Какой формат аудиофайла выбрать для транскрибации?

Что на самом деле стоит за форматом аудио?

За расширением файла стоят две вещи. Первая, кодек, отвечает за то, как закодировать звук, чтобы он занимал поменьше места. Вторая, контейнер, служит оболочкой: в ней лежат сама аудиодорожка, иногда видео и метаданные вроде названия и длительности. MP3 одновременно служит и кодеком, и контейнером. А вот M4A и MP4 работают как контейнеры, внутри которых звук обычно сжат кодеком AAC.

Поэтому два файла с одинаковым расширением порой ведут себя по-разному, а простое переименование файла не меняет его формат. Конвертировать аудио значит декодировать его и закодировать заново. Без крайней нужды делать этого не стоит.

Чем отличаются MP3, M4A, WAV, OPUS и OGG?

В WAV звук обычно хранится без сжатия. Файлы получаются большими, около десяти мегабайт на минуту стереозаписи CD-качества, зато в них остается все, что уловил микрофон. MP3 и M4A сжимают звук с потерями. Они убирают детали, которые человеческое ухо почти не замечает, и уменьшают файл в несколько раз. На тех битрейтах, с которыми пишут телефоны и диктофонные приложения, речь остается разборчивой.

Современный кодек OPUS создавали специально для передачи речи и музыки при низкой скорости потока. Его часто используют в голосовых сообщениях и звонках, а сам звук обычно упакован в файл OGG или OPUS. Контейнер OGG может хранить как старый кодек Vorbis, так и более новый Opus. На iPhone приложение Voice Memos («Диктофон») сохраняет записи в M4A. На Android все зависит от устройства и разработчика приложения, при этом во многих программах формат дают выбрать вручную.

При транскрибации выбор между этими форматами редко меняет результат. Куда сильнее на точность влияют расстояние до микрофона, шум в комнате и голоса людей, которые говорят одновременно.

Можно ли расшифровать видеофайл, например MP4 или MOV?

Да. Контейнеры MP4 и MOV хранят видео и звук вместе, а речь записана в аудиодорожке. Видеофайл можно сразу загрузить в KolWrite и получить расшифровку, не выгружая звук отдельно. У такого подхода есть еще один плюс: позже вы сможете сделать субтитры, привязанные к видеоряду, или вшить их прямо в картинку.

Большие видеофайлы загружаются дольше. Если файл очень тяжелый, а нужен только текст, звук можно предварительно вытащить. Главное при этом просто экспортировать дорожку, а не перекодировать аудио в совсем низком качестве.

Вредит ли сжатие качеству расшифровки?

Легкое сжатие расшифровке не мешает, да и умеренное сжатие чистой записи редко вызывает проблемы. Мешает сильное сжатие. На очень низких битрейтах голоса начинают булькать, а согласные, по которым мы отличаем одно слово от другого, смазываются. Если еще раз сжать уже сжатый файл, например сохранить и заново экспортировать голосовое сообщение, потери сложатся.

На практике правило простое: сжимайте звук один раз, на самом последнем шаге, или не сжимайте вообще. Если для пересылки нужен легкий файл, сделайте сжатую копию, а исходник не трогайте. Никогда не отправляйте на расшифровку урезанную копию, когда на руках есть оригинал.

Каких настроек записи достаточно для речи?

Студийные настройки для записи речи не нужны. Если пишете на один микрофон, хватит моно. Частота дискретизации от 16 килогерц и выше передает голос чисто, так что стандартных для большинства приложений 44,1 или 48 килогерц хватит с запасом. Если в приложении выбирается уровень качества, ставьте стандартный или высокий. Не включайте режимы с пометкой «низкое качество» и компактные голосовые профили, которые экономят место за счет четкости.

Отключите эффекты, которые меняют звук прямо во время записи, например агрессивное шумоподавление или авторегулировку усиления, из-за которой громкость плавает вверх и вниз. Живому слушателю они иногда помогают, но при этом съедают детали, нужные для распознавания речи.

Какой файл стоит сохранить?

Сохраните исходный аудиофайл и укажите в названии дату и тему. К расшифровке относитесь как к рабочему черновику, потому что в автоматическом тексте бывают ошибки. Если какая-то фраза вызовет сомнения, единственным надежным источником останется сама запись. Место на диске стоит копейки по сравнению с важным разговором, который вы уже не сможете перепроверить.

Если файл не загружается или не открывается, сконвертируйте его копию в M4A, MP3 или WAV проверенной программой, а оригинал уберите в надежное место. Когда вычитаете текст, его можно выгрузить в TXT, DOCX, PDF или SRT, смотря что вам нужно дальше.