下载一条 WhatsApp 语音消息,你会得到一个小小的 .ogg 文件。里面是 Opus 音频,一种为语音通话设计的编解码器。
工作原理
它分两层,每层由一份 IETF RFC 定义:
| 层 | 规范 | 作用 |
|---|---|---|
| Opus 编解码器 | RFC 6716 | 压缩音频。它把基于 SILK 的线性预测层和基于 CELT 的 MDCT 层结合起来,覆盖从 6 kbit/s 的窄带语音到 510 kbit/s 的立体声音乐 |
| Ogg 容器 | RFC 7845 | 把 Opus 数据包封装成文件,开头是 OpusHead 标识头 |
RFC 6716 列出了五种带宽,从窄带(8 kHz 采样率)到全带(48 kHz)。RFC 7845 规定,无论解码器输出什么采样率,granule position 始终按 48 kHz 计算样本数。它建议使用 .opus 扩展名和 audio/ogg 媒体类型,也可写作 audio/ogg; codecs=opus。
Meta 的 WhatsApp Cloud API 媒体参考把 OGG 音频列为 audio/ogg,注明 “Opus codec only”(译文:仅限 Opus 编码),单声道,最大 16 MB。
为什么重要
- 很多 API 不接受它。 只接受 WAV 或 MP3 的语音转文字端点,会拒绝未经转换的语音消息。
- 转换成本很低。 一条 ffmpeg 命令就能把 Opus 解码为 PCM。结果比原语音消息大得多,所以要留意文件大小上限。
- 名称容易混淆。 “Opus”在其他提供商那里也是模型名。在音频语境中,它指的是编解码器。
在 BroadNet Inference 上
BroadNet 的转写端点只接受 WAV(audio/wav)或 MP3(audio/mpeg),每个文件最大 26,214,400 字节。它的文档用一步完成 WhatsApp 语音消息的转换:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
根据 ffmpeg 文档,-ar 设置音频采样频率,-ac 设置声道数,所以这条命令输出 16 kHz 单声道 WAV。然后带上 language=ar(或 en)发送给 BroadNet Transcribe Arabic 或 BroadNet Transcribe。WhatsApp 语音消息指南提供了一个可批量转换并转写整个文件夹的脚本,n8n 指南则在工作流中完成同样的事。如果一条语音消息太长、一个文件放不下,可以用音频切分工具算出分段。
常见错误
- 只改扩展名,不做转换。 把
.ogg改成.wav并不会改变里面的音频。请用 ffmpeg 解码。 - 漏掉
-ac 1。 立体声会让 WAV 文件大一倍,对转写却没有帮助。