WAV — самый простой формат аудио: большой, незамысловатый и принимаемый почти везде.
Как это работает
Библиотека Конгресса описывает WAVE как “wrapper file format” (перевод: «формат файла-обёртки») на основе RIFF (Resource Interchange File Format), разработанного Microsoft и IBM, с совместной спецификацией от августа 1991 года. Файл WAV содержит описание формата и аудиоданные. Самая распространённая кодировка — линейный PCM: сырые отсчёты без сжатия. Стандартный WAVE ограничен примерно 4 ГБ; чтобы выйти за этот предел, существует расширение RF64.
Поскольку PCM не сжат, размер считается простой арифметикой (байт в секунду = частота дискретизации × байт на отсчёт × число каналов):
bytes per second = sample rate × bytes per sample × channels
Для аудио под распознавание речи с частотой 16 кГц, моно, 16 бит (2 байта):
| Шаг | Значение |
|---|---|
| 16 000 отсчётов × 2 байта × 1 канал | 32 000 байт в секунду |
| 26 214 400 байт ÷ 32 000 | 819,2 секунды |
| 819,2 ÷ 60 | около 13,65 минуты (13 мин 39 с) |
Стерео-файл 44,1 кГц той же длительности весит 44 100 × 2 × 2 = 176 400 байт в секунду — более чем в пять раз больше, без всякой пользы для транскрибации.
Почему это важно
- Лимиты в байтах, а не в минутах. API транскрибации часто ограничивают размер файла. С WAV можно точно предсказать, сколько аудио поместится.
- Никаких сюрпризов с кодеками. PCM WAV декодируется одинаково везде, поэтому это надёжный целевой формат при конвертации из Ogg Opus, M4A или видео.
- Понижайте частоту. Более высокая частота дискретизации и стерео добавляют байты, а не слова.
В BroadNet Inference
Эндпоинт транскрибации BroadNet принимает WAV (audio/wav) или MP3 (audio/mpeg) размером до 26 214 400 байт на файл. Другие форматы в её документации конвертируют так:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Документация ffmpeg поясняет: -ar задаёт частоту дискретизации, -ac — число каналов, а формат вывода определяется по расширению .wav. Если нужно убедиться, что получился 16-битный PCM, проверьте результат через ffprobe. Всё, что длиннее примерно 13 минут при этих настройках, придётся делить: инструмент для нарезки аудио соберёт команды, а статья о транскрибации длинных аудиофайлов расскажет, как склеить текст. Оплата идёт за минуту аудио ($0.0042 у BroadNet Transcribe Arabic), поэтому деление на части не меняет общий объём аудио.
Частые ошибки
- Оставить исходные 48 кГц стерео. Такой файл заполнит лимит меньше чем за три минуты: 48 000 × 2 × 2 = 192 000 байт в секунду.
- Считать, что любой .wav — это PCM. Некоторые диктофоны пишут ADPCM или другие кодеки в обёртке WAV.