WAV в текст

Да. Файлы, записанные в 48 кГц и 24 битах — обычная настройка полевого рекордера или аудиоинтерфейса, — загружаются напрямую. Не нужно сводить до 16 бит или менять частоту дискретизации. Распознавание идёт по файлу как есть, поэтому оригинал остаётся точкой отсчёта для любой поздней проверки.

Конвертация в MP3 добавляет сжатое поколение и второй файл, за которым надо следить, но не облегчает распознавание речи. Сервис берёт несжатый файл, поэтому до распознавания доходит тот звук, который был записан. Это ещё и снимает соблазн удалить оригинал после создания меньшей копии.

Предел загрузки — 100МБ, что при 48 кГц и 24 битах составляет несколько часов стереозвука; речь обрабатывается до трёх часов. Полный день записи обычно превышает оба предела, поэтому сеанс стоит делить на естественном перерыве, например в конце интервью, до отправки.

Да, если включено разделение говорящих. Реплики получают метки, что важно для интервью, где вопросы и ответы должны оставаться раздельными. Перекрывающаяся речь и говорящий, отворачивающийся от микрофона, остаются трудными случаями, и такие фрагменты стоит переслушать до цитирования.

Каждый фрагмент несёт время, когда он звучит в записи, считая от начала файла. Проверяющий поэтому переходит к фразе в исходном WAV, что полезно, когда под сомнением имя или число. Транскрипт и запись остаются синхронными даже на длинном сеансе.

Монофайл с одного микрофона — самый простой вход. Стереофайлы обрабатываются как есть, но если в одном канале другой говорящий, разделение каналов на отдельные файлы может дать более чистый транскрипт, чем совмещённая дорожка, и каждая половина получит свою метку.

Чистый звук с низким шумом и близким микрофоном даёт лучший результат, а для полевого рекордера это обычный случай. Акценты, перекрывающаяся речь и специальная лексика всё равно требуют проверки. Короткого прослушивания по таймкодам достаточно, чтобы решить, нужна ли полная вычитка.

Простой текст выгружается для кодирования, цитирования или архива, а SRT доступен, когда запись будет опубликована с субтитрами. Поскольку исходный файл не меняется, архив может держать WAV и транскрипт вместе, а таймкоды дают связь между утверждением и звуком за ним.