OPUS в текст
Файлы .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.
Спрос по Яндекс.Вордстат
| Запрос | Показов в месяц | Снято |
|---|---|---|
| голосовое текстом в ватсапе | 506 | 2026-08 |
| голосовое сообщение текстом в ватсапе | 305 | 2026-08 |
Технические характеристики OPUS
| Полное название | Ogg Opus (RFC 7845) |
|---|---|
| Контейнер | Ogg |
| Кодеки внутри | Opus |
| MIME-типы | audio/opus, audio/ogg; codecs=opus |
| Расширения | .opus |
| Типичный битрейт | 24 кбит/с |
| Частота дискретизации | 16 000 Гц, моно |
| Сжатие | с потерями |
| Демультиплексирование | не нужно |
| Лимит на файл | 2 ГБ — это примерно 11 650 минут при типичном битрейте |
| Минут в 1 ГБ | 5 825 |
Что конвейер делает именно с OPUS
- Читаем OpusHead: поле input sample rate говорит, писался ли файл изначально в 16 кГц. Если да, апсемплинг не делаем — он только добавит артефактов.
- Компенсируем pre-skip из OpusHead (обычно 312 сэмплов): без этого таймкоды смещены на ~6,5 мс, что заметно при склейке SRT.
- Отключаем полосовую фильтрацию по умолчанию: у 16-килогерцевого входа и так нечего резать.
- Для цепочек голосовых (пользователь загружает 20 файлов подряд) склеиваем их в один документ с разделителями по имени файла и времени отправки.
Откуда берутся такие файлы
- Голосовые WhatsApp (папка WhatsApp/Media/WhatsApp Voice Notes)
- Экспорт чата WhatsApp «Прикрепить медиа»
- Записи с веб-виджетов, использующих MediaRecorder с codecs=opus
Грабли, о которых стоит знать заранее
- WhatsApp кодирует в 16 кГц — потолок точности ниже
Верхняя граница спектра 8 кГц. Различить «с» и «ш» модели труднее. Это ближе к call-центровому сценарию бенчмарка, где WER 9,5%, чем к идеальным 3,9%.
- Файлы из бэкапа Android имеют расширение .opus, но иногда это .ogg с Vorbis
Расширение в бэкапах не гарантирует кодек. Мы определяем кодек по содержимому, поэтому переименовывать ничего не нужно.
- iOS-версия WhatsApp экспортирует голосовые как .m4a
Если вы делитесь голосовым с айфона, получите AAC, а не Opus. Загружайте как есть — ветка M4A обработает его корректно.
Как формат влияет на точность
16 кГц моно — это узкая полоса, и она стоит нескольких пунктов WER относительно широкополосной записи. Whisper на таком материале деградирует сильнее: 23,1% на call-центровых данных против 9,5% у GigaAM v3.
| 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 OPUS.
Отменять ничего не нужно: у нас нет автопродления и мы не храним данные платёжных карт.
Частые вопросы
- Как достать голосовое из WhatsApp на Android?
- Долгое нажатие на сообщение → «Поделиться» → «Сохранить в Файлы». Либо через файловый менеджер: Android/media/com.whatsapp/WhatsApp/Media/WhatsApp Voice Notes.
- Можно ли загрузить сразу 30 голосовых из одного чата?
- Да, множественная загрузка поддерживается. Мы склеим их в один документ по времени отправки и подпишем каждый фрагмент именем файла.
- Почему WhatsApp не даёт расшифровку сам?
- В российской версии функция транскрипции голосовых доступна не для всех аккаунтов и языков, и она не выгружается в DOCX или SRT.