BroadRouter

WAV

Na-update

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

Tinatawag ding: WAV, WAV file, WAVE, PCM WAV, ano ang WAV file, wav format

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.

Mga tanong

Ilang minuto ng WAV ang kasya sa 25 MiB?

Sa 16 kHz, mono, 16-bit PCM, lumalaki ang file nang 32,000 byte bawat segundo. Ang 26,214,400 na hinati sa 32,000 ay 819.2 segundo, mga 13 minuto at 39 segundo, at bahagyang mas kaunti kapag isinama ang header.

Laging uncompressed ba ang WAV?

Hindi. Nakalista ng Library of Congress ang linear PCM bilang karaniwang encoding pero pati rin ang mu-law, A-law at ADPCM. Para sa speech-to-text, ligtas na piliin ang plain na 16-bit PCM.

WAV o MP3 para sa transcription?

Naiiwasan ng WAV ang lossy na encode, pero mas maraming audio ang kasya sa MP3 sa ilalim ng byte cap. Para sa mahahabang recording, hatiin ang WAV o subukan ang MP3 sa sarili mong audio.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity