ボイスメモとiPhone録音からM4A音声を文字起こし

ボイスメモは通常品質にAAC-LC、圧縮録音にHE-AACを使用します。HE-AACはスペクトル帯域複製を使用して低ビットレートから高周波を再構成します — 小さなファイルサイズでクリアに聞こえますが、再構成された周波数は合成的なものです。当社の音声モデルはその違いを理解し、SBR再構成周波数に依存しません。

一部のM4AファイルにはAACの代わりにALAC（Apple Lossless Audio Codec）が含まれています — 同じコンテナ形式でロスレス品質。ALACを自動検出してロスレスとして処理するため、変換不要でWAVと同じ精度の利点が得られます。

最新のiPhoneはコンピュテーショナルオーディオ処理を適用します：ノイズキャンセリング、風切り音低減、音声分離。これらの機能は微妙なアーティファクト — ノイズが除去された部分のスペクトルホールや子音のわずかなぼけ — を生じることがあります。当社のモデルはiPhoneで処理された音声でトレーニングされており、これらのアーティファクトを正しく処理します。

ボイスメモではユーザーが圧縮とロスレスの品質を選択できます。圧縮モードはカジュアルなメモには適していますが、背景ノイズがある場合は品質が低下する低ビットレートAACを使用します。両方の品質レベルに最適化された処理を行い、録音設定に関係なく最大の精度を引き出します。