Транскрибация WAV в текст

WAV хранит звук в исходном виде, без сжатия с потерями. Для распознавания речи это лучший из возможных исходников: модель получает всю звуковую картину целиком, включая тихие реплики и окончания слов, которые кодеки вроде MP3 частично отбрасывают. Разница особенно заметна на записях с несколькими собеседниками и заметным фоновым шумом.

Обратная сторона формата — вес. Час стереозаписи в 44,1 кГц занимает около 600 МБ, поэтому длинные совещания в WAV легко упираются в лимит загрузки. Если файл не проходит, его достаточно один раз сохранить в MP3 с битрейтом 128 кбит/с и выше: на итоговой точности это почти не скажется, а размер уменьшится в несколько раз.

Посчитать вес заранее несложно, потому что в несжатом звуке он линеен. Речевой стандарт — 16 кГц, 16 бит, моно — даёт около 1,9 МБ на минуту, то есть примерно 115 МБ в час. Студийные 44,1 кГц в стерео тяжелее почти в шесть раз. Отсюда простое правило: если запись длиннее двух часов и сделана в студийных параметрах, проверьте размер до загрузки.

В WAV пишут профессиональные полевые рекордеры, аудиоинтерфейсы и программы монтажа звука — Audacity, Reaper, Adobe Audition. Именно поэтому формат чаще всего встречается там, где к записи изначально относились серьёзно: интервью для эфира, студийные подкасты, полевые исследования. На таких файлах распознавание показывает лучший результат, какой вообще возможен.

Пара технических нюансов, о которых стоит знать. Некоторые рекордеры пишут в 32-битном формате с плавающей точкой — это удобно при монтаже, но для распознавания избыточно, и такой файл лучше пересохранить в обычные 16 бит. Изредка попадаются WAV со сжатием ADPCM внутри: формально это тот же контейнер, но звук в нём уже с потерями, и преимущества перед MP3 у него нет.

Если запись многодорожечная — например, каждый участник интервью писался на отдельный канал, — имеет смысл свести дорожки в одну перед загрузкой. Разделение по спикерам работает и так, но чистые раздельные каналы, сведённые в моно, дают более предсказуемый результат, чем стереофайл, где голоса разнесены по сторонам.