AVI в текст
AVI сегодня приходит из архивов: записи 2010-х, выгрузки с видеорегистраторов и камер наблюдения. Контейнер старый и часто повреждённый, поэтому здесь важнее всего устойчивость к битым индексам.
Технические характеристики AVI
| Полное название | Audio Video Interleave (RIFF) |
|---|---|
| Контейнер | RIFF, часто с расширением OpenDML |
| Кодеки внутри | Xvid / DivX / MJPEG (видео), MP3 / PCM / AC-3 (звук) |
| MIME-типы | video/x-msvideo, video/avi |
| Расширения | .avi |
| Типичный битрейт | 1800 кбит/с (из них звук 128 кбит/с — 7% файла) |
| Частота дискретизации | 48 000 Гц, стерео |
| Сжатие | с потерями |
| Демультиплексирование | нужно — звук лежит внутри контейнера с видео |
| Лимит на файл | 4 ГБ — это примерно 312 минут при типичном битрейте |
| Минут в 1 ГБ | 78 |
Что конвейер делает именно с AVI
- Не полагаемся на индекс idx1 в конце файла: у оборванных записей его нет. Читаем чанки последовательно.
- Определяем аудиокодек по полю wFormatTag в заголовке strf — в AVI встречаются MP3, PCM, AC-3 и совсем экзотика вроде Microsoft ADPCM.
- Переменный FPS в старых AVI ломает синхронизацию таймкодов: мы привязываем таймкоды к аудиочасам, а не к номеру кадра.
- Записи с камер наблюдения обычно 8 кГц моно — включаем профиль узкополосного звука вместо стандартного широкополосного.
Откуда берутся такие файлы
- Архивы вебинаров 2010–2018 годов
- Записи с видеорегистраторов и систем видеонаблюдения
- Оцифровка кассет через ТВ-тюнеры
- Старые записи с камкордеров
Грабли, о которых стоит знать заранее
- Потолок 2 ГБ у старых AVI без OpenDML
Файлы, записанные до расширения OpenDML, обрезаются на 2 ГБ. Часто вы получаете набор file.avi, file.001, file.002 — это части одной записи, загружайте их по очереди.
- Битый индекс = плеер играет, но конвертеры падают
Наш парсер игнорирует индекс полностью, поэтому файлы, которые не берёт большинство онлайн-конвертеров, у нас обрабатываются.
- Звук с камеры наблюдения — 8 кГц с сильной компрессией
Разборчивость низкая даже для человека. Мы это не скрываем: на таком материале WER будет ближе к call-центровым 9,5%, а не к 3,9%.
Как формат влияет на точность
Сам AVI нейтрален, но материал в нём обычно старый и с плохим микрофоном. Именно на таком спонтанном и удалённом звуке разрыв GigaAM v3 с Whisper максимален.
| 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 AVI.
Отменять ничего не нужно: у нас нет автопродления и мы не храним данные платёжных карт.
Частые вопросы
- У меня AVI разбит на части .001 и .002. Что делать?
- Склейте их как бинарные файлы (copy /b part1+part2 out.avi) или загрузите по очереди — мы соберём тексты в один документ в порядке загрузки.
- Файл AVI не открывается в браузере. Вы его примете?
- Да. Браузеры не умеют Xvid/DivX, а нам видео не нужно вообще — мы читаем только звуковой чанк.
- Можно ли получить субтитры к AVI?
- Да, SRT сгенерируем. Учтите, что при переменном FPS точность попадания в кадр хуже, чем у современных контейнеров — мы синхронизируем по звуку.