Перейти к основному контенту

Какой формат и качество аудио лучше для распознавания речи

Частота дискретизации, битрейт, lossless или MP3, шум и расстояние до микрофона: что реально влияет на точность распознавания речи и какой файл загружать.

Какой формат и качество аудио лучше для распознавания речи

Качество расшифровки закладывается не в сервисе распознавания, а в момент записи. Если на дорожке разборчивая речь, ровный уровень громкости и нет каши из перебиваний, текст получится точным почти при любом формате файла. Если же микрофон стоял далеко, комната гулкая, а файл уже несколько раз пересохраняли, то даже самый сильный движок будет угадывать слова по обрывкам.

Разберём, что на самом деле влияет на точность, какие параметры записи важны, чем отличаются форматы без потерь от сжатых и почему оригинал почти всегда лучше любой перекодировки.

Запись
→
Исходный файл
→
Загрузка в «Войси»
→
Распознавание речи
→
Готовый текст

Что влияет на точность распознавания речи?

На итоговый текст влияет связка из нескольких факторов, и формат файла среди них — далеко не главный. По степени влияния их можно расставить так:

  • Разборчивость речи. Чёткая артикуляция, спокойный темп и отсутствие наложения голосов дают больше, чем любой «премиальный» формат.
  • Уровень фонового шума. Кондиционер, улица, гул столовой или музыка маскируют согласные — именно по согласным движок различает похожие слова.
  • Акустика помещения. Эхо и реверберация в пустой комнате с твёрдыми поверхностями «размазывают» звук во времени.
  • Расстояние до микрофона. Чем дальше источник, тем тише полезный сигнал относительно шума.
  • Частота дискретизации и битрейт. Технические параметры файла. Важны, но достаточно их разумного минимума, а не максимума.
  • Перекодирования. Каждое повторное пересохранение в сжатый формат отнимает немного качества.

Хорошая новость: современный движок устойчив к умеренным проблемам. Собственные ИИ-модели «Войси» заточены под русскую речь и вытягивают разборчивый текст даже из бытовых записей. Но физику не обмануть: чистый исходник всегда даёт результат лучше, чем спасённый шумный.

55
языков распознавания
16 кГц
частоты дискретизации достаточно для речи
29+
форматов аудио принимает сервис

Какая частота дискретизации и битрейт нужны для речи?

Частота дискретизации — это сколько раз в секунду оцифровывается звук. Полезная для разборчивости речи энергия укладывается в полосу примерно до 8 кГц, а по теореме отсчётов для её передачи достаточно частоты дискретизации вдвое выше. Отсюда стандартные 16 кГц для голоса — инженерный минимум, на котором уверенно работают системы распознавания.

Записывать речь в музыкальном качестве с очень высокой частотой дискретизации можно, но смысла мало. Лишние верхние частоты речь не несут, файл становится тяжелее, а точность не растёт. Поэтому гнаться за «студийными» параметрами не нужно — диктофон смартфона, гарнитура или дорожка из видеозвонка по умолчанию пишут с запасом.

Битрейт отвечает за то, насколько подробно сжатый файл хранит звук. Здесь работает то же правило разумного минимума: средний и более высокий битрейт сохраняет речь без слышимых артефактов, а экстремально низкий начинает «булькать» на согласных. Для голоса важнее не максимальная цифра, а отсутствие явных провалов и хрипов при прослушивании.

Чем отличается lossless от сжатых форматов аудио?

Форматы делятся на две большие группы. Без потерь (lossless) — WAV и FLAC — хранят сигнал целиком, как он пришёл с микрофона. Сжатие с потерями (lossy) — MP3, OGG, OPUS, AAC, M4A — выбрасывает часть данных, которые ухо почти не замечает, ради меньшего размера файла. Для распознавания это разница между «полным» и «достаточным».

Тип Форматы Что с качеством Когда выбирать
Без потерь (lossless) WAV, FLAC Сигнал сохранён полностью, файл крупный Сложная акустика, много голосов, архив исходника
Сжатие с потерями (lossy) MP3, OGG, AAC, M4A На хорошем качестве потеря незаметна, файл лёгкий Большинство задач, диктофон, экономия места
Голосовые форматы OPUS, AAC OPUS оптимизирован под речь; AAC — универсальный, но компактный Мессенджеры, звонки, голосовые сообщения

Практический вывод простой: для большинства задач MP3 хорошего качества полностью достаточно, и переплачивать гигабайтами за WAV не нужно. Lossless стоит выбирать там, где запись изначально сложная — гулкий зал, несколько перебивающих друг друга спикеров, тихий далёкий голос. В таких случаях каждый сохранённый нюанс помогает движку. «Войси» принимает и те, и другие, поэтому подстраиваться под сервис не приходится — грузите тот файл, что есть.

Почему оригинал без перекодирования всегда лучше?

Сжатие с потерями необратимо. Когда вы из MP3 делаете новый MP3 (например, при «сохранить как» в редакторе или пересылке через сервис, который дожимает звук), данные теряются повторно, поверх уже потерянных. Через два-три таких круга на согласных появляются призвуки, и движку труднее отличить «там» от «дам», а «сом» от «зов».

Отсюда главное правило работы с файлами: берите самый первый, «сырой» вариант записи и не прогоняйте его через лишние конвертеры. Если диктофон пишет в WAV — грузите WAV, не пережимая в MP3 ради экономии. Если запись изначально в MP3 — грузите её как есть, а не пересохраняйте. Перекодирование «на всякий случай» только вредит. Подробный разбор работы именно с диктофонными дорожками — в материале про расшифровку диктофонной записи.

