Какой формат лучше загружать?

Оригинальный. Любая конвертация перед загрузкой — это лишнее поколение потерь.

Мой формат не в списке. Что делать?

Попробуйте загрузить: мы определяем содержимое по сигнатуре, а не по расширению. Если не подошло — напишите нам.

Что грузить, если файл огромный?

Извлеките звуковую дорожку копированием: ffmpeg -i in.mp4 -vn -c copy out.m4a.

Форматы

Формат — это не строчка в списке расширений. У AMR узкая полоса 8 кГц, у WAV потолок 4 ГБ, у WebM часто нет длительности в заголовке. Ниже — что мы делаем с каждым.

8,3% средний WER GigaAM v3 RNNTпротив 21% у Whisper large-v3 — в 2,5 раза меньше ошибок15 мин бесплатно без регистрациидо 10 часов на файл

Все страницы раздела — 20

MP4 в текстВ MP4 нас интересует только AAC-дорожка. Видеопоток мы не декодируем вообще — это экономит вам время загрузки и нам GPU-минуты, а вам даёт готовые SRT с точностью до слова.
MP3 в текстMP3 — самый частый вход: диктофон, подкаст, выгрузка со звонков. Формат сжатый с потерями, поэтому важно, что именно вы отдаёте на распознавание: VBR-файл с битой длительностью или нормальный CBR.
OGG в текстЕсли вы скачали голосовое из Telegram или ВКонтакте, у вас на диске .ogg, внутри которого Opus. Это не тот же Opus, что в WhatsApp: у Telegram 48 кГц, у WhatsApp 16 кГц, и это реально видно по качеству распознавания.
M4A в текстM4A — это то, что вы получите, нажав «Поделиться» в «Диктофоне» на iPhone. Внутри почти всегда AAC 64 кбит/с моно, иногда ALAC без потерь, если в настройках выбрано «Без потерь».
OPUS в текстФайлы .opus почти всегда приходят из WhatsApp. Клиент кодирует голос в узкую полосу 16 кГц моно на 20–28 кбит/с — этого достаточно для разборчивости человеком, но для модели это заметно более трудный вход, чем Telegram.
WAV в текстWAV не сжат, поэтому даёт нижнюю границу ошибки: хуже, чем на WAV, распознавание не станет ни на одном другом формате. Взамен вы платите размером — 10 МБ на минуту стерео.
WEBM в текстWebM почти всегда рождается в браузере: запись экрана через MediaRecorder, скачанный с YouTube поток, запись созвона в веб-клиенте. Главная его особенность — часто отсутствующая длительность в заголовке.
MKV в текстMKV отличается от MP4 одним практическим свойством: в нём почти всегда больше одной звуковой дорожки. Русская, оригинальная, комментарии — и выбрать нужно правильную, иначе вы получите текст не на том языке.
MOV в текстMOV — то, что снимает iPhone. Битрейт у него высокий (HEVC 4K даёт около 50 Мбит/с), поэтому главный совет для MOV — выгружать не видео, а звук.
AMR в текстAMR — 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.
AVI в текстAVI 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.
FLV в текстFLV — это архив российских онлайн-школ и вебинарных площадок 2012–2019 годов. Главная сложность не в контейнере, а в кодеках Nellymoser и Speex, которые современные конвертеры уже почти не поддерживают.
AAC в текстФайл .aac — это голый поток кадров без контейнера. У него нет ни оглавления, ни надёжной длительности, поэтому многие сервисы либо отказываются его брать, либо тарифицируют по неверному времени.
FLAC в текстFLAC — оптимальный компромисс: побитово тот же сигнал, что и WAV, но файл вдвое меньше и без потолка в 4 ГБ. Для многочасовых интервью это лучший формат загрузки.
WMA в текстWMA живёт в корпоративных архивах: записи совещаний с Windows-ноутбуков, выгрузки из старых систем записи разговоров, «Звукозапись» из Windows XP и 7.
WMV в текстWMV встречается в корпоративных обучающих архивах и записях Camtasia. Формат почти не поддерживается вне Windows, поэтому загрузить его куда-либо обычно проблема — у нас нет.
3GP в текст3GP — мобильный профиль MP4, спроектированный под GPRS-каналы. Внутри почти всегда AMR-NB на 8 кГц, поэтому обрабатывается он ближе к записи телефонного разговора, чем к видео.
AIFF в текстAIFF — это WAV наоборот: тот же несжатый PCM, но с обратным порядком байт и в контейнере IFF. Приходит из студийных монтажек Apple.
MPEG в текстMPEG-PS — это то, во что оцифровывали VHS и что писали DVD-рекордеры. Звук там обычно MP2 224 кбит/с, что для распознавания вполне достаточно; проблема в шуме исходного носителя.
TS в текстTransport Stream проектировался под вещание, где пакеты теряются. Поэтому такие файлы почти всегда «живые»: с обрывами, скачками таймстампов и несколькими программами внутри.

