サンプルレートとは、音声信号を一秒間に何回測るかをヘルツで表した値です。レートが高いほど高い音まで捉えられます。音声には16 kHz、音楽には44.1 kHzがよく使われます。一回の測定が一つのサンプルなので、レートが高いと毎分のデータ量も増えます。
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
- 録音はサンプルレートの半分までの音を保持するので、16 kHzなら8 kHzまでの音をカバーし、人の声のほとんどが含まれます。
- 通話は音楽より狭いレートを使うことが多く、そのため電話の声はスタジオ録音より鈍く聞こえます。
- 既存のファイルのレートを上げても細部は増えません。すでに捉えたものを繰り返すだけで、ファイルが大きくなります。
- 非圧縮のモノラルで16 kHz、16ビットなら毎秒32000バイトで、毎分およそ1.9 MBになります。
- サンプルレートとビットレートは別物です。前者は一秒あたりの測定回数、後者は圧縮後の一秒あたりのデータのビット数です。
見た目のイメージ
// read the rate of a file
ffprobe -hide_banner talk.wav
// Stream #0:0: Audio: pcm_s16le, 44100 Hz, stereo
// make a 16 kHz mono copy for speech
ffmpeg -i talk.wav -ar 16000 -ac 1 talk_16k.wav
// size per second: 16000 samples x 2 bytes x 1 channel = 32000 bytes
関連情報
よくある質問
音声に最適なサンプルレートはどれですか？
音声には16 kHzが一般的で十分です。音楽は最も高い音まで届くよう44.1 kHz以上を使いますが、声には必要ありません。
送る前に録音を16 kHzに変換すべきですか？
必須ではありません。そのまま送ってください。レートを下げるのは、非常に大きなファイルを小さくしたいときだけ役立ちます。
サンプルレートが高いと文字起こしは良くなりますか？
ある程度を超えると良くなりません。音声の内容は8 kHzよりずっと下にあるので、レートを上げるより、明瞭な声と少ない雑音のほうが効果的です。
レートが低すぎるとどうなりますか？
sやtのような高い音が失われ、声が鈍くこもって聞こえるため、言葉が取り違えられやすくなります。
ファイルのレートはどこで分かりますか？
ファイルに対してffprobeを実行するか、メディアプレーヤーでプロパティを開きます。音声ストリームの行に、チャンネル数と並んでHz単位のレートが表示されます。
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。
- Sampling (signal processing) (Wikipedia), Wikipedia · 確認日
- Bit rate (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