BroadRouter

WAV

更新于

WAV(Waveform Audio File Format,又称 WAVE)是建立在微软与 IBM 的 RIFF 格式之上的音频容器。它通常存放未压缩的线性 PCM 样本,因此大小可以预测:每秒字节数 = 采样率 × 每样本字节数 × 声道数。

又称: WAV 文件、WAV 格式、WAVE 格式、PCM 音频、无损音频格式、WAV file、PCM WAV

WAV 是音频里最朴素的格式:体积大、结构简单,几乎哪里都能用。

工作原理

美国国会图书馆把 WAVE 描述为一种 “wrapper file format”(译文:封装文件格式),建立在微软与 IBM 开发的 RIFF(Resource Interchange File Format)之上,联合规范的日期为 1991 年 8 月。WAV 文件包含一段格式描述和音频数据。最常见的编码是线性 PCM:原始样本,不做压缩。标准 WAVE 的上限约为 4 GB;RF64 扩展就是为了突破这一限制。

因为 PCM 不压缩,大小就是简单的算术:

bytes per second = sample rate × bytes per sample × channels

对于 16 kHz、单声道、16 位(2 字节)的语音转文字音频:

步骤 数值
16,000 个样本 × 2 字节 × 1 声道 每秒 32,000 字节
26,214,400 字节 ÷ 32,000 819.2 秒
819.2 ÷ 60 约 13.65 分钟(13 分 39 秒)

同样时长的 44.1 kHz 立体声文件为每秒 44,100 × 2 × 2 = 176,400 字节,大了五倍多,对转写却毫无帮助。

为什么重要

  • 限的是字节,不是分钟。 转写 API 常常限制文件大小。用 WAV,你能准确预测能装下多少音频。
  • 不会有编解码器的意外。 PCM WAV 在哪里解码结果都一样,所以从 Ogg Opus、M4A 或视频转换时,它是稳妥的目标格式。
  • 降采样。 更高的采样率和立体声只会增加字节,不会增加词。

在 BroadNet Inference 上

BroadNet 的转写端点接受 WAV(audio/wav)或 MP3(audio/mpeg),每个文件最多 26,214,400 字节。它的文档用下面的命令转换其他格式:

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

按 ffmpeg 文档,-ar 设置采样频率,-ac 设置声道数,输出格式则根据 .wav 扩展名推断。如需确认是 16 位 PCM,可以用 ffprobe 检查结果。在这种设置下超过约 13 分钟的音频都需要切分:音频切分工具可以生成命令,长音频文件转写介绍了如何拼接文字。计费按音频分钟(BroadNet Transcribe Arabic 为 $0.0042),所以切分不会改变音频总时长。

常见错误

  • 保留原始的 48 kHz 立体声。 不到三分钟就会填满上限:48,000 × 2 × 2 = 每秒 192,000 字节。
  • 以为所有 .wav 都是 PCM。 有些录音设备会在 WAV 封装里写入 ADPCM 或其他编码。

常见问题

25 MiB 能装下几分钟 WAV?

16 kHz、单声道、16 位 PCM 时,文件每秒增加 32,000 字节。26,214,400 除以 32,000 等于 819.2 秒,约 13 分 39 秒,算上文件头还要略少一点。

WAV 一定是未压缩的吗?

不是。美国国会图书馆把线性 PCM 列为常见编码,但也列出了 mu-law、A-law 和 ADPCM。用于语音转文字时,普通的 16 位 PCM 最稳妥。

转写用 WAV 还是 MP3?

WAV 避免了有损编码,但在同样的字节上限下,MP3 能装下多得多的音频。长录音要么把 WAV 切分,要么用你自己的音频测试一下 MP3。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity