WAV は音声のもっとも素朴な形式です。大きく、単純で、ほぼどこでも受け付けられます。
仕組み
米国議会図書館は WAVE を、Microsoft と IBM が開発した RIFF(Resource Interchange File Format)をベースにした “wrapper file format”(訳:ラッパーファイル形式)と説明しており、共同仕様の日付は 1991 年 8 月です。WAV ファイルには、形式の記述と音声データが入っています。最も一般的なエンコードはリニア PCM で、圧縮なしの生のサンプルです。標準の WAVE は約 4 GB が上限で、それを超えるために RF64 拡張があります。
PCM は非圧縮なので、サイズは単純な計算で求まります。
bytes per second = sample rate × bytes per sample × channels
16 kHz・モノラル・16 ビット(2 バイト)の音声認識用音声では次のとおりです。
| ステップ | 値 |
|---|---|
| 16,000 サンプル × 2 バイト × 1 チャンネル | 1 秒あたり 32,000 バイト |
| 26,214,400 バイト ÷ 32,000 | 819.2 秒 |
| 819.2 ÷ 60 | 約 13.65 分(13 分 39 秒) |
同じ長さの 44.1 kHz ステレオのファイルは 1 秒あたり 44,100 × 2 × 2 = 176,400 バイトで、5 倍以上大きくなりますが、文字起こしには何の得もありません。
なぜ重要か
- 上限は分数ではなくバイト数。 文字起こし API はファイルサイズを制限していることが多く、WAV ならどれだけの音声が入るかを正確に予測できます。
- コーデックで驚かされない。 PCM の WAV はどこでも同じようにデコードされるので、Ogg Opus、M4A、動画から変換するときの安全な変換先です。
- ダウンサンプリングする。 高いサンプリングレートやステレオは、バイト数を増やすだけで、単語は増えません。
BroadNet Inference では
BroadNet の文字起こしエンドポイントは WAV(audio/wav)または MP3(audio/mpeg)を、1 ファイル 26,214,400 バイトまで受け付けます。ドキュメントでは、ほかの形式を次のように変換しています。
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg のドキュメントによると、-ar はサンプリング周波数、-ac はチャンネル数を設定し、出力形式は .wav の拡張子から推定されます。16 ビット PCM であることを確かめたいときは、ffprobe で結果を確認してください。この設定で約 13 分を超える音声は分割が必要です。音声分割ツールがコマンドを組み立て、長い音声ファイルの文字起こしでテキストのつなぎ方を説明しています。課金は音声の分数単位(BroadNet Transcribe Arabic では $0.0042)なので、分割しても音声の合計は変わりません。
よくある間違い
- 元の 48 kHz ステレオのままにする。 3 分足らずで上限に達します。48,000 × 2 × 2 = 1 秒あたり 192,000 バイトです。
- .wav ならどれも PCM だと思い込む。 レコーダーによっては、WAV のラッパーに ADPCM やほかのコーデックで書き込みます。