Ang WAV ang pinakasimpleng format ng audio: malaki, simple, at tinatanggap halos kahit saan.
Paano ito gumagana
Inilalarawan ng Library of Congress ang WAVE bilang isang “wrapper file format” (salin: “format ng wrapper file”) na nakabatay sa RIFF (Resource Interchange File Format), na binuo ng Microsoft at IBM, na may pinagsamang specification na may petsang Agosto 1991. Naglalaman ang WAV file ng paglalarawan ng format at ng audio data. Ang pinakakaraniwang encoding ay linear PCM: hilaw na sample, walang compression. Limitado sa mga 4 GB ang standard na WAVE; may RF64 extension para lumampas doon.
Dahil uncompressed ang PCM, simpleng aritmetika lang ang laki:
bytes per second = sample rate × bytes per sample × channels
Para sa speech-to-text na audio sa 16 kHz, mono, 16-bit (2 byte):
| Hakbang | Value |
|---|---|
| 16,000 sample × 2 byte × 1 channel | 32,000 byte bawat segundo |
| 26,214,400 byte ÷ 32,000 | 819.2 segundo |
| 819.2 ÷ 60 | mga 13.65 minuto (13 min 39 s) |
Ang stereo na 44.1 kHz file na pareho ang haba ay 44,100 × 2 × 2 = 176,400 byte bawat segundo, higit limang beses na mas malaki, at walang pakinabang sa transcription.
Bakit ito mahalaga
- Byte cap, hindi minute cap. Madalas nililimitahan ng mga transcription API ang laki ng file. Sa WAV, eksakto mong mahuhulaan kung gaano karaming audio ang kasya.
- Walang sorpresa sa codec. Pare-pareho ang pag-decode ng PCM WAV kahit saan, kaya ligtas itong target kapag nagko-convert ka mula sa Ogg Opus, M4A o video.
- Ibaba ang sample rate. Byte ang dinadagdag ng mas mataas na sample rate at ng stereo, hindi salita.
Sa BroadNet Inference
Tumatanggap ang transcription endpoint ng BroadNet ng WAV (audio/wav) o MP3 (audio/mpeg), hanggang 26,214,400 byte bawat file. Ganito kino-convert ng docs nito ang ibang format:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Sinasabi ng ffmpeg docs na itinatakda ng -ar ang sampling frequency, ng -ac ang bilang ng channel, at hinuhulaan ang output format mula sa .wav na extension. Suriin ang resulta gamit ang ffprobe kung kailangan mong kumpirmahin na 16-bit PCM ito. Kailangang hatiin ang anumang lampas sa mga 13 minuto sa setting na iyon: binubuo ng audio splitter tool ang mga command, at ipinapaliwanag ng pag-transcribe ng mahahabang audio file ang pagdurugtong ng text. Per audio minute ang billing ($0.0042 sa BroadNet Transcribe Arabic), kaya hindi nababago ng paghahati ang kabuuang audio.
Mga karaniwang pagkakamali
- Pag-iwan sa orihinal na 48 kHz stereo. Napupuno nito ang cap sa wala pang tatlong minuto: 48,000 × 2 × 2 = 192,000 byte bawat segundo.
- Pag-aakalang PCM ang lahat ng .wav. May ilang recorder na nagsusulat ng ADPCM o ibang codec sa loob ng WAV wrapper.