer ito, at bawat isa ay dinedepina ng isang IETF RFC:
| Layer | Spec | Ano ang ginagawa |
|---|---|---|
| Opus codec | RFC 6716 | Kino-compress ang audio. Pinagsasama nito ang linear-prediction layer na batay sa SILK at ang MDCT layer na batay sa CELT, at sakop nito mula 6 kbit/s na narrowband speech hanggang 510 kbit/s na stereo music |
| Ogg container | RFC 7845 | Binabalot ang mga Opus packet sa isang file, simula sa OpusHead identification header |
Naglilista ang RFC 6716 ng limang bandwidth, mula narrowband (8 kHz na sample rate) hanggang fullband (48 kHz). Sinasabi ng RFC 7845 na laging nagbibilang ng sample sa 48 kHz ang mga granule position, anuman ang rate na inilalabas ng decoder. Inirerekomenda nito ang .opus na extension at ang audio/ogg na media type, o kaya audio/ogg; codecs=opus.
Inililista ng WhatsApp Cloud API media reference ng Meta ang OGG audio bilang audio/ogg na may “Opus codec only” (Salin ng BroadRouter: “Opus codec lang”), mono, hanggang 16 MB.
Bakit ito mahalaga
- Maraming API ang hindi tatanggap dito. Tatanggihan ng isang speech-to-text endpoint na WAV o MP3 lang ang tinatanggap ang voice note hangga’t hindi mo ito kino-convert.
- Mura ang conversion. Isang ffmpeg command lang para i-decode ang Opus sa PCM. Mas malaki nang husto ang resulta kaysa sa voice note, kaya bantayan ang mga limit sa laki ng file.
- Kalituhan sa pangalan. Pangalan din ng model ang “Opus” sa ibang provider. Sa usapang audio, ang codec ang tinutukoy nito.
Sa BroadNet Inference
WAV (audio/wav) o MP3 (audio/mpeg) lang ang tinatanggap ng transcription endpoint ng BroadNet, hanggang 26,214,400 bytes kada file. Kino-convert ng docs nito ang isang WhatsApp voice note sa isang hakbang:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Itinatakda ng -ar ang audio sampling frequency at ng -ac ang bilang ng channel, ayon sa ffmpeg documentation, kaya 16 kHz na mono WAV ang isinusulat nito. Pagkatapos, ipadala ito na may language=ar (o en) sa BroadNet Transcribe Arabic o BroadNet Transcribe. May script na nagko-convert at nagta-transcribe ng isang buong folder ang gabay sa WhatsApp voice notes, at ginagawa ito ng gabay sa n8n sa loob ng isang workflow. Para sa voice note na masyadong mahaba para sa isang file, kinakalkula ng audio splitter ang mga chunk.
Mga karaniwang pagkakamali
- Pagpapalit ng pangalan sa halip na pag-convert. Hindi binabago ng pagpapalit ng
.oggsa.wavang audio sa loob. I-decode gamit ang ffmpeg. - Paglaktaw sa
-ac 1. Dinodoble ng stereo ang laki ng WAV nang hindi nakakatulong sa transcription.