Частые вопросы

Какой формат лучше загружать?: Оригинальный. Любая конвертация перед загрузкой — это лишнее поколение потерь.
Мой формат не в списке. Что делать?: Попробуйте загрузить: мы определяем содержимое по сигнатуре, а не по расширению. Если не подошло — напишите нам.
Что грузить, если файл огромный?: Извлеките звуковую дорожку копированием: ffmpeg -i in.mp4 -vn -c copy out.m4a.

Смотрите также

Форматы

Все страницы раздела — 20

MP4 в текстВ MP4 нас интересует только AAC-дорожка. Видеопоток мы не декодируем вообще — это экономит вам время загрузки и нам GPU-минуты, а вам даёт готовые SRT с точностью до слова.
MP3 в текстMP3 — самый частый вход: диктофон, подкаст, выгрузка со звонков. Формат сжатый с потерями, поэтому важно, что именно вы отдаёте на распознавание: VBR-файл с битой длительностью или нормальный CBR.
OGG в текстЕсли вы скачали голосовое из Telegram или ВКонтакте, у вас на диске .ogg, внутри которого Opus. Это не тот же Opus, что в WhatsApp: у Telegram 48 кГц, у WhatsApp 16 кГц, и это реально видно по качеству распознавания.
M4A в текстM4A — это то, что вы получите, нажав «Поделиться» в «Диктофоне» на iPhone. Внутри почти всегда AAC 64 кбит/с моно, иногда ALAC без потерь, если в настройках выбрано «Без потерь».
OPUS в текстФайлы .opus почти всегда приходят из WhatsApp. Клиент кодирует голос в узкую полосу 16 кГц моно на 20–28 кбит/с — этого достаточно для разборчивости человеком, но для модели это заметно более трудный вход, чем Telegram.
WAV в текстWAV не сжат, поэтому даёт нижнюю границу ошибки: хуже, чем на WAV, распознавание не станет ни на одном другом формате. Взамен вы платите размером — 10 МБ на минуту стерео.
WEBM в текстWebM почти всегда рождается в браузере: запись экрана через MediaRecorder, скачанный с YouTube поток, запись созвона в веб-клиенте. Главная его особенность — часто отсутствующая длительность в заголовке.
MKV в текстMKV отличается от MP4 одним практическим свойством: в нём почти всегда больше одной звуковой дорожки. Русская, оригинальная, комментарии — и выбрать нужно правильную, иначе вы получите текст не на том языке.
MOV в текстMOV — то, что снимает iPhone. Битрейт у него высокий (HEVC 4K даёт около 50 Мбит/с), поэтому главный совет для MOV — выгружать не видео, а звук.
AMR в текстAMR — 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.
AVI в текстAVI 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.
FLV в текстFLV — это архив российских онлайн-школ и вебинарных площадок 2012–2019 годов. Главная сложность не в контейнере, а в кодеках Nellymoser и Speex, которые современные конвертеры уже почти не поддерживают.
AAC в текстФайл .aac — это голый поток кадров без контейнера. У него нет ни оглавления, ни надёжной длительности, поэтому многие сервисы либо отказываются его брать, либо тарифицируют по неверному времени.
FLAC в текстFLAC — оптимальный компромисс: побитово тот же сигнал, что и WAV, но файл вдвое меньше и без потолка в 4 ГБ. Для многочасовых интервью это лучший формат загрузки.
WMA в текстWMA живёт в корпоративных архивах: записи совещаний с Windows-ноутбуков, выгрузки из старых систем записи разговоров, «Звукозапись» из Windows XP и 7.
WMV в текстWMV встречается в корпоративных обучающих архивах и записях Camtasia. Формат почти не поддерживается вне Windows, поэтому загрузить его куда-либо обычно проблема — у нас нет.
3GP в текст3GP — мобильный профиль MP4, спроектированный под GPRS-каналы. Внутри почти всегда AMR-NB на 8 кГц, поэтому обрабатывается он ближе к записи телефонного разговора, чем к видео.
AIFF в текстAIFF — это WAV наоборот: тот же несжатый PCM, но с обратным порядком байт и в контейнере IFF. Приходит из студийных монтажек Apple.
MPEG в текстMPEG-PS — это то, во что оцифровывали VHS и что писали DVD-рекордеры. Звук там обычно MP2 224 кбит/с, что для распознавания вполне достаточно; проблема в шуме исходного носителя.
TS в текстTransport Stream проектировался под вещание, где пакеты теряются. Поэтому такие файлы почти всегда «живые»: с обрывами, скачками таймстампов и несколькими программами внутри.

Частые вопросы

Какой формат лучше загружать?: Оригинальный. Любая конвертация перед загрузкой — это лишнее поколение потерь.
Мой формат не в списке. Что делать?: Попробуйте загрузить: мы определяем содержимое по сигнатуре, а не по расширению. Если не подошло — напишите нам.
Что грузить, если файл огромный?: Извлеките звуковую дорожку копированием: ffmpeg -i in.mp4 -vn -c copy out.m4a.