WAV в текст
Загрузите wav-файл — получите текст с пунктуацией, таймкодами и разделением по голосам. Сжимать и перекодировать ничего не нужно.
Три минуты бесплатно · до 2 ГБ на файл
Что в wav важно: не сжатие, а частота записи
Wav хранит звук без потерь — выбрасывать при сжатии здесь нечего. Поэтому у формата нет порога качества, за которым текст начинает сыпаться; значение имеет только то, с какой частотой запись сделали изначально. Обратно эту частоту не поднять: если писали на 8 кГц, высоких частот в файле нет и не появится.
- 8 кГц — телефония и выгрузки из АТС. Речь понятна, но «с», «ш», «ф» путаются между собой: их различие живёт выше 4 кГц, а его в файле физически нет.
- 16 кГц — рабочая частота для речи. Ровно на такой работают модели распознавания, дальше запаса не требуется.
- 44,1 и 48 кГц — студийная и видеозапись. Точность та же, что на 16 кГц, но файл в три раза тяжелее.
Wav весит много — и это единственная настоящая проблема
Формат без сжатия занимает предсказуемо много места, и на длинных записях это упирается в размер файла, а не в качество:
| Режим записи | Час записи | Влезет в лимит 2 ГБ |
|---|---|---|
| 16 кГц, моно | ≈ 115 МБ | около 17 часов |
| 44,1 кГц, моно | ≈ 300 МБ | около 6 часов |
| 48 кГц, стерео | ≈ 660 МБ | около 3 часов |
Откуда обычно приходят wav-файлы
- Профессиональный диктофон или рекордер — лучший материал: чистый звук, ровная громкость, 44,1 кГц.
- Выгрузка из телефонии — почти всегда 8 кГц, моно, иногда с разведёнными каналами оператора и клиента.
- Экспорт из Audacity или монтажной программы — часто уже обработанный звук: шумоподавление и компрессия сделаны, распознаванию это на пользу.
- Запись с петличного микрофона — очень близкая речь, отличная точность, но дыхание и щелчки одежды попадают в запись.
Вопросы
Wav точнее mp3 распознаётся?
При нормальном mp3 (128 кбит/с и выше) разницы практически нет. Преимущество wav заметно, когда исходник и без того плохой: тихая речь, далёкий микрофон, шум — там сохранённые детали помогают.
Какая частота дискретизации нужна?
16 кГц достаточно для речи. Больше не вредит, но и не улучшает: распознавание всё равно приводит запись к своей частоте. Меньше — хуже, особенно для шипящих.
Файл на 2 гигабайта примете?
Да, до 2 ГБ на файл. Wav весит примерно 115 МБ на час при 16 кГц в моно и около 600 МБ при 48 кГц в стерео — час записи проходит с запасом.
Нужно ли конвертировать wav в mp3 перед загрузкой?
Нет. Сжатие только отнимет детали и добавит времени на перекодирование. Загружайте как есть.
А если в wav два канала с разными людьми?
Разделение по голосам работает по голосовому отпечатку, а не по каналам, поэтому реплики разойдутся правильно и в смешанной дорожке.