哪种是 IBM Speech to Text 的最佳声音格式？

Question

IBM 建议对提交到其 Watson Speech to Text 服务的音频使用 Opus 声音格式。 Opus 是专为语音而设计的。

否则，它表示您在提交 flac 格式的音频时会获得比 mp3 格式更好的转录质量。后者具有体积小的明显优势。毕竟文件提交有 100Mb 的限制。所以你权衡你的需求。到目前为止，这一切都说得通。

但是看看在源 WAV 文件上完成的转换，Opus 文件的大小与 mp3 相当。

将 366Mb wav 文件下采样到 8k 采样率（建议使用该服务的两种采样率之一），创建了 66.4Mb 的 wav 文件。将其转换为 flac、wav 和 opus 产生的 flac：43.6Mb； mp3：6.2Mb；作品：9.8Mb。

那么 opus 真的是获得最准确转录的最佳选择吗？和 flac 相比，它怎么可能这么小？

Answer 1

Opus 旨在有效地编码语音。详细信息在链接的 wiki 文章中进行了解释，但只是为了给您一个要点，请考虑人类的发声范围相当有限，大约从 80 到 260 Hz。另一方面，听力范围还是要大得多，可达200​​00赫兹。音乐编码器（如 mp3）必须大致在我们的听力范围内工作，而语音专用编码器（如 Opus）可以专注于有效编码人声的重要内容，而不关心明显超出我们发声范围的内容。我希望这能提供一些直觉，为什么 Opus 如此高效。

这是最好的吗？这有点固执己见，但是是的，我认为这是最好的选择之一。引用 Wikipedia 之后，Opus 取代了 Vorbis 和 Speex 用于新的应用程序，并且一些盲听测试将其评为在任何给定比特率下比任何其他标准音频格式更高的质量。