AMR в текст
AMR — это кодек голосового канала GSM. Он даёт 8 кГц моно на 12 кбит/с: минута весит 90 килобайт. Разборчиво для человека, тяжело для модели — и именно здесь русская модель отрывается от Whisper сильнее всего.
Спрос по Яндекс.Вордстат
| Запрос | Показов в месяц | Снято |
|---|---|---|
| транскрибация звонков | 416 | 2026-08 |
Технические характеристики AMR
| Полное название | Adaptive Multi-Rate, узкополосный речевой кодек GSM |
|---|---|
| Контейнер | AMR (заголовок #!AMR) |
| Кодеки внутри | AMR-NB 4,75–12,2 кбит/с, AMR-WB |
| MIME-типы | audio/amr, audio/3gpp |
| Расширения | .amr, .awb, .3ga |
| Типичный битрейт | 12 кбит/с |
| Частота дискретизации | 8 000 Гц, моно |
| Сжатие | с потерями |
| Демультиплексирование | не нужно |
| Лимит на файл | 1 ГБ — это примерно 11 651 минут при типичном битрейте |
| Минут в 1 ГБ | 11 651 |
Что конвейер делает именно с AMR
- Читаем заголовок #!AMR и определяем NB (8 кГц) или WB (16 кГц) — путать их нельзя, иначе речь поедет по скорости.
- Включаем узкополосный профиль GigaAM v3: акустическая нормализация под телефонный канал вместо студийного.
- Не применяем шумоподавление — AMR уже вырезал всё, что мог, и дополнительная фильтрация съедает согласные.
- Учитываем DTX-кадры (comfort noise): паузы, которые кодек не передавал, восстанавливаем как тишину нужной длительности, чтобы таймкоды совпадали с реальным временем разговора.
Откуда берутся такие файлы
- Запись разговоров на Android (папка Recordings/Call)
- Старые кнопочные телефоны и диктофоны Nokia
- Выгрузка из систем записи разговоров операторов
- MMS-вложения
Грабли, о которых стоит знать заранее
- 8 кГц — это потолок, который не поднять
Полоса до 4 кГц физически не содержит различий между «с», «ф» и «ш». Ошибки на этих звуках неизбежны у любой модели.
- DTX-паузы делают запись короче, чем разговор
Если кодек не передавал тишину, длительность файла меньше реального времени звонка. Мы восстанавливаем паузы — таймкоды совпадут с журналом звонков.
- Две стороны разговора часто смикшированы в один канал
Разделение на спикеров здесь работает хуже, чем на стереозаписи с раздельными каналами. Если ваша АТС умеет писать стерео — включите этот режим.
Как формат влияет на точность
Это самый тяжёлый вход из всех. По бенчмарку GigaAM на call-центровых данных GigaAM v3 RNNT даёт 9,5% WER, Whisper large-v3 — 23,1%. Разница в 2,4 раза на том же материале.
| Модель | Средний WER, % | Далёкий микрофон | Кол-центр |
|---|---|---|---|
| GigaAM v3 RNNT (Сбер, MIT)используем мы | 8,3 | 3,9 | 9,5 |
| GigaAM v2 RNNT | 10,6 | — | — |
| T-one + LM (Т-Банк, Apache-2.0) | 16,3 | — | — |
| Whisper large-v3 | 21 | 16,4 | 23,1 |
Проверка файла и расчёт стоимости
Файл не загружается и никуда не отправляется: длительность читает ваш браузер локально. Ограничения показаны для AMR.
Отменять ничего не нужно: у нас нет автопродления и мы не храним данные платёжных карт.
Частые вопросы
- Сколько минут разговора помещается в один мегабайт AMR?
- При 12 кбит/с — около 11 минут на мегабайт. Часовой разговор весит примерно 5,4 МБ.
- Можно ли отличить голоса собеседников?
- Диаризация работает, но на смикшированном узкополосном канале точность ниже. Если запись стерео с разными каналами на сторону — точность близка к 100%.
- Годится ли расшифровка записи звонка как доказательство?
- Мы отдаём расшифровку с пословными таймкодами и хэшем исходного файла — это то, что обычно требуется для приобщения. Юридическую оценку даёт суд, не мы.