Загрузите свою запись и проверьте качество расшифровки

или

Как условия записи влияют на качество распознавания?

Технические параметры файла вторичны по сравнению с тем, что происходило в комнате во время записи. Вот что реально портит дорожку и как этого избежать:

  • Фоновый шум. Закройте окно, выключите вентилятор и музыку. Постоянный гул маскирует тихие звуки речи сильнее, чем кажется на слух.
  • Эхо и реверберация. В пустой комнате с голыми стенами звук отражается и «двоится». Помогают мягкие поверхности — шторы, ковёр, мебель.
  • Расстояние до микрофона. Чем ближе источник, тем выше доля полезного сигнала. Телефон у говорящего лучше, чем один микрофон на весь стол.
  • Перебивания. Когда двое говорят одновременно, их голоса накладываются в одном канале, и разделить реплики становится сложнее.

Кстати, именно с наложением голосов помогает диаризация — автоматическое разделение реплик до 50 спикеров. Как она устроена и где особенно полезна, разобрано в статье про диаризацию и разделение спикеров. Но и она работает тем точнее, чем чище исходные дорожки.

Что делать, если запись уже получилась шумной?

Сохраните исходник и попробуйте подавление шума в речевой записи. Сравните один и тот же фрагмент до и после: слышны ли тихие окончания слов, не пропадают ли согласные, не становится ли голос неестественным. Снижение фонового шума само по себе не доказывает, что речь распознаётся точнее.

Если вместе с шумом обработка повредила слова, используйте исходную запись. При необходимости сравните расшифровку одного и того же короткого фрагмента, обращая внимание на имена, числа и тихие реплики. Полностью восстановить заглушённую речь удаётся не всегда.

Как записать чистое аудио и какой формат загрузить в «Войси»?

Если запись только предстоит, несколько простых шагов поднимут точность сильнее, чем выбор «правильного» формата:

  1. Выберите тихое помещение без эха и предупредите окружающих о записи.
  2. Поставьте микрофон или телефон ближе к говорящим, в идеале — на равном расстоянии от всех.
  3. Если есть техническая возможность, пишите каждого участника на отдельную дорожку — это самый надёжный способ чистого разделения реплик.
  4. Не отключайте подавление шума устройства, но и не полагайтесь только на него.
  5. Сохраните исходник и больше не пересжимайте его перед загрузкой.

Когда файл готов, формат можно не подбирать специально. «Войси» работает в браузере на my.voicee.ru и принимает 29+ форматов аудио (MP3, WAV, M4A, AAC, OGG, OPUS, FLAC и другие) и 9+ форматов видео (MP4, MOV, MKV, AVI, WEBM, M4V), до 20 ГБ и до 20 часов на один файл. Видео можно даже не скачивать: поддерживается импорт по ссылке с YouTube, VK Видео, RuTube, Google Диска и Яндекс.Диска. Сервис сам определит тип записи и подберёт модель, расставит пунктуацию и разобьёт текст на абзацы. Если нужен пошаговый сценарий загрузки, смотрите инструкцию, как расшифровать аудиозапись в текст. Частные случаи разобраны отдельно: перевести MP3 в текст и распознать запись из WAV.

«Войси» — резидент «Сколково» и включён в реестр российского ПО Минцифры. Распознавание идёт на собственных серверах в России, данные не покидают РФ и не используются для обучения моделей; для корпоративного контура возможна установка on-premise без доступа в интернет. Тарификация посекундная. Первый файл можно обработать сразу. Текущие тарифы и пакеты войсов — на странице с ценами и тарифами.

Какие вопросы про формат и качество аудио задают чаще всего?

Какой формат аудио лучше для распознавания — WAV или MP3?

Для большинства записей MP3 хорошего качества полностью достаточно, и разница с WAV на слух незаметна. WAV или FLAC стоит выбирать только для сложных условий: гулкое помещение, несколько перебивающих друг друга спикеров или тихий далёкий голос. «Войси» принимает оба варианта.

Достаточно ли частоты дискретизации 16 кГц для расшифровки речи?

Да. Полезная для разборчивости речь укладывается в полосу примерно до 8 кГц, поэтому 16 кГц — это рабочий минимум для распознавания. Более высокие «музыкальные» частоты дискретизации точность речи не повышают, а только увеличивают размер файла.

Нужно ли записывать в стерео?

Для одного говорящего стерео не даёт преимущества — хватает моно. Стерео или, ещё лучше, отдельные дорожки на каждого участника помогают, когда людей несколько и важно надёжно разделить реплики.

Стоит ли конвертировать файл перед загрузкой?

Нет. Любое повторное пересохранение в сжатый формат теряет часть данных. Грузите исходник в том виде, в каком он записан, без промежуточных конвертеров — сервис сам поддерживает нужные форматы.

Влияет ли фоновый шум на точность распознавания?

Да, и сильнее, чем формат файла. Постоянный гул и музыка маскируют согласные, по которым движок различает похожие слова. Тихая комната, близкий микрофон и отсутствие эха дают больший прирост точности, чем выбор lossless-формата.

Какие форматы и объёмы принимает «Войси»?

Сервис принимает 29+ форматов аудио и 9+ форматов видео, файлы до 20 ГБ и до 20 часов длительности, а также импорт видео по ссылке без скачивания. Час записи обрабатывается примерно за 2–5 минут.

Проверьте, насколько точно распознаётся ваша запись

или

Оцените качество расшифровки на своей записи

Загрузите исходный аудиофайл и посмотрите, как условия записи повлияли на текст.