WAV là định dạng audio “mộc”: dung lượng lớn, đơn giản và được chấp nhận gần như ở mọi nơi.
Cách hoạt động
Thư viện Quốc hội Mỹ mô tả WAVE là một “wrapper file format” (Bản dịch: định dạng file bao gói) xây trên RIFF (Resource Interchange File Format), do Microsoft và IBM phát triển, với đặc tả chung ghi ngày tháng 8 năm 1991. Một file WAV chứa phần mô tả định dạng và dữ liệu audio. Cách mã hóa phổ biến nhất là PCM tuyến tính: mẫu thô, không nén. WAVE chuẩn bị giới hạn khoảng 4 GB; phần mở rộng RF64 tồn tại để vượt qua giới hạn đó.
Vì PCM không nén, dung lượng chỉ là phép tính đơn giản:
bytes per second = sample rate × bytes per sample × channels
Tức là số byte mỗi giây = tần số lấy mẫu × số byte mỗi mẫu × số kênh. Với audio speech-to-text ở 16 kHz, mono, 16-bit (2 byte):
| Bước | Giá trị |
|---|---|
| 16.000 mẫu × 2 byte × 1 kênh | 32.000 byte mỗi giây |
| 26.214.400 byte ÷ 32.000 | 819,2 giây |
| 819,2 ÷ 60 | khoảng 13,65 phút (13 phút 39 giây) |
Một file stereo 44,1 kHz cùng độ dài là 44.100 × 2 × 2 = 176.400 byte mỗi giây, lớn hơn năm lần, mà không giúp gì cho việc chép lời.
Vì sao quan trọng
- Giới hạn theo byte, không theo phút. API chép lời thường giới hạn kích thước file. Với WAV, bạn dự đoán chính xác được bao nhiêu audio vừa giới hạn.
- Không bất ngờ về codec. PCM WAV giải mã như nhau ở mọi nơi, nên là đích chuyển đổi an toàn khi bạn chuyển từ Ogg Opus, M4A hay video.
- Hạ tần số lấy mẫu. Tần số lấy mẫu cao hơn và stereo chỉ thêm byte, không thêm chữ.
Trên BroadNet Inference
Endpoint chép lời của BroadNet nhận WAV (audio/wav) hoặc MP3 (audio/mpeg), tối đa 26.214.400 byte mỗi file. Tài liệu của BroadNet chuyển đổi các định dạng khác bằng:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Tài liệu ffmpeg cho biết -ar đặt tần số lấy mẫu, -ac đặt số kênh, và định dạng đầu ra được suy ra từ phần mở rộng .wav. Hãy kiểm tra kết quả bằng ffprobe nếu cần xác nhận PCM 16-bit. Audio dài hơn khoảng 13 phút ở thiết lập này cần được tách: công cụ tách audio tạo sẵn các lệnh, còn chép lời file audio dài hướng dẫn ghép văn bản lại. Giá tính theo phút audio ($0.0042 trên BroadNet Transcribe Arabic), nên việc tách file không làm thay đổi tổng số phút audio.
Lỗi thường gặp
- Giữ nguyên bản gốc 48 kHz stereo. File sẽ chạm giới hạn trong chưa đến ba phút: 48.000 × 2 × 2 = 192.000 byte mỗi giây.
- Cho rằng mọi file .wav đều là PCM. Một số máy ghi âm ghi ADPCM hoặc codec khác bên trong vỏ WAV.