非可逆圧縮とは、人の聴覚や視覚にあまり影響しないデータを完全に取り除いて、ファイルを小さくする方式です。音ではMP3やAAC、画像ではJPEGがこれにあたります。失われたものは戻せないので、小さくしたファイルが元に戻ることはありません。
録音を文字起こしする
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語
要点
- エンコーダーは聴覚のモデルに従い、大きな音に隠れる小さな音や、ほとんどの人が気づかない音域の細部を削ります。
- ビットレートを下げるほど多くのデータが削られるため、同じ録音でも非常に低い設定で保存すると、中程度の設定より音が薄くなります。
- 非可逆形式で保存し直すたびにさらに少し削られるので、コピーのコピーは徐々にこもった音になります。
- 音声は中程度の設定なら非可逆圧縮にもよく耐えますが、小さな子音や遠くの声から先にぼやけます。
- ファイル名は変わらず普通に再生できるため、よく聞くか、誤りの多い文字起こしを読むまで劣化に気づきにくいです。
見た目のイメージ
// make a small lossy copy for sharing, keep the WAV as the master
ffmpeg -i interview.wav -c:a libmp3lame -b:a 64k interview.mp3
// compare the two files
ls -l interview.wav interview.mp3
// the MP3 is much smaller, and the removed detail cannot be recovered
関連情報
よくある質問
非可逆圧縮で削られたデータは復元できますか？
いいえ。削られた細部は完全に失われています。WAVやFLACに変換しても入れ物が変わってファイルが大きくなるだけで、音質は良くなりません。
MP3は文字起こしに常に不向きですか？
いいえ。明瞭な声で中程度のビットレートなら、たいてい問題ありません。ビットレートが非常に低い、部屋が騒がしい、何度も保存し直したといった場合に問題が出ます。
残したい録音は、非可逆と可逆のどちらが安全ですか？
機器から出たままの元の録音を保管し、必要なときにそこから非可逆のコピーを作ってください。コピーを編集して保存し直すのは避けましょう。
ボイスメッセージはなぜ非可逆なのですか？
チャットアプリは素早く送れる小さなファイルを求め、音声は多少の劣化に耐えられるからです。その代わり、とても小さな声や速い話し方は認識しにくくなります。
Potok のボットには何を送ればよいですか？
元のファイルがあればそれを、音声またはドキュメントとして2 GBまで送ってください。何度も保存し直したコピーより、新しい録音のほうが適しています。
出典
各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。
- Lossy compression (Wikipedia), Wikipedia · 確認日
- MP3 (Wikipedia), Wikipedia · 確認日
お手持ちの録音で試してみましょう
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
Telegram で @potok_now_bot を開く