音声コーデックとは？ 音をコンパクトなデータに符号化し、再生のために元に戻す方式のことです。MP3、AAC、Opusが代表例です。音をどう圧縮するかを決めるのがコーデックで、ファイルの拡張子は、それを包む入れ物の名前にすぎません。
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
- コーデックとファイル形式は別物です。M4Aのような一つのファイルタイプが、複数のコーデックで作られた音声を収められます。
- 非可逆コーデックは容量を節約するために細部を捨て、可逆コーデックはデータを縮めつつ、復号時にすべてのサンプルを復元します。
- Opusは音声通話を念頭に設計されたため、多くのチャットアプリのボイスメッセージに使われています。
- 復号は再生時に行われるため、ローカルで開けないコーデックは、音声の破損ではなく、たいていプレーヤーがないことを意味します。
見た目のイメージ
// which codec is inside the file?
ffprobe -hide_banner -select_streams a talk.m4a
// Stream #0:0: Audio: aac, 44100 Hz, stereo, 96 kb/s
// re-encode a voice recording with Opus at a modest rate
ffmpeg -i talk.wav -c:a libopus -b:a 32k talk.opus
関連情報
よくある質問
コーデックとコンテナの違いは何ですか。
コーデックは音を圧縮します。MP4やOggのようなコンテナは、圧縮されたストリームを他のストリームやメタデータと一緒に収めるファイルです。
音声に最適なコーデックはどれですか。
OpusもAACも、控えめなレートで声をうまく扱えます。文字起こしするつもりの録音では、どちらを選ぶかよりも、元の音がクリアであることが大切です。
コーデックは認識の精度に影響しますか。
強い圧縮は小さな子音をぼかし、名前を聞き取りにくくします。クリアな声に控えめな設定なら、通常は認識に影響しません。
どんなコーデックでもPotokボットに送れますか。
ボットは、ドキュメントとして送られたファイルを含め、音声、オーディオ、動画ファイルを2 GBまで受け付けます。非常にまれなコーデックは、先に変換が必要な場合があります。
ファイルがどのコーデックか調べるにはどうすればよいですか。
メディアプレーヤーでファイルのプロパティを開くか、ffprobeを実行してください。音声ストリームの行に、コーデック、レート、チャンネル数が表示されます。
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。
- Audio codec (Wikipedia), Wikipedia · 確認日
- Opus audio format (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