WAV ऑडियो का सादा फ़ॉर्मैट है: बड़ा, सरल, और लगभग हर जगह स्वीकार।
यह कैसे काम करता है
Library of Congress, WAVE को RIFF (Resource Interchange File Format) पर बना “wrapper file format” (अनुवाद: रैपर फ़ाइल फ़ॉर्मैट) बताती है, जिसे Microsoft और IBM ने विकसित किया और जिसकी संयुक्त स्पेसिफ़िकेशन अगस्त 1991 की है। WAV फ़ाइल में फ़ॉर्मैट का विवरण और ऑडियो डेटा होता है। सबसे आम एन्कोडिंग linear PCM है: कच्चे सैंपल, कोई कंप्रेशन नहीं। स्टैंडर्ड WAVE लगभग 4 GB तक सीमित है; उससे आगे जाने के लिए RF64 एक्सटेंशन है।
PCM बिना कंप्रेशन वाला है, इसलिए साइज़ सीधा गणित है:
bytes per second = sample rate × bytes per sample × channels
16 kHz, मोनो, 16-bit (2 बाइट) वाले स्पीच-टू-टेक्स्ट ऑडियो के लिए:
| क़दम | वैल्यू |
|---|---|
| 16,000 सैंपल × 2 बाइट × 1 चैनल | प्रति सेकंड 32,000 बाइट |
| 26,214,400 बाइट ÷ 32,000 | 819.2 सेकंड |
| 819.2 ÷ 60 | लगभग 13.65 मिनट (13 मिनट 39 सेकंड) |
उतनी ही लंबाई की स्टीरियो 44.1 kHz फ़ाइल प्रति सेकंड 44,100 × 2 × 2 = 176,400 बाइट होती है, पाँच गुना से ज़्यादा बड़ी, और ट्रांसक्रिप्शन में कोई फ़ायदा नहीं।
यह क्यों मायने रखता है
- मिनट नहीं, बाइट की सीमा. ट्रांसक्रिप्शन API अक्सर फ़ाइल साइज़ सीमित करते हैं। WAV के साथ आप ठीक-ठीक अनुमान लगा सकते हैं कि कितना ऑडियो फ़िट होगा।
- कोडेक का कोई सरप्राइज़ नहीं. PCM WAV हर जगह एक जैसा डिकोड होता है, इसलिए Ogg Opus, M4A या वीडियो से कन्वर्ट करते समय यह सुरक्षित लक्ष्य है।
- रीसैंपल करके घटाएँ. ज़्यादा सैंपल रेट और स्टीरियो बाइट जोड़ते हैं, शब्द नहीं।
BroadNet Inference पर
BroadNet का ट्रांसक्रिप्शन एंडपॉइंट WAV (audio/wav) या MP3 (audio/mpeg) लेता है, प्रति फ़ाइल 26,214,400 बाइट तक। उसके डॉक्स दूसरे फ़ॉर्मैट इससे कन्वर्ट करते हैं:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg डॉक्स कहते हैं कि -ar सैंपलिंग फ़्रीक्वेंसी सेट करता है, -ac चैनलों की संख्या, और आउटपुट फ़ॉर्मैट .wav एक्सटेंशन से तय होता है। 16-bit PCM की पुष्टि करनी हो तो नतीजा ffprobe से जाँचें। उस सेटिंग पर लगभग 13 मिनट से लंबी कोई भी फ़ाइल बाँटनी होगी: ऑडियो स्प्लिटर टूल कमांड बनाता है, और लंबी ऑडियो फ़ाइलें ट्रांसक्राइब करना टेक्स्ट जोड़ना बताता है। बिलिंग प्रति ऑडियो मिनट है (BroadNet Transcribe Arabic पर $0.0042), इसलिए बाँटने से कुल ऑडियो नहीं बदलता।
आम ग़लतियाँ
- मूल 48 kHz स्टीरियो वैसे ही छोड़ देना. यह तीन मिनट से कम में सीमा भर देता है: प्रति सेकंड 48,000 × 2 × 2 = 192,000 बाइट।
- हर .wav को PCM मान लेना. कुछ रिकॉर्डर WAV रैपर में ADPCM या दूसरे कोडेक लिखते हैं।