WAV, MP3 или M4A: какой формат аудио лучше для транскрибации

Влияет ли формат аудио на точность распознавания

Короткий ответ: важнее качество записи, чем формат. Но некоторые нюансы есть. Разберём все популярные форматы — в каком случае какой лучше.

WAV — несжатый эталон

Что это: контейнер для несжатого аудио PCM. Файл хранит каждый сэмпл «как есть», без потерь.

Характеристики:

• Размер: ~10 МБ за минуту (44.1 кГц стерео 16 бит)
• Качество: 100%, эталон
• Совместимость: везде

Когда использовать: профессиональная студийная запись, архивные цели, когда размер файла не важен.

Минусы: большой размер. Часовая запись — 600 МБ. Грузить в мессенджеры и облака неудобно.

MP3 — самый распространённый

Что это: формат сжатия с потерями (lossy). Убирает частоты, которые ухо плохо слышит, и сильно уменьшает размер файла.

Характеристики:

• Размер: зависит от битрейта. 128 кбит/с ≈ 1 МБ/мин, 320 кбит/с ≈ 2.5 МБ/мин
• Качество для речи: 128+ кбит/с достаточно, 192 кбит/с отлично
• Совместимость: везде

Когда использовать: диктофонные записи, подкасты, когда нужно переслать файл по email/мессенджеру. Для транскрибации — идеальный компромисс.

Важно: битрейт ниже 64 кбит/с режет высокие частоты и снижает точность Whisper на 5-10%. Избегайте.

M4A (AAC) — формат Apple

Что это: контейнер MP4 с кодеком AAC. Лучшее качество при том же размере, что и MP3.

Характеристики:

• Размер: ~1 МБ/мин (AAC 128 кбит/с)
• Качество: на 20-30% лучше MP3 при том же битрейте
• Совместимость: почти везде (кроме старых проигрывателей)

Когда использовать: диктофон iPhone/iPad, Apple Music, голосовые сообщения WhatsApp. Для транскрибации — одинаково хорошо с MP3.

OGG / OPUS — современный открытый формат

Что это: OGG — контейнер, OPUS — новый кодек. Используется в голосовых Telegram и WhatsApp для оптимизации мобильного трафика.

Характеристики:

• Размер: самый маленький при сохранении качества (на 20% лучше AAC)
• Качество для речи: отличное даже на 24 кбит/с
• Совместимость: современные плееры и устройства. Старые (до 2018) могут не понимать

Когда использовать: голосовые из мессенджеров (вы получаете их в OGG OPUS автоматически), IP-телефония.

FLAC — сжатие без потерь

Что это: сжатый формат БЕЗ потерь качества (как ZIP для аудио).

Характеристики:

• Размер: ~5 МБ/мин (в 2 раза меньше WAV)
• Качество: 100%, идентично WAV
• Совместимость: все современные плееры

Когда использовать: музыкальные архивы, студийные записи. Для транскрибации избыточно — размер большой, качество то же что у MP3 320.

WMA — устаревший Microsoft

Проприетарный формат от Microsoft. Сейчас используется крайне редко (диктофонные записи старых Windows Phone). Не рекомендуется, но WonderScribe его поддерживает.

Сравнительная таблица

Практические рекомендации

• Записываете сами → MP3 192 кбит/с — оптимум качество/размер
• Получили голосовое → оставьте как есть (OGG/M4A) — конвертация не улучшит качество, только потеряет время
• Профессиональная запись → WAV или FLAC — для архива
• Микрофон при записи важнее формата — даже WAV со встроенного микрофона даст WER 15%, а MP3 128 с petличного микрофона — 3%

Что делает WonderScribe с файлом

При загрузке в WonderScribe любой формат (MP3, M4A, WAV, OGG, FLAC, WMA, AAC, AMR и др.) автоматически:

1. Конвертируется в mono 16 кГц WAV (формат, на котором обучен Whisper)
2. Нормализуется по громкости (EBU R128)
3. Очищается от шума если нужно (Demucs)
4. Передаётся в Whisper large-v3-turbo для распознавания

То есть формат исходника не влияет на итоговый результат — все приводятся к одному. Важно лишь чтобы исходник не был низкобитрейтным (32-64 кбит/с MP3 дают потерю качества ещё на входе).

Попробуйте на любом формате — 30 минут бесплатно. Сравните результат с MP3 128 и 320 — разница минимальна.