あらゆるMP3を文字起こし — 64kbpsのボイスメモから320kbpsのポッドキャストまで

可変ビットレートのMP3ファイルはファイル位置と再生時間の間に固定的な関係がありません。当社のデコーダーはXing/VBRIヘッダーからフレームインデックスを構築し（ヘッダーがない場合はファイルをスキャン）、すべてのセグメントの正確なタイムスタンプを計算します。

96kbps未満のMP3エンコーディングは高周波を除去し、単純な音声モデルを混乱させるリンギングアーティファクトを生じます。当社のエンジンは低ビットレート音声に特化してトレーニングされており、安価なレコーダーの64kbpsボイス録音でも精度を維持します。

MP3ファイルはモノラル、ステレオ、ジョイントステレオ、デュアルチャンネルの各モードがあります。4つすべてを正しくデコードします。話者が異なるチャンネルにパンされたジョイントステレオ録音では、両チャンネルを処理して完全にカバーします。

MP3ファイルにはアルバムアート、チャプターマーカー、メタデータなどのID3タグが含まれていることが多く、生の音声フレームを期待するパーサーを混乱させることがあります。当社のデコーダーはメタデータをクリーンに除去し、最初の実際の音声フレームから文字起こしを開始します。

MP3として配信されるポッドキャストは、ID3チャプターフレームや埋め込みキューポイントを使用していることがよくあります。これらのマーカーを検出し、文字起こしの構造化に活用できるため、エピソードのチャプターに一致する自然なセクション区切りが得られます。